前段时间一位做工业设备的老板找我们复盘，语气里透着一股说不出的憋屈。半年前他花了 80 万上了一套「AI Agent 客户服务系统」，签合同时供应商拍胸脯说 3 个月上线、6 个月看到销售转化提升。结果半年过去了，项目还卡在「数据准备」阶段——客户资料在 CRM 里一半、在钉钉里一半、在业务员的微信聊天记录里一半，Agent 读进去的都是残缺的信息，回答客户咨询时经常张冠李戴。他跟我说了一句让我印象很深的话——「我以为签了合同、大模型接上了，AI 就自然会替我干活了。」
这不是个例。开沿 5 年跑过 1000+ 个项目，最近 18 个月里 AI Agent 相关的项目占了三分之一，我们接手过大量类似的二次挽救——上一家上线失败，客户找我们重做。每一次做二次诊断，都会发现同一件事：项目在立项前的准备度上就已经决定了成败。大模型、供应商、Prompt 工程只是最后一根稻草，压垮项目的是前面 6 项没扛住的骨头。这篇文章把我们做过的 AI Agent 立项前诊断沉淀下来，给正在启动 20-200 万 AI Agent 项目的负责人一份可以直接照着填的自检清单。
为什么 AI Agent 项目「立项即失败」比传统数字化更常见
行业公开的 AI Agent 项目失败率大约在 60%-80%，比传统数字化的 60%-70% 更高。我们内部统计的「立项即失败」（POC 后 3 个月内被弃用或大幅返工）比例大约 40%-50%，几乎是传统数字化项目的两倍。做二次挽救时我们会问客户几个问题：立项前场景清晰度评估过吗、数据能不能干净地喂给 Agent、权限边界写清楚了吗、集成接口稳定性测过吗、内部有没有人能接、预算算完 3 年了吗。10 个客户里有 9 个的回答是「没来得及」「模型很智能应该能自己搞定」「等 POC 跑起来再说」。
这里面最要命的一个误区是把 AI Agent 当成「更聪明的软件」。AI Agent 本质上不是一个软件，而是一个「有权限、能行动、结果不完全可预测」的员工。传统软件出错，最多是数据不对或者报表跑不出来；AI Agent 出错，可能是给客户发了一条错误的报价、把订单状态改成了「已发货」、把 CRM 里某个字段改了。软件是确定性系统，Agent 是概率性系统，二者的立项逻辑完全不同。指望供应商给一个 Agent，它就能自己适应公司业务，这个逻辑在技术上就不成立。
我们见过三种典型的「立项即失败」症状。第一种是「数据幻觉」——Agent 读进去的数据本身就残缺矛盾，Agent 只能瞎编，用户三天不到就不信任了。第二种是「场景漂移」——立项时说是「智能客服」，跑起来老板不断加需求，最后 Agent 什么都能做一点、什么都做不好。第三种是「权限失控」——Agent 拿到了写权限但没有审计和回滚机制，一次错误操作让公司损失几十万，团队集体不敢再用。这三种症状追根溯源，都是立项前 6 项自检没做够。
6 项自检的总表：一张表钉住立项决策
立项前的 6 项自检，是我们过去 3 年在 300+ 个 AI Agent 项目里反复验证下来的最小集。每一项都对应一条「决策线」——达标就推进、不达标就修完再推进。硬闯的项目里，我们没见过一个真正跑起来的。
| 自检项 | 核心问题 | 决策线 | 常见踩坑 |
|---|---|---|---|
| 数据准备度 | 能不能给 Agent 喂干净的数据？ | 主数据清洗完整度 ≥ 85% + 知识库结构化 ≥ 80% | 客户/物料/知识库有一堆重复、空字段、口径打架 |
| 场景清晰度 | Agent 到底要解决什么问题？ | 场景边界书面定义 + 成功指标可量化 | 一个 Agent 承担 5 个场景，最后哪个都做不好 |
| 权限设计 | Agent 能读什么、能写什么？ | 读写权限矩阵 + 高危操作二次确认 | Agent 拿到写权限，一次错误操作损失几十万 |
| 集成能力 | 上下游系统 API 稳不稳？ | 关键接口 SLA ≥ 99% + 有降级方案 | 依赖的 CRM/ERP 接口三天两头挂 |
| 团队 AI 能力 | 谁来养这个 Agent？ | 至少 1 名业务专家 + 1 名工程师 | 全靠供应商，供应商走了 Agent 就死 |
