2.1 ADP 是什么：企业级智能体开发平台
腾讯云智能体开发平台（Tencent Cloud Agent Development Platform，下文简称 Tencent Cloud ADP） 是面向企业的智能体开发平台，可以帮助企业构建、上线和持续运营智能体应用。它把大模型、知识、工具、流程和企业治理连接起来，让智能体真正进入业务场景。
学完这一节，你应能说明 ADP 的产品定位；理解企业为什么不能只靠一个大模型；读懂 ADP 产品能力地图中“构建模式 × 核心能力组件 × AI Model”的关系；了解ADP的四大优势；初步判断哪些任务适合用 ADP 构建智能体。
2.1.1 ADP 的产品定位
ADP 是面向企业的智能体开发平台。它围绕大模型能力，整合应用构建、知识库、工具连接、Workflow、多 Agent、权限发布、调试评测和运营分析，帮助企业把 AI 能力变成可使用、可管理、可上线、可持续优化的智能体应用。
ADP 不是普通 Chatbot，也不是单一大模型接口，而是企业构建智能体应用的生产与运营平台。
ADP 面向的不是单一角色，而是企业内围绕 AI 应用建设协同工作的多类人群。例如，业务团队关心能不能解决问题，IT 团队关心能不能安全接入和管理，售前与交付团队关心能不能快速搭建可复用方案。
| 业务负责人：关注业务价值、效率提升、成本降低和服务体验。 | 业务运营人员：关注重复问答、文档处理、流程办理能否被助手承接。 |
|---|---|
| IT / 平台团队：关注权限控制、系统接入、版本管理和安全运维。 | 售前 / 交付团队：关注可复用方案的搭建效率。 |
为了避免把 ADP 理解窄，需要先区分它和几类常见产品的关系。
| 容易混淆的对象 | 它通常解决什么 | ADP 的不同之处 |
|---|---|---|
| 普通 Chatbot | 提供一个对话入口，回答用户问题。 | ADP 不只提供对话，还能接入知识、工具、流程、权限、发布和运营体系。 |
| 单一大模型接口 | 提供理解、生成、推理等模型能力。 | ADP 可以使用模型，但重点是把模型组织成企业可上线的应用。 |
| 传统知识库系统 | 管理文档、FAQ、制度和内容资产。 | ADP 的知识库服务于智能体，可与检索、引用、Prompt、工具和 Workflow 联动。 |
| 传统 RPA | 按固定规则执行流程或模拟人工操作。 | ADP 可以通过 Workflow 固化流程，也能结合模型理解、知识检索和工具调用处理更开放的任务。 |
下面哪些说法更接近 ADP？这是多选题，选好后提交，看看你是否抓住了 ADP 的产品定位。
- A只是一个聊天机器人
- B企业级 Agent 开发平台
- C可以连接知识、工具和流程
- D可以支持应用上线和运营
2.1.2 ADP的智能体范式
理解 ADP 的定位之后，再看企业为什么需要这样的平台。大模型让机器具备了理解、生成和推理能力，这是智能体能够工作的基础。但在企业场景里，“能回答”只是第一步。真正进入业务时，还需要继续追问：回答依据来自哪里？能不能查企业内部资料？能不能调用业务系统？能不能按固定流程执行？谁可以使用？上线之后怎么评测、监控和优化？
| 如果只有大模型 | 企业落地时可能会遇到的问题 | ADP 提供的补足能力 |
|---|---|---|
| 模型可以生成答案 | 企业需要答案有依据、可追溯，不能靠模型“猜”。 | 知识库、RAG 检索、引用展示、知识命中调试。 |
| 模型可以理解意图 | 业务任务往往需要调用系统、读取数据、创建记录或触发通知。 | 工具、API、数据库、MCP、Skills、企业系统连接器。 |
| 模型可以自由推理 | 审批、分派、报表、投诉处理等任务需要稳定流程和可验收结果。 | Workflow、条件分支、变量流转、结构化输出。 |
| 模型可以多轮对话 | 企业用户、组织、渠道、数据权限都需要被管理。 | 应用权限、发布范围、渠道接入、版本管理。 |
| 模型可以快速试用 | 上线后需要知道效果如何、哪里出错、怎样持续优化。 | 对话调试、应用评测、日志、运营分析、持续迭代。 |
大模型是智能体的能力基础，但企业级智能体不是“模型接口 + 聊天框”。企业真正需要的是一套能把模型、知识、工具、流程和治理能力组合起来的平台。ADP 可以把大模型能力包装成不同智能体范式：有的负责稳定问答，有的负责按流程办事，有的负责多角色协同，有的负责处理更开放的复杂任务，也有的帮助用户用自然语言快速创建和辅助搭建应用。这与我们上一章介绍的当前已有的智能体范式是一致的。
