Agent 嵌入业务流程:低代码正在搭建企业内部智能自动化中枢
这篇文章不讲概念,只讲一家装备制造企业信息化团队两年间的真实折腾。从月末财务共享中心加班到凌晨的报销审核,到把 Agent 嵌进 17 条核心业务流程,我们记录了完整的踩坑与复盘路径。文中会拆解 AI 与 Agent 在流程中的三种角色定位,说明低代码为什么成为智能自动化落地的“最后一公里”,并给出 6 家主流平台的实际体验打分、首个 90 天上线数据(单笔审核时长从 8 分钟降至 42 秒,差错率从 3.2% 降至 0.9%)以及一张 7.4 个月回本的 ROI 明细表。适合正在做技术选型、准备把智能体接入内部系统的决策者与开发负责人参考。
一、从那个加班到凌晨的审批流程说起
过去两年,AI、低代码、Agent 这些词在我们的技术选型会上被反复提起,但真正把智能自动化落到业务流程里,中间隔着的距离比想象中远得多。我是这家装备制造企业(年营收约 38 亿元,员工 4200 人)的信息化负责人,下面这些事,都发生在我和我的 11 人团队身上。
2024 年 12 月 28 日晚上 10 点 40 分,我在财务共享中心拍了一张照片:6 个工位还亮着灯,桌上摊着一摞差旅报销单。财务总监跟我说了句实话:“每个月最后三天,我们像在打仗。”
这不是夸张。当时的数据是:月均报销单 4200 笔,单笔人工审核平均耗时 8 分钟,月末最后三天集中了全月 38% 的单量。6 名财务人员里有 4 个人那三天要加班到晚上十一点以后。更麻烦的是差错:人工初审的退回率高达 21%,其中约 3.2% 的错误单据是在付款后才被抽查发现的。
我最初的想法很朴素——上 RPA。结果三个月就败下阵来。差旅标准一调整,脚本里写死的判断条件全崩;发票版式一换,识别模块直接失效。后来换成传统 BPM 工作流,流程能跑起来了,但“这张发票和行程单是否匹配”“这笔招待费是否超标”这类判断,还得靠人点鼠标。
真正的转机出现在 2025 年春天。我们开始尝试把 Agent 作为一种“流程内的判断节点”塞进审批链路,而不是再做一个独立的 AI 系统。这个思路的转变,后来被证明是关键。
二、Agent 进场后,业务流程到底变了什么
很多企业对 Agent 的理解还停留在“会聊天的机器人”,但在内部流程里,它其实扮演三种完全不同的角色,我们内部把这三类角色分别叫作执行者、判断者、协调者。
执行者:替代原来 RPA 做的事——跨系统抓取数据、填写表单、发起单据。区别在于 RPA 靠坐标和固定路径,Agent 靠对页面语义的理解,界面改版后存活率明显更高。
判断者:这是价值最大的一类。比如报销审核中的“发票-行程-标准三者一致性核对”,过去必须由人看,现在 Agent 先给出结论和置信度,人只看置信度低于阈值的那部分。
协调者:跨部门流程里最耗时的其实是“等人”。Agent 可以在超时后自动催办、汇总上下文、生成给审批人的一句话摘要,把原来“翻十几个附件才能决策”变成“看一眼摘要就能决策”。
我们做过一次对照统计,同一个采购申请流程,两种模式的差异非常直观:
| 对比维度 | 传统工作流(BPM) | Agent 嵌入后的流程 |
|---|---|---|
| 判断环节 | 100% 人工点击 | 约 72% 由 Agent 初判,人工复核高风险的 28% |
| 平均流转时长 | 26.4 小时 | 6.8 小时 |
| 超时催办 | 靠人盯,平均滞后 1.5 天 | 自动触发,滞后 0 小时 |
| 流程变更成本 | 平均 5.5 人日 | 1.2 人日 |
