按理说现在不需要翻译了， AI 就翻译的挺好，不过在 Hacker News 首页上读到的这篇文章，我还是想翻译推荐下——一家几十人公司的内部 Agent 怎么落地？都在谈企业 Agent，谈真正落地的经验的不多：
1. 这篇我觉得值得读，不是因为它把 Agent 写得多厉害，而是因为它把很多人嘴上说的东西，真的做出来了。我自己也在做一些内部的 AI 系统，读的时候就深有同感。先说最直观的一点：它看起来很真。作者写的是一套已经塞进公司日常的系统。CEO 在 AE 会议前问一句"这个季度纽约地区客户最多的反对意见是什么"，半分钟后就拿到横跨 Salesforce、工单和通话转录的答案。BDR 团队碰上钓鱼攻击，本来要花一天重建时间线，结果一小时做完。商务拓展带回 280 个参会名单，Voltaire 几分钟补全 CRM 映射和联系方式。这些例子一摆出来，你大概就知道它不是在卖概念。

2. 再一个是信任。文章里最有价值的，不是那种"减少幻觉"的空话，而是怎么把信任做成产品机制。每个回答都带来源，文档能点回原文，SQL 直接摆出来给人看；碰到个人敏感信息，也不是一句"无权限"就打发掉，而是退一步给匿名 ID 的同类分析。还有一个判断我很认同：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"——搞企业内 Agent 的都应该心有戚戚焉吧。

3. 第三个点是底座比 Agent 本身更难，也更值钱。Voltaire（这套系统的代号） 两周半搭完，前面的数据基础设施做了两年（做基础设施的看到这句话很😄）。Salesforce、Zendesk 和一堆内部工具先得灌进 BigQuery，dbt 和字段级文档要补齐；Google Drive 里 25 万多个文件也不是丢进向量库就完了，还得把权限、标签、摘要和相似关系整理出来，做成可离线加载的知识图谱。真正费力的地方都在这里。Agent 只是把这些东西接起来。

4. 最后是起步顺序。作者没劝你先做一个无所不能的 Copilot，而是先把自然语言转 SQL 这件事做对，比如回答"Q1 续约学区的净收入留存率是多少"。原因很简单：结构化数据最好验，SQL 错了能查，数字不对能 debug。信任不是靠 prompt 写出来的，是靠这种可验证性一点点攒出来的。这个点站稳了，再往上加文档、工单、代码和会议记录，才会越做越顺。

原文：http://t.cn/AXMf0Dlm
我的翻译：http://t.cn/AXMf0Dlu