去年年底，一位做连锁餐饮的朋友兴冲冲跟我讲，他们花了大几十万找了一家"AI 大厂背景"的乙方做客服 Agent，PPT 上画得行云流水：对接微信、对接 CRM、自动外呼回访、自动生成日报。三个月后真上线，前两周客服小妹激动得发朋友圈，第三周开始出现答非所问，第四周老板自己问"今天复购排名第几"，Agent 回了一串去年的数据。到了第五周，那家乙方说要"二期优化"，再加 20 万。朋友问我："这是被坑了，还是 AI 本来就这样？"
这种故事，今年大概每周都能听到一次。AI Agent 这一波，比早年的 ERP、CRM 落地更容易踩雷，因为它牵涉的不只是"功能能不能做"，而是"模型选得对不对、数据吐得回不回得来、效果可不可衡量、明年还能不能跑得动"。本文不打算给你列一份"AI Agent 公司排行榜"——那种榜单本身就是坑，而是从老板/CTO 视角出发，给你一套判断框架：6 类供应商画像、12 条现场验收清单、5 件签合同前必须锁死的事，以及一张可以直接拿走的供应商打分表。
一、AI Agent 比传统软件更容易踩雷的 4 个新风险
ERP、CRM 的坑你大概率踩过：需求模糊、二开无底洞、维护费翻倍。AI Agent 这一层把老坑全继承了，还多出四个新坑。
第一个新坑是模型选择。 传统软件选了一个数据库基本不会换，AI Agent 的底层模型半年一代、价格半年一调。乙方如果把某个具体模型写死在代码里、提示词与某家厂商深度耦合，半年后这个模型涨价或下线，你要么换乙方要么吞下涨价。
第二个新坑是数据合规。 Agent 跑业务必然要读你的客户、订单、合同、聊天记录。这些数据是直接送进公网大模型推理，还是先脱敏、还是走私有化部署？日志保留多久？API Key 归谁所有？这些问题在传统软件项目里几乎不存在，但在 AI Agent 项目里每一条都是雷。具体可以参考AI Agent 数据安全治理实操的拆解。
第三个新坑是效果可衡量。 ERP 上没上线很好判断——数据进得来、单据走得通就是上了。AI Agent 上没上线非常模糊：今天答对 8 道，明天答对 6 道，算成功还是失败？没有事先约定的评测集和容忍区间，验收就变成扯皮，乙方说"是您问法不对"，甲方说"是您模型不行"。
第四个新坑是长期维护。 传统软件交付完进入"小修小补"模式，AI Agent 交付完是"持续训练 + 持续治理"模式：业务话术变了要更新、模型涨价要切换、出错了要回滚、Token 消耗要监控。如果维护合同没把这些条目写进去，一年后你会发现 Agent 越用越笨而没人负责。这也是为什么企业 AI 成本失控成了今年的高频话题。
二、6 类 AI Agent 服务商画像：他们到底擅长什么、又踩在哪个坑里
市面上自称做 AI Agent 的公司，大致可以归到下面六类。每一类都有自己的甜蜜区，也有自己的天花板。
1. 大厂 AI 团队：典型如阿里、百度、字节、华为旗下的 AI 业务部门或战略合作伙伴。模型自研、算力充足、品牌背书强，适合数千万级预算、跨组织、强合规的大型央企国企项目。中小企业接触下来常见两个不适：起做价高、流程长，需求小改一次走完审批要两周；交付往往依赖区域代理或集成商二次落地，真正的核心研发不会贴身陪你迭代。
2. 通用集成商：传统系统集成商在传统 IT 项目（ERP、OA、机房）的基础上挂出"AI 部门"招牌。优点是对客户业务流程熟、能把 AI 跟现有系统接起来。痛点是 AI 部分常常外包给二级供应商，提示词工程、模型选型这些核心环节没自己人，遇到深度调优问题答不上来。
3. AI 原生小团队：5-30 人规模，团队从一开始就以大模型应用为业务核心。优点是技术迭代快、对最新模型与工具链敏感、AI Coding 时代单兵产出高；缺点是品牌不响、对垂直行业的业务理解参差，需要老板亲自考察。开沿就属于这一类，所以下文会避免王婆卖瓜，更多聊判断方法。
4. 咨询机构衍生的 AI 部门：四大、本土头部咨询、行业咨询公司延伸出来的 AI 服务线。强项在业务流程梳理、组织变革、高层沟通；弱项是真正的交付往往不是自己写代码，而是分包给乙方，时间和品质都掌握在分包方手里。
5. 低代码平台 + 代搭服务商：依托钉钉宜搭/简道云/氚云/明道云这类平台，以"AI 表单 + AI 助手"的形式做轻量 Agent。优点是上手快、表单和审批生态完整；缺点是平台能力的边界就是 Agent 能力的边界，复杂的流程编排、跨系统的数据回写一旦撞上低代码无法继续的决策点，就要么强切要么推倒重来。