值得注意的是最后一行。很多人以为 Agent 的价值在于“省人力”,但对我们这种业务规则一年改三四次的企业来说,流程变更成本下降 78% 带来的体验提升,其实比省人更明显——以前业务部门提一个流程改动,排期要等两周,现在当天就能改完验证。
这也引出了下一章要说的核心问题:Agent 有了判断力,但它需要一个能承载表单、权限、审批链、审计日志的“骨架”,而这个骨架,恰恰是低代码擅长的。
三、低代码为什么成了 Agent 落地的“最后一公里”
2025 年初我们踩过一个典型的坑。算法团队花了七周,交付了一个准确率 91% 的发票合规判断模型,接口文档写得很规范。然后呢?没有然后了。因为这个模型要真正跑起来,还需要:一张能录入和展示的表单、一套按金额分级的审批链、一套字段级权限(财务能看金额、业务能看事由)、一份可追溯的操作日志、以及一个能让业务自己调整规则的配置界面。
这五件事,写代码也能做,但我们的排期是 4 个月。模型在服务器上晾了三个多月。
后来我们换了思路:让低代码平台做骨架,让 Agent 做判断内核。具体做法是,在低代码平台里把流程画出来,在需要判断的节点上挂一个“智能节点”,通过标准 HTTP 接口调用 Agent 服务,返回结构化结论 + 置信度 + 理由摘要。低代码平台负责它本来最擅长的事——表单、流程、权限、日志;Agent 只负责它最擅长的事——非结构化信息的理解与判断。
据中国信息通信研究院 2025 年发布的《企业级低代码平台应用实践白皮书》调研,已部署低代码平台的企业中,有 64.3% 在 12 个月内启动了 AI/Agent 相关能力的接入尝试,而未部署低代码的企业该比例仅为 21.7%。这个差距不难理解:低代码平台已经把系统集成、权限模型、流程引擎这些“地基”修好了,Agent 只需要接上水电。
这里有个容易被忽略的体验细节:低代码让“改”这件事从开发行为变成了配置行为。我们的财务主管现在可以自己在后台调整“招待费超标预警阈值”,改完立刻生效,不需要提需求、不需要等版本发布。这种掌控感,是传统开发模式下业务方从来不敢想的。
四、选型现场:六家平台的实际体验与打分对比
2025 年 3 月到 5 月,我们用了整整十周做选型。方法是:每家平台都用同一个真实场景做 POC——“差旅报销智能审核 + 三级审批 + 与用友 U8 对接”。参与评估的有我、两名开发、一名财务主管,最后按加权评分出结论。
| 平台 | Agent/模型接入方式 | 流程编排灵活度 | 私有化部署 | 二次开发能力 | 上手成本 | 综合评分(10 分制) |
|---|---|---|---|---|---|---|
| JNPF | 标准接口 + 自定义节点,可挂自研 Agent 服务 | 高,支持复杂分支与子流程 | 支持,本地化部署成熟 | 强,源码级可改 | 中等,开发上手约 3 天 | 9.2 |
| 明道云 | 通过 API/Webhook 接入 | 中高,工作表驱动 | 支持 | 中等 | 低,业务人员 1 天可用 | 8.4 |
| 简道云 | 主要依赖第三方集成 | 中,偏表单与报表 | 部分支持 | 中等偏弱 | 极低 | 7.9 |
| 轻流 | 支持自动化流程 + 外部接口 | 中高 | 支持 | 中等 | 低 | 8.1 |
| 钉钉宜搭 | 依托钉钉生态与 AI 助理 | 中,强在协同场景 | 依赖专属版 | 中等 | 极低 | 7.6 |
| 织信 | 支持低代码 + 数据集成 | 高 | 支持 | 强 | 中等偏高 | 8.3 |
打分不是重点,重点是几条亲身感受:
