数据底座不牢，再好的智能体也是空中楼阁

最近复盘一个科创类 AI 产品时，我再次意识到：智能体回答不好，第一反应不应该只是换模型或调提示词。

很多时候，问题出在它能拿到的材料太少、太散、太不成体系。

一个典型现象是，检索策略过于保守，只拿回少量结果；本地资源库没有系统建设；外部搜索和内部数据没有形成互补。最终用户看到的是 AI 不聪明，但产品经理应该看到的是数据供给链断了。

智能体不是凭空产生答案的机器。它的判断质量，很大程度上取决于它能看到什么资料、资料是否完整、分类是否清楚、更新是否及时、来源是否可靠。

如果底层资源没有整理好，模型只能在碎片上发挥。它可能会说得很流畅，但流畅不等于可靠。尤其是产业分析、企业推荐、政策匹配、项目评估这类业务场景，缺少本地数据和结构化知识，智能体很容易变成一个泛泛而谈的聊天框。

真正要补的是三件事

第一，定义资源分类体系。先把业务世界拆清楚，哪些是机构，哪些是企业，哪些是政策，哪些是人才，哪些是平台，哪些是项目。分类体系不清楚，后续数据越多越乱。

第二，把已有数据走规范 ETL 接入。很多组织并不是没有数据，而是数据散落在不同系统、表格、文档和人员经验里。它们需要被清洗、结构化、去重、打标签，才能被智能体稳定调用。

第三，持续从公开渠道补充和校验。AI 产品不能只靠一次性导入，它需要持续更新。外部搜索可以补充时效性，本地资源库则负责准确性和业务相关性，两者必须配合。

多维度判断比总分更重要

功能层面也要从总分式判断走向多维度判断。比如企业推荐不能只给一个总分，而要拆成经营能力、创新能力、产业匹配、落地可行性等维度。用户不只是想知道推荐谁，还想知道为什么推荐、风险在哪里、下一步怎么做。

底座才是产品能力

这背后其实是产品能力的变化。过去我们容易把 AI 产品的重点放在对话体验上，回答快不快、语气好不好、页面酷不酷。但真正进入业务场景后，竞争力往往在那些没人愿意认真梳理的地方：数据分类、字段设计、接入流程、质量校验、引用来源和更新机制。

AI 产品的底座不是模型本身，而是模型可以使用的业务世界。

把底座做好，智能体才有可能从能聊变成能用。否则，再好的模型也只能站在空中楼阁上回答问题，看起来很高，落地时却没有根。