Parallel Learning 内部 Agent 实战 — Voltaire

Meryll Dindin（Parallel Learning 工程 VP）的企业内部 Agent 落地记录。为几十人公司搭建"公司大脑"，覆盖架构设计、信任建设和数据基础设施。

核心洞察

很多时候答错，不是模型不够强，而是路由错了。 收入问题就该进 BigQuery，不该进代码库 Agent。

Agent 连错三次，就没人再用了。 信任积累慢、崩塌快。

无聊的基础设施才是真正的护城河。 Voltaire 两周半搭完，底下的数据基础设施花了两年。

Voltaire 是什么

一个 Slack 机器人，员工在频道里 @它或私聊，它在对话线程里回复带来源的答案。不是 FAQ 匹配，也不是检索文档片段，而是：

1. 规划哪些数据源相关
2. 调度对应的 Agent 去查询
3. 汇总结果，格式化成带引用的回答

架构关键：编排器看不到各个 Agent 的内部实现。调用 query_bigquery 拿回完整结果，BigQuery Agent 自己搞定表发现、SQL 生成、错误恢复和 PII 过滤。加新数据源时不用动推理层。

知识面（跨源推理）

信任机制

1. 每个回答都带来源 — SQL 查询可见，文档引用链到原文
2. 受限数据的替代方案 — 不硬拒，给匿名 ID 的同类分析
3. 知识路由层 — 轻量规划器先决定注入哪些知识文章、激活哪些 Agent。路由选对比选最好的模型更重要

实际效果

• CEO 不再打开 Salesforce 仪表盘，AE 会议前 30 秒拿到各区域反对意见模式
• 工单运营经理 从最大 AI 怀疑论者变成自动化成果分享者
• BDR 团队 钓鱼攻击调查从一整天缩短到一小时（Google Workspace 审计日志 AI 工作流）
• 商务拓展 280 个参会名单补全 CRM 映射和联系方式，从几天缩短到几分钟

数据基础设施

• ETL 管道把每个业务系统灌进 BigQuery（Salesforce、Zendesk + 十几个内部工具）
• dbt 标准化和文档化，字段级描述
• 知识图谱：域级委托爬取 Drive，解析 Google Group 成员关系为 RBAC，AI 标签分类 25 万+ 文件，构建搜索摘要和相似度边，打包成版本化 SQLite 快照
• Agent 只能看到请求用户有权限访问的文件

建议起步顺序

1. 先搭数据层 — 业务系统数据灌进集中式仓库，给 schema 写字段级文档
2. 从一个 Agent 做起 — 自然语言转 SQL 查数据仓库是 ROI 最高的切入点（结构化、可验证）
3. 然后加文档检索 → 工单 → 代码 — 每加一个数据源都在放大跨源推理价值
4. 最常见的错误：给 LLM 套个聊天壳，底下没有任何有锚点的数据
5. 另一个错误：等数据"准备好"再动手 — 数据不会准备好的，现在就开始

Sources

• 翻译：一家几十人公司的内部 Agent 实战
• https://mp.weixin.qq.com/s/EGk068xdZvJMtjb5A1JkXA
• 原文：https://merylldindin.com/thoughts/company-brain/