前言

最近在做企业级 AI Agent 项目时发现一个很有意思的现象：80% 的 Agent 项目失败不是因为技术不行，而是因为需求调研没做好。很多团队上来就搭知识库、写提示词、调模型参数，忙活了几个月，最后做出来的东西没人用。

直到我学习了这份基于 TOGAF 框架的 Agent 需求调研方法论，再结合自己用 FastGPT 的实战经验，才恍然大悟：Agent 构建本质上是一个企业架构工程问题，而不是单纯的算法问题。系统化的需求调研才是项目成功的基石。

本文将结合这份方法论和 FastGPT 的实际使用，分享如何从 0 到 1 系统化地构建企业级 AI Agent，希望能给正在做相关项目的朋友一些启发。

一、为什么需求调研是Agent项目的生死线

很多人对Agent构建存在一个误区：认为只要有了大模型和知识库，就能做出好用的Agent。但实际情况是，没有明确业务目标和需求的Agent，就像一艘没有舵的船，最终只会在技术的海洋里迷失方向。

TOGAF作为企业架构领域的标准框架，其需求管理流程恰好解决了这个问题。它强调需求管理是贯穿项目全生命周期的持续性活动，而不是一次性的工作。通过系统化的需求调研，我们可以：

• 明确Agent项目与企业战略目标的映射关系
• 识别所有利益相关者的真实诉求
• 定义可衡量的业务成果指标和ROI
• 提前识别技术风险和约束条件
• 建立需求与实现之间的可追溯关系

二、基于TOGAF的Agent需求调研核心方法论

这份PPT提出了一套非常完整的Agent需求调研方法论，我将其总结为"六大维度+4W1H框架+五阶段流程"。

2.1 六大核心调研维度

构建Agent时，必须从以下六个维度全面收集需求，缺一不可：

维度	核心内容	FastGPT对应关注点
业务目标维度	战略映射、成果指标、预期ROI	明确Agent要解决的具体业务问题，避免"为了AI而AI"
干系人维度	业务用户、IT团队、管理层、最终决策者	不同角色对Agent的交互方式和功能要求不同
功能需求维度	核心能力、行为模式、交互方式、系统集成	FastGPT的流程编排、工具调用、API集成能力
数据需求维度	输入数据类型、数据源、数据质量标准	FastGPT的知识库管理、向量检索、数据分块策略
技术约束维度	系统架构、安全标准、性能指标	模型选择、并发量、响应时间、私有化部署要求
治理合规维度	行业监管、数据隐私、审计追踪	FastGPT的权限管理、操作日志、数据脱敏功能

2.2 4W1H结构化需求收集框架

为了确保需求收集的全面性和结构化，可以使用4W1H方法：

• What：Agent需要完成什么任务？解决什么业务问题？
• Why：驱动该需求的业务动机是什么？不解决的代价是什么？
• Who：Agent的服务对象是谁？谁负责维护？
• When：需求的优先级如何？关键里程碑有哪些？
• How：现有流程如何运作？需要集成哪些系统？

2.3 五阶段调研实施流程

完整的调研过程分为五个阶段，每个阶段都有明确的输出物：

1. 准备阶段：组建团队、确定范围、制定计划、准备工具
2. 收集阶段：访谈、问卷、工作坊、流程观察、文档分析
3. 分析阶段：需求分类、冲突解决、可行性评估、依赖分析
4. 验证阶段：干系人确认、优先级排序、原型演示、反馈迭代
5. 文档化阶段：需求规格说明书、调研报告、追溯矩阵

三、FastGPT中如何落地这些方法论

FastGPT作为一款优秀的开源大模型应用开发平台，提供了可视化流程编排、知识库管理、多模型支持等功能，非常适合快速落地企业级Agent。下面我将结合调研的五个阶段，讲解如何在FastGPT中具体实施。

3.1 准备阶段：明确目标，对齐期望

在准备阶段，最重要的是和业务方达成共识，明确Agent的业务目标和范围。

• 输出物：《项目范围说明书》、《干系人清单》
• FastGPT相关工作：
  • 评估现有系统是否可以和FastGPT集成
  • 初步确定需要使用的模型（根据性能和成本要求）
  • 规划知识库的整体结构

3.2 收集阶段：全面收集，挖掘隐性需求

这个阶段的目标是尽可能全面地收集所有需求，特别是那些用户没有明确表达的隐性需求。

• 输出物：《原始需求清单》、《业务流程文档》
• FastGPT辅助工具：
  • 用FastGPT快速整理访谈记录和会议纪要
  • 将现有业务文档导入知识库，进行初步的知识梳理
  • 用FastGPT生成调查问卷模板

3.3 分析阶段：分类整理，评估可行性

对收集到的需求进行分类整理，解决冲突，评估技术可行性和业务价值。

• 输出物：《需求分类清单》、《优先级评估矩阵》
• FastGPT实践：
  • 用FastGPT的流程编排工具绘制现有业务流程图
  • 对复杂需求进行拆解，识别可以自动化的环节
  • 评估每个需求在FastGPT中的实现难度

3.4 验证阶段：快速原型，迭代验证

这是最关键的一个阶段。通过快速搭建MVP原型，让干系人直观感受Agent的能力，验证需求理解的准确性。

• 输出物：《验证过的需求清单》、《MVP原型》
• FastGPT快速原型搭建步骤：
  1. 导入核心知识库
  2. 配置基础的对话流程
  3. 实现核心功能节点
  4. 邀请业务用户进行测试
  5. 根据反馈快速迭代

