一个面向内部员工的政策咨询智能体被问到下个月出差补贴标准会不会上调。这个问题超出了它接入的数据范围本应说明自己不清楚。它却没有拒绝而是顺着以往文件的措辞编了一段给出了一个看起来有板有眼的数字员工拿着这个数字去报销才发现根本没有依据。这类情况容易出现在对智能体期望很高、又给了它充分表达空间的定制场景中。模型被要求尽可能有用于是在信息不足时也更倾向于给一个答案而不是承认自己答不了。能力边界没有被显式地告诉它也没有在生成前做拦截编造就成了一种看起来像在帮忙的默认行为。一种常见的误判是以为只要把知识库做得够大智能体就不会答出界外的问题。可知识覆盖再全也总有问题落在边界之外用户的问题不会按知识库的目录来提边界外的提问永远存在靠堆料填不满这个缺口。另一种误判是以为模型自己知道什么时候该拒绝。模型对自己不知道这件事并没有可靠的感知它只是基于训练和上下文生成最像那么回事的内容把是否拒绝交给模型自己判断往往得到的是一段流畅却不可靠的回答。拆开来看智能体答了不该答的通常有三类原因。一类原因是能力边界没有被显式定义。哪些问题在服务范围内、哪些数据可以引用、哪些动作可以执行系统没有把这些边界写清楚模型在生成时也就没有一个明确的到此为止的判断依据。另一类原因是缺少信息充分性判断。系统在生成前没有评估当前掌握的信息是否足以支撑一个可靠回答信息不足时也没有触发拒绝或澄清而是让模型直接生成缺口被流畅的措辞掩盖了过去。还有一类原因是拒答与降级机制缺位。即便系统判断出问题超出边界也没有准备好一套明确的拒答话术和降级路径不知道该怎么体面地说我不知道于是干脆选择硬答用编造来避免冷场。针对这些原因一种实现方式是把能力边界做成一条可判定的约束链路。起始环节是能力边界定义把服务范围、可引用数据、可执行动作写成明确的规则让智能体在生成前就知道哪些事它能做、哪些事它不该碰。紧接着是信息充分性判断。生成回答之前先评估当前掌握的信息是否足以支撑一个可靠结论信息不足时转入澄清或拒答而不是让模型在没有依据的情况下强行产出。再往后是拒答与降级。对于判断为超出边界的问题采用明确的拒答话术说明自己不清楚并给出可以替代的处理路径比如转人工、引导用户补充信息用降级代替编造。最后是回答后自检与反馈回流。回答生成后回头核对这次回答是否越出了已定义的边界、是否有未被依据支撑的表述发现问题时纠正并把这类边界外的问题沉淀下来用于后续补全知识或调整边界定义。本文基于青山不语AI工作室在部分企业AI Agent定制项目方案中的实践将这套处理框架概括为能力边界识别与拒答降级机制。它要解决的不是让智能体变得谨小慎微、什么都不敢答而是让它在答不上时能明确地承认在有把握时才给出有依据的回答把编造和帮忙区分开。这里有一道边界需要企业自己拿捏。服务范围划到哪里、哪些问题宁可拒答也不硬答、拒答后走转人工还是引导补充信息取决于企业自身的业务口径和风险偏好服务方提供的是边界定义框架和拒答降级机制最终的能力边界清单要由企业内部的业务负责人确认。落到企业定制这件事上很多人担心的是智能体不够能答我却更在意它是否敢承认自己答不了。一个答不上就编的智能体表面上样样有回应实际上每一句都需要人去二次核实反而加重了使用者的负担。我的判断是评价一套企业AI Agent定制服务看它把边界划得多清楚、把我不知道处理得多自然往往比看它答得多流利更有价值。