作为 RAG 技术开创者和前 Facebook AI Research（FAIR）团队研究负责人，Douwe Kiela 最近在 AI Engineer Summit 2025 做了一次专题演讲「RAG Agents in Prod: 10 Lessons We Learned」
演讲分享了在企业里大规模部署 RAG 系统的心得，讲得很通透易懂，特别实用——怎么设计一套结实耐用的系统，能扛得住 财富500强大公司们的需求。关键点是什么？企业 AI 的机遇和挑战，还有怎么让 AI 投资真正有回报。
说到这个，企业 AI 这块儿真是机会和难题并存。麦肯锡说，AI 能给全球经济带来4.4万亿美元的附加值，多大的蛋糕啊！可福布斯的研究却泼了冷水：只有四分之一的企业真从 AI 里赚到了钱。这让我有点疑惑，花了大价钱，结果却没啥动静，到底是哪里出了问题？
Douwe Kiela 拿了个很有意思的比喻——“莫拉克悖论”。你知道吗，在机器人领域，打败人类下棋看着难，其实不那么复杂；可让机器人吸尘或者自动驾驶，看着简单，却难到不行。企业 AI 也差不多，他管这叫“上下文悖论”。语言模型写代码、解数学题很牛，但在理解企业里的具体场景——比如专业知识和数据——的时候，就有点抓瞎了。可偏偏这上下文能力，才是企业 AI 值钱的地方。
现在很多企业还在“便利性”阶段，用通用 AI 助手提高点效率。但真正的目标是“差异化价值”——用 AI 搞业务转型。这可没那么容易，得先解决上下文这道坎儿。
咱们一起看看 Douwe Kiela 总结的十条经验教训「干货满满」
1. 系统比模型重要
语言模型只是 RAG 系统的一部分，可能也就占20%。一个靠谱的 AI 部署，靠的是整个系统的设计。管道搭得好，普通模型也能出彩；系统烂，再顶级的模型也白搭。所以，别光盯着最新模型，系统优化才是重点。
2. 专业化更实用
企业的优势在专业知识。通用 AI 助手比不过内部专家，但专业化的 RAG 系统能抓住企业独有的数据和经验。Douwe Kiela 觉得，追通用 AI 不如深耕特定领域来得实在。
3. 数据才是王道
企业的独特性在数据里，员工会流动，数据不会。AI 得能啃下乱七八糟的大规模数据，不用非得先洗得干干净净。解锁数据潜力，才能建起竞争壁垒。
4. 从试点到生产不容易
搞个试点简单，但推到生产环境就难了。比如，从支持10个人到几千人，或者从几百个文档到几百万个，安全、合规一大堆问题。Douwe 建议，一开始就奔着生产去设计，别被试点假象蒙了眼。
5. 速度比完美重要
快速迭代比死磕完美强。早点把“凑合能用”的系统推给用户，边用边改。要是太追求完美，可能错过从试点到生产的关键时机。爬坡得快才行。
6. 工程师盯着商业价值
别把时间浪费在技术细节上，比如调 RAG 的分块策略或者改提示词。得想想怎么用 AI 赚价值。高级 RAG 平台能省掉这些琐碎活儿，让工程师专注差异化优势。
7. AI 得顺手
系统得简单好用，能无缝嵌进现有流程。要是上手难，或者跟流程不搭，再牛的功能也没人用。Douwe 说，有些企业 AI 装了没人碰，易用性太关键了。
8. 让用户哇塞
设计得让人一用就惊叹。比如，他讲了个高通工程师用 RAG 找到7年前文档的例子，这种惊喜能黏住用户，推着 AI 在企业里铺开。
9. 准确加可查
准确性是基础，但100%准不可能。企业更在乎出错咋办。可观察性——比如审计跟踪和归因——能让人看清决策依据，尤其在监管行业里重要。RAG 还能验证输出，增加信任。
10. 目标要大
别满足于小打小闹，比如回简单的 HR 问题。得奔着业务转型这种大目标去。Douwe 觉得，项目崩不是因为目标高，而是太低。只有大胆的项目，才能带来真回报。
一点感想
Douwe 的演讲读后实在很有收获，不仅点出了企业 AI 中那个让人头疼的“上下文悖论”，还慷慨地分享了十条干货满满的经验教训——比如，系统比模型重要，专业化胜过通用性，数据是企业的核心资产等等。这些实打实的建议，就像一张清晰的路线图，指引着企业在 AI 的迷雾中前行。
对于那些想在 AI 浪潮中脱颖而出的企业来说，这场演讲不仅指出了潜在的陷阱，还提供了实用的操作建议：搭建一个健壮的系统，深入挖掘数据的价值，并且在实践中不断调整优化。说到底，AI 的真正潜力在于帮企业从简单的便利性跃升到真正的差异化竞争优势，甚至释放出变革的力量。这让我忍不住畅想，未来的企业会因为 AI 变成什么样？社会又会迎来怎样的改变？你觉得呢？是会迈进一个全新的时代，还是会面对更多意想不到的挑战？
RAG Agents in Prod: 10 Lessons We Learned