3.5 文档化阶段：建立基线，管理变更

将最终确认的需求文档化，建立项目基线，并制定变更管理流程。

• 输出物：《需求规格说明书》、《追溯矩阵》
• FastGPT相关：
  • 导出FastGPT的应用配置和知识库结构
  • 建立需求与FastGPT流程节点的对应关系
  • 制定后续的迭代计划

四、实战案例：某焊接新材料智能选型Agent

PPT中提到的某焊接新材料的案例非常有代表性，我将结合FastGPT来拆解这个项目是如何落地的。

4.1 业务背景与痛点

某焊接是国内钎料行业的领军企业，面临的主要问题是：

• 客户选型需求复杂，需要专业的技术知识
• 人工客服响应慢，无法提供7x24小时服务
• 资深专家经验难以传承，新员工培养周期长

4.2 需求调研结果

通过系统化的需求调研，明确了Agent的核心需求：

1. 能够根据客户提供的母材、焊接方式、应用场景等参数，推荐合适的焊材产品
2. 能够解释推荐理由，提供详细的产品参数和工艺建议
3. 能够处理客户的常见问题，必要时转人工
4. 7x24小时在线服务，响应时间不超过3秒

4.3 FastGPT实现方案

1. 知识库构建：

   • 将产品手册、技术文档、焊接工艺标准等导入FastGPT知识库
   • 对PDF论文使用MinerU工具进行批量识别和分块
   • 对Excel产品表进行数据清洗和结构化处理

2. 流程编排：

   • 设计双通道信息采集流程：表单输入+对话式采集
   • 实现自然语言转SQL查询产品数据库
   • 配置多轮对话逻辑，逐步获取缺失的参数
   • 增加异常处理节点，无法解决时自动转人工

3. 模型选择：

   • 主模型：DeepSeek-V3.2（用于复杂推理和推荐）
   • 嵌入模型：BGE-M3（用于知识库检索）
   • OCR模型：GOT-OCR2.0（用于识别客户上传的图纸）

4.4 实现效果

• 焊材选型准确率达到95%以上
• 客户咨询响应时间从平均30分钟缩短到3秒以内
• 人工客服工作量减少70%
• 构建了企业级的焊材知识体系，实现了专家经验的数字化传承

五、FastGPT构建Agent的三大常见问题及解决方案

PPT中提到了Agent构建过程中的三个重难点问题，我结合自己的FastGPT使用经验，分享一下具体的解决方案。

5.1 问题一：模型上下文识别不足，推理能力下降

问题表现：本地部署的量化模型推理能力下降，复杂逻辑判断容易出错，响应速度慢。

FastGPT解决方案：

1. 提示词工程重构：将依赖模型内置知识的任务转化为逻辑推理任务。例如，不要说"根据知识回答"，而要说"根据以下信息进行判断：[检索到的知识]"。
2. 节点替换优化：将流程中非核心的AI对话节点替换为代码节点。例如，条件判断、数据格式转换、简单匹配等任务用Python或JavaScript代码实现，处理时间可以从秒级降到毫秒级。
3. 多模型协同：不同任务使用不同的模型。例如，简单查询用小模型，复杂推理用大模型，代码生成用专用代码模型。

5.2 问题二：用户意图识别不准，参数缺失

问题表现：用户往往只能提供模糊的条件，无法满足系统所需的多维度参数要求，导致推荐不准确。

FastGPT解决方案：

1. 表单引导式输入：使用FastGPT的表单模块，设计结构化的输入表单，涵盖核心必填字段。用户可以选择性填写已知信息，系统基于现有条件进行模糊匹配。
2. 对话式采集：配置多轮对话逻辑，每次只询问一个缺失的参数，避免信息过载。例如："请问您的焊接母材是什么材质？“→"请问您使用的是什么焊接方式？”
3. 语义理解增强：优化提示词，让大模型能够从用户的自然语言中提取关键参数，并转换为系统可以识别的标准值。

5.3 问题三：用户数据杂，质量低

问题表现：企业数据格式不统一，存在大量缺失值，PDF文档识别准确率低，直接影响知识库的检索效果。

FastGPT解决方案：

1. 非结构化问答文件：调用大模型按预设模板进行数据清洗和格式转换，生成标准问答对后再导入知识库。
2. Excel表格处理：先进行数据预处理，识别并标记缺失值，根据业务规则进行填充或剔除。然后按技术属性分块导入知识库。
3. PDF论文处理：使用MinerU工具进行批量识别，转换为可编辑格式。经人工抽检校正后，使用FastGPT的智能分块功能进行入库。

六、个人思考与总结

经过这段时间的实践，我深刻体会到：Agent构建是一个系统工程，技术只是其中的一部分，更重要的是对业务的理解和系统化的需求管理。

TOGAF框架为我们提供了一套成熟的需求管理方法论，而FastGPT则为我们提供了一个高效的技术实现平台。将两者结合起来，可以大大提高Agent项目的成功率。

给正在做Agent项目的朋友几个建议：

1. 不要急于动手写代码，先花足够的时间做需求调研
2. 快速迭代，小步快跑，用MVP原型验证需求，而不是追求完美
3. 重视数据质量，知识库的质量直接决定了Agent的上限
4. 不要迷信大模型，能用代码解决的问题就不要用大模型
5. 建立完善的监控和反馈机制，持续优化Agent的性能

最后，我想说的是，AI Agent的价值不在于技术有多先进，而在于它能真正解决业务问题，为企业创造价值。希望本文能帮助大家少走弯路，构建出真正有用的企业级AI Agent。

参考资料

1. 《Agent构建需求调研方法论-基于TOGAF框架的智能体需求工程实践指南》
2. 深信服FastGPT官方文档：https://fastgpt.in/

---

标签：#AI Agent #FastGPT #TOGAF #需求调研 #企业级AI #大模型应用