大多数人的问题不是"没用过 AI"，是"话说不清楚"。需求模糊、背景不给、格式不要求、边界不设定，然后抱怨 AI 答案不行。不是 AI 不行，是你没按它的方式安排它干活。
AI 是放大器，不是许愿池。你的输入质量 × AI 的能力 = 输出质量。输入是 0.3，输出永远到不了 0.9。
表达能力第一次变成了硬通货。过去"会说清楚需求"只是沟通软技能；现在它直接决定你能调动多少算力替你干活。

同一个 AI，新手用它写套话，专家用它顶半个团队。
差距不在工具，在提示词。
有时候你打错字、句子不通顺，它也能猜出你想说啥：这是大家最开始觉得"AI 挺聪明"的原因。但能不能让它一直干对活，就看你怎么把话说到位。
下一页，同题对比，眼见为实。

从"不会"到"会用"到"很会用"：三档之间的真实差距同一个工具，身份与产出完全不同

维度	① 完全不会用 AI	② 会用一点 AI	③ 很会用 AI
把 AI 当什么	当搜索引擎 / 当玩具	当"聪明的打字员"，问一句答一句	当"团队里的执行者"，安排任务、验收结果
问的方式	一句话甩过去，答案不满意就换工具	知道要加背景和格式，但每次重新交代	结构化提示词 + 沉淀成 SKILL，一次说清、反复复用
产出质量	套话、通用答案，只能做初稿参考	能完成任务，但质量看运气、改稿多次	接近"可用交付"，带业务语境、格式对齐、风险自检
一天杠杆	1 带 1~2（AI 帮不了多少，甚至添乱）	1 带 3~4（单点提效：写、查、改）	1 带 5~6+（AI 跑流程，人管结果）
面对复杂任务	不知道从哪下手，AI 也帮不上	拆成几个小任务逐个问，仍要自己拼装	给目标 + 边界，AI 自己拆解执行，人做验收与卡点
身份演进	旁观者，还在用"老办法"干活	使用者把 AI 当工具，效率+1	FDE（Future-Driven Employee）把 AI 当杠杆，效率×N（PART 4 细讲）

关键不在"用得勤不勤"，在用法的层次：从"问一句"到"安排一整件事"，中间隔着的就是 PART 1 后面这几页要教的能力。

1.2 什么是 AI · 常见的技术

大家口中的"人工智能"，其实是四类东西

每次说"AI"的时候，我们到底在说什么？现在市面上能见到的 AI，基本都能归进四类：大模型、小模型、多模态模型、智能体工具。先分清你面前的是哪一类，后面讲本质、讲边界才接得上。

🧠

大模型

LLM · 通用语言大脑

读遍全网文字的“超级语感引擎”

能对话、能写作、能翻译、能推理。你叫得上名的 AI 产品，背后基本都站着它。

DeepSeek豆包ChatGPTClaudeGemini

⚙️

小模型

专用模型 · 干一件事很专

体积小、成本低，专干一件“小事”

OCR 识别、语音转写、人脸核验、审核打分。大模型负责“聪明”，它们负责“专业且便宜”。

OCR 识别语音转写向量嵌入

🖼️

多模态模型

看 · 听 · 说 · 画

不只会读文字，还能看图、听音、出图

把图片、音频、视频和文字一起“看懂”，再混合输出。文档识图、语音助手、AI 生图都靠它。

GPT-4oGemini豆包视觉版通义千问 VL

🤖

智能体工具

Agent · 能动手干活

模型 + 工具 + 权限，替你跑完一整件事

不只会“答”，还会“做”：读文件、跑命令、调接口、按计划推进。企业里 AI 落地的真正形态。

CodexWorkBuddyAI 连接器Xiaoe.AI

先记住一句话：大模型负责"会说话"，小模型负责"干专活"，多模态负责"看得见听得见"，智能体负责"替你动手"。这四类层层组合，就是今天企业里绝大多数 AI 方案的骨架。接下来 1.3 开始，一层一层拆给你看。

1.3 大模型的本质

大模型不是"先想好整段答案再告诉你"，
它是一个字一个字往外蹦的概率接龙

大语言模型（LLM）做的事只有一件：给定前面的文字，计算下一个字（Token）最可能是什么，写上去，然后再算下一个。它没有"打腹稿"，没有"完整答案先存在脑子里"：你看到的洋洋洒洒一大段，是逐字接龙接出来的。

输入：“今天天气很好，我们一起去”→ 看模型怎么接下去

等待开始 · 共 7 步

演示是简化模型：真实模型每一步会在几万个候选 Token 中按概率采样，这里只展示前 3 个候选。

它的输出单位是 Token，不是"句子"。一个 Token 大约是一个字/词片段。模型把语言拆成小块，一块一块往外预测，所以 AI 回答总是一个字一个字往外蹦，那不是"加载慢"，那就是它真实的工作方式。
每一步都是概率选择。点"单步"看右侧概率条：模型不"知道"答案，它只是在算"哪个字排第一的概率最高"。像不像，是它唯一的标准。
所以它天生会"一本正经地胡说八道"。只要错的话“听起来顺”，概率照样高：这就是幻觉的来源，后面 1.4 会专门粉碎相关误区。
它本质上是"文字概率器"，不是"计算器"。它输出的是"下一个字像不像"，不是"算出来的答案正不正确"。所以它并不掌握计算公式，只是见过太多带数字的句子，照着"像"的方式接出来。复杂的数学题它答不出，不是因为笨，而是因为它根本没有在"算"：你让它算 123×456，它是在猜"这种题目的答案长什么样"，不是在列竖式。要算得准，得让它调用工具（计算器/代码），它只负责把算式翻译成人话。

生活类比：像一个玩了二十年"成语接龙"和"完形填空"的高手，你开个头，他凭语感一路接下去。语感极好，但他并不真的"懂"自己在说什么。

同一个模型，为什么你俩聊得完全不一样？

它没有状态，没有记忆：你给它的每一句话，都是"现场递进来"的

模型本身是一堆固定的参数：它不记你上轮说过什么，不存你传过的文件，也不"认识"你这个人。它每一次回答，都只是拿你这次递进来的上下文，做一轮概率接龙。所谓"记得你"，是因为你们刚才的对话，又被完整地塞回了输入里。

🧊

无状态STATELESS

模型不保存"上次发生了什么"。你关掉页面再打开，它对你的记忆归零：除非你把内容再喂一次。

类比：一位不带记事本的顾问：每次见面，你都得把背景重新讲一遍，他才能接着往下聊。

🗑️

无记忆NO BUILT-IN MEMORY

训练阶段学会的是"通用知识"（语言、逻辑、常识）；你的私域信息（项目、制度、台账、会议纪要）它一概不知道，除非出现在当前上下文里。

类比：一个只读过通识课本的应届生：行业里的具体事，你给他材料他才会。

📥

上下文即记忆CONTEXT = MEMORY

所谓"AI 记得你"，实际是把历史对话 + 你贴的资料拼进输入。上下文窗口越大，它"临时记得"越多；关掉或超窗，就全忘。

类比：一次性的"工作台"：散会就清空，笔记要自己归档保存。

🔁 每一轮对话，模型都是"从零开始" 上下文在滚动累积，模型参数纹丝不动

第 1 轮 · 你问

💬 "我们公司的报销流程是什么？"

→

模型收到的上下文 = 系统提示词 + 你的问题

📄 系统提示：你是企业 AI 助手…

💬 用户：我们公司的报销流程是什么？

✍️ 输出：一段回答

→

第 2 轮 · 你追问

💬 "那发票贴错了怎么办？"

→

模型收到的上下文 = 系统提示词 + 第 1 轮完整对话 + 第 2 轮问题

📄 系统提示：你是企业 AI 助手…

💬 用户：我们公司的报销流程是什么？

🤖 助手：（第 1 轮的回答，原样回放）

💬 用户：那发票贴错了怎么办？

✍️ 输出：基于全部上文作答

看见了吗：模型没有"记住"第一轮：是你的对话记录被当作输入又塞了回去。所以：① 上下文越长，费用越高、回答越慢；② 想让 AI"记得"关键信息，请主动把背景写进提示词或系统提示词；③ 真正要长期保存的知识，要落到知识库（RAG），而不是指望模型"记住"。

客户常问"把文件发给 AI，是不是就等于泄密了？"

几乎所有客户第一次接触企业级 AI 时都会问这个问题，值得拆成两层说清楚。

第一层：你确实无法百分百确认供应商会不会存

你传上去的文件，经过的是供应商的服务器。它到底有没有把你这份数据拿去存、拿去训练，单凭"基础技术架构"你是看不见的：这取决于供应商的承诺、合同条款、数据合规体系。所以对大客户来说，签合同要看数据协议，敏感数据优先走私有化部署或本地模型。这是"信任与契约"层面的问题，要正视，不能一句"绝对安全"糊弄过去。

第二层：但从基础技术架构看，模型本身不存储你的数据

回到本页的核心：大模型是无状态、无记忆的。你的文件被处理后，只是作为本次调用的上下文参与了一次计算，用完即弃；模型参数是训练时定死的，不会因为你这一个文件就"学会"它。所以：只要供应商按标准合规做法不落盘、不回流训练，你的数据在推理链路里就是"用完即走"的。这也是为什么业界普遍认为，走 API 做企业问答的泄露风险，主要不在模型本身，而在传输、日志、和供应商的存储策略。

一句话回答客户："模型本身不存你的数据：它没有记忆，每次用完就忘。真正的风险点是供应商的存储策略，所以要么看合同，要么敏感数据本地化部署。这个问题的答案，恰好证明了：AI 没有'记住'你的文件，它只是'看过一眼'。"

概念对齐

什么是大模型？什么是多模态？

大语言模型（LLM）= 读完了人类公开文字的"超级语感机器"

全称 Large Language Model。在海量文本（书籍、网页、代码、对话）上训练出的超大规模语言模型：ChatGPT、Claude、Gemini、DeepSeek、豆包这些你叫得出名字的 AI，背后都是它。

它不是产品，是引擎。你用的每个 AI 应用，都是"LLM 大脑 + 外面一层产品壳"。
"大"指的是参数量。模型里可学习的权重数量，常以十亿（B）为单位。参数≈大脑突触的简化模拟，越多通常记性越好、语感越细。
上下文窗口（Context Window）是它的"短期记忆边界"。一次对话能考虑的最大 Token 量。塞进去 60 页文档它只回应了后 20 页？多半是前 40 页已经溢出它的记忆了。

多数人搞混的一点：人们说"AI"时，其实想说的是"LLM"。AI 是一个宽广领域（推荐系统、人脸识别、自动驾驶都是 AI）；LLM 是其中一种：就是那个帮你写邮件、写方案、写代码的家伙。分清这个，你在任何 AI 对话里都能立刻专业起来。

多模态模型 = 给语言大脑接上"感官"

纯 LLM 只认识文字。多模态 = 能处理文字之外的输入/输出：

🖼️

图像

看图识物 / 文生图 / 图片编辑

🎙️

音频

语音转文字 / 语音对话 / 音乐生成

🎬

视频

文生视频 / 视频理解 / 数字人

🧊

3D / 其他

文生 3D 模型 / 传感器数据

⚠ 注意：很多"多模态能力"并不是一个大模型包打天下，而是大模型 + 各模态专用小模型的组合协作：这正是下面要拆的"封装"。

能力边界 · 先说两个反直觉的

大模型的"记忆"和"算术"，和你想的不一样

能力边界 · 记忆

大模型有"记忆"吗？：没有，只有"临时递纸条"

你关掉对话再打开，它忘了你是谁、刚才聊了什么。不是"记得但不说"，是机制上就不存。它所谓的"记得"，只是把你说过的话放在"上下文窗口"这张临时纸条上，聊天结束纸条就扔了。

上下文窗口 = 临时纸条：这次对话能考虑的最大内容量。纸条越长越贵，塞满就丢最早的。
训练记忆 = 学过的知识：是模型参数里"读过的书"，有截止日期，不是你的私事。
持久记忆 = 外挂：厂商做的"记忆功能"（存你的偏好/历史）是数据库，不是模型自带：模型每次还是现读现答。

一句话：它不"记得"你，它只是"临时看一眼"。想要它长期记住，得给它配"笔记本"（记忆外挂 / 知识库），而且每次都要现翻。

能力边界 · 算术

大模型为什么"算数不行"？：因为它根本不"算"，它在"猜"

问它 328 × 17 它要想半天、还可能错： 因为它不会做乘除，它只是在预测"下一个字最可能是什么"。数字在它眼里是文字序列，不是数值。它靠训练时见过的海量算式"背"出了很多正确答案，但换个没见过的组合就露馅。

机制：预测下一个字（Token）。"328×17="后面最可能接什么字：它是按语感猜，不是按算术算。
为什么时对时错：见过的算式背得出（87% 对），没见过的组合全靠猜：这正是"幻觉"的温床。
正确做法：让 AI 写代码去算（沙箱执行）或调用计算器：计算交给确定性的工具，它只负责组织和解读。

一句话：它是"语感超强的八哥"，不是"数学天才"。要它算对，别让它心算：让它写代码、调计算器、接 SQL：精确计算交给工具，它做翻译。

能力边界

你日常用到的 AI 能力，一大半不是大模型自己的

纯大模型只会一件事：文字进，文字出。你感受到的"能联网、能识图、能读 PDF、能语音"，是厂商在模型外面装的"外挂"。点击左侧任意能力，看它的真实来源。

点击左侧任一能力 · 看真实来源

👆 点左侧任意一个能力模块

每个"外挂"背后都是独立的服务或专用模型。厂商把它们和大模型编排在一起，你就感觉"这个 AI 什么都会"。

模型自带（文字进文字出）厂商封装的外挂封装编排层

交付红线 · 项目现场最常见的翻车：客户以为"把模型部署好，搜索、识图、读文档这些能力就自然有了"。不会有的。部署模型只得到了"文字进文字出"的内核；每一项外挂能力都要单独评估：有没有对应服务？要不要采购？内网环境能不能用？数据出不出域？谈能力边界，是方案阶段就必须摆上桌的事。

一句话记住这页

大模型是发动机，不是整车。你开的那辆"车"：能导航（搜索）、能倒车雷达（OCR）、能语音控制（ASR/TTS），都是厂商在发动机外面装的一整车配置。买车要看配置单，买模型也一样。

1.4 伪知识粉碎墙 · 六句流行说法

这六句流行说法，每一句都是错的（点击卡片看真相）

伪知识的危害不在于"说错"，而在于它会误导你的使用方式和采购判断。逐张点开，把正确的直觉建立起来。

流行说法 ①

"AI 已经像人一样会思考了，它有理解能力。"

🔄 点击粉碎这个说法

真相

它没有意识、没有理解、没有意图。它是超大规模的模式匹配器：看得多，所以接得准。它会"表现得像理解"，但机制上只有概率。

类比：八哥学舌能接你的话，但它不理解你在说什么。AI 是语感强了亿万倍的八哥。

流行说法 ②

"模型越大、越贵，就越不会出错。"

🔄 点击粉碎这个说法

真相

参数规模提升的是"流畅度"和"知识面"，不是"正确率保证"。再强的模型也会幻觉：编数据、编引用、编不存在的网址。任何关键事实都必须人工核对。

类比：口才越好的人，把错话说得越像真的。你会因为口才好就全信吗？

流行说法 ③

"AI 什么都知道，问它就行。"

🔄 点击粉碎这个说法

真相

模型知识有训练截止日期，且它从来不知道你的私域：公司制度、项目进展、客户台账、上周的会议纪要。不知道又不承认不知道，就开始编：这就是很多"AI 翻车"的根因。

类比：问一个去年就离职的老员工"咱们部门本周排期"，他只能瞎猜。

流行说法 ④

"联网搜索、识图、读文档是大模型自己会干的。"

🔄 点击粉碎这个说法

真相

纯语言模型本身不会搜索、不会 OCR、不会看文件。你用到的是厂商封装：模型外面挂搜索服务、挂 OCR 小模型、挂文档解析。

类比：手机能拍照不是 SIM 卡的功劳。别把整机能力算在芯片头上。

流行说法 ⑤

"想让 AI 懂公司的事，就得拿数据去训练它。"

🔄 点击粉碎这个说法

真相

绝大多数场景用 RAG（检索增强生成）就够了：把资料建成知识库，提问时先检索、再把相关内容喂给模型作答。便宜、快、可更新、可溯源。训练/微调是最后选项。

类比：员工查手册就能回答的事，何必送他回炉重读四年大学？

流行说法 ⑥

"AI 这么强，迟早取代所有人的工作。"

🔄 点击粉碎这个说法

真相

AI 替代的是"任务"，不是"岗位"；先被淘汰的是不会用 AI 的人。真实的趋势是岗位重构：会用 AI 的人一个人干过去几个人的活（PART 04 的 FDE 就是这个逻辑）。

类比：挖掘机没有淘汰建筑行业，淘汰的是只会用铁锹的施工队。

为什么值得专门一页粉碎？这六句话在客户现场、在采购评审、在群里转发里天天出现。当你能一句话说清"为什么不对"，你就在这场对话里建立了专业信任。

误区 ① · AI 使用边界

不要什么都问 AI：六个真实场景，你来判一判

场景 ①

"把这页会议纪要浓缩成 5 条待办，@给对应的人"

场景 ②

"简历你都看了，直接告诉我录用谁"

场景 ③

"80 页合同里的风险条款挑出来，标上依据"

场景 ④

"帮我决定明年部门预算砍哪个项目"

场景 ⑤

"把这段中文翻成地道的英文商务邮件"

场景 ⑥

"把这月报销总额算出来，错了我被财务骂"

使用原则一句话：AI 出草稿，人来做判断；AI 跑流程，人来担责任。把"让人不爽的重复劳动"给它，把"要担责的判断"留给自己。

误区 ② · 别动不动说"训练"

训练、微调、RAG：让 AI 懂你的事，有三条成本完全不同的路

预训练 Pre-training

从婴儿培养一个医学生

用海量无标注数据从零训练一个模型，让它学会通用的语言知识和模式。

成本：数百万~数亿美元、数月、上万张显卡
数据：万亿级 Token
谁在干：OpenAI、DeepSeek 等模型厂商

基本轮不到企业做。喊"我们自己训练一个大模型"之前，先看这行成本。

微调 Fine-tuning

送全科医生去心内科进修

在预训练模型基础上，用领域数据继续训练，让模型适应特定任务、风格或格式。

成本：数千~数十万元、数小时~数天
数据：几百~几万条高质量样本
改变的是：行为习惯：输出格式、专业话术、风格
改变不了的：知识时效：训完新知识还是不知道

适合：必须让模型稳定按某种"样子"输出，且提示词压不住的场景。

RAG 检索增强生成

给医生发一本随时更新的手册

模型本身不动。提问时先从你的知识库检索相关内容，连同问题一起喂给模型，让它"先查资料再回答"。

成本：低，主要是知识库建设和检索工程
数据：你现有的文档、制度、台账、合同
知识更新：改文档即生效，不用重训
可追溯：答案能标注来源，方便核对防幻觉

企业知识问答、制度助手、客服知识库：绝大多数需求的正解。

遇到需求，先问一个问题：它缺的是"知识"，还是"行为"？还是"底层能力"？

📚 缺知识 → 先 RAG

"它不知道我们公司报销制度 / 产品参数 / 这个客户的跟进记录"：知识问题。建知识库 + RAG，今晚就能跑通，明天文档更新了答案就跟着更新。

成本低 · 可更新 · 可溯源

🎭 缺行为 → 先提示词，不够再微调

"它知道，但就是不肯按我要的格式/风格输出"：行为问题。先把提示词写到位（1.5 教你）；真压不住、且样本充足，才轮到微调。

提示词先试 · 微调兜底

🧠 什么时候才轮到"训练"？三问自测

满足下面三条都成立，才认真考虑预训练/微调：

① 检索不到？

知识不在你的任何文档里，连"现查现用"都没得查（比如必须内化到模型参数里的专有推理能力）。RAG 没有东西可检索，这条路先排除。

② 提示词压不住？

你已经把提示词写到"能想到的都写进去了"，输出仍然不稳定、格式仍不达标。提示词能解决的问题，微调是浪费。

③ 有足够好数据？

几百到几万条高质量"输入 → 期望输出"样本，且标注一致。样本少、质量差，微调只会学坏。

三条全中才考虑微调；预训练（从零训练大模型）在企业场景基本永远不成立，那是模型厂商烧钱做的事，成本以千万美元计。

那到底谁才需要训练？办公领域 vs 科研机构，是两个世界

很多人问："既然 AI 这么强，为什么我们公司不用训练？"答案不是"公司省成本"，而是绝大多数办公需求，根本不落在需要训练的范畴里。用一个对照就清楚了：

对比维度	日常办公 / 基础使用（你我的世界）	科研机构（基因/药物/材料研究）
典型任务	问制度、写报告、做 PPT、翻译、审合同、查资料	DNA / RNA / 蛋白质序列比对、超精度结构预测、海量文献挖掘
知识在哪	公司制度、产品资料、项目文档：都在你手里，建库即可	前沿发现不在任何文档里：连公开论文都没有，只能从数据里"学"出来
用 RAG 够吗	够，且效果最好：答案可溯源、可更新、成本低	不够：知识是"参数里的隐性规律"，不是"文档里的显性句子"，检索没东西可查
为什么必须训练	不需要：通用模型 + 你的文档 + RAG 已远超需求	必须：要模型"内化"序列→结构这类无文档可查的映射规律，只能靠领域数据训练/微调
成本承受力	一张 API 调用几毛钱，一年下来可控	千万级算力投入，属于科研经费预算

一句话：RAG 补的是"查得到的知识"，训练补的是"查不到、只能学出来的规律"。办公场景 99% 是前者，科研场景才大量是后者。

★ 决策顺序：先 RAG（补知识）→ 再提示词（调行为）→ 仍不行且三问全中 → 微调 → 预训练基本排除。企业里 80~90% 的需求停在第一步就解决了。

AI 获取知识的四条路：预训练、微调、RAG、上下文塞入

同样的"知识"，放进 AI 的方式不同，成本、时效、可溯源性天差地别。先把这张表看懂，再看下面两个常被问懵的概念：向量数据库、两种 RAG。

获取方式	怎么"装"进去的	成本	时效	可溯源	一句话记住
① 预训练	海量语料，从零训练模型参数	极高（千万美元级）	训完即过期	不可溯源	只有模型厂商干
② 微调	少量领域样本，改模型行为	中（千~万元级）	训完即过期	不可溯源	改"行为风格"，不是加知识
③ RAG 检索增强	知识放数据库，提问时现查现喂	低（建库+检索）	改文档即生效	可溯源	企业最常用
④ 上下文塞入	把资料直接贴进对话/提示词	最低（但占窗口）	即时	可溯源	临时用一次可以

③ 和 ④ 的差别只在一件事：知识是"外挂"还是"硬塞"。RAG 帮你找到最相关的那几段再喂，上下文塞入则是不加筛选全部硬灌，窗口够大才敢用。

名词科普 · 向量数据库

"我想吃汉堡" vs "黄色的、两片面包夹着肉的东西"

关键字搜索像点菜：你报菜名（"汉堡"），菜单里一字不差才找得到。想不起名字？搜不到。

向量搜索像描述特征：你说"黄色的、两片面包夹着一块肉"，系统把这句话变成一串数字（向量），和库存里每道菜的向量比"谁离得近"，最近的端上来。意思相近就搜得到，不需要说对名字。

向量数据库就是干这事的仓库：存的是"每个内容的数字指纹（向量）"，检索比的是"距离"而不是"文字是否相同"。公司知识库背后就是它。

一句话：普通搜索比"字长得像不像"，向量搜索比"意思离得近不近"。想不起名字也能搜到，是向量最大的本事。

两种 RAG · 别混为一谈

"字面检索"RAG 和 "语义检索"RAG，是两代做法

① 关键词/字面 RAG（老一代）：用 Elasticsearch、BM25 这类传统检索，按"关键字匹配"找文档片段。快、省、可解释，但换个说法就搜不到，比如"报销流程"搜不到"出差怎么报"。

② 向量语义 RAG（主流）：文档先切块（切片 Chunk），每块转成向量入库；提问也转成向量，找"意思最近"的几块喂给模型。理解语义、容忍换词，但切块大小、检索阈值调不好，答错得莫名其妙。

要不要切片？字面检索通常整篇或大段检索；向量 RAG 必须切成小块（几百字一块）才能精确定位相关段落。
带不带语义？字面检索不带语义（字面匹配），向量 RAG 带语义（意思匹配）。企业主流方案是两者结合：字面保证精确术语，向量覆盖同义表达。

RAG 不是一种，是"一个家族"：按架构演进分四大类 （按具体技术实现还能拆出混合检索、重排序、多查询、语义分块等十余种方案）

① Naive RAG · 基础型

最原始的形态

流程只有四步：索引构建 → 向量检索 → 简单拼接 → 生成。没有任何优化技巧，适合简单事实问答。

就像刚学会"翻书"的实习生：查到哪页算哪页，拿来就答。

② Advanced RAG · 优化型

现在的主流做法

在基础流程上引入 混合检索（关键词+向量）、重排序 Rerank、查询改写、语义分块、上下文压缩 等技巧，显著提升召回率与准确率。

像带教过的老手：先筛一轮，再精挑一遍，最后只把最相关的喂给"教授"。

③ Graph RAG · 图谱推理型

理解"关系网"

把非结构化文本先转成知识图谱（实体+关系），再通过实体关系遍历解决多跳推理和全局语义理解，适合复杂关联分析。

像懂家谱的族老：不只找"哪本书有答案"，还知道"这几个人/事之间的来龙去脉"。

④ Agentic RAG · 智能体自主型

让 Agent 自己决定怎么查

引入 Agent 自主决策：动态规划检索策略、多轮迭代验证、按需调用外部工具，适应高复杂度跨域任务。

像带小队的侦探：第一轮查不到就换策略，还会交叉验证，直到拼出完整答案。

★ 一句话串起来：Naive 是"会查"，Advanced 是"查得准"，Graph 是"查得懂关系"，Agentic 是"自己决定怎么查"。企业落地从 Advanced 起步最划算，Graph 和 Agentic 看场景上。

