很多自媒体把“会用AI工具”讲得很简单仿佛写几句提示词就能替代整个技术团队。实际企业落地时算法工程师的工作量往往在工具背后让模型懂业务、不出错、成本低、可审计。一、问题1模型不了解企业内部数据通用大模型见过公开互联网知识但不知道公司产品手册、合同模板、客服记录。直接问容易编答案。解法通常是检索增强先把文档切分、向量化用户提问时检索相关片段再让模型结合片段回答。 这能明显降低无依据回答但也要求工程师处理文档权限、更新频率、检索排序和答案引用。二、问题2多轮任务没人管模型会跑偏单轮问答简单企业场景常是多步的查订单→判断异常→生成处理建议→写工单→人工复核。算法工程师会把它设计成智能体流程给模型明确工具、边界和回退机制。例如客服助理不因一句话就自动退款风控助手只给预警和材料最终决策留给人。这样更安全也更容易上线。三、问题3多模态不是“都能输入”就结束文本、图片、音频统一输入只是第一步。不同模态在数据分布、语义对齐上差异很大跨模态推理仍会出错。 工程师要做标注规范、对齐训练、异常处理。比如工业巡检不只看“有没有图”还要判“裂纹级别”“是否误报”“是否需人工复检”。四、问题4效果和成本要一起算大模型调用按token、按请求、按向量检索次数计费。算法工程师会做缓存、压缩上下文、用小模型处理简单问题、用大模型处理复杂问题。企业真正关心的是“每次有效回答成本多少、人工复核率降多少”而不是模型参数有多大。常见误区纠正误区提示词决定一切。事实数据、检索、评测、权限和业务流程更重要。误区模型越大越好。事实很多场景小模型加规则更稳更省。误区AI全自动替代岗位。事实当前更适合做辅助决策、信息处理、重复劳动减负。对想入行的人说一句如果目标是企业AI应用别只学聊天要做“数据模型系统评测”的组合能力。可从客服知识库、报表摘要、文档审核三类小项目入手每个项目都留下评估指标和失败案例这比空谈概念更有用。我们整理了一份“企业AI落地项目清单”含检索、评测、智能体示例关注后可持续看拆解。