新闻资讯 | Insights
AI Agent 怎么接入企业老系统?遗留系统智能化改造的 4 条落地路径
企业上线 AI Agent 的最大障碍往往不是模型能力,而是跑了十年以上的老系统——没有 API、文档缺失、原厂商失联。本文拆解遗留系统智能化改造的 4 条落地路径——API 封装层、数据库直连与 CDC、RPA 界面自动化兜底、事件驱动改造,以及改造过程中的稳定性红线与验收要点,帮助企业让 Agent 真正操作业务系统而不只是聊天。
不少企业引入 AI Agent 后都会经历同一个落差——演示阶段效果很好,真正接进业务就卡壳。卡点往往不在模型能力,而在公司那套跑了十年以上的老系统:ERP 是 2012 年上的,OA 的开发商已经失联,财务软件只允许一台指定电脑登录。Agent 再聪明,摸不到业务系统,就只能停留在聊天层面。
中国信通院《人工智能产业发展研究报告(2025年)》指出,人工智能正加速从"能思考"向"能实干"转变,智能体通过工具调用构建"感知-决策-执行"闭环是释放应用潜能的关键。而"能实干"的前提,恰恰是 Agent 能真正读写企业的业务系统。本文从一个软件定制开发团队的视角,拆解遗留系统智能化改造的四条落地路径,以及动手之前必须先想清楚的问题。
1. 为什么老系统是 AI Agent 落地的第一道坎
企业的核心系统大多沉淀了五年甚至十五年以上。它们稳定、可靠、承载着全部业务数据,但从 AI 集成的角度看,普遍存在三个硬伤。
第一是接口缺失或不规范。那个年代建设的系统以页面交互为主,根本没有为机器调用设计 API;少数有接口的,也多为私有协议或陈旧的 Web Service,文档和实际行为早已脱节。第二是知识断档。原开发商解散、实施人员离职、源代码遗失,表结构里拼音缩写和英文混杂,没人说得清某个字段的真实含义。第三是不敢动。老系统承载核心业务,任何改动都担心引发连锁反应,宁可维持现状。
而 AI Agent 的价值恰恰取决于接入深度。只做知识问答的 Agent 只需要读文档库;真正能创造效率价值的业务型 Agent——自动查订单状态、触发补货流程、生成财务凭证——必须读写业务系统。接不进去,Agent 就退化成一个昂贵的聊天窗口。
2. 动手之前,先做三个评估
遗留系统改造最大的坑是边做边发现。在写第一行代码之前,建议先完成三个评估,产出一份系统接口盘点清单。
评估系统底数。摸清每个待接入系统的开发语言、数据库类型与版本、是否持有源码、文档完整度、原厂商是否还能提供支持。这一步经常需要逆向工程——直接翻数据库、抓包分析页面请求,把黑盒系统还原成一张可读的架构图。
评估业务动作的读写分级。把 Agent 需要执行的动作逐个列出来,分成查询类(读)和写入类(写)。读操作风险低、见效快,应优先开放;写操作——审批通过、下单、过账、改库存——必须逐个评估校验规则和联动影响,能走审批确认的就不自动执行。
评估接口化的性价比。不是每个动作都值得做接口。每日调用三次的查询,人工导一次 Excel 喂给 Agent 可能更划算;每分钟都要读写的核心业务,才值得投入做深度集成。调用频率、数据实时性要求、改造预算,三者决定路径选择。
3. 路径一:API 封装层,给老系统穿上接口外衣
这是最常用也最稳妥的路径——不改老系统本体,在它外面加一层适配器,把数据库和业务入口包装成标准 REST API 供 Agent 调用。
读操作的封装相对直接:用只读账号连接数据库,把常用查询封装成接口,复杂逻辑落在视图或存储过程里。写操作的关键是找到老系统自身的业务逻辑入口——它已有的存储过程、约定好的中间表、或者安装包里残留的原生接口,让 Agent 的写入请求走这些"正门",触发原有的校验和联动,而不是绕过业务逻辑直接改库。
封装层必须补上的工程能力包括:幂等设计,防止 Agent 重试造成重复写入;事务边界管理,跨表写入要么全成功要么全回滚;熔断与限流,Agent 异常时不能拖垮老系统;以及一份重建的数据字典——把晦涩的表名字段名映射成业务语言,这既是给 Agent 看的,也是给企业自己留的资产。
4. 路径二:数据库直连与 CDC,读多写少场景的最优解
如果 Agent 的主要诉求是"看数据"——经营问答、状态跟踪、报表生成——数据库直连是性价比最高的方案。
要点有两个。一是隔离,绝不直连生产库:用只读副本、物化视图或定时同步出来的数据集市承接 Agent 的查询,把对生产系统的性能冲击降到零。二是实时性,定时同步的延迟以小时计,支撑不了"订单现在到哪了"这类场景,这时需要 CDC(Change Data Capture)——基于数据库日志捕获增删改事件,准实时地把变更推送到 Agent 可访问的数据层,延迟可以控制在秒级。