| 预算真实性 | POC 到扩量的 3 段账算了吗？ | 3 段预算 + 变更储备金 + 调用费上限 | 只算了软件采购，忽略模型调用费和迭代 |
这 6 项之间不是并列，而是层层递进的关系。数据是燃料，场景是方向盘，权限是刹车，集成是道路，团队是司机，预算是油钱。燃料脏了车走不动，方向盘不清楚绕圈子，刹车失灵会撞死人，道路不通哪也去不了，司机不会开车再好的车也是废铁，油钱不够半路抛锚。开沿在诊断阶段最看重的顺序也是这样——先看数据和场景，再看权限和集成，最后才看团队和预算。因为团队和钱可以补，数据、场景、权限一开始没搞对，补起来是要脱层皮的。
如果你想把 AI Agent 之前更基础的准备度也梳理一下，可以延伸看数字化项目立项前必做的 5 个自检，里面有传统数字化的诊断模板，可以和本文的 AI Agent 自检清单配套用。做 AI Agent 之前，数字化底子不能太差，否则地基不稳、上面再盖 AI 也白盖。
自检项 1：数据准备度的 3 层结构
数据准备度是 AI Agent 项目最容易被低估的一项。老板经常说「我们数据都在系统里」——但传统数字化的「数据在系统里」和 AI Agent 需要的「数据能被 Agent 理解」是两件完全不同的事。
我们把 AI Agent 的数据准备度拆成 3 层：结构化业务数据、非结构化知识文档、行为轨迹与反馈数据。
| 数据层 | 检查项 | 达标标准 | 常见问题 |
|---|---|---|---|
| 结构化业务数据 | 客户/物料/订单主数据完整率 | ≥ 85% | 大量空值和重复 |
| 结构化业务数据 | 关键字段口径一致 | 有书面定义 | 一个字段不同部门理解不同 |
| 结构化业务数据 | 数据可通过 API 实时读取 | 支持 | 只能导 Excel，无法在线读 |
| 非结构化知识 | 知识库文档结构化率 | ≥ 80% | 文档全是散乱 PDF 和 Word |
| 非结构化知识 | 知识库更新机制 | 有责任人和更新周期 | 上一次更新还是两年前 |
| 非结构化知识 | 知识库版本控制 | 有版本号 | 新旧版本混在一起 |
| 行为与反馈 | 有历史客户对话记录 | ≥ 6 个月 | 只有零散片段 |
| 行为与反馈 | 有正确/错误答案标注 | ≥ 100 条基准样本 | 完全没有 |
| 行为与反馈 | 有用户反馈回流机制 | 有 | Agent 说错话没人纠正 |
不达标的补救方案分三档。9 项里过 7 项以上是轻度问题，边启动边治理，建议在项目里预留 4-6 周的数据清洗窗口。过 4-6 项是中度问题，必须在立项前启动数据治理，通常需要 8-16 周，投入大致占总项目预算的 20%-30%。过 3 项以下是重度问题，别急着上 AI Agent 了，先花 3-6 个月把数据地基搞好再说，硬上就是烧钱。
我们做过一家做医疗器械分销的客户，最初诊断只过了 3 项——知识库里几百份 PDF 产品手册没有任何结构化，客户问 Agent「XX 产品的适用症有哪些」，Agent 只能瞎编。我们没直接上 AI 客服，而是先花了 3 个月做知识库结构化和口径统一，第二年才启动 Agent 项目，上线周期反而比其他客户更短，因为「地基是干净的」。数据准备度不足的更多典型症状，可以看AI Agent 数据不好会踩哪些坑，里面有一份详细的诊断表。
自检项 2：场景清晰度的 5 问定位法
场景清晰度是第二大陷阱。AI Agent 项目最容易走偏的一步是「我们上了 AI 之后什么都能做」——供应商这么说、老板这么想、业务部门这么盼。结果一个 Agent 承担 5-10 个场景，每个场景都做得半吊子，最后哪个用户都不满意。
我们通常用 5 个问题来定位一个场景是否清晰：
| 问题 | 达标回答 | 不达标警示 |
|---|---|---|
| 这个 Agent 服务谁？ | 明确到岗位或角色（如「一线销售」「财务专员」） | 「所有员工」「所有客户」 |
| 解决什么具体问题？ | 一句话说清（如「回答客户对产品参数的咨询」） | 「提升效率」「智能化服务」 |