RAG 的一次完整运转（4 步时序图，点击每一步，看这一步的"输入 → 输出"长什么样）

提问

用户原始输入

→

向量化

问题→向量，检索命中最相关切片

→

拼装

切片 + 问题 = Request

→

作答

模型输出 Response

👆 点上面任意一步，看这一步的输入 / 输出到底长什么样。全部跑完你就理解了：模型本身没变，变的是"喂进去的东西"。

1.5 怎么样写提示词才能让 AI 更懂你？

同一个任务，两种写法：看 AI 的理解会偏到哪里去

任务：给客户写一封项目延期说明邮件。左边是大多数人的写法，右边是结构化写法。注意左边 AI 被迫"猜"了多少事：它不会追问你，它只会瞎猜。

❌ 写法 A：随手一句话

我

帮我写个邮件，说下项目要延期

： AI 脑内被迫猜测：客户是谁？延多久？什么原因？什么语气？

尊敬的客户：您好！由于不可预见的原因，本项目将无法按原计划完成，预计延期一段时间。对此我们深表歉意，我们将尽快推进，争取早日交付。感谢您的理解与支持！

⚠ 客户看完三连问：延到几号？为什么延？我的业务怎么办？：一封邮件换来三个追问电话。

✅ 写法 B：结构化提示词

我

你是有 8 年经验的客户经理，背景：云启 ERP 项目因客户方数据接口延迟，需延期 2 周。写一封给维森集团信息部王经理的延期说明邮件。结构：致歉一句 → 真实原因 → 新时间表（3 个里程碑日期）→ 补救措施 2 条。200 字内，语气坦诚不卑微，不要"不可预见"这类套话。

王经理：您好。首先为项目调整致歉。因贵方数据接口联调环境延期就绪，整体计划需顺延 2 周：需求确认 3 月 14 日、UAT 3 月 28 日、上线 4 月 11 日。我们将：①增派 1 名接口工程师驻场；②每周五同步进度看板。给您带来的不便，我们全力补齐。

✓ 有对象、有真实原因、有新日期、有补救：客户看完直接回"收到"。

好提示词的五要素：点一点，看它在右边提示词里的位置，以及为什么非写不可

点击要素：右侧写法 B 中对应片段红色高亮，下方解释"为什么需要它"：每个要素都是在替 AI 补一个它做不到的事。

① 为什么必须写清楚"角色"？

模型训练时读过海量文本：客服话术、学术论文、广告文案、法律文书……它全都"会"一点点。不指定角色，它只能在所有风格里取平均值，所以默认输出总是"官方腔"的通用回答。
你给它"8 年经验的客户经理"这个角色，它就会在训练数据里锁定"客户经理写信"这一簇模式：语气、称呼、分寸、重点全按那个身份来。角色不是装饰，是告诉 AI"从哪套语料里找风格"。

② 为什么必须交代"背景"？

模型的知识截止于训练那天，而且它对你的项目、你的客户、你的上下文一无所知。你不说"数据接口延迟 2 周"，它就只能编一个"不可预见的原因"：这不是它笨，是你没喂信息。
背景的本质是把模型不知道、但答案必须依赖的事实喂给它。少一个关键背景，它就多猜一处；猜错一处，整封邮件就废了。宁可多写一句背景，也不要让它猜。

③ 为什么必须写清"任务"？

模型没有"揣摩领导意图"的能力，它只会执行字面指令。你说"写个邮件"，它就写"一封邮件"：至于这邮件要达成什么目的，它不会替你补。
用动词把任务说死："写一封致歉并说明原因的延期邮件" vs "写个邮件"，前者它知道要写什么、写多长、达到什么效果。任务说得越具体，输出就越接近你要的那一个，而不是"随便哪一封"。

④ 为什么必须规定"格式"？

模型对"好文章"的理解是平均意义上的：它不知道你要给谁看、在多长篇幅里看。你不说格式，它就按自己觉得最顺的结构写，结果常常是"写得很完整，但你要的不是这个样"。
规定"致歉一句→真实原因→新时间表→补救措施"这四段结构，等于告诉它信息按什么顺序、什么粒度出现。格式就是让 AI 的输出从"能看"变成"可直接用"的那一步。

⑤ 为什么必须写"约束"？

模型天生爱写"不可预见的原因""尽快推进"这类安全的套话：因为它不知道怎么回答时，套话是概率上最安全的输出。你不禁止，它就默认给你套话。
约束（"200 字内""不要套话""语气坦诚不卑微"）是在替它划掉那些概率高但没用的答案，逼它在剩余选项里选。说清楚"不要什么"，和说清楚"要什么"一样重要它俩共同决定了答案落在哪一块。

提示词要避开的四个坑（对照自查）

坑	为什么失败	解决办法
"写点好东西"式模糊	没有约束 = 泛泛输出，AI 只能给你最大公约数的套话	指定读者、语气、长度、格式
一次塞入复杂任务	目标太多，每个都做一半	拆成步骤，链式推进：先大纲 → 再初稿 → 再润色
从不给示例	模型只能猜你的风格	贴 1~2 个你想要的样子（范文/旧稿）
忽略系统提示词	错过最强杠杆，每次重复啰嗦	把固定要求（角色/格式/禁忌）沉淀成系统提示词或 SKILL（PART 3 细讲）

不是每次都要写满五要素：对话式交互，记住三个梯度就够了

五要素是"把任务一次说清"的完整版，适合开新任务、写智能体提示词、写 SKILL。日常对话式交互（就像你现在跟我聊天）不用这么正式：按事情的重要程度，三档写法任选。点开看每一档的实际对话长什么样。

适用：闲聊、查资料、头脑风暴、问个事。这时候不需要结构，AI 答偏了再掰回来就行，反正后面还有好多轮。代价：可能要多掰 1~2 轮

🟢 随手说：三句话来回

我

帮我看看这段文案有什么问题

整体挺顺的。提几个小建议：①开头有点平；②"赋能"这种词出现了 3 次；③结尾没给行动指引。

我

第 2 条具体怎么改？

把"赋能业务增长"改成"帮业务多接 20% 的单"，把"科技赋能"改成"用 AI 干完重复活"。数字和动作比形容词可信。

我

好，那结尾帮我加一句行动指引

加好了："本周五前，我们会把改造后的版本发到项目群，欢迎直接提意见。"有具体时间、有交付物、有反馈入口。

适用：常规工作任务的第一次开口。不用写全五要素，但带上“要什么 + 给谁看/什么场景 + 什么格式/长度”三个关键词，AI 第一版就跑对方向。代价：几乎为零，只多打了半行字

🟡 套路说：三个关键词起步

我

写一段周报开头，给部门主管看，30 字内，突出本周把报销流程从 2 天压到 4 小时

本周上线报销流程自动化，单笔审批从 2 天压缩至 4 小时，全流程可追踪。

我

再补一句下周计划

下周推进合同审批自动化，目标将平均签署周期缩短 50%。

适用：开新任务（第一次就让 AI 干活）、重要交付（对外材料、方案）、写智能体提示词、沉淀 SKILL。这时候回到上面讲的五要素完整版，一次说清，省得来回掰扯。为什么：重要的事，每一轮来回都是成本

🔴 认真说：五要素完整版（就是上面的写法 B）

我

你是有 8 年经验的客户经理。背景：云启 ERP 项目因客户方数据接口延迟需延期 2 周。任务：写一封给维森集团信息部王经理的延期说明邮件。结构：致歉一句 → 真实原因 → 新时间表（3 个里程碑日期）→ 补救措施 2 条。约束：200 字内，语气坦诚不卑微，不要套话。

多轮沟通的真正痛点：聊了很多轮，结果还是不满意

大部分人的卡点不是"第一句话怎么写"，而是来回十几轮，AI 出的东西始终不对味。问题往往出在：你在"连续提新要求"，AI 在"每条都重新猜"。记住四步，把每一轮变成一次有效沟通。点"下一步"看每一步怎么落地。

🧭 多轮沟通四步法 每一步都是"少让 AI 猜一件事" 1 / 4

① 少让 AI 猜一句话给全已知信息

② 一次一焦点每轮只提一个修改点

③ 复述确认让 AI 复述你的理解

④ 验收退出验收通过就收尾保存

多轮对话示范

我

帮我写一封会议邀请邮件。背景：下周三下午 3 点，维森集团会议室，和客户开项目周例会。收件人：客户方项目负责人李总。格式：一封正式但不生硬的邮件。长度：150 字内。

李总：您好。诚邀您参加下周三下午 3 点在维森集团会议室举行的项目周例会，共同回顾本周进展并确认下周计划。期待您的拨冗出席。

我

开头不用"诚邀"，改成"邀请您参加"这种直接的

李总：您好。邀请您参加下周三下午 3 点在维森集团会议室举行的项目周例会，共同回顾本周进展并确认下周计划。期待您的拨冗出席。

我

你复述一下：我这次的要求是"更直接"，不是"更正式"

明白。您要的是语气更直接、更口语化，避免"诚邀""拨冗"这类书面客套，但保持对客户的尊重。

我

就这样，可以了。把最终版发我

李总：您好。邀请您参加下周三下午 3 点的项目周例会（维森集团会议室），一起回顾本周进展、确认下周计划。方便的话请回复确认，谢谢。

最高效的写法：一次写好，反复复用

如果某个任务你每周都要做（周报、客户邮件、方案评审），就不要每次重写提示词。把"永远不变的部分"沉淀成一段固定文字：每次只要改"这次不一样的部分"。这就是系统提示词的雏形，也是后面 PART 3 讲 SKILL 的起点。

沉淀什么：角色 + 固定格式 + 固定禁忌，这三样几乎每次都不变。

📌 我的"周报提示词"模板

我

【固定部分，存在备忘录里，每次复制】
你是我部门的周报助手。格式：本周成果 3 条（每条 20 字内 + 一个数据）+ 下周计划 2 条 + 风险 1 条。禁忌：不要用"赋能""抓手"这类词。
【每次只改这部分】
本周：报销流程上线，审批从 2 天压到 4 小时；合同自动化方案定稿。下周：推动合同审批上线。风险：接口排期紧张。

📊 本周成果：①报销流程自动化上线，审批 2 天 → 4 小时；②合同自动化方案定稿，通过评审。
📅 下周计划：①合同审批自动化上线；②跟进接口排期。
⚠ 风险：接口排期紧张，可能影响上线节奏。

别这么做：每次从头写一遍，AI 每次都重新"认识你"。

❌ 每次都从零开始

我

写周报，要简洁，要有数据

本周完成了多项工作，取得了显著进展……

我

太啰嗦了，重新写，突出成果

本周各项工作顺利推进，重点项目取得突破性进展……

我

还是不对，要数据，要具体

本周完成了报销流程上线……

一句话总结：日常对话用"随手说 + 套路说"就够了；开新任务、重要交付用"认真说"（五要素）；高频任务把固定部分沉淀下来，一劳永逸。你省下的每一轮来回，都是实打实的时间。

1.6 AI 应用工程演进史

三年三级跳：Prompt → Harness → Loop，人的角色一直在变

这个行业的发展是突飞猛进，不学习就会跟不上。看清这三个阶段，你就知道自己（和身边大多数人）目前站在哪一层。

阶段一 · Prompt Engineering

阶段二 · Harness Engineering

阶段三 · Loop Engineering

阶段一 · 2023

Prompt Engineering · 提示词工程

人怎么驱动 AI：人类通过精心编写 Prompt 与 AI 沟通：角色、背景、任务、格式、约束，把"怎么说话"变成一门手艺。

核心解决：怎么跟 AI 说话，它才能听懂？
局限：一次 Prompt 很快，七轮返工却一点也不快。AI 等着人喂指令，不会自己往前走。

人的角色：Prompt 编写者。主要工作：把需求翻译成 AI 听得懂的指令：定角色、补背景、拆任务、给格式、设边界；反复试错、打磨措辞，直到输出满意。

对人的要求：表达清晰、懂业务；门槛最低，任何人当天就能上手，但做精需要长期练习。

例子：日常的豆包/DeepSeek 问答：写一封邮件、翻译合同、总结纪要。今天绝大多数人用的还是这一层。

角色 ①

Prompt 编写者

琢磨"怎么跟 AI 说话"：角色、背景、格式、约束。要解决：AI 听不懂 → 返工七轮。主要工作：把需求翻译成指令，反复打磨措辞。2023 年的核心技能，今天仍是基本功：很多人到现在提示词还写不明白，所以 1.5 专门练。

角色 ②

Agent 系统设计者

设计的不只是提示词，而是整套系统：给 Agent 配什么工具、接哪些 MCP、权限多大、沙箱怎么隔离、出错谁来审批。要解决：AI 会干但不可靠、不可控、不可审计。主要工作：搭"工具-权限-校验-日志"框架，让 Agent 稳定上生产。2024-2025 的主战场。

角色 ③

Loop 架构设计者

设计"目标→拆解→执行→验证→迭代→完成"的自主闭环：AI 自己跑完整件事，人只在关键节点设卡。要解决：复杂任务链条太长、人逐环节盯效率太低。主要工作：定目标、设卡点、看日志、持续调优。正在发生的现在时。

★ 一句话串起来：Prompt 解决"如何与 AI 沟通"，Harness 解决"如何让 AI 稳定工作"，Loop 解决"如何让 AI 自主完成复杂目标"。未来企业的核心资产，不是某条神提示词，而是可复用的 Agent 能力体系 + 自动运行的 Loop 调度体系。

三阶段同屏对比 · 异同与取舍不是取代关系，是层层叠加

维度	① Prompt Engineering	② Harness Engineering	③ Loop Engineering
一句话	把"怎么说"练成手艺	把"怎么让它稳定干"设计成系统	把"怎么让它自己跑完"设计成闭环
AI 的自主度	零：你说一步，它走一步	中按你配好的工具与规则执行	高自主拆解、执行、验证、迭代
人在做什么	写指令、改措辞	配工具、设权限、定校验	定目标、设卡点、看日志、调优
核心优势	门槛最低，人人可学	可靠、可控、可审计，能上生产	规模化、自动化，人效最大化
核心劣势	依赖人持续喂，效率上限低；七轮返工常见	流程写死，灵活度有限；设计与维护成本高	风险更高（自主=失控面变大），必须设卡点与验证
判断标准	AI 答得准不准	AI 干得稳不稳、出格不出格	AI 闭环跑得转不转、交付可不可信
典型工具	豆包 / DeepSeek / ChatGPT	coze / dify / Xiaoe.AI / 企业 Agent 平台	Claude Code / WorkBuddy / 自动化流水线

演进动因就一句话：Prompt 阶段人围着 AI 转，Loop 阶段 AI 围着目标转。谁先把人从"逐字喂指令"里解放出来，谁就拿到了下一轮生产力。

1.7 智能体（Agent）是什么

都叫"智能体"，但 Workflow 和 Agentic 是两代物种

聊天机器人是"你问它答"；智能体是"你指派，它执行"：能自己规划步骤、调用工具、多步推进。但智能体内部有两条路线，点开下面的仿真，看它们遇到意外时的天壤之别。

路线 A · Workflow 工作流

人预先写死路径，AI 按图施工

接收需求

→

提取信息

→

调用接口A

→

生成文档

→

输出

// 点击"运行"，模拟真实执行（第 3 步会发生意外）

路线 B · Agentic 智能体

给目标和工具，AI 自己规划、自己纠错

理解目标

→

规划

→

执行

→

观察结果

↺

完成

// 点击"运行"：同样的意外，看它怎么处理

维度	Workflow（传统工作流）	Agentic（智能体工作流）
谁做决定	人：每一步路径预先写死	AI：自主规划、判断、选工具，人来定目标和边界
路径	固定。意外 = 中断或报错，等人修	半动态/动态。意外 = 观察、换方案、继续推进
适合场景	审批、报销、订单流转：规则清晰、不容出错	标书、运维、研发、分析路径多变、需要判断
代价	灵活性差，需求一变就改流程	需要目标清晰 + 工具权限 + 验证与审计机制

企业最现实的形态：可控主流程（Workflow）+ 局部 Agent 节点 + 明确权限 + 审批关卡 + 日志审计：不是二选一，是搭着用。▲ 先跑一遍上面的仿真

1.8 现在常用的 AI，其实是三种完全不同的东西

直接聊大模型 · 在中台搭智能体 · 让编程 Agent 替你干活
三个界面，三种玩法，三种适用任务（点 tab 逐个看）

豆包 / DeepSeek 式 · 对话界面（简化仿真）

＋新对话

周报怎么写

翻译一段合同

生成配图

帮我起名

我

帮我写一份本周周报，我做了：需求评审 2 场、跟进了维森项目延期、写了接口文档

🔎 已联网搜索（外挂能力，见 1.3）
好的，这是你的周报草稿：本周完成：①组织需求评审 2 场，输出评审结论 6 项；②专项跟进维森项目延期事宜，同步客户并更新里程碑；③完成接口文档 V1.0 共 3.2 万字…

发消息… 也可以点 🖼️ 生成图片（同样是外挂能力）

它是什么 & 适合谁

一句话定位：厂商把模型包装好的"成品 App"，开箱即用。
使用者：所有人，零门槛，个人提效。
典型任务：问答、写作、翻译、总结、点子、学新知识：单点、轻量、即时。
能力边界：能力清单由厂商决定。它连不上你公司的 OA、ERP、项目库；对话结束，上下文就没了。

类比：去快餐店点餐：菜单（功能）是定好的，快、方便，但你不能进后厨改配方。

coze / dify 式 · 可视化编排画布（简化仿真）点节点看配置

🚩 开始用户提问

🧭 意图识别LLM 节点

📚 知识库检索报销制度库

🤖 大模型生成DeepSeek-V

🛡️ 合规校验敏感词/金额上限

✅ 输出嵌入 OA 报销页

节点配置

👈 点击画布中的节点，查看这个节点配了什么。

它是什么 & 适合谁

一句话定位：在系统层构建智能体：用可视化编排，把 LLM、知识库、业务系统接口、审批节点连成一条可管理的智能化流水线。
代表：coze（扣子）、dify、我们的 Xiaoe.AI、AI 连接器。
使用者：业务顾问/实施/IT，拖节点 + 配参数为主，少量代码。
典型任务：嵌进应用系统的智能化： OA 报销预审、制度问答机器人、合同条款提取、工单自动分类。
关键价值：AI 长在业务流程里，有权限、有审计、可运营：这是个人 App 做不到的。

类比：中央厨房：配方（流程）标准化，出品稳定可管，供全院（全公司）使用。

Claude Code / WorkBuddy 式 · 任务执行终端（简化仿真）

➜ 把 contracts/ 里 12 份扫描版合同整理成台账 Excel，含甲乙方、金额、到期日

⠋ 分析任务，制定计划…

✓ 计划已生成（4 步） → 已创建任务列表

□ 扫描 contracts/ 目录 …找到 12 个 PDF

□ 逐份 OCR 提取文本 …调用文档解析 SKILL

□ 抽取字段并交叉校验 …金额/日期与正文比对

□ 生成合同台账.xlsx 并自检

⚠ 需要你的批准：将读取 contracts/ 目录（只读）　

它是什么 & 适合谁

一句话定位：能动手操作真实环境的 Agent：读写文件、运行命令、调用工具、联网查证，自己把多步骤任务跑完。
代表：Claude Code、WorkBuddy、Codex；研发场景还有 Cline 等。
使用者：从研发扩展到全员：整理资料、做表、写代码、做分析、做汇报材料（PART 2 就是用它做的）。
典型任务：长链条、要落地产出物的任务： "把这个文件夹变成一份报告/台账/网站"。
关键机制：任务清单 + 工具调用 + 权限审批（点上面"允许"试试）+ 自我验证：这就是 1.6 说的 Harness/Loop 工程。

类比：雇了一个住在你电脑里的实习生：你说目标，他自己开电脑、找文件、干活、交活，干之前会举手问你"这个能动吗"。

中间还衍生过什么？hermes、openclaw 们的位置：在官方商业产品之外，开源社区一直有自己的路线：以 openclaw 为代表的开源自托管个人 Agent（跑在自己机器上、接自己账号、数据不出门的极客玩法），以 hermes 等为代表的开源 Agent 框架与微调模型生态。它们的位置是：官方产品的"开源平替与实验田" 迭代极快、自由度高，但需要自己折腾部署和维护。对大多数同事：知道它们存在、理解这条路线即可；日常工作，用成熟产品就够。真正要记住的是：这个生态的演化以"周"为单位，半年前的认知今天可能就过期了。

一张表 · 总结当下 AI 工具

三类 AI 工具，一张表看明白：让合适的工具干适合的事

维度	① 直接用大模型豆包 / DeepSeek / ChatGPT	② AI 中台搭智能体 coze / dify / Xiaoe.AI / AI连接器	③ 编程/办公 Agent Claude Code / WorkBuddy / Codex
一句话定位	厂商包装好的成品 App	系统层的智能体流水线工厂	住在电脑里、能动手干的执行者
谁来用	全员，零门槛	业务顾问 / 实施 / IT	研发起步，正在扩展到全员
输入方式	聊天框	可视化编排 + 配置	自然语言目标 + 权限审批
能触达什么	对话内容 + 厂商提供的外挂	知识库 + 业务系统接口 + 流程节点	本地文件、命令行、浏览器、MCP 工具
典型任务	问答、写作、翻译、学习	报销预审、制度问答、工单分类：长在系统里的智能化	整理资料、做台账、写代码、做材料有产出物的长任务
自主程度	单轮/多轮对话，你推一步它走一步	按编排好的流程自动跑	自主规划多步执行，关键节点等你批
数据在哪	在厂商云上（注意敏感信息）	可私有化/内网，受企业管控	本地/企业环境，权限可控可审计
短板	连不上你的系统，出不了对话框	自由度和复杂任务规划能力有限	需要环境配置；权限给大了有风险

算力地图 · 重活（GPU 推理）在哪干

软件在你面前跑，重活不在你面前跑：三种用法，算力分别放在哪？

有个问题经常被问反："我电脑要不要配个好显卡？" 答案：三种用法，烧显卡的重活（大模型推理）全都不在你本地。你面前跑的只是界面或工具，真正吃算力的地方在别处：要么是厂商的机房（按在线 tokens 计费），要么是公司统筹部署的服务器（一次性投入）。"数据在哪"管隐私，"算力在哪"管成本与速度，两个维度，别混。

① 直接用大模型豆包 / DeepSeek / ChatGPT

🖥️ 你的电脑只跑聊天界面 / 浏览器，不烧显卡

→

🏭 厂商 GPU 机房⚡ 推理发生地模型运营商的显卡集群

算力不在你这里，在厂商云上：重活要么在云上按量付费（按在线 tokens 算，一次一算），要么自己扛，本地显卡用不上。

② AI 中台搭智能体coze / dify / Xiaoe.AI / AI连接器

🖥️ 你的电脑 / 业务系统跑编排画布、审批流

↓ 二选一

☁️ 云上 GPU⚡ 推理发生地在线 tokens，按量计费

🏢 公司机房 GPU⚡ 推理发生地私有化部署，一次性投入

重活要么在云上按量付费，要么在公司自建服务器里跑：这是企业级与个人工具最本质的区别之一。

③ 编程 / 办公 AgentClaude Code / WorkBuddy / Codex

🖥️ 你的电脑本地只跑 Agent 工具：读文件、跑命令、调 MCP

→

🏭 厂商模型 API⚡ 推理发生地在线 tokens / API Key

本地只跑工具外壳，模型推理仍在厂商那边：所以它同样按 tokens 花钱，同样不依赖你的显卡。

一句话记住：三种用法，重活都不在你本地，为 AI 买显卡这事日常不用想。区别只在"谁掏钱、怎么掏"：在线 tokens 是厂商机房按量收费；公司自建是买断式投入，数据不出内网。唯一例外是 ollama 这类本地小模型玩法，跑在你自己机器上，了解即可，不在日常三种用法里。

遇到具体任务，该找谁？：场景速查

"帮我总结这篇行业文章"

① 直接大模型。3 分钟的事，别兴师动众。

"让 OA 报销单自动预审、给审批人摘要"

② AI 中台。长在系统里、可管可控，是它的主场。

"把这堆散乱资料做成一份汇报材料"

③ 编程/办公 Agent。多步骤、有产出物，也正是下一章的主角。

"每天自动汇总各部门日报，异常标红推给我"

② AI 中台（定时任务 + 规则校验）或 ③ Agent（本地数据），取决于数据在哪、要不要留痕。

"把 200 份简历筛选出符合条件的前 10 个"

③ 编程/办公 Agent：批量读取 + 按条件过滤 + 输出对比表；敏感判断（录用谁）仍留给人。

"新员工入职后 5 分钟学会报销流程"

② AI 中台做制度问答机器人，或 ① 直接把制度喂给大模型先顶一阵：从轻到重逐步加。

客户问"中台 / Agent / 大模型到底有什么区别？"时，先看客户是谁

同一个问题，两种答法

客户是技术口，给他讲架构与请求链路，画时序图；客户是业务口，给他讲实际使用区别与落地场景。点下面切换。

① 直接大模型豆包 / DeepSeek

架构你 ⇄ 厂商 API ⇄ 大模型

状态无状态：对话即上下文，关掉就忘

触达只能访问厂商提供的外挂（联网/识图）

数据在厂商云上，敏感信息慎传

扩展不可编程扩展，能力由厂商定

② AI 中台Xiaoe.AI / AI连接器

架构用户 ⇄ 业务系统 ⇄ 中台编排层 ⇄ 模型 + 知识库 + 系统接口

状态有状态：流程编排、会话留存、审计留痕

触达知识库 + OA/ERP 接口 + 审批流 + 权限体系

数据私有化/内网，企业管控

扩展可视化编排 + 少量代码，可运营可迭代

③ 编程/办公 AgentCodex / WorkBuddy

架构用户 ⇄ Agent 调度器 ⇄ 模型 + 本地工具 + MCP 服务器

状态有状态：任务清单、多步执行、断点续跑

触达本地文件、命令行、浏览器、MCP 工具

数据本地/企业环境，权限可控可审计

扩展SKILL 封装技能，MCP 接外部服务

同一句"帮我查报销制度"，三条链路对比：权限鉴别与"制度从哪来"是关键差异

看懂了没：同样一句"查报销制度"，三条链路的差别在"制度从哪来"+"谁能看"： ① 凭训练记忆 + 可能联网搜通用知识，不一定是你公司的制度；② 中台走知识库 + 权限鉴别，回答基于你的制度，谁能看哪条由权限定；③ 本地 Agent 强在"处理你本地的事"，但制度不在它知识库里，要绕好几步去用户系统取。结论：查公司制度用中台最合适；处理本地文件/多步任务用本地 Agent 最顺手；两者不是竞争，是分工。
图例： 红虚线 = 关键差异步骤（可能联网搜通用知识）； 绿高亮 = 中台核心价值（基于你的制度生成回答）； 橙屏 ③b = 本地 Agent 的另一条路（模拟人工操作，可能卡在多重验证）。

