AI Agent Engineering · Week 12
12-01|从企业需求反推 Agent 产品架构
把模糊的海外客服需求拆成业务结果、责任边界、系统能力、风险与验收证据。
“做一个 AI 客服”还不能直接开发
企业说:“海外客服每天有很多订单、物流和退款问题,希望 AI 自动处理。”这句话缺少业务量、语言、渠道、数据系统、允许动作、审批阈值、风险责任和验收目标。工程师先把需求变成可检查的问题,再选择 Code、Workflow、Agent、Tool、RAG 和 Human Approval。
从需求到架构的六层翻译
Business Outcome
↓
Actors + Process + Exceptions
↓
Data + Systems + Ownership
↓
Decisions + Actions + Risk
↓
Architecture:Code / Workflow / Agent / Tools / RAG
↓
Acceptance Evidence + Operating Owner
先定义结果,例如缩短首次响应时间、减少人工查询步骤,同时把未授权退款保持为 0。接着确认客户、客服、审批人、系统管理员和第三方承运商各自承担什么责任。最后才决定哪些判断需要模型,哪些步骤必须确定执行。
同一个需求如何分配技术
格式校验、金额计算、阈值、权限和状态约束
退款资格→审批→执行→记录的固定生命线
理解多语言问题、选择查询路径、判断证据是否足够
读取订单/物流事实,执行受控业务动作
检索地区政策、产品说明和售后知识证据
承担高风险例外、审批和最终责任
例如“订单是否属于当前客户”是确定授权规则;“客户用德语描述的是物流异常还是退款意图”适合模型分类;“德国站当前售后政策”来自 RAG;“本人的最新物流节点”来自 Tool;“大额补偿是否批准”由获授权人员负责。
Requirement Traceability
客户只能查询本人订单
Trusted identity + object authorization in Order Service
customer A → customer B order = forbidden
caseId + traceId + auditId + Security Report
Identity / Order service owner
Failure Lab
从“要用 Agent”开始设计
为什么诱人: 技术方向已经被客户说出口,团队可以马上开发。
为什么失败: 确定规则、现有 Workflow 和数据授权被隐藏,复杂度和风险迅速扩大。
更合理设计: 先确认业务结果、例外和责任,再为每类任务选择最低必要复杂度。
需求只写理想主流程
为什么诱人: Demo 更快,流程图更漂亮。
为什么失败: 缺订单号、跨客户、超时、未找到、审批拒绝和数据缺失会在上线后决定系统表现。
更合理设计: 每个主流程同时定义异常、停止条件、转人工和验收证据。
用功能清单替代责任边界
为什么诱人: “支持 RAG、MCP、Memory、Multi-language”看起来完整。
为什么失败: 企业无法判断谁维护数据、谁批准风险、谁处理事故。
更合理设计: 每项能力绑定数据 Owner、执行 Owner、运行 Owner 和验收人。
实践:完成 Enterprise Discovery Brief
针对海外客服需求,写出业务目标、现状基线、参与者、三条核心流程、异常、系统真源、敏感数据、可自动动作、需审批动作、目标指标、约束、已知未知和验收证据。
Acceptance Criteria
- ☐ 业务目标包含当前基线、目标变化和不可接受风险。
- ☐ 订单、物流、政策、Memory 与 Workflow State 的所有权明确。
- ☐ Code、Workflow、Agent、Tool、RAG 和 Human 的选择有理由。
- ☐ 主流程同时覆盖缺字段、not_found、unauthorized、timeout 和人工升级。
- ☐ 高风险动作拥有权限、审批、幂等与审计要求。
- ☐ 每条关键需求能追到设计、测试、证据和 Owner。
- ☐ 未确定条件被记录为 Discovery 问题,没有被模型自行补全。
主动回忆
- 企业需求为什么要先定义业务结果与责任?
- 哪些客服任务适合确定性 Workflow?
- 数据所有权如何影响 Tool、RAG、Memory 的选择?
- Requirement Traceability 为什么有助于验收和变更?
下一课把系统、工程证据和运行责任整理成企业可以接手的完整交付包。
延伸阅读 / Sources
核查日期:2026-10-18。
- NIST:AI Risk Management Framework。用于核对治理、风险识别、测量与责任安排。
- OpenAI API:Evaluation best practices。用于核对任务特定标准、持续评估和人工校准。
- OWASP:Authorization Cheat Sheet。用于核对最小权限与业务上下文中的授权要求。
长期有效的原理: 架构要从业务结果、数据所有权、风险和验收证据反推。当前实现方式: 模型、平台和集成方式可以变化,需求追溯链应保持可审阅。