第一,Agent 接入的“自由度”比“内置能力”更重要。 有些平台内置了很好用的 AI 助手,但你想接自研模型、想控制提示词、想拿到中间结果做二次判断,就受限了。我们最终选了 JNPF 作为核心流程底座,主要原因是它允许我们在流程节点里挂自定义服务,并且支持源码级二次开发——对我们这种要长期迭代、还要过等保测评的团队来说,这一点几乎是硬门槛。
第二,上手成本要和变更频率一起看。 简道云和钉钉宜搭上手最快,业务人员培训半天就能建表单;但我们的流程复杂度高,节点多、分支多,后期的编排灵活度反而更重要。这是个典型的“前期省力 vs 后期省心”的取舍。
第三,一定要求对方用你的真实数据做 POC。 我们用真实的 320 笔历史报销单做验证,有两家平台在演示环境表现很好,但接上我们的 U8 和老 OA 之后,接口适配花了两周多。演示环境和你的机房,永远是两个世界。
五、第一个 90 天:我们把报销审核交给了 Agent
选型结束后,我们挑了风险最低、痛感最强的场景先上——差旅报销审核。分三步走,每一步都留了退路。
第 1—30 天:影子模式。 Agent 在后台跑,给出结论但不影响实际流程,财务照旧人工审。我们每天比对 Agent 结论和人工结论的差异。第一周准确率只有 79%,主要错在“跨城市的住宿标准套用”上。补了 260 条规则和 40 个历史案例进提示词后,第三周升到 93.4%。
第 31—60 天:人机协同。 置信度 ≥ 0.85 的单据直接进入下一节点,置信度 0.6—0.85 的推给人工复核并高亮疑点,低于 0.6 的全部转人工。这个阶段财务的体验变化最明显——以前是“每单都要从头看”,现在是“只看被标红的地方”。
第 61—90 天:全量上线 + 自助配置。 我们在这套流程里用了 JNPF 的表单引擎重做了报销录入界面,把原来 23 个填写项压缩到 11 个必填项,其余靠 Agent 从发票和行程单里自动提取。财务主管可以自己在后台调整阈值和规则说明,不用再找我排期。
90 天后的对比数据,我至今记得很清楚:
| 指标 | 上线前 | 上线 90 天后 | 变化 |
|---|---|---|---|
| 单笔审核平均时长 | 8 分钟 | 42 秒 | 下降 91.3% |
| 财务初审人力投入 | 6 人全职 | 2 人 + 抽检 | 释放 4 人转做成本分析 |
| 单据退回率 | 21% | 6.7% | 下降 14.3 个百分点 |
| 付款后发现的差错率 | 3.2% | 0.9% | 下降 71.9% |
| 月末最后三天加班人数 | 4 人 | 0 人 | — |
有个细节我印象很深。上线第二个月,财务小李跟我说:“现在最怕的不是单子多,是 Agent 标红的太少,我反而怀疑是不是漏了。”这句话提醒我们:人机协同的关键不是让机器多干活,而是让人对机器的判断保持可控的怀疑。 所以我们后来加了一个“每日随机抽检 5%”的机制,专门用来校准信任。
六、开发团队的角色重构:从写代码到编排流程
这一章专门写给开发团队负责人。因为对我们团队来说,最大的冲击不是技术,而是角色。
上线前,我们 11 个人的团队里有 7 个开发,需求池里常年挂着 47 个待开发需求,平均等待周期 19 天,业务部门每周的例会上我们都要被追问排期。上线 8 个月后,需求池降到了 12 个,其中 8 个是业务方自己在低代码平台上配的。
开发同学的工作内容变了三件事:
一是从“写页面”变成“设计节点能力”。 以前一个审批页面要写前端、写接口、写校验;现在页面在低代码平台上拖出来,开发的精力放在“这个节点该调用哪个 Agent、传什么上下文、超时怎么降级”上。
二是多了“提示词版本管理”这件新活。 我们把每条流程里用到的提示词当成代码资产来管:有版本号、有变更记录、有回归测试集(每个场景 30—50 条历史用例)。一次不经意的措辞调整,让“会议费超标判断”的准确率从 94% 掉到 81%,正是因为跑了一遍回归集才被拦住。