客户常问："你们的 AI 中台和我用的 WorkBuddy 到底有什么区别？"：三句可以拿去说的话

客户的潜台词	你可以这样回答（话术）
"WorkBuddy 什么都能干，我为什么还要中台？"	方向不同：WorkBuddy 是"个人生产力工具"：它替你干活，成果在你电脑里；AI 中台是"企业生产力系统"它长在你的业务系统里，替全公司的人干活。一个是"雇了个实习生帮你"，一个是"给整个组织装了条智能流水线"。
"中台是不是更高级？"	不是高低，是分工：个人任务（写材料、查资料、做表）用 WorkBuddy 这类 Agent 更顺手；企业级任务（报销预审、制度问答、工单分类、权限审计）必须落在中台里：因为要接系统、控权限、留审计、可运营。两者是互补，不是替代。
"上了中台，还要不要给员工配 AI 工具？"	建议都要：中台解决"系统内嵌的智能化"，个人 Agent 解决"员工个体的提效"。最理想的状态是中台把企业知识、系统能力开放出来（MCP/SKILL），个人工具随时调用：一个负责"组织的智能化"，一个负责"个人的智能化"。
"上了你们的中台，和我直接使用大模型有什么区别？"	区别在"系统"而不在"模型"：你直接用的豆包/DeepSeek/ChatGPT 是同一个模型，但它只是"聊天框里的工具"，不连你的系统、不懂你的流程、不守你的权限。中台是把同一个模型接进你的业务系统：报销自动预审、制度按你公司口径回答、操作全程留痕。模型是发动机，中台是把它装进你的车。
"你们的中台和 WorkBuddy 这一类工具有什么区别？"	一个是组织级，一个是个人级：WorkBuddy 这类 Agent 住在员工电脑里，替"我"干活，成果在个人手里；AI 中台长在组织系统里，替"全公司"干活，数据归企业管控。客户现场最常见的正解是组合拳：中台开放企业知识与系统能力，员工用 WorkBuddy 随时调用，各管一段。
"看完上面那张时序图：我电脑里装个 Agent，是不是就够用了？"	分事，不分高低：同一句"查报销制度"，中台直接查组织知识库、带权限过滤、回答基于你的制度；本地 Agent 没有这条直达路，要么靠 MCP 搭桥绕去系统，要么模拟人工登录系统，还可能卡在多重身份验证（人脸/短信/扫码）上，教会它绕验证比自己查一遍还麻烦。查组织的事用中台，处理你电脑上的事用 Agent，两者是分工，不是替代。

核心一句话：个人工具解决"我怎么干得更快"，AI 中台解决"我们组织怎么自动运转"。客户问区别时，先问他要解决哪个问题。

多场景对比 · 同一种任务，谁最合适

不是"谁都能干"，是谁最合适：四个场景，三种实现，一表看清

同样的任务，放在① 大模型 / ② AI 中台 / ③ 本地 Agent三种环境里，合适度完全不同。判断标准就四个：数据在哪、要不要留痕、频率多高、有没有权限要求。下面每个场景：先看三卡评分（谁最合适），再看决策特征表（为什么），最后给业务口一句快答 + 技术口一条流程图。

① 知识库查询 · 制度问答

👤 员工→"离职流程怎么走？要办哪些手续？"

✅ 主推：AI 中台（组织级知识库）

检索→制度切片（带权限过滤）

回答基于公司制度，标注来源，谁能看哪条由权限定

👤 “离职要办哪些手续？”

🤖 按《员工离职管理办法》第 3 条：交接工作 → 归还资产 → 财务结算 → 门禁回收。来源：制度库 · 2026 版

👤 “交接有期限吗？”

🤖 原则 3 个工作日内完成，超期需部门负责人说明。谁能看哪条由权限定。

👤 “我查不到制度库怎么办？”

🤖 已检测到新员工角色：查询全员开放，"离职办理"操作权限待入职流程走完自动开通。

① 直接大模型✗ 差

② AI 中台★ 最佳

③ 本地 Agent△ 将就

边界：员工问"公司制度"必须走中台；只有"我自己电脑里的资料"才轮到本地 Agent。

场景 ① · 知识库查询

"离职流程怎么走？办哪些手续、找谁签字？"

① 直接大模型✗ 差

制度不在它肚子里，要现导文件；全公司几百人各导一份，口径就散。

能答"通用常识"，答不了"你们公司的制度"；每次更新都要手动重导。

② AI 中台★ 最佳

制度住进系统：统一入口、统一口径、自动分片向量化，答案标注来源。

谁能看哪条由权限定；文档一更新，全公司问到的都是最新版。

③ 本地 Agent△ 将就

个人偶尔查一次可以：把制度文件丢给它，基于你导的那份答。

无权限概念、更新靠人；适合"查自己手里的资料"，不适合当公司入口。

决策特征① 大模型② AI 中台③ 本地 Agent

数据在哪不在系统住在系统在你电脑

权限要求无有无

使用频率偶尔全员天天个人偶尔

更新口径靠人重导自动统一靠人重导

💼 业务口说明

为啥推荐 AI 中台：制度类问答要"谁都能查 + 要权限 + 要最新"三个条件同时满足

①公司制度是全员要查的高频问题，只有放系统里才统一

②制度带权限（谁能看哪条），个人工具没有权限概念

③制度常更新，系统知识库改一次全员生效，本地文件靠人肉重导

🔧 技术口流程图

入库分片向量化（一次）

→

提问员工原话

→

检索向量 TopN + 权限过滤

→

拼装切片原文 + 问题

→

作答基于原文 + 标注来源

🔁 换其他工具会怎样

硬用① 大模型每次把制度文件手动拖进对话窗，问一次导一次：文件大一点就超上下文，全公司几百人各导各的，口径必然散。复杂在"维护"：知识更新靠人肉重导，没人记得住。

硬用③ 本地 Agent能读你导进去的文件，但没有权限体系：谁能看哪条制度、离职员工还能不能查，它一概不知。只适合"查我自己电脑里的资料"，当不了公司入口。

② 智能审批 · 规则引擎

📝 报销单→金额 ¥2,180 / 发票一致

✅ 主推：AI 中台（规则引擎 + 流程）

校验→阈值 / 限额 / 事由一致性

超阈值自动预警，审批人只看摘要和风险点

👤 “这笔 ¥2,180 的报销能批吗？”

🤖 校验通过，未超阈值（单笔 5,000 元）；差旅费月度累计已到限额 80%，属提示项，可正常流转。规则来源：差旅费管控策略 · 2026 Q3

👤 “那帮我转给财务经理终审吧。”

🤖 已按金额分层规则指派：2,000 元以上需财务经理终审，审批链路已推送。当前状态：待财务经理处理。

① 直接大模型✗ 不行

② AI 中台★ 最佳

③ 本地 Agent✗ 不行

边界：审批要流程留痕 + 规则库 + 权限，三者缺一不可；个人工具连系统都进不去。

场景 ② · 智能审批

"这笔报销要不要批？有没有超规则？"

① 直接大模型✗ 不行

看不到流程、历史、流水；没有规则库，规则一变它不知道。

能帮你起草审批意见，但当不了"裁决者"：无上下文、无留痕。

② AI 中台★ 最佳

规则固化进引擎，单据进来自动校验，AI 抽字段比对，命中即预警。

规则改一处全局生效；流程走到哪、卡在哪都看得见；全程留痕可审计。

③ 本地 Agent△ 仅辅助

只能当"外脑助理"：给它一份规则说明，帮你核对单子字段。

管不了流程本身：看不到历史单据，规则更新不可控，无审计留痕。

决策特征① 大模型② AI 中台③ 本地 Agent

规则库无在系统靠导入

流程上下文无完整无

留痕审计无有无

规则变更不知道改一处全局生效要重导

💼 业务口说明

为啥推荐 AI 中台：审批的"大脑"（规则）和"神经"（流程）必须长在系统里

①规则要固化在系统里：限额、阈值、一致性，规则一变系统就跟着变

②AI 只做预审（抽字段、比对规则、命中预警），人做终判

③全程留痕可审计：批没批、谁批的、依据哪条规则，都查得到

🔧 技术口流程图

规则固化限额/阈值/一致性

→

单据进来自动触发

→

AI 抽字段比对规则

→

命中预警拦截/转人工

→

人审摘要全程留痕

🔁 换其他工具会怎样

硬用① 大模型看不到流程、历史、流水，也没有规则库：规则一变它不知道，批错了也没留痕。复杂在"看不见"：它只是个聊天框，连审批单在哪都不知道。

硬用③ 本地 Agent只能当"外脑助理"：给它一份规则说明，帮你核对单子字段。但它进不了业务系统，看不到历史单据，规则更新不可控，无审计。复杂在"接不进系统"：绕来绕去最后还是要人。

③ chat-BI 问数 · 数据源连接

👤 业务→"上季度华东区营收多少？"

✅ 主推：AI 中台 / 连接器（接数据源）

转 SQL→查数据源 → 分析 → 图表

数据归因：告诉你数从哪张表来，不用自己筛报表

👤 “上季度华东区各产品线销售额多少？”

🤖 已生成 SQL 查询：华东区 Q2 销售额 ¥8,642 万，环比 +12.3%。数据来源：销售明细表（口径：含税、按开票日）。

👤 “环比涨这么多，主要靠哪个产品？”

🤖 拆解到产品线：智联办公 +18.2%（贡献 62%），协同平台 +9.1%，低代码 -2.4%。已自动定位 2 个大客户新增订单，需要展开明细吗？

👤 “展开华东区大客户明细，按金额倒序。”

🤖 已按权限过滤：你可见的 TOP 5 客户明细如下（无权限的 2 家已隐藏）……是否导出 Excel 周报格式？

① 直接大模型✗ 不行

② AI 中台★ 最佳

③ 本地 Agent✗ 不行

边界：模型会翻译 SQL，但"查哪张表、谁能查、口径怎么算"都在系统里；本地工具拿到的是导出快照。

场景 ③ · chat-BI 智能问数

"上季度华东区营收多少？趋势怎么样？"

① 直接大模型✗ 不行

连不上数据库：没有数据源连接，也没有权限治理。

"翻译成 SQL"它行，但没数据可查；导出 CSV 给它只是快照，且无口径对齐。

② AI 中台 / 连接器★ 最佳

数据源连接 + 权限治理 + 口径统一在系统里，模型把问题翻译成正确 SQL。

实时查数、标注来源表；谁能看哪张表由权限定，口径（营收怎么定义）系统管。

③ 本地 Agent△ 离线分析

适合分析导出来的离线数据、做建模练手，数据通道仍是短板。

拿到的 CSV 是某一刻的快照；无权限治理、口径没人对齐，不能当公司数据入口。

决策特征① 大模型② AI 中台③ 本地 Agent

数据通道无实时连接离线快照

权限治理无有无

口径统一无人对齐系统管无人对齐

时效快照实时快照

💼 业务口说明

为啥推荐 AI 中台：问数的"翻译能力"谁都能有，但"数据通道 + 权限口径"是系统的活

①数据实时直连业务库，不用导出导入、不用等月底报表

②权限口径跟着系统走：谁能看哪些数、看多细，系统说了算

③每次问数都可回溯口径（含税/开票日/组织范围），数字对得上账

🔧 技术口流程图

提问自然语言

→

转 SQL意图识别 + 口径

→

查数连数据源 + 权限

→

分析结果归因

→

图表标注来源表

🔁 换其他工具会怎样

硬用① 大模型把 Excel 导进去问一次可以，但数据是快照：今天导的数明天就旧了；权限口径（谁能看哪些数）完全没有。复杂在"数据保鲜"：每次问都要重新导。

硬用③ 本地 Agent能分析你本地的离线表格，但连不上公司实时数据，也没法按组织权限取数。复杂在"通道"：数据通道 + 权限口径是系统的活，个人工具搭不起来。

④ 本地汇报 PPT · 个人工具

👤 员工→"把这堆销售数据做成汇报 PPT"

✅ 主推：本地 Agent

本地文件→读数据 → 排版美化 → 产出 PPT

成果就在你电脑里，改稿直接说需求

👤 “把这堆销售数据做成汇报 PPT，先给我一个人看初稿。”

🤖 已读取本地销售明细表（3 个区域、12 条产品线），生成 8 页初稿：封面 + 总览 + 区域对比 + 产品线拆解 + 风险提示。文件：汇报_初稿_v1.pptx

👤 “第二页总览的环比数字标红，强调一下。”

🤖 已改：环比 +12.3% 标红加粗，补了 2 个对比小图；其他页没动。想批量统一风格，说一声即可。

① 直接大模型△ 一般

② AI 中台✗ 不适

③ 本地 Agent★ 最佳

边界：这是唯一"个人工具主场"的场景：文件在本地、无权限诉求、产出去个人电脑；中台管不到也不该管。

场景 ④ · 本地汇报 PPT

"把这堆数据做成汇报 PPT / 整理本地材料"

① 直接大模型✗ 一般

聊天框只出文字稿/大纲，读不了你本地文件，也产不出 PPT 文件。

适合"帮我想个结构、写段文案"，落到文件还要靠手动复制粘贴。

② AI 中台△ 反而绕

主打"查询/审批"标准动作，做"帮你做一份 PPT"这种开放性产出是弱项。

数据要上传、改版重传、产物在系统里还得下回来：等于来回搬运。

③ 本地 Agent★ 最佳

数据在你电脑里，多步任务（读→析→排→出文件）正是它的强项。

全程不用离开本地，改稿直接说需求，产物归你个人。

决策特征① 大模型② AI 中台③ 本地 Agent

数据在哪你手头要上传在本地

多步产出弱弱强

产物归属文字稿在系统在你手里

改稿迭代复制粘贴重传直接说需求

💼 业务口说明

为啥推荐本地 Agent：本地的事用本地工具，数据都不用挪窝

①文件在你电脑上，Agent 直接读，不用上传、不怕外泄

②初稿改稿都当场来回，数据口径你自己心里有数

③硬搬进系统做，等于把"随手做"变成"来回搬运"，没必要

🔧 技术口流程图

读文件Excel/CSV/文档

→

拆步骤分析/文案/排版

→

生成PPT 文件

→

你检查提修改意见

→

迭代产出终稿

🔁 换其他工具会怎样

硬用① 大模型聊天框只出文字稿/大纲，读不了你本地文件，也产不出 PPT 文件。复杂在"落不了地"：写到文件、排版、改稿全靠手动复制粘贴。

硬用② AI 中台主打"查询/审批"标准动作，做"帮你做一份 PPT"这种开放性产出是弱项；数据要上传、改版重传、产物在系统里还得下回来。复杂在"来回搬运"。

客户灵魂拷问 · 反将一军

客户问"工作都让 AI 干了，你们还有什么工作量？为什么还收费？"

这句话翻译一下就是："我买个大模型不就够了吗？" 大模型只是发动机，车要有人设计、组装、调校、保养。下面这张表，是把"车从设计到能开"的每一环，说给客户听。

大模型是发动机，泛微是把发动机装进你公司这辆车的工程队

这一环做什么	具体工作量（人做的）	大模型 / AI 能替代吗
需求调研	驻场访谈业务部门：报销为什么慢？合同卡在哪一步？哪些环节值得用 AI？把模糊的抱怨变成一张场景清单（哪个场景、谁来用、什么算成功）。	替代不了： AI 不知道你们公司的流程、KPI、人的痛点，调研要人问、人判断。
方案设计	基于场景清单 + 数据现状，选型（用什么模型、要不要 RAG、要不要接系统）、画架构、排阶段、估工作量、定验收标准：输出的是一份可执行实施方案。	AI 可以辅助写文档，但技术选型和架构判断是人的经验：模型选错、边界没讲清，后面全翻车。
智能体构建	把方案翻译成智能体：搭编排流程、接知识库、写提示词与判断规则、接系统接口、配权限与审批关卡、做敏感词与合规校验。	AI 生成的是"素材"，编排、接线、定规则是工程活：流程没接对，AI 再聪明也跑不起来。
产品配置	在中台里完成产品级配置：模型实例、知识库切片参数、权限体系、审计留痕、多租户隔离、对接泛微 OA/门户/移动端。	配置项背后是产品逻辑和运维规范：按钮能点，但"怎么配才不出事"是经验。
回归调优	上线不是终点：观察真实使用，误报率高了调规则、答不准了补知识、客户说不好用就改交互：持续迭代到业务真用起来。	AI 能帮你分析日志、提改进建议，但"要不要改、改成什么样"仍是人对业务的理解。
运营与值守	效果监控、数据报表、故障响应、版本升级、知识库持续维护：让智能体长期稳定地跑在业务里，而不是上线即凉。	值守要人对业务负责，AI 出错了需要人接住：这是"服务"而不是"卖软件"。

核心一句话：模型负责"想"，工程队负责"让它在你公司跑起来、跑得稳、跑得久"。买大模型是买发动机，我们的工作量是把发动机装进你的车，并且负责保养到能天天上路。

客户再追问"那到底值多少钱"时：别讲"我们投入了多少人天"，讲结果：报销预审从 3 天到 1 小时、制度问答 24 小时在线、合同提取从 2 人周变 2 分钟： 收费买的是"你的业务少了多少麻烦"，不是"我们出了多少力"。

1.9 给模型插上翅膀：MCP 与 SKILL

MCP 与 SKILL：能力是"装"上去的，不是模型自带的

1.3 拆了"厂商封装"，这一页把其中最重要的两个概念讲透：一个是连接的标准，一个是方法的沉淀。记住：部署好模型 ≠ 这些能力就有了。

第一层 · 连接

MCP：给 AI 一个"万能插头"，让它够得着你的东西

AI 想干活，先得"碰得到"东西：读你电脑里的文件、查公司的数据库、发一条企业微信。碰不到，就什么也干不了。MCP（模型上下文协议）就是解决"怎么碰"的标准。

没有 MCP 之前：每接一个系统就要单独写一套对接代码：连企业微信一套、连数据库一套、连网盘又一套，全是"一次性工程"，换了 AI 就得重写。
有了 MCP 之后：工具方（微信、数据库、网盘）按统一标准做一个"插口"，任何支持 MCP 的 AI 都按同一个规格插上去就能用。一种规格，所有工具，所有 AI。
记住：MCP 只管"连得上"，不管"干得对"： "干得对"是下一层 SKILL 的事。

生活类比：国标插座。不管你买哪个牌子的电饭煲、手机充电器、台灯，插头规格都一样，插上就能用。MCP 就是给"AI 要用的各种服务"统一了插头规格，以前每种电器自带一种插头（甚至不同国家的），现在统一了。

第二层 · 方法

SKILL：把"你脑子里的做法"写成 AI 能照着做的说明书

AI 就算"碰得到"你的文件（MCP），它也不知道你们公司周报长什么样、汇报材料按什么规矩来、哪些话不能说。SKILL 就是把这些"只有你知道的做法"写成 AI 能反复执行的说明书。

没有 SKILL：每次都要把背景、要求、禁忌重新交代一遍：少说一句，它就按自己的理解来，七轮返工，质量看运气。
有了 SKILL：说一句"用 ZSW 做这份汇报"，AI 自动照说明书执行：先干什么、后干什么、什么标准算合格，全在里面，不靠它临场发挥。
它沉淀的是"隐形知识"：你脑子里那些"我一般都这么做"的熟练经验：从个人经验变成团队可复用的资产。

生活类比：麦当劳的"操作手册"。一个刚入职的新人，照着手册也能炸出和老师傅一样的薯条：因为好吃的做法没有被"藏在老师傅脑子里"，而是写成了谁都看得懂的标准步骤。SKILL 干的就是这件事。

同一个 Agent，能力是一层层"装"出来的：效果天差地别

形态 ①

只有 Agent（裸脑）

能聊天、会规划，但手无寸铁：连不上系统、读不到文件、不了解你的做法。

"帮我把周报发到群里" → 它只能给你一段文字，然后你自己复制粘贴。

形态 ②

Agent + MCP（接上了手）

通过 MCP 连上企业微信、网盘、数据库：能取数、能发消息、能读写文件。

"帮我把周报发到群里" → 真能发了。但周报写成什么样？它按自己的理解来，格式每次不一样。

形态 ③

Agent + MCP + SKILL（有手还有经验）

连接解决"够得着"，SKILL 解决"做得对"：按你沉淀的模板、口径、质量标准执行。

"帮我把周报发到群里" → 按部门模板生成、口径一致、先给你过目再发： 这才叫"能交付"。

交付红线（再次强调）：客户现场永远有人问"模型部署好了，是不是搜索/识图/连系统/懂业务就都有了？"： 没有。能力 = 模型内核 + 外挂服务 + MCP 连接 + SKILL 方法 + 数据接入，每一项都要单独评估、单独建设。把边界讲在前面，是专业；藏着掖着，是给自己挖坑。

★ 说到这里，答案已经浮出水面：当下最能解决大家实际问题的，是 WorkBuddy 这类编程/办公 Agent；而让它真正"懂你的活"的关键，就是 SKILL：把你脑子里的做法，变成 AI 能照着做的说明书。
下一章，拆开一个我自己一直在用、持续完善的 SKILL 给你看它专门解决"做汇报材料"这件事。

PART 02 · 泛微产品

泛微 AI 产品线：
五段式讲透“有什么、怎么选、怎么答”

先看产品线总览（四条产品线 + 附带品），再逐个产品展开（五要素 + 核心功能仿真），接着讲怎么选（客户条件 + 业务场景两层），然后是客户常见问题快问快答，最后预留深入培训框架。看完这一部分，客户问到任何一个产品，都能接得上话、答得清边界。

2.1产品线总览：4+N（四条产品线 + 四种工具 + N 个场景） 2.2逐个产品展开：五要素 + 核心功能仿真 2.3怎么选：客户条件 + 业务场景两层 2.4什么样的需求能落地：四问判断法 2.5产品报价方式：两种报价 + 预算清单 2.6客户常见问题：快问快答 49 问 2.7深入培训框架：四大产品逐个精讲（建设中）

2.1 泛微 AI 产品线总览 · 4+N 全家桶

泛微 AI 是4+N：四条产品线 + 四种配套工具，底座上长出一片成熟智能化场景

通用 AI 不懂业务

对接 OA / ERP / CRM 困难

痛点：通用 AI 工具既不认识系统结构，也调不动业务数据，客户买回去只能闲聊。

小e：内置 EC 业务 Agent，无需重复构建，简单配置即可具备整个 OA 系统的所有能力（知识库、流程、建模等）。

数据安全不可控

员工把企业数据发给外部大模型

痛点：员工自行用外部大模型，企业数据被传出去，出了事没法查、没法拦。

小e：所有数据调用经安全网关脱敏 / 鉴权，哪些字段脱了、发给模型的是什么，全程可审计可查询；支持私有化部署。

工具各自为战

没有统一入口和管理

痛点：多个 AI 工具各用各的，入口分散、权限分散、能力不互通，管理成本高。

小e：统一平台接入和管理所有 Agent（内置 + 第三方），一套人员权限体系贯穿，一个入口干完所有事。

AI 结果进不了流程

输出无法嵌入审批、报销等实际工作流

痛点：AI 聊得再好，结果也落不到审批单、报销单、合同流程里，价值打折。

小e：AI 输出物（如智能体）直接发布到具体流程节点辅助审批，流程里随时可调用小e做审核，不只是一句话发起流程。

企业用 AI 的四大核心痛点，就是小e要解决的四件事：懂业务、保安全、统一管、进流程。

泛微 AI 4+N · 智能办公

🤖

千里聆 RPA · 替手

把人的固定操作编排成机器人，干重复的活

🤖

千里聆 RPA替手

🧠

智能小e（中台 + 客户端）/ AI 连接器 · 替脑

让系统“理解 + 生成 + 对话”，会思考、会干活

🧠

智能小e中台替脑

🛠️

智能小e客户端替脑

🔌

AI 连接器替脑

🤖

AI + 合同

合同起草 / 条款比对 / 风险标红 / 智能预审

⚡

AI + 流程审批

智能填单 / 规则预审 / 审批摘要 / 风险预警

📜

AI + 公文

公文起草 / 格式校对 / 红头模板 / 智能流转

📊

AI + 项目管理

进度自动汇总 / 风险提示 / 周报生成 / 资源预警

🧱

AI + 低代码

自然语言建应用 / 表单自动生成 / 流程拖拽开发

🔍

AI + 智能搜索

微搜智能问答 / 跨系统检索 / 结果溯源

🗣️

AI + 智能问答

制度问答 / 业务问答 / 员工自助服务

📈

AI + 经营分析

对话问数 / 自动出图 / 报表解读

四条产品线 + 四种配套工具是底座，成熟智能化场景都从同一个底座上长出来：AI + 合同 / 审批 / 公文 / 项目 / 低代码……产品按场景组合，不按单品卖。
配套工具：中台底下挂 XiaoeQA / XiaoeGPT / 数智台，连接器里带 ChatBI；替手是 RPA 干重复的活，替脑是智能小e与 AI 连接器让系统会思考。
智能小e 三种形态：网页版（≈中台版，在线建智能体）/ 客户端（win & Mac，原 WorkBot，能做本地操作与网页自动化）/ 以 SDK 方式嵌入 EM；涉及本地操作、网页自动化的场景只能选客户端或 SDK 嵌 EM，其余场景三种形态都行。

现状：当前小e客户端还叫 WorkBot，之后会改名叫小e客户端；智能小e的客户端能力目前由 WorkBot 承担。

🤖

千里聆 · RPAROBOTIC PROCESS AUTOMATION · 泛微最早的智能化技术

第一代 · 规则型

是什么机器人自动采集：模拟人类使用电脑的行为（点鼠标、敲键盘、打开软件），把人工编排好的固定动作自动执行，做固定、重复的事情。

能做什么到指定网站抓数据、到业务系统录单据、定时跑批、下载归档……本质是“把你的手替了”，不需要对方开放接口。

擅长流程固定、规则明确、量大重复的活：7×24 小时不休息、不疲劳出错，速度比人快；基于网页元素和路径操作，不受分辨率影响。

注意① 多重身份认证绕不过：人脸、短信验证码、硬件 U 盾这类强认证，机器人过不去；② 天生不稳定：页面改版、按钮挪位都会让它卡死；③ 出错难排查：得翻运行日志逐条指令定位；④ 不适合高频、大数据量、高精度任务：这类活该走接口或中台。

类比：流水线上的装配工：同一个动作做一万次又快又准，但流程变了得由人重新教它。它“勤奋”但不“聪明”。

界面长这样 · 机器人执行规则

千里聆 RPA · 执行器控制台页面仿真

⚙ 千里聆

▤ 机器人

▦ 设计器

▶ 执行器

✚ 管理后台

执行看板执行规则日志报表

全部

时间触发

热键触发

文件触发

⏰定时抓取招标信息

每隔 3 时 0 分执行已启用

⌨热键汇总周报数据

按下 Ctrl+Alt+A 执行已启用

左侧管机器人与执行器，右侧把每条规则做成卡片：什么时候触发、跑哪台机器人、启用还是停用，一眼看全。

🧠

智能小e · 中台版网页版形态 · 原 Xiaoe.AI 中台 · 第二代 AI 型

第二代 · AI 型

是什么智能小e 的中台版本（原 Xiaoe.AI 中台）：泛微的统一 AI 入口 + 统一 Agent 构建平台，融合 EC 业务底座，定位类似 Coze / Dify：把大模型能力、知识库、工具、流程编排打包成一个平台，在线构建智能体。小e 共 三种形态：网页版（即中台版）/ 客户端（win & Mac，原 WorkBot）/ 以 SDK 方式嵌入 EM；涉及本地操作、网页自动化的场景只能选后两种。

