今日判断
今天最值得抓的不是又一个模型参数，而是两个现场工程事实：
第一，中国连锁企业最重的流程往往卡在"数据仍在人嘴里、微信里、例外里"——一家 200+ 门店的连锁企业，财务大表打开要 30 分钟以上，5 人薪资团队几乎整月都在算工资，而最大瓶颈不是公式，是逐店微信核对。AI 介入之前，必须先重做数据与责任链。
第二，Anthropic 的最新研究证明，多智能体的能力会因协作放大，系统性失败也会因交互放大——45 个协调智能体发现的漏洞是独立方案的十倍以上，但个体层面的良性行为可能叠加为系统性失败。
重点信号
200+ 门店的日记账大表：企业 AI 的第一步为什么是先拆 Excel
- 来源：FDE 企业现场实践
- 某连锁餐饮集团的驻场诊断首次系统梳理了运营、人力与财务三条流程。财务现状：200+ 门店的标签页集中在单个 Excel，打开需要 30 分钟以上。新方案：拆为"每店独立 Excel + 云盘同步 + Python 自动汇总"，先选 3 家门店试点 1 周。人力现状：5 人团队每月发 3 次工资，一家店拆 3 份表，4 人几乎整月在算工资——最大瓶颈不是公式，而是逐店微信核对。
- 为什么重要：AI 落地的第一步不是"把大表喂给模型"，而是把录入、存储、汇总、例外确认和责任人拆开。企业流程 AI 化的四层拆分：标准录入 → 自动汇总 → 例外确认 → 责任回写。对于仍靠口头更新的数据，先降低搬运和汇总成本，再逐步把例外结构化。"公式能算"不等于"数据已准备好"。
- 关键动作：动工前必须冻结四个基线——单表打开时长、每次汇总工时、错误/返工次数、门店覆盖完整率。没有 before 数据，就永远证明不了 after。
Anthropic 研究：多智能体协作放大漏洞发现，也放大系统性风险
- 来源：Anthropic Research ｜ 原文链接
- Anthropic 于 8 月 13 日发布多智能体系统研究：45 个协调智能体在约 2700 万 token 的运行中发现 266 个漏洞；独立并行方案在约 650 万 token 中只发现 21 个，两者仅 12 个重叠。研究同时观察到智能体会自发形成专业分工，并警示个体层面的良性行为可能叠加为系统性失败。
- 为什么重要：企业多智能体验收不能只测单体正确率。协作带来的能力增益和风险增益是同一枚硬币的两面。FDE 应为多智能体方案增加"协作风险六项验收"：角色边界 → 共享状态 → 冲突升级 → 循环检测 → 预算上限 → 人工停用。单体评测通过后仍需系统级压力测试，分别记录任务成功率、重复调用、冲突率、token 成本和人工接管情况。
- 注意边界：两种方法的 token 预算不同（2700 万 vs 650 万），不能直接得出单位成本优劣——这本身也是一个验收方法示范。
对 FDE 从业者的启发
- 诊断先于方案，基线先于动工：进入企业现场的第一件事不是选模型，而是记录现状数字——处理时长、人员投入、错误率、覆盖率。这些数字是未来一切 ROI 证明的地基。
- 最难自动化的不是计算，而是例外：每家门店都有"一句没写进系统的话"。FDE 的价值是先把这些散在人嘴里、微信里的事实，变成能确认、能追责、能逐步自动化的流程。
- 多智能体项目必须做系统级验收：单个 Agent 各自正确不等于系统整体安全。交互图、共享状态、预算上限和一键停用应成为标准交付物。