| 标准模式\稳定问答 | 以单个智能体为核心，结合 Prompt、模型、知识库和工具，适合企业知识问答、产品 FAQ、客服问答等稳定场景。 |
|---|---|
| 单工作流模式 | 流程执行以固定流程为核心，把任务拆成节点、变量、条件分支和工具调用，适合审批、通知、信息收集、报告生成等标准化任务。 |
| Multi-Agent 模式 | 多角色协作由多个 Agent 分工协作，适合复杂分析、方案生成、交叉复核、多步骤决策等需要协同处理的任务。 |
| Claw 模式 | 开放任务更适合文件、网页、表格、代码和开放式任务处理，像一个能够动手完成复杂任务的数字同事。 |
| 智能工作台\自然语言辅助创建入口 | 通过自然语言创建应用初稿、辅助配置能力或处理临时任务。 |
这里的几种范式用于帮助你理解 ADP 如何把大模型能力变成不同类型的智能体应用。本节不会展开具体的操作教程，第三章会再详细讲每种模式的适用边界、搭建方式和实战案例。
只靠大模型，还缺什么？
回答不可溯源
ADP对应能力：知识库、RAG检索、引用展示与知识命中调试
执行流程不稳定
ADP 对应能力：Workflow、条件分支、变量流转与结构化输出
不能调用业务系统
ADP对应能力：工具、API、数据库、MCP、Skills与企业系统连接器
缺少权限与运营治理
ADP对应能力：应用权限、发布范围、版本管理、评测、日志与运营分析
2.1.3 ADP 的产品能力地图
理解 ADP 的产品能力，不需要先陷入复杂的后台菜单。我们可以把ADP 看成“构建模式、核心能力组件和 AI Model”的灵活组合：不同业务场景，可以选择不同构建模式，接入不同能力组件，再结合合适的大模型能力，最终形成面向业务的 AI 应用。
能力地图中的构建模式、核心能力组件、模型能力和底部场景都是代表性示例，并不是 ADP 的完整能力清单。这里的目标不是穷举所有功能，而是帮助你理解 ADP 如何通过“模式 + 能力组件 + 模型”的组合构建不同业务场景。
ADP能力地图
一句话理解ADP的产品能力地图：ADP 通过多种构建模式 × 多种能力组件 × 大模型的灵活组合，构建不同业务场景的 AI 应用。
（1）如何阅读这张能力地图
第一步:看构建模式
构建模式决定应用怎么运行。图中示例包括标准模式、单工作流模式、Multi-Agent 模式，分别对应稳定问答、固定流程和多 Agent 协作。
第二步:看核心能力组件
核心能力组件决定应用能做什么。图中示例包括 RAG、Workflow、Plug-in，分别补齐知识理解、流程执行和外部连接能力。
第三步:看Al Model
AI Model 提供底层智能能力。图中示例包括原子模型、LLM API 和通用协议，用于支撑文档解析、检索、生成、推理和模型接入。
构建模式负责承载应用形态，核心能力组件负责补齐知识、流程和工具，AI Model 负责提供底层智能。三者组合起来，就可以面向不同业务场景构建不同类型的 AI 应用。例如：
| 组合方式示例 | 可以形成的应用 | 适合的业务场景 |
|---|---|---|
| 标准模式 + RAG + LLM | 知识问答助手 | 企业知识库、产品说明、客服 FAQ、制度问答。 |
| 单工作流模式 + Workflow + Plug-in | 流程办理助手 | 审批流、任务分派、自动通知、自助服务流程。 |
| Multi-Agent + RAG + Workflow | 分析与复核助手 | 尽调分析、合同审阅、财务分析、复杂报告生成。 |
| 任一构建模式 + 合适模型能力 | 面向特定场景的 AI 应用 | HR 简历评审、Admin 自助服务、运营分析、内容生产等。 |
（2）ADP的实际应用
ADP的能力可以应用在各类业务场景中。只要业务中存在大量知识问答、重复咨询、文档处理、流程办理、系统查询、数据分析或内容生产，或者其他复杂的、多步骤的任务，就可以进一步判断是否适合用 ADP 构建智能体。例如：
| Knowledge | 企业知识库、制度问答、产品 FAQ、员工助手。 |
|---|---|
| CS | 智能客服、售前咨询、售后问答、质检分析。 |
| Due Diligence | 财务分析、尽调分析、资料归纳、风险初筛。 |
| Operation | 合同审阅、流程办理、任务分派、自动通知。 |
| HR | 简历筛选、候选人评审、员工自助问答。 |
| Admin | 行政自助流程、材料生成、内部服务台。 |
（3）ADP的部署形态：公有云和私有化
公有云部署：腾讯云 ADP 提供的标准服务，用户通过云端账户直接使用，无需自建基础设施，按使用量计费，快速上手。
