构建 AI Agent 最佳切入点 - vercel

[coderPerseus]

这是一篇关于 Vercel 内部构建 AI Agent（智能体）的经验分享文章。以下为您呈现该文章的中文译文，力求保留原文的技术深度，同时符合中文读者的阅读习惯。

翻译官：Gemini 3 Pro

---

标题：我们在 Vercel 构建 Agent 过程中的经验教训

作者： Malte Ubl (CTO), Eric Dodds (Content Engineer)

发布时间： 2025年11月6日

AI Agent（智能体）在提升企业生产力和产出质量方面展现出了巨大的潜力。许多公司已经开始利用它们来优化客户支持、代码审查和销售运营流程。

在构建定制化的内部 Agent 时，真正的挑战不在于 AI 能否创造价值，而在于识别出它在当下真正能够解决的问题，并且成本在商业上是合理的。

在 Vercel，我们正经历着与客户相同的 AI 转型。我们利用自己的产品来构建 Agent，从而帮助我们跑得更快，并将更多时间投入到更有意义的工作中。

经过数月的实验，我们将所学到的经验总结成了一套可复制的方法论，用于发现和投资那些最有可能产生重大业务影响的 AI 项目。

寻找 Agent 的“甜蜜点”（Sweet Spot）

随着时间推移，AI 几乎会触及每一个工作流程，处理像我们自己的“代码审查”和“异常调查” Agent 那样复杂的任务。由于像这样的编码类 Agent 表现惊人，我们对 Agent 能力的直觉往往偏向于过高的期望。

然而，大多数公司并不具备将这种级别的内部用例“产品化”的工程能力，且当下的模型在其他领域的可靠性和精确度方面仍面临限制。因此，我们需要选择那些适合当下前沿模型能力的问题。

我们要分享的经验是：对于这一代 Agent AI 而言，成功率最高的领域是那些需要人类付出“低认知负荷”但又要进行“高重复性”操作的工作。

最佳切入点（Sweet Spot） = 低认知负荷 + 高重复性的人类工作

这些任务对于传统的自动化手段来说过于动态，但对于 AI 来说又足够可预测，能够可靠地处理。它们广泛存在于业务中的数据录入、调研、资格筛选和分类分流等环节。在这些环节中，自动化不仅能节省时间，还能保持质量的一致性。

这是我们当下应该摘取的“低垂果实”，与此同时，模型也在不断成熟，未来将能够可靠地自动化处理更复杂的任务。

我们寻找合适项目的方法论

这听起来可能很简单，但我们确实直接询问了团队，哪些任务符合这个“甜蜜点”：即那些通过频率很高的无脑操作。

人类天生不喜欢枯燥、重复的工作。因此，你通常可以通过询问这样的问题来发现绝佳的创意：“你工作中哪一部分是你最讨厌的？” 或者 “哪些任务是你希望永远不用再做的？”

我们发现的大多数用例，其自动化过程都相对简单，但在生产力方面却带来了高质量、可衡量的成果。以下是两个具体的例子：

案例一：销售线索处理 Agent (Lead Processing Agent)

我们过去有一个 10 人的团队，专门负责对通过网站进来的销售线索进行初步筛选（Triaging）。当我们问该团队表现最好的员工“希望永远不再做什么”时，他们告诉我们：为了做出初步的资格判断而手动搜索信息的过程简直令人麻木。

我们跟随（Shadow）了那位员工，学习了他们的处理流程，然后构建了一个 Agent 来自动化这一初步筛选过程。现在，1 个人就能处理过去 10 个人的工作量，而其余 9 名员工则专注于更高价值、更复杂的销售工作。

Agent 工作流如下：

1. 深度调研： 对潜在客户及其公司进行全面的背景调查。

2. 资格筛选： 使用 generateObject 对线索进行分类。

3. 邮件撰写： 自动生成个性化的跟进邮件。

4. 人工审查： 将所有信息发送到 Slack 供人工批准。

5. 批准与发送： 捕捉 Slack 上的批准操作（Webhook 事件）并发送邮件。

案例二：反滥用 Agent (Anti-abuse Agent)

我们的安全团队需要管理源源不断的滥用报告，从钓鱼网站、垃圾信息到版权侵权应有尽有。我们需要认真对待每一个案例，因为误判可能导致错误下架，而漏判则可能让有害内容留在网上。

在自动化之前，人工审核员必须手动调查每一份报告，运行一套公式化的流程来做出初步判断。

我们构建了一个“滥用平台 Agent”，它能自动提取潜在的侵权或高风险 URL，运行视觉分析，理解页面意图，并返回建议的操作供人工验证。

即便在第一次迭代中，该工作流就将工单关闭时间缩短了 59%，从而解放了团队，让他们能够专注于那些需要更复杂人类推理的边缘案例。

Agent 工作流如下：

1. URL 摄取： 从滥用报告队列中检索新报告。

2. 分析： 运行视觉/文本分析以检测钓鱼或版权内容。

3. 建议： 汇总发现并提出行动计划。

4. 人工审查： 将建议发送给安全工程师进行最终裁决。

5. 解决： 记录决定并关闭工单。

利用我们的 Agent 模板开始行动

每个人都应该开始向自己的团队提出上述问题，但您也可以通过使用我们的 Agent 模板立即上手。

我们已经开源了一系列 Agent 示例，旨在作为构建自定义 Agent 的基石：

• 销售线索处理 Agent： 让 AI 完成繁琐的调研工作并进行初步筛选，然后通过“人机回环”（Human-in-the-loop）进行验证。

• 数据分析师 Agent： 将自然语言问题转化为 SQL 查询，并利用多阶段推理进行数据分析。

• 航班预订应用： 一个对话式的航班预订助手，内置了重试机制、断点续传和容错能力。

• 故事时间 Slackbot： 一个交互式的、由 AI 驱动的 Slack 机器人，可与您的组织成员共同创作儿童故事。

如果您的团队在寻找和构建高投资回报率（ROI）的 AI 项目方面需要更直接的支持，我们提供一项实践计划，由我们的前线工程师团队指导您完成用例发现和 Agent 实施。