过去一年，很多企业都在讨论 AI Agent。

有人在做智能客服，有人在做自动写代码，也有人在尝试构建各种“企业 AI 助手”。

但一个更现实的问题是：

为什么很多 AI 项目停留在演示阶段，而无法真正进入企业日常流程？

最近，Uber AI Foundations 团队负责人 Adam Hooda 分享了 Uber 内部推动 Claude Skills 的过程。这并不是一个“AI 概念展示”，而是一场发生在真实复杂企业环境中的工程体系演进。

5 个月时间里，Uber 内部的 Claude Skills 从 2 个增长到 500+，覆盖代码审查、测试验证、生产监控、性能优化、知识调用等多个研发场景。

更值得关注的不是“500 个技能”本身，而是 Uber 采用的方法。

它揭示了一件事：

企业 AI 的核心问题，从来不是模型能力，而是如何把 AI 接入真实业务流程、组织协作和工程体系。

---

从“做一个 Agent”到“构建 AI 工作系统”

很多企业在推进 AI 时，默认思路是：

• 为某个场景开发一个 Agent
• 给它配置 Prompt
• 接入知识库
• 上线一个聊天界面

但企业很快会发现问题：

• Agent 很难长期维护
• 每个场景都要重复开发
• 规则、权限、审批越来越复杂
• 不同团队之间无法复用
• 一旦业务变化，Agent 很快失效

Uber 的方向并不是不断增加“定制 Agent”。

而是逐渐形成了一种新的结构：

通用 Agent + Skills + 工程治理体系

Claude 是统一入口。

真正沉淀企业能力的，是各种可复用的 Skills。

这些 Skills 并不只是 Prompt，而是包含：

• 流程步骤
• 调用规则
• 系统操作
• 验证逻辑
• 错误处理
• 知识调用
• 输出标准

本质上，它们是在把企业内部原本依赖“经验”和“人”的工作方式，逐步沉淀成可运行、可复用、可治理的 AI 工作机制。

这也是很多中国企业正在进入的新阶段：

不是“有没有 AI”，而是 AI 能否真正进入业务现场。

---

Uber 真正重要的，不是技术，而是治理结构

很多企业看到“500 个 Skills”，第一反应是：

“怎么管理？”

这恰恰是 Uber 最值得参考的地方。

他们采用的是“双层市场”结构：

第一层：核心技能市场

这一层类似企业级“标准能力库”。

特点是：

• 默认可用
• 有 Owner
• 有评估机制
• 有 CI/CD 流程
• 有效果验证
• 有性能要求

它保证企业核心流程的稳定性。

第二层：团队和个人实验市场

工程师可以自由创建、分享、试验新技能。

有效的能力再逐渐进入核心市场。

这个结构解决了企业 AI 推进中的一个典型矛盾：

• 完全开放，质量会失控
• 完全集中，创新会停滞

很多企业 AI 项目失败，不是因为模型不好，而是因为：

• 没有权限边界
• 没有审核机制
• 没有版本治理
• 没有知识维护机制
• 没有风险分级
• 没有运行监控

结果 AI 只能停留在试验阶段。

真正进入生产环境后，企业需要的不是“一个机器人”，而是一整套运行机制。

---

企业最重要的资产，不是 Prompt，而是“组织经验”

Uber 有一个很典型的案例。

他们的性能优化技能，并不是 AI 自己“学会”的。

而是由两位长期做 Go 和 Java 性能优化的资深工程师，把多年经验沉淀成了可执行的 Skill。

这件事背后有一个非常重要的变化：

过去企业里的关键经验，通常存在于：

• 资深员工脑中
• 零散文档里
• 聊天记录中
• 各种“只有某个人知道”的流程里

而 AI 的真正价值之一，是第一次让这些经验可以被系统化、流程化、持续复用。

这也是为什么很多企业在推进 AI 时，最终会发现：

真正困难的不是模型接入，而是知识整理。

包括：

• 历史工单
• 操作规范
• 合同规则
• 审批流程
• FAQ
• 系统权限
• 风险规则
• 业务判断标准

如果这些知识本身是混乱的，AI 很难稳定工作。

所以企业 AI 项目的核心，往往不是“训练模型”，而是：

梳理流程、整理知识、定义规则、建立验证机制。

---

AI 真正进入企业，需要“确定性”

Uber 在访谈里反复强调一个词：

“确定性输出”。

例如一个性能优化 Skill，不应该只告诉工程师：

“我优化了你的代码。”

而应该明确说明：

• 做了哪些优化
• 哪些成功
• 哪些失败
• 为什么失败
• 修改了什么
• 风险是什么

这是企业 AI 和个人 AI 最大的区别之一。

个人场景可以接受“差不多”。

但企业场景必须：

• 可验证
• 可追溯
• 可审计
• 可回滚
• 可监控

尤其在客服、售后、合同、财务、人事、供应链等场景里，AI 不是回答一个问题，而是在参与业务流程。

这意味着：

企业真正需要的，不只是模型能力，而是：

• 权限控制
• 审批机制
• 日志留痕
• 风险识别
• 人工兜底
• 效果评估
• 持续优化

AI 只有进入这些机制，才能真正成为生产工具。

---

企业 AI 的关键，不是“更聪明”，而是“更可运行”

很多企业仍然在关注：

• 哪个模型更强
• 哪个 Agent 更聪明
• 哪个 Prompt 更好

但从大量实际项目来看，真正决定 AI 能否落地的，通常不是模型上限，而是运行体系。

包括：

• 是否能接入现有系统
• 是否能调用企业数据
• 是否符合权限要求
• 是否能处理异常流程
• 是否能长期维护
• 是否能持续优化
• 是否能被业务团队真正使用

Uber 的经验很重要的一点是：

他们并没有把 AI 当成一个“替代工程师”的系统。

而是把它当成：

一个能够参与整个工作流的协作层。

人仍然负责目标、判断和结果。

AI 负责执行、检索、组合、验证和协同。

这也是企业 AI 更现实的发展方向。

---

对中国企业来说，真正的窗口期已经开始

过去一年，很多企业已经完成了：

• AI 工具试用
• Prompt 实验
• 内部分享
• 小范围 PoC

接下来真正重要的问题是：

如何把 AI 接入真实业务流程。

这意味着企业需要开始建设：

• 可复用的 AI 能力
• 企业知识体系
• AI 权限与治理机制
• 场景化工作流
• 效果评估体系
• 持续运营能力

AI 不再只是“让员工试试看”。

而是逐渐成为企业流程的一部分。

对于已经具备一定数字化基础的企业来说，现在真正需要的，往往不是再增加一个聊天机器人。

而是找到那些：

• 高频
• 重复
• 依赖知识
• 需要流程判断
• 消耗大量人工时间

同时又能够被治理和验证的业务场景。

从一个真实场景开始，建立第一套可运行机制，再逐步扩展。

这也是企业 AI 能真正落地的开始。

---

远锦长期关注的，并不是“AI 展示能力”，而是 AI 如何进入企业真实业务现场。

包括客服与售后、内部知识服务、工单处理、合同文档、运营支持等场景。

真正有价值的 AI 项目，最终交付的不是一个机器人，而是一套能够持续运行、持续优化、能够被组织真正使用的工作系统。