部署方式小e 是独立产品：支持私有化部署（部署要简单方便），也支持 SaaS 公有云模式。

内置对接与 EM / E9 / E10 / E-OFFICE / ETEAMS / 契约锁 内置对接好，只需简单配置认证，即可导入该系统的 MCP、Skill、Agent；同时也支持与第三方产品集成对接，也可以把外部（例如 WorkBuddy 做的）Agent 纳入进来。

统一入口用户 → 令信通（统一认证）登录 → 小e → 各类 Skill（E10、EM、e-office、契约锁、千里聆 RPA、OCR 都作为能力被调用，支持接口调用回写）。小e 按 Agentic 机制自主决策、多轮交互、完成目标任务；也可以 @ 具体 Agent（提示词 + Skill）主动使用；还可以把智能体发布到具体应用中（比如某个流程节点）。复用 OA 侧的人员和权限体系，带全局记忆模块。

自带能力① XiaoeGPT 意图引擎；② 在线搭建智能体；③ 数智台能力：对话转 SQL 查数据、呈现图表。统一入口：可操作网页自动化办事，可对接知识库，可构建和管理智能体。

生态协同令信通：打通各业务系统统一认证，为小e 提供 Agent 准入与安全策略管理，并提供网关白名单配置（非白名单拦截）。
EC：内置 EC 业务 Agent，无需重复构建，简单配置即可具备整个 OA 系统的所有能力（知识库、流程、建模等）；也有工具提供小e 直接生成代码的能力。
E10 / E-OFFICE / ETEAMS：也自带智能体构建与管理能力，可与小e 能力重叠（满足某些不需要单独小e 的客户场景）。

附带三件套XiaoeQA 32B 问答模型：基于企业知识库做问答，是“让 AI 懂你的业务资料”的那一层，私有化部署默认自带；XiaoeGPT 意图小模型：听懂“这句话想干什么”，再分发请求；数智台：对话转 SQL 查数据、出图表，需单独授权。三件都依赖小e，小e 默认带（数智台除外）。

数智台现状能把“帮我把上季度各区域销售额拉出来”变成查询并出图；目前不支持追问、不支持图表总结，但可以做数据来源归因（数从哪张表、哪个口径来）。

擅长赋能 E9；有标准、丰富的 API，异构系统容易调用；在线搭智能体门槛低。

注意部署强制绑定算力：必须配套算力卡才能跑起来，硬件成本不低。

🚀 未来核心优势 · Skill 生态

成熟的 Skill 支持外部工具直接登录泛微系统，然后对接口进行调用：把能力做成可复用的 Skill，企业可以定义公共的 Skill、员工可以定义自己的 Skill，员工用自然语言描述，智能体在组织权限范围内理解人员、流程、表单、文档和业务数据，调用 E10 原生能力完成任务，整个过程可审批、可审计、可追溯、可干预。Skill 有完整的生命周期管理，还能复用到三方平台。

类比：一个带厨房的中央餐厅：菜单（智能体）、厨师（大模型）、配菜（知识库）都齐了，还能给外部餐厅（异构系统）供餐，但厨房得先建好、设备（算力）得先买齐。

界面长这样 · AI 智能体搭建平台

Xiaoe.AI · 智能小e AI 智能体搭建平台页面仿真

✦ Xiaoe.AI

▤ 智能办公

▥ 数智台

✦ AI 智能体

▨ 智能采集应用

全部知识问答智能撰写审批助手

💬制度问答助手

基于企业知识库回答制度类问题

创建人：章士伟运行中

📝会议纪要助手

录音转写 + 纪要生成 + 待办提取

创建人：章士伟运行中

右上角“创建 AI 智能体”是在线搭建入口，建好的智能体按标签分类摆成卡片，全员在统一入口用。

🛠️

智能小e · 客户端版WIN & MAC 客户端 · 原 WorkBot · 未来并入小e

小e 客户端

是什么智能小e 的客户端形态（win & Mac）：在电脑上装一个客户端，像 WorkBuddy 一样帮你实际干活，不只是聊天，是“动手”（对应修仙图鉴里的 Agent）。小e 三种形态之一，当前单独售卖时叫 WorkBot，未来并入小e 统一命名。涉及本地操作、网页自动化操作的智能化场景，只能选客户端（或以 SDK 嵌入 EM），这是它区别于网页版的边界。

内置能力继承原 WorkBot 的浏览器自动化操作 + 本地文件操作能力：操作网页办事、读写本地文件，把“动手”的活做扎实；同时内置了很多与泛微内部平台对接的 API，开箱即可调泛微系统里的数据与能力；也支持 Skill 加载：成熟的 Skill 可以让外部工具直接登录泛微系统、对接口进行调用回写，装上什么技能，分身就会干什么活。

优势对泛微内部、或使用泛微系统的客户来说，比 WorkBuddy 更方便：它天生就能直接连通泛微系统，不用再费劲接接口。

局限便利是建立在“泛微生态”上的：如果客户完全不用泛微平台，它的内置 API 就用不上，优势会打折扣。

类比：工位就安在你办公室里的专属助手：认识你公司的每一个人、每一间办公室（内置泛微 API），办事自然比“外来的助手”（WorkBuddy）熟门熟路。

界面长这样 · 小e 客户端技能

智能小e 客户端 · 技能页面仿真

🤖 小e 客户端

▤ 历史对话

▧ 发票识别

✦ 技能

⚙ 千里聆 RPA

全部技能我导入的技能

🔍web_search

联网搜索行业资讯并汇总成简报

📊weekly_report

读取销售明细表自动生成周报

🧾invoice_ocr

拍发票自动识别抬头金额

📅oa_schedule

直连 E10 日程，自动建会议

技能就是数字分身会干的活：内置一批、也能自己导入，装上什么技能，分身就会干什么活。

现状：当前小e客户端还叫 WorkBot，之后会改名叫小e客户端；本页按未来状态描述，当前售卖名称以 WorkBot 为准。

🔌

AI 连接器AI CONNECTOR · 与 E10 绑定

E10 专属

是什么E10 推出的 AI 能力服务：统一大模型连接 + 向量知识库存储检索 + AI 动作流执行组件 + 工具调用能力，让 E10 里搭出来的应用直接连大模型。

能做什么E10 问答、流程智能填单/审批、微搜智能问答、表单智能填、文档助手、智能新建项目/日程/任务……一个配置后台全覆盖。

附带能力ChatBI：类似数智台的智能问数，E10 里说一句话出一张图。
提示词库：统一维护系统内所有提示词，系统级 + 应用级两层配置。
函数工具：把 E10 接口、前端组件、动作流暴露成模型可调用的函数（Function Calling）。

擅长① 免算力卡：连外部模型（公有云 13+ 厂商 / 私有化开源 / 自定义 OpenAI 兼容），配 key 即用；② 与 E10 天然一体：表单、流程、业务模块开箱即用；③ 开放能力强：动作流 5 组件 + 对话 API + 前端对话组件 4 形态。

局限只给 E10 用（中台能赋能 E9）；异构系统要调用，得自己搭动作流 + ESB 暴露接口；外部模型的 token 费用按量产生，要评估用量。

类比：给 E10 装了个“外接电源”：插上就用（连外部模型），但只适配 E10 这一个设备；想让别的设备也用上电，得自己拉线（动作流 + ESB）。

界面长这样 · 模型鉴权设置

AI 连接器 · 模型鉴权设置页面仿真

🔌 连接器

▦ 模型鉴权设置

▤ 提示词库

▥ 向量知识库

✦ 智能体

▨ 动作流设置

章章士伟

🌐DeepSeek 公有云已配置

支持模型：DeepSeek-V4 · 配 key 即用，按 token 计费

🏢Qwen 3.6 私有化部署已配置

支持模型：Qwen3.6-32B · 对话 + 向量检索

＋自定义 OpenAI 兼容接口

填服务地址 + app_key，接入自部署开源模型

配模型就是填一张鉴权卡：名字、key、服务地址，保存后 E10 里所有应用都能调，不用买算力卡。

怎么记：RPA 干重复的活（无接口也能自动采集）；智能小e 三种形态 = 网页版（在线建智能体 + 组织级问答，绑算力）+ 客户端（本地操作 / 网页自动化，当前叫 WorkBot）+ SDK 嵌入 EM；连接器把 AI 装进 E10（免算力、只服务 E10）。客户问“该买哪个”，先问：智能体给谁用？用在哪个系统里？要不要动本地电脑？答案决定选谁。

2.2 核心功能逐个看 · 四个产品的界面与实现路线

切 tab 换产品：核心技术、主要功能、实现路线、页面仿真一次看齐

五要素已经在 2.1 看过，这里往深走一步：切四个产品的容器，核心技术、主要功能、实现路线讲清原理，页面仿真让你看到每个产品真实长什么样、怎么点。

🧩

先说结论：智能体在小e 建，AI 连接器把它嵌进 E10 业务，小e 客户端版把它变成你个人的数字分身；网页版 / 客户端 / SDK 嵌 EM 三种形态，按场景选

"每位员工拥有自己的智能体"这句话里，"构建"发生在智能小e（网页版，在线搭建平台），但智能体建好后，按场景有多种用法：给 E10 里的表单/流程/业务模块用，走 AI 连接器；给个人当 24 小时数字分身干私活（本地操作 / 网页自动化），走小e 客户端版（当前叫 WorkBot）或 SDK 嵌 EM；给整个组织做统一问答入口，走小e 本身（网页版）。四种使用流程：① 用户 → 令信通统一认证 → 小e，按 Agentic 机制自主决策多轮交互完成目标任务；② 用户 → 小e，@ 具体 Agent（提示词 + Skill）使用；③ 用户 → 具体应用 → 小e 的智能体（抽取、填单等）；④ 以 SDK 方式嵌入 EM 使用。现状：小e 客户端版当前叫 WorkBot，未来改名；小e 中台版就是原来的 Xiaoe.AI 中台。

核心功能逐个看 · 切 tab 换产品

核心技术

🖥️UIA + CV 双模桌面自动化UIA 识别标准控件，CV 图像识别自绘界面，组合覆盖所有桌面软件。

🌐CEF 内置浏览器 + Chrome 插件网页元素定位、抓取、数据提取，无需对方开放接口。

🧠智能算法加持语义 + 图像识别模型，自动分析提取采集到的文本/图像数据。

主要功能

📚指令库网页/桌面/契约锁/发票云/邮件/数据库等 18 组指令，可扩展 Python。

🎬设计器拖拽编排 + 录制自动生成指令，可视化流程视图，不用写代码。

⏰执行器时间/热键/文件/邮件/API 五种触发，断点续跑，执行视频回放。

🛒机器人云市场官方行业机器人开箱即用：招投标、报税、社保申报……

🗂️数据台账采集数据分组管理、批量导出、历史比照。

核心技术 · 六大技术能力大模型接入 / 智能体构建 / 知识库语料 / 意图智能化 / 系统集成 / 数智台 ChatBI

🧠

大模型接入管理

自带大模型，并可对接市场主流大模型作为底层算法支撑。

可接：deepseek · 文心一言 · ChatGPT · 智能小e · 智谱 · 讯飞等
可私有化：Qwen / ChatGLM 等开源系列

🤖

智能体应用构建

支持按业务场景自定义智能体，提供 API 接口和标准 UI 供第三方系统调用。

四步搭建：对话创建 → 编辑调试 → 权限设置 → 业务集成

📚

本地知识库 + 语料管理

创建专属知识库，基于自主语料回答问题；语料标签 + 权限控制，安全可控。

来源：手动上传 · 动作流新增 · 系统文档附件 · 微搜 · 自定义接口
检索：向量相似度 · 微搜关键词 · 混合检索 · Rerank 重排

🎯

意图智能化

理解用户行为，判断用户想唤起哪个应用，并根据上下文推荐下一步动作。

分流：快速填表（结构化表单）或 API 对接/抓取异构系统取数

🔌

系统集成和调用

多种集成模式，方便外部系统调用智能体能力。

入口：浏览器插件 · 公众号 · 即时通讯 · 业务系统 · UI / 非UI / 配置化集成

🧮

数智台（ChatBI）

第六大能力：对话转 SQL 查数据、出图表；市场通称 ChatBI，未来替代帆软这类产品。

现状：支持数据来源归因；不支持追问、不支持图表总结
定位：和"系统集成"不同，它解决的是"数据怎么问出来"，不是"系统怎么接进来"

主要功能 · 智能体四步搭建对话创建 → 编辑调试 → 权限设置 → 业务集成，无需开发

STEP 1

💬 对话创建

用多轮对话告诉 Xiaoe.AI 要创建什么样的智能体，它会进一步询问、引导完善需求。

STEP 2

🔧 编辑调试

设定角色、需求/功能、关联语料；通过场景化提问测试是否满足需求，及时修改。

STEP 3

🔐 权限设置

设置使用权限，只有被赋权的人才能在智能体页面看到并使用。

STEP 4

🔗 业务集成

通过 UI / 非UI / 配置化集成等方式，供第三方系统快速调用。

智能小e · 智能体构建页面仿真

用大白话说清楚“要一个干什么的助手”，中台多轮追问帮你补全需求；熟手也可以跳过对话，直接手动创建。

主要功能 · 智能场景搭建（五个台阶）客户问"这难不难做"，先对号入座看它在第几级

☆

单智能体

写作助手、数据分析等

有明确数据来源或规则；掌握智能体构建、提示词调整、知识库关联

☆☆

复合智能体

写审一体助手

智能体顺序编排、变量传递、规则清晰、提示词拆分

☆☆☆☆

完整智能场景

调研助手

掌握 API 配置、智能体与数据编排

☆☆☆☆☆

数智台

销售数据看板、潜在用户发掘

掌握数据处理、视图构建

☆☆☆☆

异构系统对接

请假、会议预定

掌握意图引擎使用、API 配置

Agentic 机制 · 小e 怎么把任务干完自主决策 / 多轮交互 / 调用 Skill / 发布到流程节点

🧭

Agentic 自主决策

小e 在统一入口根据用户语义自主决策：该用哪个 Skill、调哪个 MCP、翻哪份知识库语料，多轮交互直到完整目标任务完成。

适用：用户只说要什么结果，过程交给小e 自己规划。

🧩

Skill 加载运行机制

Skill 与插件的加载运行、组织权限、敏感词、安全、多维度记忆都由平台统一管；E10、EM、e-office、契约锁、千里聆 RPA、OCR 都作为能力被调用，支持接口调用回写。

外部工具：成熟的 Skill 可让外部工具直接登录泛微系统，对接口进行调用。

📌

发布到具体应用

在小e 统一入口用，也可以发布到具体应用中（比如某个流程节点）：AI 输出物直接嵌进审批流辅助审核，不只是一句话发起流程。

示例：流程审批节点挂小e 智能体，自动初核单据再转人工。

核心技术

🤖多智能体 Agent 驱动大模型 + RPA 智能 + Skill 技术组合，交叉响应自然语言指令。

💻本地优先、自主执行在你的电脑上真实干活：读写文件、跑脚本、上网搜索、管邮件日程。

🔐安全边界本地文件授权设置 + 技能鉴权配置 + token 用量管控，组织级可控。

主要功能 · 用户前台

💬对话交互自然语言派活，它自己规划、执行、交付。

👥新建分身多分身各司其职，调试好的分身可转成技能复用。

🧩技能 Skill 管理查看可用技能，导入外部新技能。

⏰定时任务按固定时间规则自动跑，执行日志可查。

🔑授权设置本地文件控制权限，避免越权行为。

主要功能 · 管理后台

🧠模型管理设置不同模型，满足小e 客户端版接入需求。

🛠️技能管理全组织技能管理，技能云市场安装。

🔐技能鉴权配置技能对应业务系统的鉴权参数，无开发式操作目标系统。

📊token 管理用量查看 + 限额，避免超额消耗算力。

Skill 生态 · 未来核心优势外部工具直接登录泛微系统 · 对接口调用回写

🔑

Skill 外部登录调接口

成熟的 Skill 支持外部工具直接登录泛微系统，然后对接口进行调用：不用开发对接，配置好鉴权参数，外部系统就能操作目标业务系统。

能力：E10、EM、e-office、契约锁、千里聆 RPA、OCR 都作为能力被调用，支持接口调用回写。

🧩

Skill 生命周期管理

Skill 有完整生命周期管理：企业定义公共 Skill、员工定义自己的 Skill，沉淀复用，还能复用到三方平台。

来源：内置一批 · 云市场安装 · 自己导入 · 分身调试后转技能。

🛡️

鉴权与安全

每个技能对应业务系统的鉴权参数，无开发式操作目标系统；组织权限、敏感词、安全策略统一管控。

全程：可审批、可审计、可追溯、可干预。

核心技术

🔌统一大模型接入智能小e / 公有云 13+ 厂商 / 私有化开源 / 自定义 OpenAI 兼容，配 key 即用。

📚向量知识库数据组 + 三种录入（问答对/文档分片/动作流同步），权限 + 跨系统访问控制。

🧰函数工具Function Calling：rpc 调用 / 前端函数 / 动作流调用，模型按描述自动判断调用。

🔄动作流 5 组件大模型对话 / 智能意图分支 / 智能文本提取 / 知识检索 / 向量数据更新。

🖼️前端对话组件 4 形态弹窗式 / 移动端语音 / 单页式 / 消息卡片式。

主要功能

⚙️AI 应用配置模型参数（温度/流式/窗口）+ 系统提示词 + 欢迎语 + 文件上传解析。

🛡️敏感词拦截模型逐字输出时缓存过滤，全局设置开启，多一层合规防护。

🔓开放能力对话 API + 知识库管理 API + 动态搭建应用 API，任意业务可嵌。

2.3 怎么选 · 客户问“该买哪个”，两层回答

第一层看客户条件，第二层看业务场景

选型不是背参数：先问客户条件（预算、现有软件、新老客户、E10 还是 E9、有没有算力），再看客户要办的事落在哪个场景。场景里往往不是“一个产品”，而是组合。

第一层 · 按客户条件速查

💰 预算有限，不想买算力

→ AI 连接器：连外部模型按量付费，免算力卡，部署成本低。

🏢 客户是 E10 用户

→ AI 连接器：E10 专属 AI 能力层，表单/流程/业务模块天然匹配。

🤝 客户是 E9 / 泛微老客户

→ 智能小e（中台版）：小e 赋能 E9，与老客户现有平台生态匹配。

⚡ 有算力 + 要独立平台/异构对接

→ 智能小e（中台版）：标准丰富的 API，异构系统直接调；私有化部署简单方便，也可公有云调用。

🕳️ 旧系统无接口，要自动采集

→ 千里聆 RPA：模拟人操作不求接口；注意只接低频、规则稳的活。

🙋 员工个人提效，干电脑上的活

→ 智能小e（客户端版）：个人数字分身；完全不用泛微平台的新客户优势打折。

📱 客户已有 EM 客户端

→ 用 EM 集成小e：有 EM 客户端就不需要再安装小e客户端；没上 EM 客户端才单独装小e客户端。

🧭 小e 三种形态怎么选（先定形态，再定产品）

网页版（≈中台版）：在线建智能体 + 组织级问答 + 异构对接，适合纯网页业务场景；客户端（win & Mac，原 WorkBot）：本地操作 / 网页自动化，能读写本地文件、操作浏览器办事；SDK 嵌入 EM：客户已有 EM 时以小e 能力融入统一入口。关键边界：涉及本地操作或网页自动化操作时，只能选客户端或 SDK 嵌 EM；其余场景三种形态都行。

第一层 · 全量决策表（12 个典型场景）

🔑

核心差异就看这 4 条算力绑定的平台异构系统给谁用

客户场景	推荐方案	为什么	注意
要跟异构系统对接	智能小e	小e 有标准、丰富的 API，异构系统调用方便；AI 连接器还得靠动作流 + ESB 现搭接口。	中台版强制绑定算力，需硬件成本。
只做 E10 的智能化	AI 连接器	与 E10 绑定、天然匹配，目标单一够用；免算力卡、部署成本低。	只适配 E10；异构系统要自己接。
预算不足	AI 连接器	连接外部模型，不需要算力卡。	外部模型的数据与费用要评估。
客户是 E9 老客户	智能小e（网页版）	小e 赋能 E9，与老客户现有平台生态匹配。	需配套算力，硬件投入跑不掉。
要自动采集重复操作（旧系统无接口）	千里聆 RPA	模拟人操作电脑，不需要对方开放接口。	要跑在客户电脑上、保持开机，出错难排查。
员工要个人数字分身处理电脑上的活	智能小e 客户端版	类 WorkBuddy 客户端，内置泛微 API，能读写文件、跑脚本、管邮件。	便利建立在泛微生态上；完全不用泛微平台则优势打折。
要全员统一问答入口（找制度/找人/查数据）	智能小e	组织级知识库 + 意图引擎 + 数智台，一个对话窗口办所有事。	语料质量决定问答效果，需持续回流调优。
完全不使用泛微平台的新客户	智能小e	标准 API + 在线构建智能体，独立成平台，不依赖泛微 OA；可公有云调用。	中台版强制绑定算力；AI 办公场景可配置连接非泛微系统。
客户已有 EM 客户端	EM 集成小e	有 EM 客户端就不需要再安装小e客户端，EM 里直接调小e 能力。	客户没用 EM 客户端，则单独安装小e客户端。
客户用 E9 / E10 / E-OFFICE / ETEAMS	平台自带智能体	这些平台也具备智能体构建和管理能力，可复用小e 能力，不单独部署小e 也能用。	能力与小e 重叠；满足不需要单独部署小e 的场景。
客户问 WorkBot 和 WorkBuddy 啥区别	看生态	用泛微系统选 WorkBot（小e 客户端版，内置 API 直接连通）；纯个人通用场景 WorkBuddy 更通用。	WorkBot 是当前名称，未来并入小e；浏览器操作暂不能静默执行；暂不支持 mac。
客户问小e 和 AI 连接器啥区别	看平台	小e 是独立 AI 平台（自带模型 + 中台能力，两版本）；AI 连接器是 E10 里的 AI 能力层。	小e 也可以被理解为"一种 AI 连接器"，但能力是平台级的。
要大智能体：一个任务跨 RPA + AI + 业务系统	千里聆 RPA + AI 连接器 + 小e 智能体组合	千里聆作为小e 产品中的 RPA，结合 AI 连接器、小e 构建的智能体一起形成更完整的“大智能体”，能做更多事情，总体调度由小e 完成。	组合的前提是小e 统一入口 + 统一调度，各产品按能力块参与。

第二层 · 业务场景参考：泛微产品怎么实现先看客户系统：E10 / E9 / 独立使用，决定选谁

① 问答 / 搜索

看客户系统：E10 用户选 AI 连接器（E10 微搜智能问答天然匹配）；要建组织级知识库、异构系统统一入口选 智能小e。独立使用不搭配系统、或 E9 及其他厂商系统，推荐 智能小e，可选搭配 RPA 抓取外部知识：RPA 采集 → 清洗 → 入库 → 问答命中。

AI 连接器（E10）智能小e+ 千里聆 RPA

② 智能审批

首选 AI 连接器：有标准化 AI 规则库，制度文本 → AI 拆解成审批规则 → 灌入规则库 → 审批命中预警，人做终判；金额阈值、限额、发票事由一致性自动校验。智能小e 目前没有 AI 规则库，智能审批不如连接器方便，一般不建议选。

AI 连接器（规则库）

③ 一句话发起流程

和问答/搜索一样看系统：E10 用户选 AI 连接器（流程助手：意图识别 → 智能填单 → 自动提交/转办/抄送）；非 E10 系统选 智能小e 配动作流编排实现。注意：AI 连接器强制绑定 E10，其他系统都用智能小e。

AI 连接器（E10 专属）智能小e

④ 智能问数

小e 数智台 / 连接器 ChatBI：自然语言 → 转 SQL → 查数据源 → 出图表；现状支持数据来源归因，不支持追问、不支持图表总结。E10 场景用 ChatBI，独立平台用数智台。

数智台ChatBI

⑤ 本地做个汇报 PPT

智能小e 客户端版：本地数据文件 + 汇报技能，数字分身读数据、排版、产出 PPT，成果就在你电脑里；不用绕去系统取数据。

小e 客户端版

组合链路拟真 · 两条典型流水线每个节点 = 真实界面片段，展示产品怎么分工协作

组合链路 ①RPA 采集 → 知识入库 → 问答命中产品分工：千里聆 → 中台知识库 → 中台问答↻ 重播

千里聆 · 采集机器人

⏱ 每日 06:00 定时运行

✓ 招标网站抓取完成

✓ 新增 12 条招标信息

下次运行：明日 06:00

RPA 定时采集

无接口也能拿到外部招标 / 政策信息

→

数据清洗 · 去重规整

标题来源

政务云平台招标政采网

同标题重复已剔除

12 条 → 9 条有效

数据清洗去重

字段规整、剔除重复，避免脏数据入库

→

中台 · 知识库

📚 招标政策库

✓ 向量数据更新 · 9 条

组件：动作流“向量数据更新”

入库知识管理

采集结果同步进知识库，员工可问

→

统一问答入口

最新的招标政策有什么变化？

已为您检索政策库…

员工提问

一句话问，不用去各网站翻

→

问答结果

采购限额上调至 200 万，8 月起执行。

来源① 招标公告 08-03

来源② 政采网更新

带来源回答

命中采集知识，可回溯原文

链路里 RPA 只负责“拿数据”，问答质量靠知识库治理：RPA 采集低频、规则稳的外部信息最稳。三个产品各干一段，靠动作流串起来。

组合链路 ②制度文本 → AI 拆规则 → 灌规则库 → 智能审批产品分工：中台 / 连接器 → 规则引擎 → 审批流↻ 重播

制度上传

📄 报销管理制度_V6.pdf

✓ 解析完成 · 76 页

上传制度文本

报销 / 采购制度 PDF 直接传

→

AI 拆解审批规则

✓ 识别 8 条规则

• 住宿 ≤500 元/晚实报

• 超标需部门负责人审批

• 发票与事由须一致

AI 拆解审批规则

金额阈值、限额、一致性条件结构化

→

规则引擎 · 规则库

✓ 8 条规则已灌入

版本 V6 · 可回滚

审批流可直接调用

灌入规则库

版本化管理，审批时自动调用

→

报销单 · 自动校验

金额 ¥553 · 超标准

发票 ✓ 事由 ✓

报销单触发校验

金额 / 发票 / 事由自动比对

→

审批 · 待处理

⚠ 命中规则② 超标审批

审批人：张经理 · 待终判

命中预警，人终判

AI 预审，审批人只看风险点

规则不是拍脑袋写的，是从制度里“读”出来的；制度改版，重新拆解灌库即可，不用改代码。

用 RPA 前先过三关：① 认证关：人脸、短信、U 盾这类多重身份认证绕不过，要么系统方给接口或白名单，要么别用 RPA；② 稳定关：页面一改版就卡死，要有专人维护；③ 排查关：出错要翻运行日志逐指令定位，运维有成本。所以 RPA 的甜点位是无接口、低频、规则稳定的缝隙场景；高频、大数据量、高精度的任务，走接口或中台，别硬上 RPA。

