这是一份智能体构建方法指南，实质是把选型关键从框架转向模式选择、成本权衡与工具接口设计。

• 影响智能体系统以延迟和成本换取任务表现，是否划算需按场景评估；多数应用优化单次调用加检索与上下文示例即可；自主智能体成本更高且错误会累积，上线前要在沙盒充分测试并配护栏。
• 参考可考虑用文中五种工作流模式对照现有任务清单，能拆成固定子任务的优先用工作流而非自主智能体；值得把工具定义、参数命名和防错设计当提示词工程投入，先在沙盒环境测试再扩大范围。

检索准确率的瓶颈被定位在切块丢失上下文，补上下文成了可以用模型自动完成的低成本预处理步骤。

• 影响依赖知识库的客服、法务类 RAG 应用检索命中可直接受益；预处理属一次性成本，有每百万文档 token $1.02 的官方参照；加重排会额外增加延迟与费用，需按场景权衡。
• 参考可考虑按官方 cookbook 在自家语料上小规模复测失败率变化；先算出知识库 token 规模，低于 20 万可直接全量入 prompt；值得对比 Voyage 与 Gemini 嵌入及 top-5/10/20 块数的组合。

与其硬训超长上下文窗口，先用小上下文模型加智能体工程覆盖 1M 文档，再把智能体变成合成训练数据的工具，这是长上下文能力建设的一条工程路线。

• 影响处理长文档问答可能不必依赖超长上下文模型的高推理成本，小模型加智能体编排是低成本选项；现有结果均为官方自测口径，换文档类型或模型效果会变；逐块阅读策略 token 消耗和延迟更高，落地前要算清这笔账。
• 参考可考虑用业务里真实的 1M 级长文档，在开源的 Qwen-Agent 实现上对比 RAG 与逐块阅读两种策略的命中率和成本；值得先盘点哪些场景真正需要超过 32k 的上下文，再决定试点顺序。

AI 让大企业主动腾出引入新供应商的预算窗口，但每个部门每年名额极少，无名创业公司竞争的实质是抢到这些稀缺入口。

• 影响对没名气的创业公司，大企业每年固定的新供应商名额是主要进入通道；只有解决现有厂商没解决好的高优先级痛点且实施风险低，才可能获得快速回复；群发触达无效，找到确切买家是前提。
• 参考可考虑先列出目标部门现有厂商没解决好的痛点清单，找到在意该问题的 GM、SVP 或 CIO 办公室负责人，用定制主题和方案逐一直接电话加邮件触达。