其他行业 · AI应用
Dust 借助 MCP 和 Claude 帮助企业创建可操作的 AI 代理
Dust 解决了企业内 AI 碎片化的普遍问题，即分散的 AI 工具阻碍了效率和工作流自动化。通过利用 Claude 和模型上下文协议（MCP）等先进模型，Dust 创建了可定制的 AI 代理，能够无缝集成到现有公司知识系统中。这一方法不仅自动化了跨各种业务应用的任务完成，还通过零数据保留策略增强了安全性。结果，由于响应时间加快，客户满意度显著提升，员工无需频繁切换上下文，能够专注于更高价值的活动。
整体模型支出减少
18%
来源披露
每日模型支出节省
约10000
来源披露
缓存读取占输入令牌比
65%
来源披露
01
业务背景
Dust 解决了企业内 AI 碎片化的普遍问题，即分散的 AI 工具阻碍了效率和工作流自动化。通过利用 Claude 和模型上下文协议（MCP）等先进模型，Dust 创建了可定制的 AI 代理，能够无缝集成到现有公司知识系统中。这一方法不仅自动化了跨各种业务应用的任务完成，还通过零数据保留策略增强了安全性。结果，由于响应时间加快，客户满意度显著提升，员工无需频繁切换上下文，能够专注于更高价值的活动。
02
遇到的问题
企业内 AI 碎片化，分散的 AI 工具阻碍效率和工作流自动化；需让企业团队信任 AI 代理以执行真实工作而非仅回答问题。
03
AI 解决方案
Dust 利用 Claude 及模型上下文协议（MCP）构建模型无关的多人 AI 协作平台，提供共享工作区让团队（AI operators）连接公司知识、工具与工作流，构建可读取并写回公司系统（如更新 CRM、起草报告）的代理；通过优化提示缓存、 redesign 执行循环支持最多 24 次工具调用，并由 Claude 编排 Deep Research 工作流。
04
实施结果
整体模型支出减少：18%（减少）
每日模型支出节省：约10000（节省）
缓存读取占输入令牌比：65%（提升）
输入支出减少：22%（减少）
每次代理运行工具调用步骤：8+（增加）
redesigned 执行循环支持工具调用：最多24（未披露）
Deep Research 工作流时长：10+（未披露）
05
风险与边界
未披露
““You can't save time with AI you don't trust. Our goal was to make AI agents accurate and capable enough that enterprise teams trust them to do real work, not just answer questions.””
Stanislas Polu · co-founder and CTO of Dust
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。