2.4 什么样的需求能落地 · 四问判断法

客户说"这个 AI 能做吗？"，先过四问再回答

判断 AI 需求能不能落地，不看技术有多炫，看四件事：数据来源清不清楚、规则能不能写清楚、是不是只处理文字（图片里的字 OCR 后也算文字，不算多模态）、业务是不是全在线。四问全过 = 值得做；任一不过 = 要么补短板，要么别硬做。

判断清单 · 四步逼近：每一步出现什么情况 = 好落地，什么情况 = 落地难

第 1 步

① 数据来源是否明确？

好落地要点能说到"哪个系统、哪张表/文档、谁维护"这一级自测三连问数据在哪个系统？谁能访问？多久更新一次？三问都答得上 = 数据源清晰

落地难典型散在几十个 Excel、个人微信 / 电脑里，口径说不清，没人说得准哪份最新最易误判以为"知道数据在哪"= 数据清晰，其实连"谁维护、多新、什么结构"都没答上来

第 2 步

② 规则能不能写清楚？

好落地要点规则能落到字段级 / 文本级，每条可量化、可写成验收断言例（报销）"发票金额 > 1000 元打回；发票日期早于出差开始日打回；发票号与行程单不一致打回"：哪条不满足、为何打回都写得出，这套规则本身就是验收规则

落地难典型靠老师傅拍脑袋："看着不对就退""金额大了要留意"，同一件事十个人十个说法一句话自测规则能说成"如果…就…"的都能接；只能说"感觉不对"的就别接

第 3 步

③ 是否只处理文字？

好落地要点输入输出都是文字 / 结构化数据：文档、表单、表格、SQL 查询结果关键澄清图片里带文字（发票照片、扫描件）经 OCR 变成文字，本质还是文字，不算多模态，这类照样能接

落地难典型要对文字之外的内容做判断：视频画面（有没有人、动作合不合规）、语音（语气、身份）、声音（异常响动）、图像内容（看的是图本身）结论泛微不做视频 / 语音理解，属硬缺口，要另配专用模型

第 4 步

④ 业务是否全在线？

好落地要点数据录入在线 + 审批动作在线 + 结果回流在线，AI 每一步都有可操作的对象例（报销）线上提交、线上审批、线上打款：AI 卡在"录入 → 校验 → 流转"任意环节都使得上劲

落地难典型业务关键环节在系统外：线下纸质 / 电话 / 微信，或现场设备 / 摄像头为什么"录入"只是把线下结果搬进系统，过程 AI 全程无法干预：单据卡在哪、为什么没批，AI 一概不知；摄像头 / 现场更彻底，连"录入"都没有。线下任何一环 = AI 管不到那一段

🧭

四步走完怎么判：每一步都落在左侧（好落地） → 需求可以接；任一步落在右侧（落地难） → 先停下来，看能不能补短板（补数据、补规则、业务搬上线），补不上的别硬接。
背后的第一性原理：AI 干的是"把已有的东西加工好"，不是"凭空变出东西"。人搞不定的事情，AI 肯定没办法帮你搞定；办公场景里 AI 能替你做的是"理解 + 生成 + 对话 + 跑流程"，落脚点基本都是文本 / 结构化数据（读文档、写文档、审文档、填表单、查数据）。所以四问的顺序就是"数据、规则、文字、在线"四项齐了，才轮到 AI 上场。
四问过后怎么选产品：四问全过，再看场景落在哪：纯文字加工 / 组织级问答 → 智能小e；E10 里的表单流程智能化 → AI 连接器；要动本地电脑 / 网页自动化 → 小e 客户端；无接口重复采集 → 千里聆 RPA。四问解决"能不能做"，产品选择解决"用什么做"。

⚠️ 最容易误判的三关：别把"大概知道"当成"清晰"

维度	你以为是清晰（其实不够）	真正清晰（能直接开工）
数据来源	"数据在 OA 系统里""在财务那边的 Excel 里""老王管着"	具体库表 / 接口名 + 责任人 + 更新频率 + 字段口径，开发拿不到数据也能说清"找谁、怎么拿、多久同步一次"
规则	"超标要打回""不合规就退""老师傅一看就知道"	每条规则能写进验收脚本："金额 > 1000 打回""日期 > 今天打回"，AI 判完能用规则核对，判错立刻暴露
全程在线	"纸质单子我们能拍照录系统""电话微信谈完再补录"	提交 / 审批 / 结果回流全程在系统里，线下任何一环都意味着 AI 管不到那一段
多模态	"图片 / 扫描件能识别，应该能处理"（图片里带文字 ≠ 多模态，OCR 之后本质还是文字）	输入输出都是文字 / 结构化数据；要对视频画面、语音、声音做判断 = 真多模态，泛微不覆盖，要另配专用模型

判断口诀：能说清"哪个系统、哪张表、谁维护、多新" = 数据清晰；规则能逐条写成"如果…就…"且能验收 = 规则清晰；OCR 能读出来的字也算文字，只有"看图、看视频、听声音"才算多模态；每一步都在系统里、线下零环节 = 全在线。四条都到"能开工"的程度，才是真的清晰。

能做 vs 不能做 · 十二个场景拆解每张卡 = 四问核验 + 结论 + 原因；四问全过 = 可落地，部分过 = 效果有限，全不过 = 做不了

📄智能公文生成

可以落地

✓✓ 数据来源明确

✓✓ 规则清晰可写

✓✓ 纯文字处理

✓✓ 业务全在系统里

📦 数据来源：历史公文库 + 红头模板

四问全过：数据来源明确（历史公文库 + 规则清晰的公文文体），四问全过：模板规范、规则清楚、每天大量起草、全部在 OA 里流转

📝合同智能预审

可以落地

✓✓ 数据来源明确

✓✓ 规则清晰可写

✓✓ 纯文字处理

✓✓ 业务全在系统里

📦 数据来源：历史合同库 + 条款风险点规则

四问全过：条款库 + 风险点规则现成，电子合同线上跑，AI 抽条款、标风险，人做终判

🧾报销单智能审批

可以落地

✓✓ 数据来源明确

✓✓ 规则清晰可写

✓✓ 纯文字处理

✓✓ 业务全在系统里

📦 数据来源：报销制度文本 + 历史审批记录

四问全过：制度文本可拆成规则、审批量大、流程全在线，AI 预审预警，人终判

📚制度问答

可以落地

✓✓ 数据来源明确

✓✓ 规则清晰可写

✓✓ 纯文字处理

✓✓ 业务全在系统里

📦 数据来源：企业制度库（OA 里的制度文档）

四问全过：制度文档都在 OA 知识库，问题答案能定位到原文条款，AI 做检索问答，再挂权限防越权

🎙️会议录音转纪要

可做（需搭配第三方语音转文字）

✓✓ 数据来源明确

✗✗ 规则说不清

✓✓ 纯文字处理

✓✓ 业务全在系统里

📦 数据来源：录音文件（转写接第三方 ASR）

大部分具备，补 1 个短板可做：数据在线（录音文件）、语音能转成文字（属于文字处理的输入端）、业务高频；但泛微产品本身语音识别弱，要接第三方 ASR，规则整理靠提示词

⚡一句话发起流程

可以落地

✓✓ 数据来源明确

✓✓ 规则清晰可写

✓✓ 纯文字处理

✓✓ 业务全在系统里

📦 数据来源：流程模板库 + 字段字典

四问全过：意图识别 + 字段抽取 + 流程模板都现成，最终产出是结构化字段（纯文字），AI 连接器/中台直接编排动作流实现

📊经营数据问数（chat-BI）

可以落地

✓✓ 数据来源明确

✓✓ 规则清晰可写

✓✓ 纯文字处理

✓✓ 业务全在系统里

📦 数据来源：BI 报表数据源 + 指标口径字典

四问全过：数智台/ChatBI 把"问数"转成 SQL 查库，输出是表格和图表（结构化数据），指标口径在数据字典里定义清楚就能答，还能做来源归因

📈员工KPI判定

可落地但效果有限

✗✗ 数据来源不明

✗✗ 规则说不清

✓✓ 纯文字处理

✗✗ 业务关键环节不在系统里

📦 数据来源：考勤 / 绩效 / 日报等多业务系统，口径分散

关键项缺失：只能做可量化的局部环节，效果有限：① 数据分散：活散在多个系统，线下部分靠日报补；② 规则半清：考勤可量化，"目标是否完成"难判，仅销售签约、项目回款等可做；③ 纯文本处理没问题；④ 部分在线。结论：只能做统计提示，不能做判定

📐高精度图纸自动设计（PS、CAD等）

无法落地

✗✗ 数据来源不明

✗✗ 规则说不清

✗✗ 多模态（视频/语音）

✗✗ 业务关键环节不在系统里

四问全不过，无法落地：① 数据拿不到：图纸封在专业软件里，格式私有甚至加密；② 规则说不清：行业设计规范差异极大，无法写成条文；③ 效果难验收：看"要件画没画、图层叠没叠"必须看图本身，属多模态；④ 业务在线下：源文件不在在线系统。四问全不过

📹监控会议室空置

无法落地

✗✗ 数据来源不明

✗✗ 规则说不清

✗✗ 多模态（视频/语音）

✗✗ 业务关键环节不在系统里

四问全不过，无法落地：最终要对"有没有人"这种视频画面做判断，属于多模态硬需求；泛微不做视频理解，不是数据来源问题，是产品能力根本不覆盖

🏗️监控工人是否按规范操作

无法落地

✗✗ 数据来源不明

✗✗ 规则说不清

✗✗ 多模态（视频/语音）

✗✗ 业务关键环节不在系统里

四问全不过，无法落地：一是要实时看视频画面判断动作（多模态硬缺口），二是"动作合不合规"这种行为判定本身很难写清楚规则（不同场景标准不一），两层都不占

🤖网站数字客服/数字宠物

无法落地

✓✓ 数据来源明确

✗✗ 规则说不清

✗✗ 多模态（视频/语音）

✓✓ 业务全在系统里

部分具备，看短板能否补：补不上 = 效果有限：① 数据清晰（Q&A 记录齐全）；② 规则不清：何时辅助、辅助多深，难写成条文；③ 多模态缺口：AI 无法合成语音（泛微不支持语音合成），只能文字交互；④ 业务在线没问题。卡在规则与多模态两关

★ 规律总结：三类结果，三种判断判断需求别只看"技术上有没有可能"，先对产品能力边界

✅ 能落地

四问全过：数据来源说得清 + 规则能写成条文 + 纯文字处理 + 业务全在线。文档 / 流程 / 数据类需求都在这。

判断口诀：文本 / 流程 / 结构化数据相关 → 大概率能落地

🟡 效果有限

四问过两问，卡在"多模态"或"不在线"上：原始单据是图片要 OCR（接第三方）、或业务关键环节不在系统里。这类能落一半：录入后的事 AI 能干，录入前的线下环节 AI 管不到。

判断口诀：摄像头 / 麦克风 / 声音相关 → 先想清楚要不要接第三方

❌ 做不了

泛微不覆盖的能力硬缺口，不是客户配合度问题：① 多模态视频监控（会议室空置、动作合规）；② 语音合成 / 数字人（网站说话，泛微不出声）；③ 规则本身说不清（靠老师傅拍脑袋的活）。

判断口诀：业务关键环节不在系统里 → 只能做"录进来之后"的那一段

2.5 产品报价方式 · AI 场景一般怎么报价

AI 报价就两种：按智能体打包，还是按人力实施

客户问"这套 AI 多少钱"，先别报数，先问清需求成熟度：场景公司做熟了、能拿来即用，走产品底座 + 智能体 + 实施培训打包价；需求定制、要 FDE 进场梳理，走产品底座 + 人力实施按人天算。两条路都不含大模型部署与更新，客户在 AI 上还有三类预算要单独说清。

报价方式 A产品底座 + 智能体 + 实施培训场景成熟 · 拿来即用

产品底座一次性买断或按年授权费用（中台 / 连接器 / RPA 平台本身）

智能体费用按"一个智能体多少钱"计：智能公文、智能合同这类成熟智能体，拿来即用、简单调整即可

实施培训系统对接调试（连业务系统、调语料和提示词）+ 客户培训

适合：需求明确，场景公司已成熟（智能公文 / 智能合同 / 报销问答等），智能体拿来即用、稍作调整。

报价方式 B产品底座 + 实施费用（人力为主）需求定制 · FDE 进场

产品底座同 A，一次性买断或按年授权

实施费用FDE 进场做场景规划、权责梳理、数据梳理、知识梳理，按人天/人月计

定制开发按客户需求定制智能体、对接系统的开发费用（人力成本为主）

适合：需求不明确、要量体裁衣；客户现场情况复杂，需要先梳理再动手。

报价清单模拟 · 两套模板（金额为行业参考区间，需按项目核价）

报价项	方式 A · 成熟场景打包	方式 B · 定制实施
产品底座	中台 / 连接器授权 20 万 - 60 万（买断或年付）	同左 20 万 - 60 万
智能体 / 实施	成熟智能体 3 万 - 8 万 / 个，3 个起（智能公文、智能合同、报销问答…）	FDE 实施 3 万 - 5 万 / 人月，典型 3 - 8 人月（场景规划、权责/数据/知识梳理）
对接开发	轻量对接含在实施费里；异构系统按接口数 0.5 万 - 2 万 / 个	定制智能体 + 系统对接按人天 2000 - 4000 估
培训	含 1 - 2 天现场培训	含 1 - 2 天现场培训
典型总价	40 万 - 100 万	50 万 - 150 万（定制深浅决定）

报价不含项 · 大模型部署与更新

报价里不包含大模型部署、大模型更新等：如果客户要求我们帮忙部署大模型，尽量拒绝（部署、调优、升级迭代是模型厂商/算力厂商的活，我们做的是应用层）。线上模型由厂商维护，私有化模型由客户或算力厂商运维，都不在我们报价内。

客户在 AI 上的其他三类预算（看客户要求）

🖥️

服务器 + 算力采购

私有化部署的一次性硬件投入：GPU 服务器整机（双卡 A100 40G 级别）

参考价：20 万 - 40 万 / 台（32B 级推理）；70B 级多卡 60 万 - 120 万

☁️

云服务器租赁

客户制定云 / 私有云上的 GPU 实例按月租

参考价：2.5 万 - 5 万 / 月（8 卡 A100 整机月租）；年付约 85 折

🔑

大模型在线 token 费用

公有云 API 按量计费，随用量走

参考价：DeepSeek-V4 Flash 输入 1 元 / 输出 2 元（每百万 token）；V4 Pro 输入 12 元 / 输出 24 元

🛢️

企业版 token 资源池管理

模型迭代快，不能全押在一家厂商上：小e 企业版配套 token 资源池，统一管理多家模型厂商额度；部门、成员额度可动态调配，同时按成员、组织统计用量和成本。

报价含义：客户除了买产品，还要预留 token 池预算；按用量统计结果给客户做成本归集与限额管控。

以上为 2026 年行业公开参考价（DeepSeek 官网 / GPU 租赁市场），实际以当期供应商报价为准；预算估算时按"年 token 消耗 < 3500 万 → 公有云更划算；> 1 亿 → 私有化更省"的口径给客户建议。

私有化 vs 在线 · 怎么选

客户类型	建议	为什么
央国企 / 政府	优先私有化部署（本地或客户指定云）	数据安全敏感、合规要求高，普遍认为私有化更安全；信创环境也要求本地化。
财务 / 薪酬 / 人事敏感数据	建议私有化部署	财务数据是最敏感的一类，客户预算允许时优先本地，降低外泄风险。
一般业务 / 预算有限	可选在线算力（公有云 API）	零硬件投入、按量付费，场景敏感度不高时最划算。
混合场景	敏感数据私有化 + 一般场景在线	两条路并行，成本与安全取平衡。

怎么跟客户讲预算：先问三件事：① 数据敏不敏感（财务/薪酬 → 私有化）；② 有没有信创/合规硬要求（央国企/政府 → 私有化）；③ 预算规模（看服务器采购还是按月租、按 token 走）。然后把三类预算列出来让客户选，别替他拍板。

2.6 客户常见问题 · 快问快答

客户最常问的49 问：先看顶部 6 条，其余按产品分组自查

培训现场被问到，点开就能接上话：顶部 6 条是最典型的，其余按产品分组自查。

智能小e和老小e的区别是什么？

▼

老小e偏规则驱动，功能相对固定；新版智能小e基于大模型底座，新增 AI 问答（企业训练内部语料做内部版 GPT）、AI 办公（连接各系统 API 不只是 OA）、三端一体（PC/移动/浏览器插件）、多轮对话、AI 智能体。一句话：老小e是"说明书"，智能小e是"会思考的员工"。小e 分中台版与客户端版两个版本，客户端版当前叫 WorkBot。

智能小e是自研的吗？用的谁家的大模型？

▼

应用功能、算法、图像识别全自研；底座支持连接不同大模型，海外可用 OpenAI，国内可用 DeepSeek / 豆包 / 通义千问 / MiniMax / 文心一言 / 智谱等千亿参数以上大模型。私有化问答默认自带 30B 大模型。

上传语料训练后，回答准确度怎么样？

▼

社会话题闲聊一般 90% 左右；内部业务知识问答按模板整理高质量语料，一般最终 80% 左右。知识有实效性，需及时更新语料、做语料回流优化。语料训练有标准模板，上传后自动解析训练，业务人员可自行维护。

上传的语料会不会泄露给模型公司？

▼

智能小e会对个人隐私数据脱敏后才给大模型，大模型公司有协议承诺不用于训练；SaaS 版传输基于安全证书认证。更高要求可让云厂商提供隔离审计的专享大模型方案（报价每年百万起）。私有化部署则模型和应用都在客户服务器，不会外泄。

智能小e与 e10 的 AI 连接器有什么区别？

▼

小e本质上也是一种 AI 连接器，但它是独立平台，自带模型 + 中台能力（语料训练/意图引擎/数智台），可接入 e9/e10 及异构系统；AI 连接器是绑定 E10 平台的 AI 能力层，只服务 E10 应用。

智能小e有两版本？EM 客户怎么用？

▼

小e 分中台版和客户端版两个版本，客户端版就是当前叫 WorkBot 的产品，之后改名为小e客户端。EM 可以集成中台版和客户端版的小e：客户有 EM 客户端就不需要再安装小e客户端，没上 EM 客户端则单独安装小e客户端。

🧠智能小e / 中台20 问

客户没买千里聆，能只买智能小e吗？

▼

可以。两者独立销售，根据客户需求给产品方案；不强制捆绑。智能小e支持私有化部署、支持信创（已适配国产化环境）。

客户没用泛微系统，AI 办公支持吗？

▼

支持。AI 办公通过配置训练连接不同系统，不局限于泛微 OA；搭建一个场景约 1 人天。可接入企业微信、钉钉、飞书、em。

语料上传能批量吗？有权限和敏感词机制吗？

▼

可以批量上传，建议用问答对模板整理；上传时自动审核敏感词（可自定义）；语料分级管理，控制不同人问不同权限范围的内容。OA 同步来的知识自带 OA 问答权限。

能训练大模型吗？答错了怎么办？

▼

不能直接微调大模型（公有云接入的都是通用版本），但可从功能层面做智能体微调、补充语料提升准确率。答错时整理正确语料重新上传即可纠正。

本地部署最低配置多少？支持二次开发吗？

▼

最低硬件见《私有化部署服务器配置说明书》，模型建议 32B（也可部署 671B，需硬件支持）；可通过二开平台做前端二开；支持英伟达及国产昇腾、天数 GPU。

私有化后升级维护收费吗？多久迭代一次？

▼

维护升级费一般按 15%-20% 收取；私有化一般每月打包 2 次新功能，不涉及第三方服务的可免费升级给老客户。SaaS 版由平台统一管理，应用功能每周升级。

能嵌入官网、公众号、小程序、APP 做自助问答吗？

▼

可以。有客户自助问答模块可嵌入官网和公众号，APP 可提供 H5 页面嵌入；支持配置欢迎语、快捷问题按钮、人工转接入口。

能按并发卖吗？会话怎么统计？会话条数包怎么估算？

▼

不按并发，按注册用户数报价，后台提供对话语料回流，可查看问答记录，帮助企业持续优化知识库。会话条数包估算：5 × 261 × 用户数（5 = 每用户每天约 5 次会话，261 = 每年工作日）；公有云会话条数包 2500 元/包、语料空间 50 元/G，均成本共担；模型越大消耗 token 越多、会话次数越多。

令信通、EC 和小e 是什么关系？

▼

令信通为小e 提供 Agent 准入与安全策略管理；EC 为小e 提供功能应用和应用搭建，也有工具提供小e 直接生成代码的能力。三者协同：小e 是统一入口，令信通管准入与安全，EC 供应用与搭建。

能把外部的 Agent（比如 WorkBuddy 做的）纳进小e 吗？

▼

可以。小e 可完成集成和被集成，支持把外部例如 WorkBuddy 构建的 Agent 纳入进来统一管理使用，入口仍在小e。

E9 / E10 / E-OFFICE / ETEAMS 也能建智能体吗？

▼

可以。除了小e 具备智能体构建和管理能力外，E9 / E10 / E-OFFICE / ETEAMS 也具备智能体构建和管理能力，这个能力可与小e 重叠，满足某些客户不需要单独部署小e 的应用场景。

小e 能私有化部署吗？部署复杂吗？

▼

小e 可私有化部署，且部署要求简单方便；也可以公有云调用。信创环境已适配。

小e 三种形态（网页版 / 客户端 / SDK 嵌 EM）怎么选？

▼

令信通在小e 里起什么作用？

▼

令信通打通各业务系统统一认证：用户 → 令信通登录 → 小e → 各类 Skill。同时为小e 提供 Agent 准入与安全策略管理，提供网关白名单配置（非白名单拦截）。未来令信通的部分能力还可以加强 WorkBuddy（比如对 agent 可访问范围的限制、与其他认证源集成）。

EC 内置业务 Agent 是什么意思？

▼

小e 内置 EC 业务 Agent，无需重复构建，简单配置即可具备整个 OA 系统的所有能力（知识库、流程、建模等）；EC 还提供功能应用与应用搭建，也有工具提供小e 直接生成代码的能力。

组织记忆 / 预置专家是什么？

▼

组织记忆：区别于个人记忆，把团队、部门或公司的经验沉淀为可复用的 Skill，新人直接用；预置专家（专项、办公）：用户不用“训练”智能体，开箱即用；还能跨专项串联场景（如合同、项目、财务组成专家团）。另有业务记忆：某个客户的营销过程、某个项目的交付过程可归集记录、带权限共享，大家自己的分身能共享业务上下文。

AI 产出物能分享给别人吗？

▼

可以。AI 生成的 HTML 等内容由平台微服务承载预览，配套完整权限体系（可见范围、转发、水印、有效期）后再分享，让 agent 产出物变成可分发、可进一步协作。

token 资源池是什么？

▼

企业版配套 token 资源池管理：模型迭代快，不能全押在一家厂商上，资源池统一管理多家模型厂商额度；部门、成员额度可动态调配，同时按成员、组织统计用量和成本。

大智能体是什么？

▼

千里聆可以作为小e 产品中的 RPA，并可以结合 AI 连接器、小e 构建的智能体一起形成更完整的、可以做更多事情的“大智能体”，总体调度由小e 完成。一个任务跨 RPA + AI + 业务系统时，走这种组合。

智能体可以发布到流程节点吗？

▼

可以。小e 提供构建各类应用场景的 Agent 搭建平台，可以在小e 统一入口用，也可以发布到具体应用中用（比如某个流程节点）：AI 输出物直接嵌进审批流辅助审核，不只是一句话发起流程，流程里随时可调用小e 做审核。

🛠️智能小e 客户端版（当前名 WorkBot）8 问

小e 客户端版能使用哪些工具？有列表吗？

▼

三类：浏览器自动化（点、填、获取、多模态截图分析）、本地文件类（读取操作本地文件）、技能 Skill 类（针对不同业务需求）。技能没有上限，个人用户也可导入外部技能。

浏览器自动化必须用谷歌浏览器吗？

▼

目前只支持谷歌浏览器，后续会拓展其他浏览器。人脸识别的系统无法自动登录，但可通过目标系统提供的 Skill（内部含鉴权）操作。

小e 客户端版用什么模型？能静默执行吗？

▼

目前推荐豆包 seed-1.6 等多模态大模型。非浏览器操作类需求可静默执行，浏览器操作方式暂不能静默执行。

怎么和 e10 交互？

▼

两类：前台页面自动化操作 e10（登录系统、审批待办等）；直接调用 e10 标准化 Skill 能力实现系统操作，通过 token 认证鉴权。

数字分身的记忆是隔离的吗？能多人共用对话吗？

▼

分身间记忆相互隔离；不能多人共用一个对话，但可将调试好的数字分身导出给其他人使用。

小e 客户端版和千里聆、小e 数字分身什么关系？

▼

千里聆是固定流程编排执行的机器人；小e 数字分身是以个人知识库为基础的问答助手；小e 客户端版是能调用工具干活的个人 Agent，三者定位不同。

小e 客户端版有 mac 版吗？账号密码会脱敏吗？

▼

短期内不会有 mac 版，可通过虚拟机访问。目前对用户输入的账号密码没有脱敏功能，需注意使用场景。

Skill 能让外部工具直接登录泛微系统调接口吗？

▼

可以，这是未来核心优势：成熟的 Skill 支持外部工具直接登录泛微系统，然后对接口进行调用（支持接口调用回写）。E10、EM、e-office、契约锁、千里聆 RPA、OCR 都作为能力被调用；企业可定义公共 Skill、员工可定义自己的 Skill，用自然语言描述，智能体在组织权限范围内完成任务，全程可审批、可审计、可追溯、可干预。Skill 有生命周期管理，还能复用到三方平台。