这条路线的边界同样清晰:它只解决"读"。凡是要改变业务状态的动作,都必须回到路径一的业务入口,或下一条路径的界面操作。绕过业务逻辑直接 UPDATE 生产库,是遗留系统集成中最常见也最危险的事故来源。
5. 路径三:RPA 界面自动化,没有接口时的兜底方案
有些系统连数据库都摸不到——加密狗管控的财务软件、只提供客户端的行业系统、原厂明确禁止直连的 SaaS 本地化部署。这时的最后手段是 RPA:模拟人在界面上的点击、录入和读取。
传统 RPA 靠固定脚本,界面改一个按钮就失效。近两年 Agent 驱动的界面操作(Computer Use 类能力)让这条路线的容错性明显提升——Agent 能理解界面语义,自己找到目标控件,而不是死认坐标。但它依然是脆弱的,适合作为过渡方案而非长期架构。
工程治理上要守住几条线:所有操作全程录屏留痕,可回放可审计;写入类操作设置人工复核节点,Agent 执行、人确认后才真正提交;限制执行频率和时段,避免与老系统使用高峰冲突。定位想清楚——RPA 是拐杖,不是腿,条件允许时仍应走向 API 化。
6. 路径四:事件驱动改造,让老系统主动说话
前三条路径都是"Agent 问、系统答"。还有一类场景需要反过来——库存跌破安全线时主动发起补货建议,合同到期前三十天自动提醒经办人,订单异常时即刻通知相关 Agent 介入。这要求老系统具备"主动说话"的能力。
实现上通常用数据库触发器或定时扫描任务捕获业务事件,写入消息队列,Agent 订阅事件流后触发相应流程。对老系统的侵入极小——加几张事件表和一个轻量推送服务即可,却能解锁预警监控、流程协同这类价值密度最高的 Agent 场景。
事件驱动还经常与前述路径组合使用:CDC 负责数据变更的捕获,消息队列负责事件的分发,API 封装层负责后续的业务动作执行,三者构成完整的"感知-决策-执行"闭环。
7. 稳定性与安全红线
无论选哪条路径,有几条红线是通用的。
- 最小权限:Agent 使用的账号严格按接口清单授权,只读账号绝不开写权限
- 写入走正门:任何写操作必须经过老系统自身的业务逻辑校验,禁止绕过
- 生产隔离:查询优先打副本,高峰期熔断降级,Agent 异常不拖累业务
- 全程留痕:每一次 Agent 触发的读写都有审计日志,可追溯可回放
- 数据脱敏:身份证号、银行卡、薪资等敏感字段脱敏后才能进入大模型上下文
- 灰度上线:新接口先在测试环境跑足回归,再小流量灰度,确认无扰动后全量
数舵科技如何做遗留系统的 AI 集成
数舵科技以软件定制开发起家,这恰恰是做 AI 集成的独特优势——纯 AI 团队改不动老系统,纯传统开发团队又不熟悉大模型工程,两件事必须都会做。
我们的标准动作是五步:先做系统体检,把无文档的黑盒系统逆向成可读架构;再做接口盘点,列出 Agent 需要的全部业务动作并完成读写分级;然后按前文四条路径选型组合,形成集成方案;开发阶段同步重建数据字典和审计体系;最后灰度上线并留足观察期。模型层面支持私有化部署,敏感数据不出内网,满足政企客户的合规要求。
在过往项目中,我们处理过数据库版本停留在 2008 年的 ERP、只剩客户端安装包的财务软件、以及原厂商早已注销的政务系统。经验只有一条:老系统的问题从来不是技术做不到,而是摸底不彻底、边界没想清楚。
写在最后
AI Agent 落地的差距,表面看是模型能力的差距,实质上是集成能力的差距。当企业发现 Agent 卡在"查不了库存、下不了单"时,问题八成不在 Agent 本身,而在那套沉默运转了十年的老系统还没被接入。
建议的节奏是从只读场景起步——先让 Agent 看懂数据、答得了问题,用最低风险跑通价值闭环;再逐步开放写入类动作,让 Agent 从助手长成真正的业务执行者。老系统不是 AI 时代的包袱,改造得当,它沉淀多年的业务数据恰恰是 Agent 最宝贵的燃料。
相关解决方案
常见问题
参考资料
AI Agent 在招投标领域的应用:标书解析、智能辅助评标与围串标识别的落地指南
国家发改委等部门2026年发文推动人工智能在招标投标领域应用,明确招标文件检测、智能辅助评标、围串标识别等重点场景的落地时间表。本文从软件定制开发视角,拆解招标侧文件编制与合规检测、投标侧商机匹配与标书自查、评标侧智能辅助评审、监管侧围串标识别四大场景的工程实现路径,以及辅助性定位、留痕审计、私有化部署等落地红线,适合招标代理机构、公共资源交易平台和投标企业的技术负责人参考。
AI Agent 幻觉治理怎么做?从检索校验、输出约束到生产审计的企业落地指南
企业落地 AI Agent 最大的信任障碍是幻觉——回答流畅但事实错误。本文拆解幻觉的三大成因,从检索层、生成层、输出层、生产层四个层面给出系统化的治理方案,包括引用溯源、结构化输出约束、二次校验、拒答机制和幻觉率度量,帮助企业把 Agent 的可靠性从"感觉可信"变成"可度量、可控制"。