| 成功指标是什么？ | 可量化数字（如「首响 ≤ 30 秒 + 准确率 ≥ 85%」） | 「用户满意」「老板觉得好」 |
| 边界在哪里？ | 明确 Agent 不做什么（如「不涉及退款审批」） | 「什么都能做一点」 |
| 失败时怎么办？ | 有兜底方案（如「转人工 + 记录待改进」） | 「让老板决定」 |
5 个问题全部有明确回答才算达标。我们见过太多老板一开始就说「我们要一个 AI 助手，什么都能问」，追问下去发现连服务对象都没定。这种项目做完基本就是死。
不达标怎么办？两条路。一是收缩场景。先选 1 个最清晰的场景做 POC，跑通了再扩到第二个。20-50 万的项目一次只做 1 个场景、50-100 万做 2 个、100 万以上做 3 个，这是我们过去 300+ 项目沉淀的稳妥比例。二是延期启动。如果连一个清晰场景都定不下来，宁可延迟 2-3 个月做场景对齐工作坊，也不要在场景模糊时启动。这一点在AI Agent 落地路线图里我们也写过——场景边界不清的项目，无论技术多好都跑不通。
自检项 3：权限设计的读写矩阵
权限设计是 AI Agent 相比传统数字化最独特的一项，也是最容易被跳过的一项。传统软件的权限是「哪些角色能看哪些菜单」，AI Agent 的权限是「Agent 能读什么数据、能写什么数据、写之前要不要人工确认」——这是一个完全新的维度。
我们建议在立项前把 Agent 的读写权限做成一张矩阵：
| 数据/操作对象 | 读权限 | 写权限 | 高危度 | 二次确认 |
|---|---|---|---|---|
| 客户基本信息 | 允许 | 禁止 | 中 | - |
| 客户联系记录 | 允许 | 允许追加 | 低 | 否 |
| 客户账期 | 允许 | 禁止 | 高 | - |
| 报价与折扣 | 允许查看 | 有限（≤10% 折扣） | 高 | 是 |
| 订单状态 | 允许 | 允许（部分状态） | 中 | 是 |
| 库存数据 | 允许 | 禁止 | 中 | - |
| 财务数据 | 部分 | 禁止 | 极高 | - |
| 员工薪酬 | 禁止 | 禁止 | 极高 | - |
| 对外发消息 | - | 允许（模板内） | 高 | 是 |
| 对外下单/合同 | - | 禁止 | 极高 | - |
矩阵里有 3 个原则一定要遵守：默认最小权限（不明确允许的一律禁止）、高危操作必须人工二次确认、所有 Agent 操作都要留操作日志可回滚。我们见过一家客户，Agent 上线一周内把某个大客户的欠款账期从 30 天改到了 90 天，因为提示词里写了「优先满足客户诉求」，Agent 就自作主张改了。这不是模型的问题，是权限矩阵没做——账期字段本来就不该给 Agent 写权限。
权限设计还要考虑「谁能改 Agent 的权限」。这不是一个技术问题，是一个治理问题——我们建议至少 3 个人才能修改 Agent 的高危权限：业务负责人、IT 负责人、审计负责人。三方联签，避免任何一个人一时冲动扩大权限。这块的更详细清单可以看AI Agent 权限审计怎么做，里面有可直接照抄的审计模板。
自检项 4：集成能力的 4 类接口清单
集成能力是 AI Agent 项目里最容易被高估的一项——供应商 demo 时告诉你「我们能接所有主流系统」，实际接进去才发现你们家的 CRM 是 8 年前的老版本、接口三天两头挂、字段命名跟标准版差了 10 万八千里。
我们把 AI Agent 需要集成的接口分成 4 类，每类都要单独评估：
| 接口类型 | 典型系统 | 关键指标 | 常见问题 |
|---|---|---|---|
| 业务数据类 | CRM/ERP/OA | 响应时间 < 500ms、SLA ≥ 99% | 接口老、字段不全、并发差 |
| 沟通触达类 | 钉钉/企微/微信/短信 | 消息成功率 ≥ 99.5% | 触达频率被限、模板审核慢 |
| 外部服务类 | 快递/支付/发票 | SLA ≥ 99% | 第三方接口偶尔宕机无兜底 |
| 大模型服务类 | GPT/Claude/文心/通义 | 平均响应 < 3s、调用配额充足 | 高峰期限流、成本失控 |