🤖千里聆 RPA8 问

搭建一个机器人要多久？好上手吗？

▼

熟悉的情况下通常 1-2 天/网站，多网站以此类推；项目经理搭建学习约一周。可视化拖拽 + 录制，一般 IT 人员简单培训即可上手。

支持验证码识别吗？自动登录呢？

▼

支持自动登录、验证码智能识别；纯数字/字母验证码判断较准，简单计算、滑块可精调算法，复杂验证方式暂不支持。账号密码加密存储服务端数据库。

RPA 是爬虫吗？会不会有法律风险？

▼

不是爬虫，不分析接口暴力调用，通过模拟人操作页面，不对对方网站造成额外影响，可避免绝大部分反爬问题。

机器人和 OA 是标准集成还是单独开发？

▼

对 OA 集成不用开发，通过搭建配置即可抓取/上报数据；千里聆是单独私有云部署，产品 License 授权，和 OA 无耦合。

运行中断数据不一致怎么办？效率如何？

▼

有断点续跑机制，可从上次中断处继续执行；重复数据可设过滤策略去重。普通 PC 可同时运行 5 个以上机器人，互不干扰。

和按键精灵、专业 RPA 相比有什么特点？

▼

按键精灵只能做简单操作脚本、受分辨率影响大；千里聆基于网页元素和路径操作，不受分辨率影响，可跨 CS/BS 架构。相比专业 RPA，更专注信息化采集场景，有成熟解决方案。

部署资源要求高吗？怎么收费？

▼

整体不高，资源要求见技术白皮书；维保费按项目总费用不低于 15% 收取，不含大版本迭代。可单买千里聆与业务系统对接。

网页更新了，机器人要跟着改吗？

▼

需要。采集页面有变化时需调整适配机器人；升级产品版本不影响现有机器人。

🔌AI 连接器 / 选型7 问

AI 连接器能接哪些模型？需要算力卡吗？

▼

小e / 智谱 / 讯飞 / 腾讯 / 百度 / 阿里 / DeepSeek / OpenAI 等，配 key 即用；连接外部模型，不需要算力卡。

知识库怎么建？三步法是什么？

▼

建数据组 → 录数据（jsonl / excel / 文档分片）→ 新增。问答对 / 文档分片两种模式，自动分片向量化。

动作流能做什么？有哪几种组件？

▼

5 种组件：大模型对话、意图分支判断、文本提取、知识检索、向量数据更新，可嵌入任意流程编排。

E10 里哪些场景可以用？

▼

E10 问答、流程填单审批问答、表单智能填、业务模块智能助手、微搜智能问答等。

前端对话组件有哪几种形态？

▼

4 种：弹窗、移动语音、单页、消息卡；开放对话 API + 知识库管理 API + 动态搭建应用 API。

选型：客户问"该买哪个"怎么答？

▼

核心看四件事：算力（小e 中台版强制绑定，连接器免）、平台（只 E10 选连接器，异构/独立平台选小e）、自动采集（旧系统无接口选 RPA）、个人分身（电脑上的活选小e 客户端版，当前名 WorkBot）。详细见上方选型决策表。

移动端能用小e 吗？

▼

支持多端协同：从 EM、企微、钉钉等移动端发指令给小e 执行具体任务；小e 集成到 EM 中可统一入口，再通过不同授权控制不同功能的启用。

2.7 深入培训 · 四大产品逐个精讲（持续更新中）

每个产品一章配置操作级深训：已就位的内容往下看

这一章持续更新：每个核心功能“怎么配、怎么操作”都已放进对应产品的容器里。后面会不断补充新的配置实操与页面仿真，往下翻，逐个产品看。

四大产品深训入口 · 切 tab 换产品

千里聆 RPA 深训内容建设中：指令库详解、设计器录制实战、执行器调度配置、云市场机器人改造。

实现路线（已就位）

设计器编排

把人的操作拖成指令流

调试运行

单步执行、断点排查

执行器调度

定时 / 热键 / 文件触发

日志 / 视频回溯

每条指令留痕可查

定时抓取招标信息每天 9:00 机器人自动打开招标网站，抓新标讯写入台账，不用人盯

无人值守 · 定时跑批

设计器编排流程

把人的操作拖成指令流：开网页、点按钮、采数据

→

定时触发执行

执行器按规则自动唤醒，7×24 跑

→

日志回溯排错

每条指令留痕，卡在哪步翻日志

千里聆设计器 · 机器人流程编排页面仿真

网页操作

🌐 打开网页

👆 点击元素

📷 网页截图

🧺 批量数据采集

⬆ 上传文件

⬇ 下载文件

⏳ 等待

逻辑

⑂ 条件判断

↻ 循环操作

办公

📊 Excel 处理

✉ 邮件处理

Start

🌐 打开网页招标采购网

👆 点击元素“登录”按钮

⑂ if 条件页面出现验证码？

📷 截图 → OCR 识别数字/字母验证码

🔑 直接登录已存账密

🧺 批量数据采集新标讯 12 条

📊 写入标讯台账Excel 追加

End

运行日志错误日志批量数据采集

#	指令	时间	内容
1	Start	09:00:00	开始运行
2	打开网页	09:00:03	在内置浏览器打开招标采购网
3	if 条件	09:00:06	检测到验证码，走 OCR 识别分支（识别结果 8K4D）
4	批量采集	09:01:12	抓取新标讯 12 条，写入标讯台账
5	End	09:02:41	运行结束，耗时 2 分 41 秒

智能小e（中台版）深训内容建设中：智能体构建实战、Agentic 配置、Skill 对接实战、知识库语料治理、数智台视图配置、API 集成对接。

实现路线（已就位）

对话创建

一句话描述智能体目标

编辑调试

左画布右 Prompt 配置

权限设置

谁能用、能用哪些知识

业务集成

挂到入口、对接系统

深训 · Agentic 配置 + Skill 对接实战统一入口怎么自主干活 · 外部工具怎么登录调接口

⚙️

Agentic 机制配置

在管理后台配置小e 的自主决策范围：可用 Skill 列表、可调用的 MCP、知识库语料、多轮交互次数上限、任务完成的判定口径。

效果：用户只说要什么结果，小e 自己规划步骤、调能力、多轮验证纠错直到交付。

🔌

Skill 对接实战

成熟 Skill 支持外部工具直接登录泛微系统，对接口进行调用回写：配置鉴权参数（token / 认证源），外部系统就能操作目标业务系统。

能力池：E10 · EM · e-office · 契约锁 · 千里聆 RPA · OCR 都作为能力被调用。

📦

Skill 生命周期管理

企业定义公共 Skill、员工定义自己的 Skill；组织记忆把团队经验沉淀为可复用 Skill，新人直接用；Skill 可复用到三方平台。

全程：可审批、可审计、可追溯、可干预。

页面仿真 · 编排复杂智能体 × 数智台问数复合智能体怎么编、异构系统怎么接、数据怎么问出来

复合智能体编排：出差关怀助手员工说“我明天去上海出差”，智能体自动查天气、对接 OA 接口订票提醒，一条流水线走完

智能体编排 · 异构对接

点节点右下角 + 加组件

大模型、http 请求、if 条件在节点上弹出选择，就近插入

→

http 请求对接异构系统

填接口地址 + 字段匹配，变量自动映射

→

联调发布

调试与预览通过后即可上线

Xiaoe.AI · 编辑 Workflow 智能体“出差关怀”页面仿真

💡 鼠标悬浮任一节点，右下角出现 +，点击弹出组件选择框（http 请求 / if 条件 / 大模型对话 / 数据库），就近插入

开始+

🌐 http 请求

⑂ if 条件

✦ 大模型对话

🗄 数据库

✦ 出差关怀拆解出差地点、时间+

🌐 http 请求

⑂ if 条件

✦ 大模型对话

🗄 数据库

🌐 http 请求 · 查天气调外部天气接口+

🌐 http 请求

⑂ if 条件

✦ 大模型对话

🗄 数据库

✦ 出差助理生成行程提醒+

🌐 http 请求

⑂ if 条件

✦ 大模型对话

🗄 数据库

结束+

🌐 http 请求

⑂ if 条件

✦ 大模型对话

🗄 数据库

🌐 http 请求 · 组件配置✕

功能说明用于发送 API 请求，从接口返回数据

外联系统天气服务（已登记）

接口请求地址https://api.weather.cn/v001/now

请求类型GET

接口请求参数 · 字段匹配配置

接口字段	参数字段	取值
city	出差地点	应用变量
date	出发日期	应用变量
key	访问密钥	固定值

字段匹配 = 把智能体里的变量（出差地点/日期）映射成接口参数：这就是“异构系统对接”的全部秘密。

数智台：说人话查数据，自动出图“2024 年各省区验收趋势如何？”一句话变成 SQL、表格和图表

数智台 · ChatBI

数据处理工厂备料

定时同步业务库，处理成可问的数据视图

→

自然语言生成 SQL

说人话，自动转查询语句并执行

→

列表 / 图表双呈现

先给明细列表，追问出趋势图

数智台 · 对话问数页面仿真

2024 项目目标及执行情况

集团军	省区	负责人	验收目标	完成率
第一集团军	上海大区	严明理	63,000	57.61%
第一集团军	湖北大区	沈斌	5,670	62.38%
第二集团军	北方大区	李茂龙	57,600	46.71%
第三集团军	苏皖大区	沙鹏	32,400	50.66%
第三集团军	山西大区	李春阳	2,700	39.50%

✦ 数智台

好的，已为您分析生成列表：各省区 2024/2023 有效同比已算出。

2024 年各省区验收趋势如何？

✦ 数智台

好的，已为您分析生成图表：

把您的问题，告诉我吧

数据处理工厂 · 自然语言生成 SQL页面仿真

数据分析池人事数据测试考勤工资统计表

姓名	职级	性别
安小勇	M13	男
马剑峰	M13	男
王震	M13	男
孙保全	M13	男

共 772 条 · 定时同步：每天 06:00 自动执行

自然语言描述处理业务

人事数据测试中的姓名，和考勤工资统计表中的姓名相对应的每个人的实发工资是多少？

▶ 调试运行

执行的数据结果✓ 运行成功

姓名	实发工资
丁俊伟	8,000.00
何鑫	8,000.00
刘平亭	7,335.71

智能小e 客户端版深训内容建设中：分身调试、技能开发与导入、任务调度配置、鉴权与安全管理。现状：当前叫 WorkBot，未来改名为小e客户端

实现路线（已就位）

新建分身

起名、定人设、选模型

装技能

内置 + 自导技能包

对话派活

说要干什么，分身动手

定时跑批

设任务周期自动执行

深训 · Skill 生态：外部登录调接口 + 生命周期这是小e 客户端版的未来核心优势

🔑

Skill 外部登录调接口

成熟的 Skill 支持外部工具直接登录泛微系统，然后对接口进行调用（支持接口调用回写）：不用开发对接，配置好鉴权参数即可。

能力池：E10 · EM · e-office · 契约锁 · 千里聆 RPA · OCR 都作为能力被调用。

📦

Skill 生命周期管理

企业定义公共 Skill、员工定义自己的 Skill，通过自然语言描述，智能体在组织权限范围内理解人员、流程、表单、文档和业务数据。

复用：调试好的分身可转成技能；Skill 可复用到三方平台。

🛡️

鉴权与安全

每个技能对应业务系统的鉴权参数，无开发式操作目标系统；组织权限、敏感词、安全策略统一管控。

全程：可审批、可审计、可追溯、可干预。

创建一个数字分身右侧填个名字和风格，分身就建好了，不用写一行代码

新员工 5 分钟上手

点“新数字分身”

左侧菜单一键创建

→

填名称和对话风格

右侧设置面板：叫什么、什么脾气

→

装技能

装上什么技能，分身就会干什么活

智能小e 客户端 · 新建数字分身页面仿真

🤖 小e 客户端

▤ 我的分身

✚ 新数字分身

✦ 技能

⚙ 设置

章章士伟

✦ 数字分身

您可以自然语言描述需求，让我替您工作。
可以试着对我说：
· 从今日头条搜集泛微相关资讯，汇总 10 条给我
· 按桌面上的流程说明文件，登录 OA 完成报销流程搭建

请输入您的需求

数字分身设置

预设分身的基础信息，说明越详细效果越好

分身名称新数字分身

对话风格简洁高效、表达犀利……

其他说明对这个分身的其他要求

确定

说一句话，让它定时干活自然语言下指令，分身自己拆成定时任务

每周一工作总结提醒

自然语言下指令

“每周一提醒我完成工作总结”

→

分身给方案

Cron 定时任务 / Heartbeat 检查，让你选

→

确认即生效

到点自动提醒，不用人记

智能小e 客户端 · 自然语言对话页面仿真

🤖 小e 客户端

▤ 历史对话

▧ 文档图片识别

🧾 发票识别

✦ 技能

章章士伟

✦ 小e 客户端

您可以自然语言描述需求，让我替您工作。
可以试着对我说：每周一提醒我完成工作总结 / 帮我收集 AI 硬件行业趋势，形成调研报告 / 做一个安装 RPA 的教学 PPT

每周一提醒我完成工作总结

✦ 小e 客户端

我来帮你设置每周一的工作总结提醒，有两种方式：
选项 1 · Cron 定时任务（推荐）：每周一早上 9 点自动提醒，独立于会话运行
选项 2 · Heartbeat 检查：结合邮件、日历等定期检查一起进行
你更倾向哪种？也可以两种都设，确保一定收到。

选 Cron，周一早上 9 点，webchat 提醒

✦ 小e 客户端

✓ 已创建定时任务：每周一 09:00 通过 webchat 提醒你完成工作总结。

分身干活的真实现场生成销售周报：读数据、调技能、主动校验、交付，全程留痕

任务闭环 · 可回溯

智能小e 客户端 · 数字分身干活现场页面仿真

🎯 新任务：生成本周销售周报，发到部门群

✓理解需求：整理 6 个区域的销售数据，按模板生成周报

✓读取数据：打开 CRM，导出本周销售明细表

✓调用技能：周报生成 Skill，自动汇总、排版、配图表

✓主动校验：发现华东区数据缺失，自动补拉并标注

✓交付：生成周报文档，@部门群发送

✅ 任务闭环完成（2 分 18 秒），执行日志可回溯

AI 连接器深训内容建设中：模型接入配置、向量知识库搭建、函数工具开发、动作流编排实战。

实现路线（已就位）

配模型 key

公有云 / 私有化二选一

建知识库

文档上传、切片向量化

配函数工具

把接口暴露成模型可调

动作流编排

串成智能体落地业务

接入大模型填一张鉴权卡：名字、key、服务地址，E10 里所有应用就能调模型，不用买算力卡

模型鉴权设置

新增模型接入

公有云 13+ 厂商 / 私有化开源 / 自定义 OpenAI 兼容

→

填鉴权信息

app_key + 服务地址，对话/向量分开配

→

保存即用

E10 全部应用共享这个模型入口

AI 连接器 · 模型鉴权设置页面仿真

🔌 连接器

▦ 模型鉴权设置

▤ 提示词库

▥ 向量知识库

✦ 智能体

章章士伟

🌐DeepSeek 公有云已配置

支持模型：DeepSeek-V4 · 对话 + 向量检索

更新时间 2026-07-20公有云 · 按 token 计费

🏢Qwen 3.6 私有化部署已配置

支持模型：Qwen3.6-32B · 对话 + 向量检索

更新时间 2026-07-23总部机房

＋自定义 OpenAI 兼容接口

填服务地址 + app_key，接入自部署开源模型

✦ 编辑模型接入✕

自定义名称Qwen 3.6 私有化部署 · 总部机房

app_key••••••••••••••••

对话服务地址https://qwen.internal.cn/v1

向量服务地址https://qwen.internal.cn/v1

包含结束标记

模型名称	模型类型
Qwen3.6-32B	大语言模型
Qwen3.6-Embedding	向量模型

保存

把制度文件喂成知识库上传 docx，自动分片 + 向量化，命中次数告诉你哪份制度被问得最多

向量知识库

建数据组

按部门/主题分组，如“部门规章知识库”

→

上传文件

选分片策略和分块大小，保存即解析

→

自动向量化

分片完成状态实时可见，检索命中可统计

AI 连接器 · 向量知识库页面仿真

🔌 连接器

▦ 模型鉴权设置

▤ 提示词库

▥ 向量知识库

✦ 智能体

章章士伟

文件名称	片段状态	检索命中
信息管理部部门制度.docx	12/12 完成	8 次
行政管理部部门制度.docx	14/14 完成	9 次
差旅费用管理制度.docx	9/9 完成	21 次

片段状态 = 分片向量化进度；检索命中 = 这份文件被员工的提问命中过多少次，哪份制度最常被问一目了然。

智能体构建：把 AI 应用搭出来不用开发：选模型、写角色设定、挂知识库，发布后表单 / 流程 / 微搜都能调用

AI 应用配置 · 预览调试

选模型定参数

温度 / 流式 / 窗口，配好模型就绪

→

写系统提示词

告诉 AI 它的角色、边界、回答要求

→

挂知识库 + 发布

关联语料、配置预览调试，通过即上线

AI 连接器 · 智能体构建“制度问答助手”页面仿真

🔌 连接器

▦ 模型鉴权设置

▤ 提示词库

▥ 向量知识库

✦ 智能体

章章士伟

AI 应用名称制度问答助手

系统提示词

你是企业制度问答专员，熟悉公司各项规章制度。
回答要求：
1. 答案必须引用制度原文，标注文件名称与章节
2. 制度没写明的，直接说“制度未明确”，不要编造
3. 涉及金额的，精确到文件规定的数字

欢迎语你好，我是制度问答助手，有问题直接问

知识库部门规章知识库 · 显示追溯

模型参数温度 0.3 流式输出开窗口 8K

保存草稿发布

✦ 预览与调试测试通过 · 可发布

我下个月要休 3 天年假，怎么申请？

✦ 制度问答助手

按《员工休假管理制度》第三章：年假需提前 3 个工作日申请，路径为 OA 门户 → 考勤休假 → 年假申请。
请点击“阅读原文”查看完整条款。

输入问题，测试智能体效果

发送

动作流编排：报销单智能预审新报销单提交后，AI 先审一遍：超 500 转人工，没超自动通过

动作流设置

拖组件进画布

触发、AI 对话、分支、写回，都是现成组件

→

配 AI 组件

选应用、喂变量，大模型变成流程一环

→

发布即生效

新单据提交自动跑这条流

AI 连接器 · 动作流“报销单智能预审”编辑中页面仿真

⚡ 表单触发新报销单提交

📋 获取单据详情金额 / 事由 / 发票

✦ AI 大语言模型对话组件报销预审助手

⑂ 分支 · 排他分支按金额判断

👤 转人工复核财务主管

✅ 自动通过写回审批意见

💾 写回审批结果更新单据状态

End

表单智能填右侧说一句话，左侧表单字段自动填好，人只核对

效果预览 · 报销单

E10 · 表单智能填页面仿真

费用报销单

申请人章士伟

部门市场部

费用类型差旅费 ✦ AI 填

金额¥553.00 ✦ AI 填

事由上海出差参加 AI 峰会 ✦ AI 填

绿色字段 = 对话识别后自动填入，人只核对。

✦ 表单助手

帮我填一张报销单：上周三去上海出差参加 AI 峰会，高铁票 553 元

✦ 表单助手

已识别并填入左侧表单：
费用类型 = 差旅费　金额 = ¥553.00
事由 = 上海出差参加 AI 峰会
请核对后提交。

说一句话，表单自动填

微搜智能问答像搜百度一样搜公司制度：顶部 AI 先给总结，下面附原文出处

效果预览 · 企业搜索

E10 微搜 · 智能问答页面仿真

出差住宿标准是多少

🔍 微搜

✦ AI 总结

一线城市 500 元/晚以内实报实销；超标需附情况说明，并由部门负责人审批。（综合 3 份制度文件）

《差旅费用管理制度》第三章 · 住宿标准

出差住宿标准，一线城市 500 元/晚以内实报实销；超标需附情况说明……

《财务报销细则》第 5 条 · 报销上限

住宿报销上限参照差旅制度，超上限部分不予报销……

《超标审批流程》 · 审批要求

超出标准需部门负责人审批，并说明原因……

一句话：AI 连接器是“把大模型装进 E10 应用的插槽”：配模型、喂知识库、编排动作流、嵌进表单与搜索，不建平台、不买算力，只给 E10 用。

📚

本页持续更新：会持续更新产品信息、产品内容、产品搭建方式，配置实操与页面仿真随迭代补充。

COMING SOON

PART 03 · ZSW SKILL 实战

用自然语言做汇报材料：
一个我自己一直在用的 SKILL

不是技术交流，是看一个真实工具怎么干活：它解决了传统 PPT 汇报的哪些痛、为什么走 HTML 这条路、里面的容器库/组件库/仿真库长什么样，最后直接打开几份真实汇报材料给你翻。

2.1传统 PPT 汇报的痛：改一处，伤筋动骨 2.2ZSW 是什么：说人话，出材料 2.3容器库：四种读法，四种骨架 2.4组件库：汇报的"乐高积木" 2.5仿真库：能点能看的产品演示 2.6构图母板：十二种"讲法" 2.7模板家族：十大构图基因 2.8质量门：完成度下限 2.9同一份内容，多种风格长相 2.10真实案例：点开就能翻的汇报材料 2.11在 WorkBuddy 里用 ZSW SKILL（教程仿真）

3.1 从一个所有人都经历过的场景开始

领导说"第三页数据换成季度口径"： PPT 改这一处，到底有多伤

😣 传统 PPT：一次"小改"的连锁反应

重算数据：回 Excel 找原始表，切换季度口径，重算一遍。
重做图表：图表是上次截图贴进去的？重截。是原生图表？重调数据和格式。
重排版式：数字变长/短了，文字框错位，标题换行，挨个拖回去。
逐页检查：同样数据在第 7、12 页也出现过：挨个改，漏一处就是事故。
导出再发现：字体在领导电脑上变了、动画顺序乱了，再来一轮。

⏱ 实际耗时：40 分钟到半天。而且 PPT 的操作和排版逻辑本身就不好用：对齐靠肉眼、复用靠复制、改版式等于重做。

😌 用 ZSW 生成的 HTML 材料：同一处修改

说一句话："把第三页数据换成季度口径，同步改 7、12 页。"
AI 先改底稿：内容设计稿（Markdown）更新，可追溯改了什么。
页面同步刷新：版式自动适配新内容，不用手拖。
随处可放：一份 HTML 文件，浏览器打开就能演示，手机也能看。

⏱ 实际耗时：几分钟，且改处有记录、不漏页。

WHY HTML

为什么是 HTML，而不是"AI + PPT"？两条路，同一处修改

PPT 路线第 1 步 / 4

季度经营汇报.pptx · PowerPointAI 生成

季度数据汇报

正文占位文字
• 要点一
• 要点二
• 要点三

⚠ 领导要改这里

⏱ 40 分钟

✗ 版式错乱✗ 章节太少✗ 页面单调✗ 改不准✗ 改一次半天

localhost:8000/汇报/index.html

结构

组件

交互

dataQ1 经营数据（口径：同比）数据源 · 只改这一处

h1季度数据汇报标题

div图表：Q1 柱状图引用数据源

div正文要点引用数据源

footer口径说明引用数据源

✓ 改几个字✓ 改一组数据✓ 改布局✓ 换颜色✓ 换组件✓ 加动画

✓ 数据源已更新✓ 所有引用同步生效 · 2 分钟收工

第 1 步：你提需求，AI 生成一份材料：版式看着还行，但这只是开始。

💡 两条路的差别不在"能不能做出来"，而在改一处的时候：PPT 是绝对摆放，改一处牵全身；HTML 是语义+流式，改一处自动适配。下面两张卡展开讲。

❌ 为什么"AI 生成 PPT"效果总是不行

PPT 的本质是"绝对摆放"：每个元素钉死在坐标上。AI 擅长写"结构化的内容流"，不擅长隔空猜"这个框该放 (312, 87) 还是 (318, 92)"。
文件格式对 AI 不友好：.pptx 是一坨压缩的 XML，AI 改它像蒙着眼睛修表：字段互相牵制，改一处崩三处。
排版引擎是黑盒：换行、溢出、字体回退由 Office 现场决定，AI 生成时根本"看不见"最终效果。
结果：AI+PPT 的产物永远像"毛坯房"：字能看，版式不能看，改起来照样伤筋动骨。

✅ HTML 恰好是 AI 的主场

HTML 是"语义 + 流式"的：标题、段落、表格、区块天生就是结构：这正是大模型最擅长生成的东西。
版式自动适配：内容变长变短，布局自己调整，不用手拖对齐。
交互是它的母语：点击、切换、弹窗、仿真演示： PPT 里做不了的"能点能看"，在这里是基本操作。
分享零成本：一个文件，浏览器打开即用，手机也能看。

😐 诚实的弱点

普通人直接改 HTML 很难。代码对非技术同事就是天书，所以这条路必须搭配 AI：改材料 = 继续向 AI 提要求。不会用 AI 的人，连门都进不来。
导出 PDF 给客户不方便。很多正式场合（发客户、归档、打印）还是要 PDF/图片，浏览器打印的默认效果一言难尽。

🔧 ZSW 怎么补上这两条

修改路径就是"说人话"："第二页标题改短一点""把这个表换成图"： AI 改代码，你只看结果。门槛从"会前端"降到"会提要求"。
内置导出能力：套件里封装了 PDF 导出和长图截取的技术手段（打印样式、分页规则、截图脚本都已工程化），要 PDF 给客户时一键导出，效果可控。

★ 取舍的本质：用"必须依赖 AI 修改"这个代价，换来"修改轻松、交互丰富、版式自由"。在 AI 人人可用的今天，这笔账是划算的。前提是：你得会用 AI。这正是 PART 1 存在的意义。

🎯 这就是我要解决的事

我不想再把时间花在"操作 PPT"上。我要的是：用自然语言说出我的汇报意图，材料自己长出来；要改，就继续提要求。很多人还在"AI+PPT"上使劲，但那条路先天走不通，上面那段动画讲为什么。

3.2 ZSW 是什么（不说技术，只说它怎么干活）

你把意图说清楚，它把材料做出来：一个"懂汇报的材料秘书"

ZSW 是一套 SKILL（就是 1.9 说的"方法包"），装在 WorkBuddy 这类 Agent 工具里。它沉淀的不是模板，而是做企业级汇报材料的整套方法：怎么判断场景、怎么设计结构、怎么配图示、怎么做可点击的演示、怎么控制质量。

一次"做材料"的完整往返：你说人话，它干活，不满意就继续提

这张流程图背后：它靠哪五步，把材料做扎实？

材料秘书的"内部工序"：每一步都有验收标准，不是 AI 自由发挥。你正在看的这份材料，就是这五步的产物。

01 · 先定怎么讲

容器定讲法

培训 / 汇报 / 方案 / 通用，先定"怎么讲"，再定"讲什么"。

02 · 再定用什么

组件定细节

几十种组件选着拼：卡、表、图、仿真、折叠，每个都有验收标准。

03 · 抽象变直观

仿真建直觉

抽象概念变可点击页面，看完能上手，不用靠想象。

04 · 版式有出处

模板定版式

十二种构图、六种风格，版式有出处，不是随机排。

05 · 底线把得死

质量门把底线

内容对只是及格，排版、口径、交互、节奏都要过门，才能直接汇报。

🧭 它先想清楚，再动手

不会拿到主题就闷头画页面。先判断：给谁看？什么目的？材料够不够？，然后给你一份完整设计（风格、章节、每页讲什么），你点头它才做。这一步拦住了 80% 的返工。

📐 它有一整套"表达武器库"