6. 海外团队代理：把海外的 AI Agent 平台（如 LangChain、CrewAI、Microsoft Copilot Studio 等）本土化代理或定制。优点是技术前沿、社区资源丰富；缺点是数据合规、网络稳定性、本土业务理解、计费汇率风险都需要逐项消化。
下面这张表把六类供应商按五个维度做了一次粗筛。每个维度按"强/中/弱"打分，仅作为筛选起点，不是终极判断。
| 供应商类型 | 业务理解 | 模型/技术 | 定制能力 | 数据合规 | 长期维护 |
|---|---|---|---|---|---|
| 大厂 AI 团队 | 中 | 强 | 中 | 强 | 中（依赖代理） |
| 通用集成商 | 强 | 中 | 中 | 强 | 强 |
| AI 原生小团队 | 因人而异 | 强 | 强 | 中 | 中 |
| 咨询机构衍生 | 强 | 中 | 弱（外包） | 强 | 弱 |
| 低代码 + 代搭 | 中 | 中 | 弱（受限于平台） | 中 | 强 |
| 海外团队代理 | 弱 | 强 | 中 | 弱 | 弱 |
读这张表的正确姿势不是"找一类全强的"——不存在。而是先想清楚你这个项目里哪两个维度是命门。如果是金融/医疗行业，数据合规一票否决；如果是消费/零售，业务理解和定制能力优先；如果你已有内置 AI 助手并要进一步升级到 Agent，模型与定制能力的权重就要拉高。
三、5 个维度的细化对比：怎么把"虚分数"打成"实判断"
光看上表的强/中/弱，还是会被销售话术带跑。这里把每个维度细化成可问可答的具体问题。
业务理解维度，要让对方解释你所在行业的 3 个细节痛点。比如做服装批发的可以问"你怎么看款号和色码的库存预占冲突"；做制造业的可以问"你打算怎么处理 BOM 多版本之间的切换"。能答出来的至少做过同行业项目，答不出来又非要承接的，进 POC 阶段才发现外行的概率极高。
模型/技术维度，问三件事：默认用什么模型，为什么选它；如果模型涨价/下线，切换方案是什么；推理 Token 成本怎么估算。模型抽象层、Token 治理、Fallback 策略这些词，对方答得有体系还是模糊，一问就知。
定制能力维度，让对方在三天内做一个 POC：用你公司的真实场景（脱敏后的客户数据样本），跑通一个端到端流程。不愿意做 POC 或要价过高的，多半交付能力存疑。
数据合规维度，要看清楚四个层面：数据走公网还是私有化、推理日志是否落本地、Key 归谁、向量库是否独享。这一块在企业级 AI Agent 数据安全里有更细的对照表，建议交易前打印一份当核对单。
长期维护维度，重点不是"你管不管维护"，而是"维护范围具体到哪一条"。话术升级算不算？模型切换算不算？新场景接入算不算？这些不写清楚，一年后续费会变成另一次重新谈判。
四、12 条 AI Agent 项目验收清单：现场就能跑、不交学费
下面这 12 条来自最近一年我们见过、自己也踩过的 Agent 项目复盘。建议把它打印出来，跟乙方面谈时一项项过。
- 现场跑你公司真实场景：让对方现场（不是回去准备一周）用你脱敏后的数据演示一个端到端流程。
- 权限矩阵设计：Agent 调用业务系统的接口时按谁的身份执行？普通员工能不能通过 Agent 访问 HR 数据？权限模型必须能落到具体角色。
- 监控与回滚预案：当 Agent 给出明显错误回复时，怎么人工接管、怎么把对话切回人工、怎么回滚到上一版本提示词。
- Token 治理方案：日预算、周预算、超额报警、按部门/按场景拆账，这四件少一件都算挖坑。
- 评测集与基线：上线前必须有一个 50-200 条的测试集，给出基线通过率，并约定每月回归测试。
- 提示词与上下文资产归属：合同明确归甲方所有，对方不得带走或复用到其他客户。
- 模型抽象层：代码层面是不是写了适配器、能不能一行配置切换模型，而不是把某家厂商的 SDK 调用满天飞。
- 私有数据隔离：向量库、知识库、对话日志是否独享一套，不和其他客户混仓。
- 业务系统接入清单：要对接哪些系统、走哪种方式（API/数据库直连/数据同步）、有没有企业系统集成平台经验。
- 异常对话留痕：所有 Agent 异常回复必须可追溯，能定位到那次推理用的模型版本、提示词版本、上下文片段。
- 多轮上下文管理：对话超过 N 轮后怎么截断、怎么压缩、怎么保留关键信息，要有明确策略而不是放任。
