把 SOP 写进 Agent：流程知识如何变成可执行的能力

几乎每一家我们服务过的企业，都有一套写得相当完整的标准作业流程。文件在系统里，版本号清楚，签批齐全。但只要走到现场，你会发现真正决定结果的并不是这份文件，而是几位熟练员工的判断：什么情况可以放行，什么情况必须停下来问人，哪一步在实际操作中可以合并，哪一步一旦跳过就会出问题。

这部分知识很少被写下来。它散落在口头交接、微信群的截图、老师傅的经验里。人在，流程就顺；人一走，流程就退回到文件本身的粗糙程度。企业 AI 落地真正难的地方，不是让模型学会说行业术语，而是让系统接住这部分没有被写下来的流程知识。

为什么单纯"喂文档"不管用

常见的做法是把制度、手册、规范一次性灌进知识库，然后期待模型自己总结出正确做法。结果通常是回答听起来很专业，落到具体一步却含糊其辞。原因不复杂：文档描述的是应该怎么做，而业务需要的是在当前这份数据、这个客户、这个时间点上，下一步具体做什么。

这两者之间的差距，需要有人把判断条件写清楚。哪些字段必须核对，什么阈值触发人工复核，异常时谁来接手。这些内容一旦被显式表达，模型才有可能稳定地重复执行；只要还停留在"参考文档自行判断"，输出就必然随机。

流程知识不是资料，而是判断条件的集合。写不清判断条件，就没有可靠的自动化。SOP INTO AGENT

把流程拆成可执行的三层

我们在项目里通常把一条业务流程拆成三层来处理，每一层解决不同的问题。

• 步骤层。先把流程还原成有先后关系的具体动作，明确每一步的输入和输出。这一层不谈 AI，只谈业务事实，它决定了后面所有工作的边界。
• 规则层。把每一步背后的判断条件写成显式规则：什么条件下通过，什么条件下退回，什么条件下必须转人工。规则越具体，Agent 的行为越可预期。
• 证据层。规定每一步需要留下什么记录，让结论可以回溯到原始材料。没有证据层，自动化的结果无法被审核，也就无法被信任。

这三层做完，流程知识就从"某个人会做"变成了"系统可以执行且可以被检查"。这也是我们判断一个场景是否值得投入自动化的第一道筛子：如果连步骤和规则都无法被写清，那么问题还不在 AI，而在业务本身尚未收敛。

图 · PROCESS OBSERVABILITY

把判断权留给人

值得强调的是，把 SOP 写进 Agent 并不等于把决策权交给 Agent。在长护险稽核、工程量核算、FMEA 分析这些场景里，我们的做法一直是让系统承担重复劳动，把需要判断的部分整理清楚后交给专业人员。系统负责把一百件事筛成五件值得看的事，人负责决定这五件事怎么办。

这条分界线看起来保守，实际效果反而更好。业务人员愿意用，因为责任边界清楚；管理者愿意推，因为每一次自动执行都有记录可查；系统也能持续变好，因为人的每一次复核都是一次高质量反馈。

结语

企业 AI 的竞争，最终会落到谁能把组织里那些没有被写下来的知识变成可执行、可审计的能力。模型是公共资源，流程知识才是每家企业自己的资产。把它写清楚的过程本身，往往就已经带来了效率提升，而 Agent 让这份资产第一次可以被反复使用。