业务策略决定AI产出质量：关键词匹配强制步骤+合规分级参数化

🎯 为什么业务策略比技术更重要

很多FDE做AI项目，把精力都放在技术上——选什么模型、用什么框架、调什么参数。但实际上，AI产出质量的决定因素往往不是技术，是业务策略。

同样的大模型、同样的知识库、同样的技术架构，业务策略设计得好，AI回答准确率能到90%+；业务策略设计得不好，准确率可能只有60%。

什么是业务策略？就是"AI在什么情况下、用什么逻辑、输出什么内容"的规则——不是技术规则，是业务规则。比如：客户问价格，AI是直接报还是先确认客户身份？客户要退货，AI是直接同意还是先检查订单状态？这些都是业务策略，不是技术问题。

两个最关键的业务策略：关键词匹配强制步骤、合规分级参数化。

🔑 策略一：关键词匹配强制步骤

什么是关键词匹配强制步骤？就是在Agent的工作流中，设置"必须匹配到某些关键词才能执行下一步"的强制规则——没有匹配到，就不能执行，必须先确认或转人工。

为什么需要这个策略？因为大模型有"幻觉"——它可能会编造信息、过度推断、在不确定的情况下给出确定的答案。关键词匹配强制步骤就是用业务规则"约束"大模型，防止它"自由发挥"出错。

具体应用场景：

场景一：价格查询。客户问"这个产品多少钱"，Agent不能直接报价——必须先匹配到"客户已认证""客户等级确认""产品在销售目录中"这些关键词/条件，才能报价。没有匹配到，就要先确认客户身份或转人工。防止Agent给未认证客户报错价格、给错误等级报错折扣。

场景二：退货处理。客户说"我要退货"，Agent不能直接同意——必须先匹配到"订单存在""在退货期内""商品未使用""非特殊商品"这些条件，才能进入退货流程。没有匹配到，就要先查订单或转人工。防止Agent同意不符合条件的退货。

场景三：风险审批。Agent生成审批建议时，必须先匹配到"财务指标达标""无不良记录""担保充足"这些条件，才能建议"通过"。任何一个条件不满足，就要建议"拒绝"或"补充材料"。防止Agent在风险没查清的情况下建议通过。

场景四：敏感问题。客户问敏感问题（投诉、法律、医疗建议），Agent必须匹配到"敏感词"就自动转人工，不能自己回答。防止Agent在敏感问题上给出错误建议，造成法律或声誉风险。

设计要点：① 关键词/条件要跟业务专家一起定——哪些是必须满足的条件，业务专家最清楚；② 条件要可检测——Agent能通过工具调用（查数据库、调API）确认条件是否满足，不能是"感觉满足"；③ 不满足时要有明确处理——转人工/先确认/拒绝，不能"卡壳"；④ 条件要定期review——业务变化了，条件也要更新。

价值：关键词匹配强制步骤能把AI的错误率降低50%以上——很多错误不是模型不行，是模型在不该自由发挥的时候自由发挥了。用业务规则把关键步骤"锁死"，AI就稳了。

⚖️ 策略二：合规分级参数化

什么是合规分级参数化？就是把业务的合规要求分成不同等级，每个等级对应不同的AI参数和处理策略——不是"一刀切"，是"分级管控"。

为什么需要这个策略？因为不同场景的合规要求不一样——有的场景可以让AI自由发挥（比如常见问题解答），有的场景必须严格管控（比如金融建议、医疗咨询、法律意见）。如果所有场景都用同样的AI参数，要么低风险场景太保守（AI不敢回答，用户体验差），要么高风险场景太激进（AI乱回答，合规风险大）。

合规分级的设计：

一级（低风险）：AI可以自由回答，不需要人工确认。适用场景：常见问题解答、产品信息查询、操作指引。AI参数：温度0.7（有一定创造性），不需要强制步骤，回答错误影响小。

二级（中风险）：AI给出建议，需要用户确认后执行。适用场景：订单修改、账户信息更新、一般业务咨询。AI参数：温度0.3（保守），有关键词匹配步骤，执行前需要用户确认"您确定要XX吗？"。

三级（高风险）：AI只做分析和建议，最终决策必须人工做。适用场景：金融审批、医疗建议、法律意见、大额交易。AI参数：温度0（最保守，只基于知识库回答），强制步骤多，必须转人工做最终决策，AI不能直接执行。

四级（禁止）：AI完全不能处理，必须人工。适用场景：投诉升级、危机公关、涉及隐私/安全的操作、监管明确要求人工的场景。AI检测到这些场景直接转人工，不给出任何建议。

参数化的实现：① 在Agent的人设中明确合规等级和对应策略；② 在工作流中根据场景自动判断合规等级，切换对应参数；③ 高等级场景自动触发人工确认或转人工；④ 所有高风险操作有日志记录，可审计。

价值：合规分级参数化能在"AI效率"和"合规安全"之间找到最佳平衡——低风险场景AI全自动，效率高；高风险场景人工把关，安全。既不是"全人工"（效率低），也不是"全自动"（风险大），是"分级管控"。

注意：合规分级要跟客户的合规部门（法务、风控、信息安全）一起定，确保分级标准和对应策略符合监管要求和客户内部规定。不要FDE自己定——合规问题FDE不是专家，要让客户的合规专家参与。

💡 业务策略设计的通用原则

原则一：业务策略跟业务专家一起定。FDE是技术专家，不是业务专家——业务规则、合规要求、风险点，业务专家最清楚。业务策略一定要跟业务专家（和合规专家）一起设计，FDE的角色是"把业务规则翻译成AI能执行的工作流"，不是"自己定业务规则"。

原则二：先有规则，再上AI。很多项目是"先上AI，出了问题再补规则"——结果AI已经出了错，造成了损失。正确的顺序是：先跟业务专家一起把业务规则、合规要求、风险点梳理清楚，设计好业务策略，再上AI。规则先行，AI在后。

原则三：策略要可配置、可调整。业务策略不要硬编码在代码里——要做成可配置的参数，业务人员可以通过后台调整（不需要改代码）。业务变化了，策略调整要快。比如关键词列表、合规分级、阈值，都要可配置。

原则四：策略要有数据反馈闭环。策略设计得好不好，要看数据——AI错误率多少、人工介入率多少、用户满意度多少。定期看数据，发现策略问题（某个关键词漏了、某个分级不合理），及时调整。数据驱动的策略优化，比凭感觉调整靠谱得多。

原则五：策略文档化。所有业务策略都要写成文档——为什么这么定、适用场景、参数设置、异常处理。文档要跟业务专家和合规专家确认，作为项目交付物的一部分。没有文档的策略，后面没人知道为什么这么定，调整时就会出问题。

⚠️ 常见误区

误区一：业务策略是"技术问题"，FDE自己定。错。业务策略是业务问题，要跟业务专家和合规专家一起定。FDE只负责把策略翻译成AI工作流。

误区二：先上AI，出了问题再补规则。错。规则先行，AI在后。先把规则和策略设计好，再上AI，才能避免AI出错造成损失。

误区三：所有场景用同一套策略。错。不同场景风险不同，要分级管控——低风险全自动，高风险人工把关。一刀切要么效率低，要么风险大。

误区四：策略硬编码，调整要改代码。错。策略要可配置，业务人员能通过后台调整，不需要改代码。业务变化快，策略调整也要快。

误区五：策略定完就不管了。错。策略要持续优化——看数据、找问题、定期review、及时调整。业务在变，策略也要跟着变。