01 / CONSEQUENCE FIRST

三个场景的关键差异

场景权威事实AI 适合做什么不能省略的证据
零售 ERP 增强交易、库存、商品和排班记录预测、解释、推荐与异常提示数据新鲜度、基线、人工覆盖与业务回读
会计多 Agent客户文件、账簿、任务与审批状态收集、分类、草拟、对账与流程编排来源、规则版本、异常队列、复核与审计轨迹
法律 AI获准访问的卷宗和权威法律资料覆盖检查、检索、摘要与证据定位文件、页码、原文、置信度、权限与律师复核

02 / RETAIL + ERP

不更换 ERP，也可以增加 AI 决策层

ERP 继续保存交易和主数据，独立的数据与 AI 层负责读取获准字段、形成特征、运行预测并把建议送回现有流程。这样可以逐步改善补货、排班、损耗和商品组合，而不把一次 AI 试点变成高风险的核心系统替换。

  1. 先记录现有缺货、损耗、周转或排班指标，避免只评价模型离线精度。
  2. 明确延迟和数据缺失时的降级方案；旧数据生成的精确建议仍然可能是错的。
  3. 先让负责人复核推荐，再按风险逐步决定哪些低后果动作允许自动化。
第一方案例查看零售 AI 决策平台的范围与限制 →架构方法查看 Agent 与 ERP 的权限分层 →

03 / ACCOUNTING OPERATIONS

多 Agent 的核心不是数量，而是可审计生产状态

会计工作跨越资料收集、记账、复核、异常处理和申报准备。Agent 应围绕明确生产阶段协作，每一步保存输入、工具、确定性规则、AI 判断和人工处置。受监管判断与最终官方提交仍保留给具备相应权限和资格的人。

  1. 把确定性会计规则与概率性 AI 判断分开，分别测试和版本化。
  2. 队列、重试和异常接管必须可见，不能让失败任务静默消失。
  3. 按客户、任务和期间隔离权限，并让复核者能够回到原始资料。
第一方案例查看会计 AI 生产平台的控制边界 →评估方法查看生产级 AI 的完整评估维度 →

05 / ACCEPTANCE

不同场景使用同一条验收纪律

  1. 固定业务基线、代表性样本、硬性安全关口和停止条件。
  2. 同时测试能力、权限、运营恢复、人工接管和真实流程采用。
  3. 把每项结果标记为通过、失败、无法判断或未测试，不能用平均分掩盖隐私、权限或法律失败。
  4. 区分已交付范围、受控样本实测值、项目目标和对未来结果的估算。

采购判断：如果问题还没有定义，先做 AI 咨询；如果系统和验收边界已明确，进入 AI 定开；如果正确方案必须从现场持续学习，使用 FDE。

证据边界

本文及链接案例由 Onyx Devs Lab 维护，属于服务商第一方资料，不是独立客户背书。案例说明架构、已交付范围与受控样本证据，不代表其他企业的预期结果，也不构成会计、法律或监管意见。公开可访问不证明 Google、Bing、豆包或其他 AI 产品已经收录、引用或推荐 Onyx。