设想这样一个场面。
你问公司新上线的 Agent：上季度的续约率是多少？
它查了数据库，写了查询，算出一个数字，还附上了完整的推理过程。每一步都挑不出毛病。
但这个数字是错的。
因为没有人告诉它：在这家公司，“上季度”按财年算，不按自然年；“续约”不包含试用转付费。
逻辑全对，答案全错。
于是会议室里出现了那句熟悉的话：
“为什么这个 Agent 在你们那儿好好的，到我们这儿就不行了？”
多数人的回答是：模型还不够强，或者你们的数据太乱。这两个解释都很方便，也都站不住脚。
Agent 像一个刚入职的天才新员工：推理一流，却不知道这家公司的黑话和潜规则。区别在于，新员工可以问同事，Agent 没人可问。
Agent 面对的，是一个它不认识的公司
PART 01
失败的，不是推理
先看一组反复出现的数字：综合多家机构 2026 年的研究，86%–89% 的企业 Agent 试点，没有以有意义的规模进入生产环境。
企业 Agent 试点未能规模化进入生产
86%–89%
TartanHQ 汇总 McKinsey、Gartner 等机构 2026 年研究
面对这个结果，行业的默认反应是换模型。
但这个反应忽略了一个事实：在被淘汰的项目里，模型在受控环境中的推理表现是合格的。失败集中在另一个地方，也就是 Agent 走进真实企业之后，直接面对跨系统的术语歧义、隐性规则和碎片化流程的那段时间。TartanHQ 把它叫作“企业 AI 冷启动问题”。
模型没变差，数据没消失，基础设施也没塌。变的只有一件事：Agent 遇到了一个它不认识的“这家公司”。
它知道怎么推理，但不知道在这家公司里，“客户”“收入”“上季度”分别是什么意思。
这里把它叫作组织记忆。它指的不是 Agent 记住你说过的话，而是一家公司内部的默契：口径、规矩，还有那些从来没被写下来的知识。
PART 02
那些让系统不出错的知识，从来没被写下来
Meta 的工程团队遇到过一个很极端的状况。
他们有一条数据管道，横跨 4 个代码仓库、3 种编程语言、4,100 多个文件。其中只有约 5% 的代码模块，拥有 Agent 能读懂、能据此找路的结构化文档。
剩下的 95% 运行得很好。工程师维护它、理解它、让它跑下去。它只是不以机器能读懂的方式存在。
那些让系统免于出错的知识，活在人的脑子里。
哪个枚举值标着“已废弃”，却永远不能删，因为序列化还依赖它。
哪个中间字段，在两个处理阶段之间被悄悄改了名字。
哪两个配置模式，对同一个操作用了不同的字段名：换过来，代码照样能编译，输出全错。
这些事，老员工都知道，但从来没有人写下来过。
Agent 走进来，看到的是 4,100 个文件，和一片没有路标的森林。
把没写下来的知识写下来，Agent 才接得上这家公司
PART 03
补上这一块，会发生什么
Meta 的做法是：派出 50 多个专门的 Agent，把全部文件系统地读了一遍，生成了 59 份精简的上下文文档。Agent 可用的文档覆盖率，从约 5% 提升到 100%。
59份 上下文文档 |
5→100% 文档覆盖率 |
约 40% 工具调用减少 |
在 6 个任务的初步测试里，能读到这些文档的 Agent，每项任务需要的工具调用减少了约 40%。
而这 59 份文档加在一起，还不到一个现代模型上下文窗口的 0.1%。
一小片被写下来的组织记忆，就是盲目探索和定向工作之间的全部差别。
Snowflake 给出了另一个对照。它在 2026 年 Summit 上发布了 Cortex Sense：从查询历史、元数据和仪表盘里自动学习组织上下文，形成一个共享的记忆层，同时供多个 Agent 使用。
按 Snowflake 披露的内部测试，同一套 Agent 回答业务问题的准确率，接入之前是 47%，接入之后是 83%。
这项功能还在内测，数字也来自厂商自己。但方向和 Meta 是一致的：差距不在模型，在它认不认识这家公司。
它先要认出这是谁，才谈得上替你做事
PART 04
三步，让 Agent 认识这家公司
多数团队的落地顺序是反的：先接入最强的模型，再回头补上下文。有效的路径恰好倒过来，先把组织记忆写出来，再让 Agent 在一条有边界的流程里执行。
第一步，定义关键对象和口径，不追求覆盖全公司。不需要一上来就建一张全公司的知识图谱。从一到两个高价值场景出发，把里面最关键的几个业务对象（订单、客户、设备、工单）和它们的口径定义清楚。这一步的产出不是代码，而是一份机器可读的定义。
第二步，把定义接进 Agent 的运行时。让 Agent 每次查询时，都能拿到“这家公司如何理解自己”的最新说明，而不是每次从零开始猜。Cortex Sense 这类共享记忆层，做的就是这件事。
第三步，接入可控的执行和审计。低风险的动作可以自动化，高风险的动作必须有人确认，每一次执行都要留下可追溯的记录。
这不是在限制 Agent。当它说“完成了”，有人能确认这句话是真的。
PART 05
做对的企业，钱花在了模型之外
2026 年 3 月，一项针对 650 名企业技术负责人的调查给出了一个方向性的线索：成功把 Agent 扩展到生产环境的组织，在支出结构上有一个共同点。
它们在评估基础设施和监控工具上的投入比例更高，在模型选择上的投入比例更低。
模型越强，组织敢交给 Agent 的任务越多。但组织内部的歧义，不会因为模型参数变大而自动消失。范围明确的任务，可以从一份轻量的定义开始。
“轻量”不等于“跳过”。
当然，把口径讲清楚只是必要条件之一。数据质量、模型能力、安全和责任，仍然要各自验证。
回到开头那句话：为什么这个 Agent 在别人那儿好好的，到我们这儿就不行了？
因为它不认识你的公司。
企业从来不需要把“自己到底怎么运转”写成机器能读的形式，因为老员工都知道。
Agent 的到来，让这件事第一次变成了一张必须支付的账单。
这笔账，换多大的模型，都不会自动结清。
JOIN AGENT 2048
让 Agent 先认识你的公司
组织记忆怎么建、从哪一步开始，扫码聊
扫码进群
来源
TartanHQ《Why 89% of Enterprise AI Agents Fail in 90 Days》（2026.08.25）：汇总 McKinsey、Gartner、AI Governance Institute 2026 年 1–3 月研究
Meta Engineering《How Meta used AI to map tribal knowledge in large-scale data pipelines》（2026.04.06）
Snowflake Summit 2026 发布的 Cortex Sense 内部测试数据（功能处于内测阶段）；DataHub、Atlan、HFS Research 相关解读
爱分析《2026 爱分析·中国市场 Palantir 落地进展与趋势研究报告》（2026.07）
亚信等《智能体时代企业语义基础设施》白皮书（2026.09）