每类接口都要在立项前做一次「压力测试 + 降级演练」。压力测试看看 Agent 上线后可能的峰值调用量下接口能不能扛住；降级演练看看接口挂了 Agent 是不是能优雅降级、告知用户、留待人工处理。这两步做完，才能签合同。
我们做过一家做连锁餐饮的客户，做完集成压测发现总部的 ERP 接口每分钟只能承受 20 次调用，而 Agent 上线后预估的峰值是每分钟 200 次。项目组当场决定先花 4 周升级 ERP 接口，再启动 Agent 项目。这一步预算多了 8 万，但避免了 Agent 上线首日全线宕机的灾难。集成压力测试是很多项目容易跳过的一步，我们建议把它写进合同的验收标准里，作为「进入 UAT 阶段」的前置条件。
自检项 5：团队 AI 能力的 3 类角色
团队 AI 能力这一项，20-50 万的中小项目最容易忽略——「上 AI 让供应商全包不就好了？」问题是，供应商能包 POC 和上线，但包不了 Agent 上线后每天的 Prompt 迭代、场景微调、错误标注、数据回流。团队没有基本的 AI 承接能力，供应商走了 Agent 就死。
AI Agent 项目团队 3 类关键角色：
| 角色 | 达标标准 | 项目规模建议 | 不达标补救 |
|---|---|---|---|
| 业务专家 | 懂业务全流程、能写 SOP、有决策权 | 所有规模必配 | 从内部业务负责人里挑一个兼任 |
| Prompt 工程师 | 会写和迭代 Prompt、懂评测 | 50 万以上必配 | 采购供应商年度 Prompt 迭代服务 |
| 数据/集成工程师 | 会做数据管道、接 API、监控 | 100 万以上必配 | 采购年度技术托管 |
20-50 万的小项目，1 个业务专家 + 供应商托管服务基本够用。50-100 万的中型项目，建议至少配 1 个兼职 Prompt 工程师。100 万以上的大型项目，必须有专职的 AI 团队，至少 2-3 人。团队规模和项目复杂度不匹配的情况，我们见过太多——公司只有一个 IT 网管，却想上一个覆盖 5 个业务线的集团级 Agent 中台，这种项目开工前就注定要延期。
判断团队 AI 能力还有一个反常识的技巧：看老板对「Agent 会犯错」的态度。如果老板说「AI 就是要 100% 正确，错一次都不行」，那这个项目大概率跑不通——因为 AI Agent 本质上是概率系统，会犯错是常态，重点是有机制发现错、修正错、防止再错。老板不接受 Agent 会犯错，团队就不敢让 Agent 承担任何有价值的工作，最后 Agent 只能做「回答不痛不痒的问题」。
自检项 6：预算真实性的 3 段账
预算真实性的问题不是钱不够，是没算全。AI Agent 项目的预算比传统数字化更复杂，因为它不是一次性投入，而是持续的「训练-调优-扩量」循环。我们建议把 AI Agent 预算按「POC / 首个场景全面上线 / 扩量到多场景」分 3 段拆开，每段结束前对齐一次是否继续。
3 段账的典型结构（以一个 100 万级别的 AI Agent 项目为参考）：
| 阶段 | 时长 | 典型投入 | 关键动作 | 决策点 |
|---|---|---|---|---|
| POC | 2-3 个月 | 15-25 万 | 单场景跑通、数据打通、成功指标验证 | POC 通不通过、是否继续 |
| 首个场景全面上线 | 3-6 个月 | 40-60 万 | 从 POC 用户扩到全公司同岗位、跑稳 6 个月 | 是否达到成功指标、是否扩场景 |
| 扩量到多场景 | 6-12 个月 | 30-50 万 | 从 1 个场景扩到 3-5 个 | 是否值得再扩、还是维持现状 |
除了 3 段主账，还有 3 项 AI Agent 独有的隐藏成本：
| 隐藏成本项 | 典型占比 | 说明 |
|---|---|---|
| 大模型调用费 | 5%-15% | 按 token 计费、峰值时容易失控、要设上限告警 |
| 数据标注与反馈 | 5%-10% | 上线后持续标注错误案例、优化知识库 |
| Prompt 迭代与评测 | 10%-15% | 场景微调、上线新版本前的评测 |