私有化部署：适合对数据隐私、合规性、网络隔离有严格要求的客户，支持在客户专有的云环境或本地部署，保证数据完全由企业自主管理。
2.1.4 ADP的四大产品优势
为什么企业选 ADP，而不是自己拿开源框架从头拼？因为 ADP 在四个方面提供了“企业级”的保障。
（1）优势一：更精准的对话效果。
在真实业务里，"对话效果好不好"不只取决于大模型本身，更取决于系统能不能准确看懂企业文档、高效检索、给出可靠答案。ADP 在这方面积累深厚：
- 企业级文档理解：依托腾讯优图实验室多年的 OCR 与文档解析技术积累，支持 10+ 文档文件类型、200 MB 单文档处理，对复杂图文混排、表格、公式等版面进行智能识别与结构化处理。在说明书、规章制度等场景中，能够准确提取文档中的文本和图片内容，为后续问答提供高质量的知识底座，同时支持对图片内容的直接理解与回答。
- 自研向量（Embedding）模型：还记得第一章介绍的 Embedding 吗？ADP基于多阶段训练管线和精细化数据工程，自研的 2 B 级 Embedding 模型在 C-MTEB 基准测试中达到 SOTA 水平。结合基于 LLM 的 Reranker 模型(支持 8 k+ 长文本、分层知识蒸馏)，实现高召回、高精准的检索效果。
- 智能 RAG（Agentic RAG）与结构化数据问答：不仅能“匹配一段文本”，还可以通过多轮检索、跨文档推理和多工具协同，回答跨知识源的复杂问题。结合 Text-to-SQL 能力，支持对上万行表格或数据库执行条件筛选并聚合问答，让"问文档、问表格、问数据库"可以在同一应用中统一完成。
（2）优势二：完整的一站式开发与运营框架。
- 多种智能体架构：支持 LLM+RAG、Multi-Agent、Workflow 等主流范式，兼顾简单问答和复杂任务代理。
- 贯穿应用全生命周期：从配置、开发、调试、评测、发布到运营，全链路都有配套能力，一套平台承载从试点到规模化。
- 企业级评测体系：内置裁判模型、规则、代码等多种评估方式，支持一键批量对比不同模型、提示词和工作流版本，生成量化效果报告。
- 运营与用量管理：提供用量、数据分析、对话记录日志等管理后台，便于精细化运营和查看使用成本。
- 零代码 / 低代码优先：绝大部分功能通过可视化配置完成，复杂场景再补少量代码，兼顾业务和技术团队。
- 丰富模板与最佳实践：预置教育、传媒、医疗、金融等多行业模板，以及多场景 Demo 与"应用开发要点"，降低试错成本。
- 可解释与持续优化：每条回答附带命中文档片段、相似度评分和检索路径。配合应用日志分析和评测能力，帮助业务与运营人员了解大模型"为什么这么答"，基于实际效果持续调整知识组织与检索策略。
（3）优势三：灵活的模型与开放生态。
- 多模型统一接入：支持主流大模型与自建模型一键导入 Tencent Cloud ADP。
- 企业级连接器与工具生态：内置 200+ 高质量连接器和工具，覆盖知识问答、检索、图片/音视频处理、数据分析等场景，全面支持 MCP 协议和自定义扩展。
- 多种集成方式：智能体 API 提供 RESTful API、SDK 等集成方式，支持发布至企业微信以及小程序等常用渠道，适配不同技术栈与接入场景。
（4）优势四：企业级安全、性能与可观测性。
- 高性能架构：流式响应，首字时间 < 1 秒，支持高并发和扩缩容。
- 安全可靠：多租户数据强隔离，内容安全审核，细粒度权限体系与操作审计。
- 精细化权限体系：平台 / 空间 / 应用 / 知识库等多层级权限，数据权限与功能权限解耦，适配集团型企业复杂组织结构。
- 完善的监控与告警：实时监控请求量、成功率、延迟、Token 消耗等核心指标。
- 智能体数据洞察能力：智能体对话记录分析、热点问题挖掘、问答效果标注，效果趋势分析。
2.1.5 小结
ADP 是企业级 Agent 开发平台。它不是单独的大模型，也不是普通 Chatbot，而是通过构建模式、核心能力组件和大模型能力的灵活组合，支持公有云和私有化两种部署形态，让智能体能够进入企业业务并持续运行。
- ADP 的定位是企业级 Agent 开发平台，帮助企业把模型能力转化为可上线的智能体应用。
- 企业不能只靠一个大模型，因为真实业务还需要知识、工具、流程、权限、评测和运营。
- ADP 的产品能力可以理解为：构建模式 × 核心能力组件 × AI Model。
- ADP的四大优势。
本节内容已经回答了“ADP 是什么”。接下来，我们会进一步拆开看：一个智能体在 ADP 中究竟由哪些核心模块搭建起来。你将看到应用、模型、Prompt、变量、记忆、知识库、工具、Workflow等之间如何协同工作。
