AI Agent能否真正落地，很大程度上取决于企业现有数字基础。模型可以理解自然语言，却不能凭空知道订单在哪、客户数据谁能看、某个系统是否允许修改。上海企业在立项前最值得做的，不是先挑模型，而是盘点数据、系统、接口、身份和权限，确定Agent到底能得到什么信息、可以调用什么动作，以及哪些环节必须保留人工。
先列目标任务，而不是先列要连接的系统
“连接ERP、CRM、OA”只是技术清单，真正应该写的是“查询客户近三个月订单”“生成采购申请草稿”等任务。每个任务再反推需要哪些数据和工具。这样可以避免接了很多系统，却没有一个业务流程真正减少工作。
数据盘点要区分文档、结构化数据和实时状态
制度、手册适合知识库；客户、订单、库存等实时数据应从源系统查询；聊天记录或邮件还涉及隐私和授权。不同数据类型的访问方式不同。把所有数据统一导入向量库，会造成时效和权限问题。
接口盘点要验证真实可调用性
不能只问系统“有没有API”，还要检查文档、鉴权、测试环境、限流和错误码。对于没有接口的老系统，评估是否通过中间层、只读数据库或文件交换补足。关键工具最好在Agent开发前做技术验证。
身份与权限决定Agent能不能安全使用
当前用户在AI入口登录后，系统必须知道他在ERP、CRM等系统对应什么角色和数据范围。若所有工具都用超级管理员账号调用，Agent就可能越权访问。权限应在工具层强制校验，而不是依赖Prompt提醒模型。
写操作要提前分级
查询和分析风险较低，创建草稿次之，自动提交、修改、删除和付款风险更高。企业可以为每个动作标注可逆性、金额影响和是否需要二次确认。首版优先选择可验证、可回滚动作，逐步扩大自动化。
元码智擎会把盘点结果转成Agent能力矩阵
把任务、数据来源、接口、权限、风险和预期收益放在同一张表里，可以快速看出哪些场景具备落地条件，哪些需要先改造基础系统。这样Agent项目从一开始就是业务工程，而不是单纯做一个聊天Demo。
准备真实评测任务作为上线门槛
收集用户真实会下达的指令，包括模糊、越权、重复和异常情况。测试Agent是否会正确选工具、补充信息、拒绝危险动作和处理接口失败。真正的上线准备不仅要测“能做什么”，更要测“什么时候不应该做”。
Agent试点应同步准备人工兜底流程
当接口异常、用户问题超出权限或模型不确定时，系统要能明确转人工或创建待办，而不是让用户反复重试。人工兜底不仅降低风险，也能收集失败样本，帮助团队判断下一步应补数据、接口还是规则。
Agent上线后要限制成本和执行频率
多步骤任务可能反复调用模型和接口，应设置最大步骤、超时、重试次数和用户配额。异常任务如果无限循环，不仅增加费用，还可能重复触发业务动作。生产Agent需要明确的停止条件。
Agent盘点阶段还应记录每个动作的业务责任人
工具能否开放不仅是技术和权限问题，还要有人对业务规则负责。例如“创建采购申请”由采购部门确认字段和审批条件，“修改客户状态”由销售运营确认边界。责任人参与评测和异常复盘，可以避免技术团队独自决定业务语义，让Agent行为始终与企业制度保持一致。
Agent上线前要把越权、失败和转人工一起验收
上海企业做Agent试点时，应覆盖正常、模糊、越权、重复和恶意指令，检查工具选择、参数校验、停止条件、人工确认和日志。
Agent进入生产后要盯执行链而不只是最终答案
Agent上线后应统计工具失败、人工接管、任务耗时、成本、重试和越权拦截情况，并把真实失败样本加入回归测试。
Agent项目要为每个工具指定业务责任人与技术责任人
Agent可调用CRM、ERP、邮件或数据库工具时，每个动作都应有业务Owner确认语义和规则，也要有技术责任人维护接口、权限和异常处理。例如“创建采购申请”由采购确认字段与审批条件，技术团队负责可靠调用。责任双线明确后，模型行为才不会由开发人员单方面猜测。
Agent立项时应先绘制工具清单而不是角色人设
很多Agent方案从“给智能体一个角色”开始，却没有梳理它真正能调用什么。企业可以先列出每个任务需要的查询、创建、修改和通知动作，并为每个工具定义输入参数、权限、失败返回和人工确认点。工具清单一旦明确，就能快速识别老系统缺接口、数据不可用或高风险写操作等问题。相比设计复杂的提示词，这一步更接近Agent能否进入生产环境的决定因素。
AI Agent立项准备问答
企业接口不完善还能先做Agent吗？
可以先从知识问答、信息整理等不依赖业务写操作的场景开始，同时逐步补接口基础。
Agent需要访问员工全部历史数据吗？
不需要。应按任务最小化访问范围，只提供完成当前任务必须的数据和权限。
做Agent之前要不要先统一账号体系？
如果涉及多个内部系统，至少需要可靠的身份映射和权限继承，否则很难保证跨系统数据安全。