四种顶层容器、十二种构图、几十个组件、架构图、页面仿真：内容该用什么形式讲，它按内容关系选，而不是把所有文字塞进同一种卡片。往下翻，逐个拆给你看。

🔍 它有质量门

每页必须有明确结论；连续页面不许用同一个壳；字不能小到看不清；交互必须真的能点出结果：这些不是自觉，是检查清单。

它尤其解决五类常见问题这五类，每一类都是汇报里真实翻过车的

常见问题	ZSW 怎么解决
内容有了，但逻辑还是散的，读者看完不知道结论、依据和下一步	先出内容设计：每页的结论、证据、行动先想清楚，再画页面
页面总是卡片墙，风格只换颜色，缺少真正的层次、关系和质感	十二种构图母板 + 八类风格方向，构图与字阶一起变，不是换皮肤
架构、流程、计划、证据和复杂业务只能靠大段文字解释	SVG 架构图、流程脊柱、证据台账、时序板：复杂关系用图讲
产品演示像静态截图，按钮能看不能用，交互没有反馈	三种页面拟真：Static / Interactive / Guided Demo，动作→状态→反馈闭环
一次修改后，原始需求、内容设计和最终页面无法追溯，越改越乱	先 Markdown 设计底稿、再生成 HTML：改了什么全程可追溯

3.3 容器库 · 整份材料怎么读

四种顶层容器 = 四种"读法"：点一点，看它们各自的形态

容器决定读者怎么进入、翻阅、切换整份材料，不决定某一页长什么样。选容器看的是阅读行为，不是个人习惯。下面每个缩略图都是迷你仿真，C 号舞台的箭头是真的能点的。

A · 纵向场景→

B · 章节式 Part→

第 1 页 · 封面

◀ 1 / 3 ▶

C · PPT 演示舞台→

D · 连续报告→

A · Slide Scroll 纵向场景

阅读行为：读者沿页面向下，依次进入一个个完整场景
适合内容：主题分享、故事化讲解、案例串联、场景式培训
怎么理解：像刷一篇精良的长图文：一条主线讲到底，情绪不断档。2.8 的“维森集团 AI 赋能培训”用的就是它。

怎么选：看读者"用什么姿势读"：站着听讲完（C）、坐下逐章研究（B）、一口气刷完（A）、逐页批注归档（D）。同一份方案，现场讲用 C，发给领导读用 B 或 D。

点选后看到的就是这种结构

Slide Scroll · 滚动进入一个个场景

场景 1 · 开场判断完整一屏

场景 2 · 展开讲透完整一屏

场景 3 · 案例串讲完整一屏

↓ 向下滚动 ↓

本材料用的就是 B（章节式 Part）：四个大章节顶部切换，章节内自然阅读。而 2.8 要打开的案例里，你能同时看到 A、B、C 三种容器在真实项目里的样子。

3.3 补充 · 别以为容器只有 4 种

A-D 是"整份材料怎么读"，E-K 是"一个区域怎么排"

顶层容器决定整份材料的进入与切换方式（上面 4 种）；局部布局决定某一个 Part 或区域内部怎么组织，可以自由组合进任何容器里。下面 7 种就是套件内置的 E-K 局部布局。

主结论 · 常驻

步骤 1 / 2 / 3 · 可回看

E Part + 步骤

F 交互工作台

G 滚动叙事

H 时间轴流

I 知识图谱

J 空间画布

结论来源

K 证据室

E · Part + 步骤

适合内容：产品实现路径、方法论介绍、结论前置的讲解
怎么理解：主结论永远停在上方，下面的步骤是可以回看的：读者先记住"是什么"，再按需钻"怎么来的"。

组合纪律：E-K 可以自由组合进 A-D 任意容器，但每个区域只能承担一个明确角色：主判断 / 主关系 / 辅助证据 / 例证 / 来源 / 行动。不为显得丰富而堆砌。

点选后看到的就是这种结构

Part + Steps · 结论常驻，步骤可回看

主结论 · 常驻

步骤 1

步骤 2

步骤 3

▼ 点步骤可回看 ▼

关系一句话：容器 A-D 管"门和走廊"，布局 E-K 管"房间里的家具怎么摆"。两者正交，自由搭配。真正的高手，是拿 E-K 组合出新的"房间"。这也正是 2.8 模板家族要做的事。

3.4 组件库 · 内置丰富的常见组件，让你的汇报不单一

组件不是"卡片皮肤"，是汇报的乐高积木：点开看真实结构

每个组件对应一类"内容关系"：对比、证据、流程、决策、仿真…… 选组件看的是"这段内容是什么关系"，不是"哪个壳好看"。点击缩略图，下方展开这个组件的真实填充示例。

叙事卡

编号证据卡

对比板

96%

能力成绩单

文本图示板

决策面板

第 3 步 · 测试问答命中 18/20

流程向导

真实工作台

证据台账

审计事件行

指标叙事带

甲方

我方

角色责任矩阵

高数据口径不一整改中

中权限欠债已排期

风险控制登记

123

痛点 → 试点 → 推广

场景旅程条

里程碑时间轨

动作标准证据

执行作战板

① 结构 ② 解释 ③ 证据

爆炸拆解图（UI）

透明炸开标注

爆炸拆解图（物品）

先看这里

聚光交互指引

红黄绿波纹

叙事卡 · Icon Narrative Card

适合：讲挑战、场景、能力故事 · 以下为真实填充示例

⏰

月底关账，全员加班

财务共享中心每月最后 3 天处理 1,200+ 张单据，80% 时间耗在"对票、找差异、催人补材料"上：真正做判断的时间不到两成。

📞

制度问答，电话被打爆

新员工报销、请假、采购都要问一遍。同样的问题 HR 一年回答 800 次，答案还因人而异隐性知识全在老员工脑子里。

📊

汇报材料，改到深夜

一份经营分析 PPT 平均改 6 版，每版 40% 时间花在排版对齐上内容早就定了，伤筋动骨的都是形式。

3.5 仿真库 · 本章的精华，也是最吃功夫的部分

三种页面拟真：能看、能点、能带着走：同一个报销场景演示给你看

汇报里讲产品，贴截图是最 weak 的方式。ZSW 的页面拟真要求动作 → 状态 → 反馈完整：点了什么、界面怎么变、结果如何反馈。下面三种模式，请亲手操作。

📌 用途：展示页面结构、字段、业务状态。不用能点，但必须像真实产品：有壳、有导航、有真实数据。

云协同 OA · 费用报销工作台Static 模式 · 仅供观看

待我审批 3

我发起的

抄送我的

报销标准查询

单号	申请人	事由	金额	AI 预审	状态
BX20260702	林晓雨	客户现场差旅	¥3,860.00	通过 · 符合标准	待审批
BX20260701	赵启铭	项目驻场住宿	¥12,400.00	超标提示	待审批
BX20260698	孙曼宁	团队建设聚餐	¥2,180.00	通过 · 符合标准	已转财务

字段、金额、状态、AI 预审结论一目了然：讲"系统长什么样"时，Static 就够了。

📌 用途：演示真实操作：审批、筛选、处理记录。每个按钮都必须有真实的状态变化和反馈。点下面的按钮试试。

云协同 OA · 报销审批（Interactive · 真的可以点）

BX20260701 · 项目驻场住宿 待审批

申请人	赵启铭 · 交付三部
金额	¥12,400.00（住宿 20 晚 × ¥620）
AI 预审	超标提示一线城市住宿标准 ¥500/晚，本单 ¥620/晚，超 ¥120 × 20 晚 = ¥2,400；票据齐全，入住地与项目地一致。
预审建议	项目地为会展核心区，期间酒店均价上浮 38%，属合理波动：建议附情况说明后通过，或按标准审批 ¥10,000、超出部分个人承担。

处理反馈 · ACTION → STATE → FEEDBACK

// 等待你的操作：点击左侧任一审批动作，观察状态与反馈

📌 用途：带着观众沿真实路径走一遍：每一步都可定位、可回退、可跳步。用下方步骤条导航。

报销全流程演示 · Guided Demo 1 / 3

① 拍照上传发票

② AI 预审与补正

③ 提交流转审批

① 拍照上传发票识别完成 · 待确认

员工打开 OA 移动端，对着发票拍一张照。

→ 系统反馈：OCR 自动识别出发票代码、金额、开票日期、销售方，填入报销单草稿；识别置信度 98.2%，无需手工录入。

对照着看：Static 回答"系统长什么样"；Interactive 回答"人怎么用、系统怎么反馈"；Guided Demo 回答"整个流程怎么走"。客户汇报里讲产品演示，这三种模式按讲解深度选：全部由 HTML 原生实现，改内容就是改文字。

反馈也不是随便弹一条：不同反馈承担不同任务

反馈方式	什么时候用	不该用来
审计事件行（Audit Event Row）	需要保留的操作结果：状态 + 事件 + 时间/对象 + 结果明细 + 证据编号/下一步	只显示一条"操作成功"就消失
就近旁注	字段或记录的局部问题：在出错的那一行旁边直接标	把局部问题弹成全局大框
状态日志 / 抽屉 / 可展开证据	需要继续查看原因、证据、处理过程	只给结论不给来龙去脉
Toast 轻提示	无需保留的短时反馈（"已保存"）	代替审计回执、错误详情、业务处理结果

3.6 构图母板 · 一页内容往哪儿放

十二种内容组织方式 = 十二种"讲法"：根据内容选叙事，不是换个皮肤

ZSW 内置的不是"固定模板皮肤"，而是构图母板：像优秀汇报的"句法"：决定重要信息放哪、读者先看什么、关系怎么被看懂。点开任意一张缩略图，下方会展开它的结构示意和擅长讲什么。同一份内容换一种母板，等于换一种叙事风格，读者得到的结论随之改变。

全幅主张

编辑式分栏

架构板

证据台账

流程脊柱

场景序列

数据叙事

仿真产品

时间线甘特

对比矩阵

决策板

能力图谱

Full-bleed Thesis 全幅主张

擅长：开场判断、转折、最终结论

结构示意

核心判断

AI 不是替代人的工具，
是让人 1 个人干 5 个人的活 的工具

证据：一线案例 ×3数据：人效对比表

怎么看这个"讲法"

一句有支撑的核心判断（大标题）+ 短证据 + 主题图示：先给结论，再给理由。

和"换皮肤"的本质区别：换皮肤只改颜色圆角；构图母板改的是信息在页面上的组织逻辑。同一段"项目进展"，用"数据叙事"讲趋势、用"决策板"讲取舍、用"证据台账"讲依据：讲法不同，读者得到的结论也不同。
一页可以组合多种表达（架构板 + 证据台账、仿真工作台 + 操作步骤、甘特 + 责任矩阵），但每个区域都得承担明确角色：主判断 / 主关系 / 辅助证据 / 例证 / 来源 / 行动：不为显得丰富而堆砌。

3.7 高完成度模板家族

十大模板家族：经过真实材料验证的"构图基因"，可直接用、可拆解重组

ZSW 持续从真实项目材料里提炼信息解剖、空间组织、阅读路径和交互行为，沉淀成模板家族。它们不是封闭清单：你随时可以创造新页面，只要说清新构图解决什么信息关系。

🟦 架构与生态类

分层企业蓝图：大型平台、能力全景、技术与业务分层：横向层级 + 纵向治理栏 + 能力分区 + 外部系统 + 跨层连接 + 底座
中心生态拓扑：中心平台与用户/渠道/模型/外围系统的关系：核心枢纽 + 外围角色 + 接口方向 + 治理环
系统集成关系图：多系统对接、数据流、消息流、身份访问：真实系统 + 接口端口 + 流向标签 + 失败边界
多租户治理图：集团/租户/组织/身份映射：组织层级 + 租户边界 + 数据隔离 + 治理中心

🟪 场景与演示类

场景行动链：从用户表达走向系统执行：用户原话 → 意图识别 → 信息预填 → 规则校验 → 人工确认 → 系统回写 → 结果证据
交互时序板：多参与方调用、审批、返回、人工确认、日志沉淀：参与方 + 时间方向 + 状态变化 + 异常支路
运营看板与业务工作台：运营分析、产品演示、配置操作：有口径的指标 + 真实图表 + 任务导航 + 操作反馈
深度叙事面板：痛点、机制、能力、风险、案例：语义图示 + 明确判断 + 原因机制 + 具体例子 + 证据/行动

🟨 证据与决策类

证据与覆盖账本：成果成绩、需求覆盖、完成状态、问题响应：汇总判断 + 明细层级 + 状态来源 + 证据编号 + 可展开
决策与路线套件：方案比较、双轨迁移、阶段规划、里程碑：比较轴 + 当前与目标 + 阶段时间 + 责任依赖 + 风险与建议

🧬 模板保存的是什么？

不是蓝色圆角阴影那层"皮"，而是信息怎么解剖、空间怎么组织、阅读路径怎么建立、交互行为怎么设计。所以同一个模板能做出明亮、深色、中性、品牌化各种版本：风格可变，结构不散。

扩展的纪律：新行业沉淀的是对象、术语、角色、证据、字段、常见问题；不沉淀固定配色、页面数量、卡片布局防止套件越做越散。

ZSW 是怎么做到的：一个 SKILL 套件，四层独立资产 拆开看它的真实结构，就知道"拆解重组"不是口号

📦zsw-presentation-suite一个 SKILL 套件

├─references/# L1 参考资产：怎么组织内容

│ ├─component-patterns.json十二种构图母板

│ ├─composition-framework.md容器选型四种读法

│ ├─visual-profiles.json风格方向画像

│ └─blueprint-guide.md信息解剖 + 空间组织

├─scripts/# L2 校验资产：质量门

│ ├─validate-structure.mjs标签平衡 + 结构完整性

│ ├─validate-density.py视觉密度 + 可读性

│ └─capture-shots.mjs截图 + 运行时断言

├─assets/# L3 运行时资产：长什么样

│ ├─runtime/styles.css全局样式：布局 + 排版

│ └─tokens.json设计令牌：颜色 / 字阶 / 间距

└─SKILL.md + 5 入口# L4 入口分工：怎么叙事

├─SKILL.md说明书：触发 / 输入 / 流程 / 标准

├─training.md培训入口：学习 / 理解 / 练习

├─presales.md售前入口：价值 / 能力 / 案例

└─solution.md · base.md方案入口 / 通用入口

做材料时怎么走？

1选入口L4 定叙事框架

→

2拼内容L1 参考资产定结构

→

3卡质量L2 校验脚本把关

→

4定观感L3 运行时决定长相

🔬 拆开看：一个 SKILL 套件 = 四层独立资产 模拟浏览器里的"进度条"推进：工具箱逐渐透明 → 四层工具逐层拿出 → 虚线指向气泡解释每层职责

skill-exploded.example.com · 四层独立资产

拆开看：一个 SKILL 套件 = 四层独立资产。往下滚动这个“网页”，看工具箱怎么被打开。

① 往下滚：箱盖掀开，金属箱体逐渐透明，里面整齐摆着四件工具。

② 继续滚：四件工具同时被拿出来，朝四角飞到位。

③ 虚线从工具拉向气泡：卡尺卡质量、书定结构、调色盘定观感、路由器定叙事。

④ 四层各自独立：换调色盘就是换风格，加本书就是多种模板，互不干扰。

拆解进度

0%
完整套件：四层资产装在一个工具箱里

每层干什么

📦 完整套件：一个工具箱子，四层职责不同的资产，合起来是一套完整的"做材料方法包"。

拖进度条或点"自动拆解"：工具箱透明 → 工具逐层拿出 → 虚线指向气泡。点任一工具可聚焦。

这就是"拆解重组"的底层逻辑：ZSW 把表达拆成 参考资产 → 校验脚本 → 运行时样式 → 入口分工 四层独立资产。做材料时，先选叙事框架（L4 入口），再按参考资产（L1）拼内容，用校验脚本（L2）卡质量，最后套运行时（L3）决定观感。每一层都能独立替换：换个 L3 就是换风格，加个 L1 就是多一种模板，全程不碰其他层。

十大模板家族 = 十张"配方卡"

配方不是成品模板，是怎么把一页讲清楚的方法论：结构可复用，皮肤可替换

①

什么是配方

配方保存的不是蓝色圆角那层"皮"，而是信息解剖 + 空间组织 + 阅读路径 + 交互行为 四样东西：内容往哪儿放、读者先看什么、点哪儿有反馈。

→

②

对用户有什么好处

换皮不换骨：同一配方换种观感就是另一种风格
拆解重组：配方之间能自由拼接，不锁死
越用越厚：每做一个项目就多沉淀一张

→

③

怎么封装出来的

真实项目材料 → 提炼出信息关系 → 按 L1 参考资产沉淀成卡 → 打上场景标签，进模板家族。每张卡都过质量门。

📂 模板家族 · 配方库10 张配方卡 · 3 类信息关系 · 点击任意配方查看解剖结构

架构与生态×4▼

01分层企业蓝图›

02中心生态拓扑›

03系统集成关系图›

04多租户治理图›

场景与演示×4▼

05场景行动链›

06交互时序板›

07运营看板与工作台›

08深度叙事面板›

证据与决策×2▼

09证据与覆盖账本›

10决策与路线套件›

配方 = 信息解剖 + 空间组织 + 阅读路径 + 交互行为。风格可变，结构不散。

zsw-presentation-suite / references / 模板家族-配方卡.md

配方已加载

配方 01 分层企业蓝图架构与生态

适合：大型平台、能力全景

🧬 结构清单 · 信息怎么解剖、空间怎么组织

01横向层级：业务层 / 技术层 / 底座

02纵向治理栏：权限、合规、运维

03能力分区：每个层里按域分块

04外部系统 + 跨层连接线

05底座：数据治理、安全、监控

配方要点：同一份能力清单，换一种层级划分就是另一种蓝图：结构是可复用的骨架

可替换皮肤：明亮深色中性品牌化

← → 切换配方卡，右侧实时展开解剖结构

🛠 现场演示：模板不是"成品"，是"配方"：从裸页面一步步搭起来 选一个模板，点"下一步"，看它如何从一句标题生长成一张完整可信的页面

第一步：选一个"配方"（模板家族）

分层企业蓝图

运营看板与业务工作台

证据与覆盖账本

深度叙事面板

第二步：逐步添加"零件"（组件 + 构图 + 容器）

裸页面只有标题 + 结论

✓

组件：架构板主结构骨架

✓

组件：证据台账逐条明细

✓

容器 + 叙事出场方式

✓

第 1 步

第 2 步

第 3 步

第 4 步

集团数字化能力全景

一句话：技术、业务、底座三层分得清，跨层有连接，底座有治理。

第 1 步：裸页面 · 只有标题 + 一句结论

换个思路理解：模板家族是"菜谱"，组件是"食材"，构图是"摆盘"，容器是"餐桌"。同一桌菜，换个摆盘就是另一种风格；同一批食材，照着新菜谱就是全新的一道菜。ZSW 之所以能"拆解重组"，是因为它把表达拆成了四层独立的资产：每加一层，页面就长高一截；而每一步加进去的都是"有质量下限"的零件，所以成品永远完整可信。

3.8 质量门 · 成品为什么不是"看起来差不多"

每个组件都有完成度下限：换配色、加圆角，过不了验收

ZSW 的质量门不看颜色、不看圆角阴影，看的是结构是否完整：一个组件有没有把信息关系讲全。下面是对照：同一组件，及格与不及格差在哪。

先回答那个最关键的问题：为什么 ZSW 做出来的材料，和"直接让 AI 生成"的不像一回事？

🤖 普通 AI 直接生成的汇报：一眼能认出来

全篇一个模子：所有页面同一套卡片、同一个左右分栏，换的只是标题和配图颜色
数据是"装饰"：柱状图、百分比填满页面，却没有口径、单位、周期和变化原因
结论永远正确但没用："提升效率""加强协同""赋能业务"，没有一个具体对象和数字
逻辑靠标题撑：把内容塞进"为什么/怎么做/有什么价值"三层标题下，页面之间没有因果关系
交互是贴图：画了个按钮样式，点了没反应：演示到一半翻车

根源：它没有"检查清单"，只要格式对就算交差。信息结构完不完整，没人管。

🏛 ZSW 的同一页：每一处都被质量门问过

结构先于格式：先确认"这页解决什么信息关系"，再选容器/构图/组件
数据必须可追溯：指标卡自带单位 + 周期 + 语境 + 变化原因，缺一项不算完成
每页一个明确结论：结论有判断、解释、例证；没有结论的页面会被打回
页面间不重样：连续页面禁止复用同一种壳：从设计上逼出多样性
交互必须真能点：每个控件走一遍：动作 → 状态 → 反馈，缺一环不算完成

根源：它内置了一张"反 AI 味"检查单：模板化、空洞结论、装饰数据，逐项拦截。

🧾 演示：AI 拿着"反 AI 味"检查清单，逐项验收一页材料 点"下一步"看 AI 怎么一项一项检查，怎么把不合格的页面打回去

AI 正在验收的页面

📈 经营指标总览

+18.6%

营收增速

92.4%

达成率

（AI 正在读这一页……）

· 数字化转型成效显著

· 全面深化业务协同

· 赋能一线提效增收

SKILL 内置检查清单（质量门规则库）

① 每页有明确结论吗？
有判断、有解释、有例证，不能只有标题

② 数据带口径和来源吗？
单位、周期、业务语境、变化原因缺一不可

③ 有没有"空洞结论"？
"提升效率""加强协同"这种没有对象和数字的套话

④ 连续页面换壳了吗？
禁止同一套卡片/分栏从头用到尾

点下一步，AI 开始逐项过清单。

🔍 这份检查清单住在哪？拆开 ZSW SKILL 看结构 高亮处就是"反 AI 味"规则库的物理位置

ZSW SKILL 目录结构

zsw-presentation-suite/

├─ SKILL.md

├─ modules/

│ ├─ zsw-presentation-core/

│ │ ├─ SKILL.md # 总规则

│ │ ├─ references/quality-gate/ ← 检查清单在这

│ │ │ ├─ rules-anti-ai-flavor.md ★ 反 AI 味规则

│ │ │ ├─ completion-standards.md

│ │ │ └─ acceptance-checklist.md ★ 验收清单

│ └─ zsw-presentation-*/

└─ scripts/

为什么"规则库"要单独放一个目录，而不是写死在 SKILL.md 里？

可更新：规则是活的：每次翻车沉淀一条，改规则文件就行，不用动整个 SKILL。
可引用：四个入口（培训/售前/方案/通用）都指向同一份规则：改一处，处处生效。
可审计：AI 每项检查都能说"依据 rules-anti-ai-flavor.md 第 X 条"，不是凭感觉。
可解释：验收没过时，AI 能指出"哪条规则没满足"，而不是含糊说"再改改"。

💡 检查清单不是"建议"，是门禁：AI 生成完一页，必须逐项过清单；过不了的，直接打回重做：这就是为什么 ZSW 的产出"不像 AI 随手写的"。

一句话记住：AI 生成的内容之所以"一眼假"，不是因为画得不好看，而是因为只有壳、没有信息结构。ZSW 的质量门不是审美偏好，是对"只有壳"的系统性拦截：这就是为什么同一句话交给 ZSW 和交给普通 AI 工具，出来的东西完全不是一回事。

❌ 不及格的常见退化

叙事卡：只有图标 + 标题 + 一句空泛口号，没有判断、解释、例证
指标卡：一个大数字，没有单位、周期、业务语境和变化原因
流程/时序：只有步骤名，没有参与方、动作、状态、输入输出或异常
架构图：多层方框 + 箭头，没有真实实体、边界、接口和流向
表格/账本：把段落排成网格，没有字段关系、状态、来源、责任
数据图表：彩色柱条，没有口径、单位、刻度、数据标签和业务解释
拟真工作台：套个浏览器外框，没有真实任务、字段、记录、状态、反馈

✅ 及格线（结构完整度）

叙事组件：判断 + 解释 + 例证，三件套齐
指标组件：单位 + 周期 + 语境 + 变化原因，可追溯
流程时序：参与方 + 动作 + 状态 + 输入输出 + 异常支路
架构图：真实实体 + 边界 + 接口 + 流向，能讲清系统怎么运转
表格账本：字段关系 + 状态 + 来源 + 责任/响应点
数据图表：口径 + 单位 + 刻度 + 标签 + 业务解释
拟真工作台：真实任务 + 字段 + 记录 + 状态 + 反馈，缺一不可

贯穿所有入口的质量门

检查项	标准
内容	每页有明确任务，结论有解释/证据/机制/示例/边界或行动支撑；复杂内容不压缩成几句描述
结构	同一完整结论只在一个主位置讲透；前后术语、数字、时间、角色、状态保持一致
多样性	连续页面不反复使用相同卡片、相同左右分栏或同一页面外壳
可读性	对比度、字号、换行、文字溢出、裁切和无意义大空白都在检查范围内
图示	SVG 节点、边界、箭头、图例、标签、对齐：不只画方框加箭头
数据	数值、合计、单位、时间范围、刻度、图例、图形比例核对
交互	真实点击所有控件，动作→状态→反馈一致；引导式演示可回到任一步
反模板化	识别"一句话反馈横条""通用三层架构堆叠"等廉价结构：不靠换色规避

一句话：质量门拦的是"看起来像回事，其实没讲清"的页面： 判断标准是信息结构完不完整，不是颜色好不好看。这正是 ZSW 产出的材料"不是一套皮肤"的原因。

3.9 风格不是换皮肤

同一段内容，三种长相：构图、字阶、气质一起变

下面这段"项目进展汇报"内容一字不动，只切换风格。注意：变的不只是颜色，而是标题气质、版面构图、信息密度的整体变化。

A 正式卷宗

B 编辑叙事

C 学习工作坊

D 技术蓝图

E 产品工作台

F 极简分析

G 信息图谱

H 场景纪实

数字化转型指导委员会 · 项目进展通报

数据平台项目第三期进展通报：首批上线三个场景，验收通过率 96%

文号：〔2026〕第 03 号｜报告人：项目组｜报出日期：2026 年 7 月 31 日

本月围绕"可说、可问、可办"三条主线推进。智能事项办理、全域问数、流程预审三个场景完成首批上线并投入试运行；会议纪要、制度问答两个场景完成联调，进入用户验收。数据治理完成七类任务中的五类，字段级梳理覆盖 82%。