- 效果验收口径：以业务指标（响应时长、首问解决率、二线介入率、复购回收金额等）而不是技术指标（准确率、F1）作为验收。
12 条不一定项项满分，但低于 7 条不通过的，谨慎签合同。
五、AI Coding 时代的"小而精"团队，为什么值得纳入考量
三年前找一支 5 人小团队做 AI Agent，大概率会被劝退：人手不够、生产风险高、出问题没人撑。今天情况不一样了，AI Coding 工具把单兵产出抬高了一个量级——一个熟练工程师配合 Cursor、通义灵码、Claude 等编码助手，能在两三周里跑出过去 5 人两个月的工作量。这并不意味着小团队就一定比大乙方好，而是说"人数"这个传统筛选指标的权重在下降，"工程化能力 + 模型理解 + AI Coding 熟练度"的权重在上升。
判断小团队是否生产级靠谱，有几个朴素信号：自己生产环境有没有跑超过 6 个月的 Agent、出过故障是怎么处理的、有没有把测试集和 CI/CD 跑起来、提示词资产有没有版本化、能不能讲清楚自己跟传统 RPA、低代码的边界。这几条都齐的小团队，比一些把项目层层外包的大乙方反而省心。
代价当然有：品牌弱、销售流程不规范、对超大型组织变革项目可能扛不住。所以在大型集团选型时，常见做法是用咨询机构管节奏、用小团队做交付，分工反而比单押一家更稳。
六、签合同前必须锁的 5 件事
到了签合同环节，前面所有判断都要落到合同条款里，不然全是口头承诺。
| 条款 | 必须写到什么程度 |
|---|---|
| 数据所有权 | 明确所有原始数据、对话日志、衍生数据、提示词资产归甲方，乙方未经书面许可不得带走/复用 |
| 模型可替换 | 约定模型抽象层与切换工作量上限（如 ≤5 人天），并列出常用候选模型清单 |
| Token 上限与超额规则 | 月度预算、超额报警阈值（建议 70%/85%/100%）、超额后是否自动降级到便宜模型 |
| 效果验收口径 | 业务指标 + 测试集通过率双口径，写明分子分母与统计时段，避免"差不多就行" |
| 维护范围与边界 | 哪些算包年维护，哪些算二期，二期单价区间提前锁，行业公开区间 8000-15000 元/人天可作参考 |
这五条都不写或写得含糊的合同，本质上是把后面所有谈判权交给了乙方。这块在软件供应商尽调和软件外包报价陷阱两篇里有更深入的解构，建议交叉看。
七、决策卡：AI Agent 供应商打分表
到了最后一步，把你接触到的 2-4 家候选放进下面这张表里，按 1-5 分自己打。每项权重可以根据你的项目特性微调。
| 维度 | 满分 | 候选 A | 候选 B | 候选 C |
|---|---|---|---|---|
| 行业业务理解（能答出 3 个细节痛点） | 5 | |||
| 模型选型与抽象层（讲得清切换方案） | 5 | |||
| 现场 POC 能力（3 天内出原型） | 5 | |||
| 数据合规四件套（公网/日志/Key/向量） | 5 | |||
| 长期维护范围清单（≥7 项明确条目） | 5 | |||
| 12 条验收清单命中数（/12 折算） | 5 | |||
| 合同 5 件锁定意愿 | 5 | |||
| 合计 | 35 |
低于 22 分的直接淘汰；22-28 分进入二轮访谈；28 分以上的，建议再做一个 1-2 周的小规模付费 POC 验证，详见 AI Agent 落地路线图。把决策建立在打分表 + 真实 POC 上，比凭"销售人感觉好"靠谱得多。
八、写在最后
选 AI Agent 公司，本质上不是在选一份软件，而是在选一支跟你共同进化两三年的团队。模型会迭代、业务会调整、政策会变化，唯一稳定的是这支团队愿不愿意陪你穿过这些变化。所以前面所有的画像、清单、打分表，归根结底都是在测一件事：对方有没有持续陪跑的意愿与能力。
老板们最容易犯的错，是把 AI Agent 当成传统软件来买——签完合同等交付，验收通过就甩手。真做起来你会发现，Agent 的第一周通常表现亮眼、第二个月开始衰减、第三个月需要重新调优，这是 Agent 项目的常态而非异常。把这层认知放在前面，再带着 12 条验收清单去谈，至少不会重复我那位连锁餐饮朋友的故事。如果你已经在踩坑现场，建议先读一遍AI 项目卡在 POC 的根因和企业 AI 落地真实生存状态，再回头看选型，思路会清晰很多。
