01Core pain point and demand
企业用 AI Agent 做客服和自动化流程时，Agent 会检索到错误或过时的文档，导致给出错误答案（例如错误的退款金额），造成客户投诉与资金损失。同时团队缺乏对 Agent 程序行为的可解释性和可衡量的质量评估标准，无法判断答案从哪来、是否可信、上线后是否变差，运维只能靠人工抽查和事后救火。
02Product solution
提供一套面向 AI Agent 的知识可信度与可解释性治理平台：1）接入企业知识库与向量库，自动检测过时、冲突、低质量文档并给出修复建议；2）为每次 Agent 回答生成可追溯的证据链（引用了哪段文档、置信度多少、是否命中敏感规则）；3）内置可配置的评估集与回归测试，量化准确率、幻觉率、退款金额等关键字段的正确率；4）对高风险回答（如金额、政策）设置拦截与人工复核；5）提供监控看板与告警，Agent 质量下降时自动通知。
03Monetization and business model
SaaS 订阅制为主：按 Agent 数量、月评估次数、知识库文档量分档收费；提供私有化部署版本给金融、政企客户；增值服务包括知识库治理咨询、评估集定制、合规审计报告；通过开源 SDK 引流，企业版收费。
04Action steps
- 1访谈 20 家使用 AI Agent 做客服的企业，确认退款金额错误、文档过时等高频场景与可量化指标。
- 2开发 MVP：知识库接入 + 文档过时/冲突检测 + 回答证据链追溯，先支持主流向量库与 GPT/国产大模型 API。
- 3内置评估集与回归测试模块，输出准确率、幻觉率、关键字段正确率等可衡量指标。
- 4加入高风险回答拦截与人工复核工作流，覆盖金额、政策等敏感字段。
- 5找 3-5 家种子客户免费试用，收集反馈并打磨监控看板与告警。
- 6上线 SaaS 并开源轻量 SDK 引流，通过技术社区和行业案例做增长。
- 7推出企业版与私有化部署，补齐合规审计报告，拓展金融、电商客户。
05Risk notice
大厂可能将类似能力整合进现有 LLM 平台或云服务，形成价格与生态挤压；企业知识库接入涉及数据安全与合规，私有化交付成本高；评估指标若不能与业务 KPI 强绑定，客户续费意愿低；文档治理需要客户配合，落地周期可能较长。