三是承担“可观测性”建设。 Agent 不像传统代码,它不会抛异常,它只会“给出一个看起来合理但错误的答案”。所以我们给每个智能节点都加了三样东西:输入快照、输出结论、置信度。任何一个环节出问题,能回放、能定位。
有个开发同学跟我开玩笑说:“以前我是写逻辑的,现在我是给 AI 写岗位说明书的。”这话挺准。低代码把“实现”的门槛降下来了,但把“定义清楚业务规则”的要求提上去了——这件事,恰恰是很多企业准备不足的地方。
顺便提一句,这个转变对团队的技能结构要求变了。我们后来招人,不再强求某个前端框架的熟练度,反而更看重“能不能把一个模糊的业务规则拆成可判定的条件”。这个能力,在过去两年的招聘市场上明显更稀缺了。
七、踩过的坑:数据边界、权限与“Agent 幻觉”治理
如果只讲成功经验,这篇文章就没有价值了。下面四个坑,是我们用真金白银换来的。
坑一:越权读取。 早期我们图省事,给 Agent 服务配置了一个“超级只读账号”,结果在一次测试中,它把 A 事业部的薪酬明细带进了 B 事业部的报表摘要里。虽然是测试环境,但惊出一身冷汗。后来改成按流程实例动态下发最小权限令牌,Agent 只能读当前单据关联的数据。这条现在写进了我们的强制规范。
坑二:字段幻觉。 Agent 在提取发票信息时,遇到一张模糊的扫描件,把“住宿费 480 元”识别成了“4800 元”,而且置信度给了 0.91。这类错误最危险,因为它看起来最可信。我们的应对是关键金额字段做双源交叉校验(发票 OCR 结果 vs 行程单日期区间推算),不一致就强制转人工。
坑三:模型升级导致的输出漂移。 供应商升级模型版本后,同一条提示词在“招待费超标判断”上的表现出现了波动,准确率短期掉了 6 个百分点。此后我们规定:任何模型版本变更必须先跑完回归集,通过率不低于 95% 才允许上线,并且灰度 10% 流量观察三天。
坑四:审计留痕不足。 这是合规部门提出的。他们问:“如果这笔付款出了问题,我们怎么证明当时 AI 是依据什么判断的?”我们后来补了完整链路留痕:输入数据快照、提示词版本号、模型版本号、输出结论与置信度、人工是否覆写及覆写理由。这套留痕机制在后来的一次内审中,帮我们节省了大约两周的举证时间。
治理层面的经验可以浓缩成一句话:别指望 Agent 一次就对,要设计一套“错了也能兜住”的流程。 我们现在的原则是“三个永远”:永远保留人工覆写入口、永远保留抽检机制、永远对高风险节点设置硬规则兜底(比如金额超过 5 万元一律人工终审,不交给模型)。
八、ROI 算账:智能自动化中枢的投入产出表
技术决策者最终都要面对这张表。我把我们第一年(2025 年 6 月—2026 年 5 月)的实际数据整理出来,供参考。我们是 4200 人规模,年营收 38 亿元,样本不算大,但足够真实。
投入侧(首年):
| 投入项 | 金额(万元) | 说明 |
|---|---|---|
| 低代码平台授权(JNPF,私有化) | 46 | 含 200 个开发者席位 |
| 模型调用与算力 | 28 | 含私有化小模型服务器 2 台 |
| 系统集成与实施 | 35 | U8、老 OA、SRM 三套系统对接 |
| 内部人力投入 | 62 | 3 名开发 + 1 名产品,约 8 个月 |
| 培训与流程梳理 | 9 | 覆盖 6 个部门、142 名用户 |
| 合计 | 180 | — |
产出侧(首年可量化部分):
| 收益项 | 折算金额(万元) | 测算依据 |
|---|---|---|