预算真实性达标的标准是：3 段账拆得清、6 项隐藏成本识别到、预留 25%-30% 的变更储备金（比传统数字化的 15%-20% 更高，因为 AI 场景边界更容易变）、有明确的付款节点与验收挂钩。这 4 条全过才算达标。
我们做过一家医疗器械公司的 AI Agent 项目诊断，客户拿着一份预算 60 万的方案来找我们复核。我们把 3 段账 + 隐藏成本算了一遍，第一年 TCO 是 95 万，3 年 TCO 是 180 万。客户看完立刻决定重新和供应商谈合同结构，把大模型调用费的成本封顶写进了合同。AI Agent 定价的更详细拆解可以看AI Agent 定制开发价格 2026，里面有各段账的行业均值。
6 项全过才启动：只过 3-4 项怎么办
理论上 6 项全部达标才能启动。实际操作中，6 项全过的公司不到 5%，绝大多数客户来找我们时是过了 3-4 项。这种情况分三类修补动作：
类型一：5 项达标，1 项不达标。 修补策略是把不达标的那项做成「并行前置任务」，写进项目合同的附件里，明确到人到周。比如权限设计不达标，就在合同里写死「读写权限矩阵未审计通过前 Agent 不进入生产环境」，用合同硬约束来倒逼修补。这种情况项目大概率会延期 1-2 个月，但成功率能拉到 75% 以上。
类型二：3-4 项达标，2-3 项不达标。 这种情况建议先启动一个 8-12 周的「前置修补项目」，专门解决不达标的几项，然后再启动主项目。主项目和修补项目最好用同一家供应商，可以避免交接损耗。修补项目预算大致占主项目预算的 20%-30%。
类型三：只有 2 项达标或以下。 别启动。真的别启动。这种情况上 AI Agent 就是烧钱。我们建议先做 3-6 个月的「AI 落地咨询」，把不达标的几项梳理清楚，再谈 Agent 立项。这一步的投入大致 3 万-10 万元，能省下几十万到上百万的返工成本。
| 达标数 | 建议动作 | 预计周期 | 额外投入 |
|---|---|---|---|
| 6 项 | 直接启动 | 正常项目周期 | 无 |
| 5 项 | 边启动边修补，合同硬约束 | 延期 1-2 个月 | 5%-10% |
| 3-4 项 | 前置修补 8-12 周再启动 | 延期 2-4 个月 | 20%-30% |
| 2 项及以下 | 先做 AI 落地咨询，不要上 Agent | 咨询 3-6 个月 | 3 万-10 万 |
立项前 30 天的 5 件事
如果你打算未来 30 天启动一个 AI Agent 项目，我们建议按以下节奏推进 5 件事：
Day 1-6：数据梳理。 把结构化业务数据、非结构化知识文档、历史对话与反馈这 3 层数据分别做体检，出一份数据健康报告。这一步通常由内部业务对接人 + 一名技术同学配合完成，工作量大约 8-12 人天。
Day 7-14：场景对齐。 用 5 问定位法把要做的场景一个一个过一遍，形成书面的场景清单，标注每个场景的服务对象、成功指标、边界、兜底方案。建议邀请一线用户和管理层一起参加对齐会议，避免只有管理层视角。
Day 15-20：权限设计。 业务、IT、审计三方一起把读写权限矩阵画出来，标注每个字段/操作的高危度和二次确认要求。这一步是很多项目跳过的一步，也是上线后最容易翻车的一步。
Day 21-25：预算刚性化。 3 段账拆开、6 项隐藏成本识别、变更储备金预留、大模型调用费上限写进合同。预算走公司经营会议决议，董事会或股东签字确认。
Day 26-30：团队盘点。 确认业务专家、Prompt 迭代能力、数据/集成工程师、运维方案。不足的部分要么内部补齐、要么在合同里向供应商采购托管服务。
30 天下来，前面 6 项自检基本上能过 4-5 项。剩下的差距在项目启动后并行修补，成功率会显著高于「合同签完再想」的做法。
立项后 90 天的成功指标
自检做完了、项目启动了，前 90 天怎么判断项目走得对不对？我们建议钉住 4 个硬指标：
| 指标 | 30 天节点 | 60 天节点 | 90 天节点 |
|---|---|---|---|
| POC 完成度 | 单场景跑通、有测试数据 | 单场景准确率 ≥ 目标线 80% | 单场景准确率 ≥ 目标线 100% |
| 用户接受度 | 5-10 名种子用户试用 | 种子用户留存 ≥ 60% | 全部同岗位用户接入 |
| 成本可控 | 调用费低于预算 30% | 调用费低于预算 60% | 调用费低于预算 90% |
| 迭代速度 | 至少 3 轮 Prompt 迭代 | 至少 6 轮迭代 + 有评测报告 | 有稳定迭代节奏（周度或双周） |
4 个指标里达到 3 个及以上算健康。达到 2 个要警惕，1 个及以下的建议暂停项目、复盘再重启。这 4 个指标是我们过去 300+ 个 AI Agent 项目沉淀下来的最小集，缺一不可。
我们见过一家做工业配件的客户，POC 阶段准确率跑到了 92%，用户留存却只有 30%——因为 Agent 虽然答得对，但回答太长太啰嗦，销售嫌麻烦不用了。这种「技术指标漂亮、业务指标难看」的情况，如果不看用户接受度这一项，会一直以为自己走在正确的道路上。
AI Agent 立项调研本身怎么做得更快
过去做立项前的 6 项自检和诊断，我们通常需要派 1-2 名顾问驻场 3-4 周，成本大致 5-12 万元。这几年我们把 AI Agent 本身接进立项调研环节后，成本和效率都发生了变化。
场景一：数据健康度自动扫描。 以前顾问要花 5-7 天人工核对结构化数据的重复率、空值率、知识文档的结构化程度，现在 Agent 读入原始数据源，自动生成完整的数据健康报告，包含每个字段和文档的问题分布、疑似重复项、结构化建议，1-2 天出结果。以前 5 万元的诊断服务，现在 1.5-2 万元能做。
场景二：场景清晰度对齐辅助。 以前要顾问带 5-10 个岗位做工作坊，梳理场景边界和成功指标。现在让 Agent 读入公司现有的岗位说明书、业务流程文档、客户咨询记录，自动识别可以由 Agent 承担的候选场景，输出结构化的场景清单。顾问只需要在 Agent 输出的基础上做人工校对和排优先级，工作量降低 50%。
场景三：预算 3 段账智能测算。 老板发来一份供应商报价，Agent 根据我们过去做过的 300+ 个 AI Agent 项目的数据，自动测算 3 段预算、识别报价里没算的隐藏成本项、给出对标建议。20 分钟出报告，比人工 2 天出的结果更全。
我们做过一家做家居定制的客户，前期用 AI Agent 完成了整套立项前调研，总费用 2.5 万元，交付周期 8 天。要在 3 年前，这套调研至少 10 万元、6 周。这不是 AI 替代顾问，而是 AI 把重复的、可结构化的部分做掉了，顾问的时间可以集中在判断和沟通上。
写在最后
AI Agent 项目立项这件事，我们做了 3 年，服务了 300+ 家企业上 AI Agent 相关的项目，最扎心的一个体感是——大部分失败的 AI Agent 项目，从签合同那天就注定失败了。大模型、供应商、Prompt 工程师只是最后一根稻草，压垮项目的骨架早就在立项前就没扛住。
3 条铁律送给正在启动 AI Agent 项目的负责人：
- AI Agent 不是更聪明的软件，是有权限、能行动、结果不完全可预测的员工。 用招员工的标准来立项，别用采购软件的标准。
- 场景清晰度、权限设计、集成能力，是 AI Agent 相比传统数字化独有的 3 项。 传统数字化的经验不能直接套过来，特别是权限设计——AI Agent 一旦拿到写权限，一次错误操作就可能损失几十万。
- 预算按 3 段账拆，别一把 all in。 POC / 首个场景全面上线 / 扩量，每段结束前对齐一次，随时可以停。这是控制 AI Agent 项目风险最有效的一招。
如果你手上正好有一个 20-200 万的 AI Agent 项目还没签合同，不妨先花一周时间把这 6 项自检打个分。分数不理想的部分，能补的先补、不能补的写进合同附件、实在补不了的就延迟启动。这个动作本身不值钱，但它能帮你避开的坑，往往是几十万甚至上百万。
如果你正在做 AI Agent 项目的立项诊断或选型，欢迎把现有的数据、场景、权限、集成、预算文档整理一下，我们可以一起看看里面有哪些地方需要在动手前先修一修。