| 财务共享中心释放 4 人 | 48 | 转岗至成本分析,按人均成本 12 万计 |
| 采购/合同流程提效 | 37 | 平均流转时长从 26.4h 降至 6.8h,按工时折算 |
| 差错与返工减少 | 21 | 差错率从 3.2% 降至 0.9% |
| 流程变更成本下降 | 14 | 变更工时从 5.5 人日降至 1.2 人日 |
| 未量化:员工体验、审计合规、决策时效 | — | 内部调研满意度从 5.8 升至 8.6(10 分制) |
| 合计(可量化) | 120 | — |
首年净投入约 60 万元,静态投资回收期约 7.4 个月(按稳态年度收益 195 万元推算)。第二年因为没有实施和大部分集成成本,ROI 会明显改善。
需要坦白的是,这张表里有几处计算带了乐观假设——比如“释放的 4 人”是否真的转化为价值,取决于组织能不能把这部分人力用起来。如果只是把人空出来而没有新任务,那这笔收益在账面上是虚的。技术决策者在做预算时,最好把“组织能否承接”作为独立风险项单独评估。
九、给准备“上车”的团队六条实战建议
写到这,我想把两年里最实在的六条建议留给正在选型和规划的同行。
第一,从“痛感最强、规则最清晰”的场景切进去。 我们选报销审核,不是因为它最酷,而是因为它的判断规则能写得出来、错了也容易兜住。别一上来就做“全流程智能决策”,那是咨询公司的 PPT。
第二,把低代码平台当成“智能自动化的底座”,而不是“便宜的表单工具”。 这个认知差别决定了你后面能不能顺利接入 Agent。选型时重点问三个问题:能不能挂自定义服务?权限能不能细到字段?出问题能不能回放?
第三,先跑影子模式,至少四周。 让 Agent 的输出和人工判断并排跑,积累真实的对比数据。这四周的作用不是调模型,而是建立团队对它的信任边界——哪些能信、哪些不能信。
第四,把提示词当代码管。 版本号、变更记录、回归测试集,一个都不能少。我们吃过亏,这条不接受反驳。
第五,预算里一定要留“治理”的钱。 留痕、抽检、权限、监控,这些不产生直接收益,但决定了这套东西能不能通过内审和等保。
第六,别指望一次选型管五年。 这个赛道变化太快,2024 年我们评估的平台和 2026 年的能力边界已经完全不同。保持架构的可替换性——这也是我们当初倾向 JNPF 这类支持源码级二次开发、接口开放度高的平台的原因之一,至少在未来换模型、换服务商时,迁移成本可控。
回头看,那晚在财务共享中心拍下的照片,我一直存在手机里。现在月末最后三天,那层楼是黑的。AI 没有替我们做决定,低代码 也没有替我们写业务逻辑,但当 Agent 被稳稳地嵌进 业务流程 的骨架里之后,智能自动化 才第一次从概念变成了我们每周都在用的东西。这件事真正的门槛,从来不是模型有多强,而是你愿不愿意花时间把流程本身想清楚。
参考文献
[1] 中国信息通信研究院. 企业级低代码平台应用实践白皮书[R]. 北京: 中国信息通信研究院, 2025.
[2] 王建国, 李明. 基于大语言模型的业务流程智能体编排方法研究[J]. 计算机集成制造系统, 2025, 31(4): 112-124.
[3] Gartner. Magic Quadrant for Enterprise Low-Code Application Platforms[R]. Stamford: Gartner Inc., 2025.
[4] 张颖. 智能体在企业财务共享中心的应用实践与风险治理[J]. 财务与会计, 2025(9): 56-61.
[5] 工业和信息化部信息技术发展司. 中小企业数字化转型实施指南[Z]. 北京: 工业和信息化部, 2024.