下月重点：剩余两个场景的验收收口，首批场景运营看板上线，第二批场景（报告草稿、展业记录）启动建设。

指标	本期完成	口径说明
场景首批上线	3 / 8	8 大场景中 3 个完成首批上线
验收通过率	96%	本批次用户验收统计
字段梳理覆盖	82%	数据治理七类任务中完成五类

特此通报 · 数字化转型指导委员会 2026 年 7 月

A 正式卷宗：公文三段式，居中红头 + 表格化数据 B 编辑叙事：超大标题 + 首字下沉 + 刊例数字栏 C 学习工作坊：目标胶囊 + 编号学习卡 + 练习条 D 技术蓝图：元信息标签 + 阶段流水线 + 进度条 E 产品工作台：浏览器窗框 + 列表 + 面板 + 状态栏 F 极简分析：巨号结论 + 单焦点 + 标签行 G 信息图谱：中心节点 + 放射关系 + 图例嵌套 H 场景纪实：时间线 + 角色卡片 + 前后对照

注意看每一档变的到底是什么：不只是颜色： A 用公文版式，B 用杂志版式，C 是教学白板，D 是工程流水线，E 是软件界面，F 是极简海报，G 是知识图谱，H 是纪实纪录片：构图重心、字阶、空间节奏、图示语言全部跟着场景换。同一段内容，给领导看、给客户讲、给新人培训、给工程师评审、当产品演示、做决策摘要、画能力版图、写案例复盘：各有各的"长相"。

完整风格方向：八类叙事语言，A~H 全部现场演示同一段"项目进展"，八种讲法

风格方向	适合什么	风格真正变的是什么	对应
Formal Dossier 正式卷宗	领导汇报、成果、治理、证据密集的正式方案	公文三段式：居中红头、文号、表格化数据、落款	A 已演示
Editorial Narrative 编辑叙事	主题分享、售前故事、概念解释与图文穿插	杂志通栏：超大标题、首字下沉、刊例数字栏、引言	B 已演示
Human Learning Studio 学习工作室	概念讲解、例题、练习、反馈、迁移	教学白板：目标胶囊、编号学习卡、练习条、反馈	C 已演示
Technical Blueprint 技术蓝图	技术方案、架构评审、部署与集成设计	工程流水线：元信息标签、阶段条、进度条、指标节点	D 已演示
Product Workspace 产品工作台	产品演示、操作培训、场景证明	软件界面：窗框、工具栏、列表、面板、状态栏	E 已演示
Minimal Analytical 极简分析	单一关键问题、研究发现、决策摘要	极简海报：巨号结论、单焦点、细线标签行	F 已演示
Information Atlas 信息图谱	能力地图、行业版图、知识体系、组合关系	图谱语言：中心节点、放射关系、图例、多层嵌套	G 已演示
Scenario Documentary 场景纪实	客户案例、实施复盘、角色变化、前后对照	纪实语言：时间线、角色卡片、前后对照、旁白引用	H 已演示

真正的风格变化 = 构图重心 + 字阶 + 空间节奏 + 图示语言 + 控件语言 五样一起动；只换一组颜色，不算换风格。八类风格是八套"叙事语言"，不是八件"衣服"：语言决定读者怎么进入内容。

3.10 实际汇报材料预览 · 眼见为实

通过一些仿真材料，看看丰富的交互模式

五份材料，五种不同的打开方式：三种容器风格（A 纵向场景 / B 章节式 Part / C PPT 舞台）、一份方法论深潜（风格 D）、一份企业转型蓝图（风格 E）。点击卡片，弹窗打开完整材料，随便翻、随便点。

容器 A · 纵向场景

维森集团
AI 赋能培训

培训语法 · 场景仿真 · 练习交互

🖱 点击打开完整材料

培训类 · 给全员讲 AI 怎么用

从"可说/可问/可办/可沉淀"四条线讲企业 AI 落地，内含可点击的场景仿真：和本材料同族。

A 容器培训场景仿真

容器 B · 章节式 Part

维森集团
信创改造方案

技术蓝图 · 架构板 · 证据台账

🖱 点击打开完整材料

方案类 · 信创与双平台架构

安全合规要求下的信创适配方案：架构图、迁移计划、风险台账：看技术内容怎么讲清楚。

B 容器方案架构图

容器 C · PPT 演示舞台

维森集团
售前交流汇报

价值主张 · POC 证据 · 一页一屏

🖱 点击打开完整材料

售前类 · 为什么选我们

价值主张 → 能力证明 → POC 验证 → 下一步计划。一页一屏的演示节奏，适合现场讲。

C 容器售前POC 证据

风格 D · 方法论深潜

ZSW 2.4
方法论深度版

生成路径 · 分层架构 · 质量门禁

🖱 点击打开完整材料

想挖深一层？看这版

ZSW 为什么不是"网页模板"：设计确认、内容底稿、质量门：方法论讲透的版本。风格 D 是"深潜"：不演示成品，直接讲这套方法的内在逻辑。

D 风格方法论深度版

风格 E · 转型蓝图

维森集团
数智化转型方案

建设目标 · 八大场景 · 数据治理

🖱 点击打开完整材料

方案类 · 从总体架构讲到实施路径

数智化转型全景：建设目标与总体架构 → 八大业务场景 → 数据治理分批 → 实施路径与运营保障。同一套 ZSW 方法，装进企业转型叙事。

E 风格方案转型蓝图

＋

下一份，就是你的材料

轮到你了

下次项目汇报、培训材料、售前交流：试着把意图说清楚，让 ZSW 给你出一版。PART 3 教你怎么构建自己的 SKILL。

→ PART 3

怎么看这些案例：每份材料用的容器、组件、仿真方式都不同：打开时留意它的骨架（纵向场景 / 章节式 / 演示舞台）、它用了哪些组件讲内容、有没有可点的交互。ZSW 的价值就在这：同一件事，可以有完全不同的"讲法"。

3.11 SKILL 使用教程 · WorkBuddy 实战仿真

在 WorkBuddy 里，从安装到出材料：
一次完整的“SKILL 使用”现场

前面讲了 ZSW SKILL 能做什么、里面有什么；这一页把在 WorkBuddy 里怎么用完整演一遍：装技能、回主界面、引用技能、喂材料、看方案、改意见、确认生成。点击下方按钮播放，也可直接点阶段条跳看。

WorkBuddyAI 工作台 · 拟真演示 v1.0

WWorkBuddy

▶任务

售前方案预审3 小时前

✓

周报自动汇总昨天

✓

⚡

新建任务新对话 · 尚未调用技能

WorkBuddy

你好，我是 WorkBuddy。今天想产出什么材料？可以按 / 调用技能，也可以直接描述需求。

← 返回主界面技能市场安装新的技能套件

🔍搜索技能 / 本地安装包…

全部已安装本地安装包企业套件

📦

ZSW SKILL-WorkBuddy-安装包.zip

ZSW 企业级演示套件：HTML 汇报 / 培训 / 售前 / 方案（本地安装包）

本地文件 · 6.4 MB · 含 5 个子技能入口

选择文件

未找到匹配的安装包

＋

输入指令，或按 / 调用技能

➤

按 / 调用技能

📄

html-anythingHTML 海报/页面生成

/html

🎬

html-presentationHTML 演示文稿

/pres

📊

pptxPowerPoint 生成

/pptx

🧩

zsw-presentation-suite企业级 HTML 汇报/培训/方案（ZSW 套件）

/zsw

🎓

zsw-presentation-training培训类材料入口

/train

1工作台就绪 2进技能市场 3选择安装文件 4安装成功 5回到主界面 6输入 / 弹技能栏 7选择技能 8引用文件 9发送指令 10AI 出方案 11修改意见 12确认生成

第 1 / 12 步 · 工作台就绪

演示逻辑：进入 WorkBuddy → 点“专家·技能·连接器”打开全屏技能市场 → 选文件 ZSW SKILL-WorkBuddy-安装包.zip（模拟文件浏览器 + 安装进度）→ 回到主界面 → 输入框逐字输入 / 弹技能栏 → 选中 zsw-presentation-suite，输入框内出现技能高亮块 → 继续输入指令，@ 引用 4 份文件（高亮 chip）→ 点击发送 → AI 读文件出方案 → 用户提修改意见（文本框中逐字输入）→ 确认后开始生成，左侧任务栏多一条真实任务。
控制说明：播放演示=自动从头到尾播放（适合课堂）；上一步 / 下一步=手动逐步讲解，每步可停留细看。

PART 04 · 自建 SKILL

动手：构建属于你自己的 SKILL

看完别人的不如自己有一个。这一章回答六个问题：SKILL 到底是什么、你要先明确什么、需要掌握什么能力、一个好 SKILL 长什么样、怎么让它能被反复使用，以及如何用脚本让它真正"动手"。

3.1什么是 SKILL：拆开看、写下来、用起来 3.2先明确：你的 SKILL 要解决什么 3.3需要掌握的能力（不是写代码） 3.4一个好 SKILL 的六条标准 3.5构建路径与复用成熟度 3.6进阶：带脚本的 SKILL，让 AI 真正"动手"

4.1 先认识它长什么样

什么是 SKILL：把它拆开看，就不可怕了

1.9 说过 SKILL 是"方法说明书"。这一页把它拆到零件级：一个 SKILL 文件里到底装了什么、目录长什么样、AI 是怎么"照着做的"。看完你就明白：它不神秘，甚至有点朴素。

一句话定义

SKILL = 一份"写给 AI 的岗位说明书"

就像你入职时看的新人手册：什么情况用得上（触发场景）→ 开工需要什么（输入）→ 按什么步骤做（流程）→ 做成什么样算好（标准）→ 哪些不能做（红线）→ 照着学的好例子坏例子（示例）。区别是：手册写给新人看，SKILL 写给 AI 看：但它们要回答的问题完全一样。

它是"技能"，不是"知识"：知识是"是什么"（报销制度 30 条），技能是"怎么干"（接到报销单先验真、再查超标、再给摘要）。SKILL 沉淀的是后者。
它是"资产"，不是"聊天记录"：聊天记录是一次性的，SKILL 是可复用的：这次调好，下次、下个人、下个项目都能用。
它是"活的"：第一次写出来是 60 分，用一次改一次： ZSW 自己就是这么长大的。

目录结构 · 真实的样子

一个 SKILL 文件夹里装什么？

my-skill/

├── SKILL.md ← 说明书正文（核心，纯 Markdown）

├── references/ ← 参考资料（模板、样例、知识库）

│ ├── 模板-周报.md

│ ├── 样例-优秀周报.md

│ └── 禁忌清单.md

├── scripts/ ← 可选的辅助脚本（不是必须）

└── assets/ ← 可选的图片、示例文件

SKILL.md 开头几行：

---

name: 周报生成

description: 用于周报场景，输入工作流水，输出标准周报

---

注意： 最重要的只有 SKILL.md 一个文件。references 是"把参考材料放它该放的地方"：让说明书保持短小，AI 只在需要时去翻。

SKILL.md 里到底写什么？：同一件事，正写与反写

✅ 这样写（AI 能照做）

## 触发场景

用户说"做周报"且提供了本周工作流水时使用

## 输入

- 工作流水：日期 + 事项 + 结果

- 汇报对象：领导 / 团队 / 自己

## 步骤

1. 按"成果 > 问题 > 计划"分三块

2. 每块先给结论句，再列 1~3 条证据

3. 数字必须带口径与单位

## 红线

- 不编造未发生的事项；不写"本周无事"

❌ 这样写（AI 只能自由发挥）

帮我写周报

// 没有触发场景：什么算"周报"？

// 没有输入：基于什么材料写？

// 没有步骤：先写什么后写什么？

// 没有标准：多长？什么结构？

// 没有红线：能不能编数据？

// AI 只能：猜 + 编 + 返工

这就是为什么"和 AI 聊天式交代"永远沉淀不出技能： 说没说明白，AI 全凭临场发挥，质量看运气。

📈 对"我"的好处

告别重复交代：一次说清，永远生效，不用每次重新敲一遍背景
质量稳定：AI 按说明书执行，不靠"这次状态好不好"
省下真时间：把"操作"交给 Agent，你只做判断和审核

🏢 对"团队/组织"的好处

方法脱离人而存在：老师傅的经验第一次能被新人"直接继承"
新人产出对齐老师傅：装上 SKILL，新人的第一份材料就有老手的完成度
可传播可演进：好 SKILL 能进技能市场，被更多人用、被一起改进

什么时候值得做？回到 1.9 那句话： MCP 解决"碰得到"，SKILL 解决"干得对"。凡是"你每次都要重新教一遍 AI 的规矩"，就值得写成 SKILL：高频、有方法、有质量波动，三者占两样以上，就动手。

4.2 第一步不是动手，是想清楚

你的 SKILL 应该解决什么？先过这四个问题（边想边勾）

SKILL 的本质是把"你的重复劳动 + 你的方法"固化下来。找不到值得固化的事，做出来的 SKILL 就是摆设。

✓

这件事我每周至少重复一次写周报、做报价、整理调研、写方案、做培训材料、复盘纪要…… 高频重复的才值得固化，一年做一次的事不需要 SKILL。

✓

这件事我有一套"自己的做法"步骤、顺序、看哪些材料、有什么讲究：你能把做法讲出来，SKILL 才有内容可沉淀。

✓

换个同事做，质量会明显波动说明这件事的质量依赖"个人经验"：这正是 SKILL 要消除的波动：把最佳实践变成默认行为。

✓

每次都要向 AI 重新交代一遍背景同样的要求重复敲：这就是 2.6 分享里说的"隐形知识没进入执行系统"，是 SKILL 最典型的适应症。

勾中两条以上：恭喜，你手里有一个值得做成 SKILL 的真实场景。勾中零条？先别硬做：回去观察自己一周的工作流，机会会自己浮出来。

几个真实的起点（我们身边的例子）

重复劳动	沉淀成的 SKILL
做汇报/培训/售前材料	ZSW：就是 PART 2 那个，从"我每次这么做"长出来的
每周从系统导出数据做周报	周报生成 SKILL：取数口径 + 模板 + 异常标注规则
售前前快速了解一个客户	客户调研 SKILL：查什么、看什么、输出什么结构
审核合同/报价里的常见坑	审核 SKILL：检查清单 + 红线规则 + 意见格式

4.3 破除最大的心理障碍

做 SKILL 不需要会写代码，需要的是"把方法说清楚"

✅ 真正需要的能力

把经验说结构化的能力："我一般分三步：先…再…最后…"：能把模糊手感拆成明确步骤。
把标准说具体的能力：不说"写得专业一点"，而说"标题不超过 20 字、每页一个结论、数字必须有来源"。
把边界说出来的能力：什么情况不适用、哪些红线不能碰、出错时怎么办。
给示例的能力：贴一个"好样子"和一个"坏样子"，胜过千言万语。

❌ 不需要的能力（别再拿它们当借口）

不需要会编程：SKILL 本体是 Markdown 写的"方法说明书"，是给人和 AI 读的自然语言，不是代码。
不需要懂模型原理：你只需要像带新人一样，把活交代清楚： AI 的理解力比新人强得多。
不需要一步到位：先写个能用的 60 分版本，用一次、改一次，三次之后就顺手了。ZSW 自己也是这么长出来的。
不需要求人开发：你自己就是产品经理兼作者，Agent 工具负责执行。

一句话：带得动实习生，就做得出 SKILL。区别只是：实习生会走心，AI 只会照做，所以你说得越清楚，它做得越像你。

4.4 质量标尺

一个好 SKILL 的六条标准（附反面教材）

✓

① 有明确的触发场景"什么时候该用它"写在最前面： AI 和人都能一眼判断"这个活该不该走这个 SKILL"。

✓

② 有清晰的输入与输出需要什么材料/信息才能开工？产出的东西长什么样、给谁用？两头都模糊，执行必翻车。

✓

③ 步骤可反复执行同样的输入，每次执行都能得到稳定质量的结果：不靠运气，不靠"这次 AI 状态好"。

✓

④ 有质量标准与检查清单做完怎么算好？ZSW 有质量门（每页有结论、连续页面不换壳、字号不下限），你的 SKILL 也应该有。

✓

⑤ 有正例与反例"要这样"配一个样例，"不要这样"配一个反例： AI 学这个最快。

✓

⑥ 能持续修改演进用一次发现一个问题就改进去：好 SKILL 是"养"出来的，版本越来越懂你的业务。

🚫 反面教材：一个"假 SKILL"长什么样

"帮我写方案的时候要专业一点，结构清晰，内容充实，语言通顺，不要太长也不要太短，要有亮点。"

没有触发场景：什么方案？给谁看？
没有输入输出：基于什么材料写？产出几页？
"专业/充实/亮点"全是不可执行的主观词
没有检查清单：写完怎么判断"够专业"？
没有示例： "亮点"长什么样全靠猜

这种"正确的废话"式 SKILL，效果约等于没有：因为 AI 每次还是在自由发挥。

4.5 从想法到资产

构建路径五步走，复用价值三级跳

构建路径 · 一个下午就能起步

记录：下次做那件重复的事时，把自己的操作步骤和"讲究"随手记下来：这就是素材。
结构化：按"触发场景 → 输入 → 步骤 → 标准 → 示例"整理成一份 Markdown。
试运行：让 Agent 按这份说明真做一次，看它哪里会跑偏：跑偏的地方就是没说清的地方。
补漏洞：把跑偏点写进说明，加示例、加禁忌、加检查清单。
养成：每用一次，改一版。三个月后，它就是你最顺手的"数字分身"。

LEVEL 1 · 个人自用

自己的效率杠杆

你的重复劳动被自动化，质量稳定：省下的时间都是你的。ZSW 的起点也只是"我自己做材料顺手"。

LEVEL 2 · 团队共享

团队的方法资产

放到团队共享目录，同事直接用：新人的产出质量直接对齐老师傅。方法第一次脱离"人"而独立存在。

LEVEL 3 · 生态复用

可传播的能力包

成熟、通用、有文档的 SKILL 可以进入技能市场，被更多人安装使用：你的方法开始产生超出你工位的影响力。

复用的前提：SKILL 里写的是"方法"而不是"你的私事"。客户名、内部路径、个人习惯要剥离：这也是为什么 ZSW 公开分享时只讲方法结构，不带项目细节。

4.6 进阶：让 SKILL 真正"动手"

带脚本的 SKILL：从"说给你听"到"替你做事"

前面讲的 SKILL 都是"说明书"：AI 读它，然后自己组织语言、调工具。这一页讲再进一步：在 SKILL 里挂一段脚本（Script），把重复、精确、一次要处理几百个文件的操作交给代码执行： AI 负责判断和调用，脚本负责稳定执行，各干各擅长的。

脚本到底解决什么问题？

精确

同样的操作做 100 次，结果一模一样：不手抖、不遗漏、不"差不多"

批量

一次处理几百个文件/几百行数据，人的耐心够不到的量级

可查

执行过程留日志、出报告：每一步干了什么，事后说得清

一句话原则：让 AI 做"需要理解"的部分（判断做什么、怎么拆、结果对不对），让脚本做"需要稳定"的部分（算、转、搬、查）。AI 不是被脚本替代，而是多了一双精确的手。

my-skill/

├── SKILL.md ← 说明书：什么时候调脚本

├── references/ ← 参考资料

├── scripts/ ← 本页主角

│ ├── audit_diff.py ← 例：对比两份清单找差异

│ └── gen_sitemap.py ← 例：生成材料目录树

└── assets/ ← 示例与模板

什么时候值得挂脚本？同一个动作你（或你的团队）重复 ≥ 3 次，且每次都要"精确 + 批量 + 可查"：就值得。只做一次的事，直接用对话让 AI 做，别过度工程。

怎么让 SKILL 讲清楚"脚本怎么用"：三件事必须写明白

① 什么时候调用

触发条件写进 SKILL.md 的流程里："当输入超过 20 个文件时，改用 scripts/batch_check.py"。让 AI 知道：不是每步都要脚本，是到了这个条件才用。

例：文件数 > 20 → 走脚本

② 怎么调用 + 参数

写清命令和每个参数的含义："python scripts/audit_diff.py --old 旧清单.xlsx --new 新清单.xlsx --out diff.csv"。参数说明要写到"AI 能自己填"的程度。

例：--out 指定输出路径

③ 输出怎么解读

脚本吐出的不是"答案"，是"半成品"。SKILL 必须告诉 AI："diff.csv 中 status=新增/消失两列是要点，汇总成三段话给用户"。解读权在 AI，不在脚本。

例：只汇总 status 两列

❌ 反面：让 AI 蒙着写脚本

# SKILL.md 里只有一句

"需要时写个 Python 脚本处理数据"

AI 每次现场编：没有固定入口、没有参数约定，每次生成的脚本都不一样
结果不可复核：没有输出规范，跑完不知道它算的对不对
环境必踩坑：没写用什么解释器、装没装依赖，第一次跑必报错

结果：脚本变成"玄学"，比不用脚本还不可靠。

✅ 正面：脚本是"定制的可靠工具"

# SKILL.md 里的调用约定

python scripts/audit_diff.py

# --old 上一版清单（xlsx）

# --new 本版清单（xlsx）

# --out 输出 diff.csv（必填）

# 输出列：status / 名称 / 版本 / 备注

AI 只负责"调度"：读入参、填参数、跑脚本、读结果、讲人话
每次结果可对比：同一脚本同一参数，结果一致：可复核
一次写好，长期复用：脚本本身也是资产，随 SKILL 一起迭代

结果：AI 的判断力 + 脚本的执行力 = 又快又稳。

一句话总结 3.6：脚本让 SKILL 从"讲方法"升级为"能干活"。但记住分工： AI 负责"理解"（何时用、参数填什么、结果怎么讲），脚本负责"稳定"（算得准、跑得快、留得下记录）。两者各管一段，SKILL 才真正"高级"。

PART 05 · 往前看

去货币化时代：
不转型，你的技能正在变得不值钱

这不是危言耸听，是正在发生的经济规律。看懂"去货币化"，看懂为什么所有人都在谈转型，以及那条正在变得清晰的新路： FDE。希望大家多学习 AI，现在就要动起来。

4.1去货币化：种地与拖拉机的百年寓言 4.2AI：继电力、飞机、手机、互联网后的第五大发明 4.3正在被蒸发价值的行业 4.4新岗位：FDE 前线部署工程师 4.5怎么成为 FDE：路线与迁移表 4.6现在就要动起来

5.1 一个必须先搞懂的词

去货币化：你的技能没有消失，它只是不再值钱了

什么是去货币化：一项技能从"能卖钱"变成"不值钱"：不是它没用了，而是机器让它的供给成本趋近于零。种地的技能还在，但没人再为"会种地"付溢价。
它消灭的不是技能，是定价权：拖拉机没有让农民消失，消失的是"纯卖劳力"的农民；留下的是会开拖拉机、会经营农场的人。
规律：每次重大技术革命，都会把一批"人力技能"去货币化，同时创造一批新岗位。问题从来不是"会不会失业"，而是"你站在被蒸发的这边，还是站在新价值的那边"。

刺耳但真实："我这项技能干了十年"在去货币化面前不是护城河：熟练只让你被替代得更"高效"。护城河是：驾驭新工具的能力 + 机器做不了的事。

5.2 把 AI 放进历史坐标

AI 是继电力、飞机、手机、互联网之后的第五大发明

每一次这个量级的发明，都重排了一次"什么技能值钱"。前四次我们都只是旁观者：这一次，我们正身在其中。

⚡

19 世纪末

电力

蒸汽动力工匠被去货币化；电工、电气工程师成为新贵

✈️

1903

飞机

跨洋航运的纤夫与马车物流被重排；航空业整套新岗位诞生

📱

20 世纪末

电话 / 手机

电报员、接线员退出历史；通信与移动生态岗位爆发

🌐

1990s

互联网

纸媒、实体零售、传统中介被去货币化；程序员与运营崛起

🤖

2020s

AI

设计、翻译、基础编码正在被去货币化；新岗位正在形成：比如 FDE

注意一个规律：每次发明从"出现"到"重排劳动力市场"的周期越来越短：电力用了几十年，互联网用了十几年，AI 的周期以"年"甚至"月"计。这一次，"等等看"的成本是历史上最高的。

5.3 正在发生，不是预测

这三个行业的价值，正在你眼前被蒸发

🎨

设计行业

海报、Banner、详情页、初版 Logo： AI 生图把"执行层设计"的成本打到接近零。甲方发现：以前三天的活，现在十分钟出十稿。

被蒸发：纯执行、套版式的美工
在升值：懂品牌、懂业务、能指挥 AI 出稿并把控品味的设计负责人

🌍

翻译行业

商务函件、文档本地化、会议同传初稿：大模型的翻译质量已超过多数普通译员，且秒出、免费。翻译社的报价体系正在崩塌。

被蒸发：字对字执行的笔译员
在升值：法律/医学等专业领域审校、跨文化沟通的本地化专家

💻

代码编辑行业

CRUD、页面切图、简单接口、测试脚本：编程 Agent 已经能独立完成并自检。"按行计费的初级外包"模式首当其冲。

被蒸发：只会接需求写基础代码的执行者
在升值：懂架构、懂业务、能设计 Agent 系统并验收结果的工程师：比如 FDE

共同的规律：被蒸发的都是"执行层"，在升值的都是"判断层 + 连接层"：懂业务、能负责、会驾驭 AI 的人。这正是 FDE 的定义。

5.4 从现在的岗位实现快速转岗

FDE · 前线部署工程师：把 AI 能力变成客户现场的真实生产力

FDE（Forward Deployed Engineer）= 软件工程师 + AI 应用工程师 + 技术顾问 + 产品经理思维。进入客户真实业务环境，负责从需求探索、方案设计到系统构建、生产部署的完整闭环。点击五边形的顶点，看每项能力具体指什么。

🤝 业务理解顶点 1

用户访谈、流程分析、需求转化、ROI 计算：听得懂客户的"行话"，把业务问题翻译成技术方案。目标：把业务问题转化为可落地的技术方案。

🚀 工程交付顶点 2

Python、API 开发、数据库、Docker、Git：两周内做出能跑的系统，而不是半年后交付一份 PPT。工程能力是地基。

🤖 AI 应用能力顶点 3

Prompt Engineering、RAG、Agent、Tool Use、Function Calling、Context Engineering： PART 1 讲的全部内容，在这里都是日常工具。目标：设计并落地 AI 应用解决方案。

🏗️ 系统架构能力顶点 4

REST API、OAuth、数据同步、权限设计、对接 ERP/CRM：让 AI 能进入企业真实流程，而不是停在演示环境。目标：从 Demo 到 Production。

💬 沟通协调顶点 5

写方案、做 Demo、开 Workshop、管理预期、跨团队协作： FDE 在客户现场工作，沟通不是软技能，是交付的一部分。

为什么 FDE 值钱：它干的是 AI 时代最难被去货币化的事： 深入客户现场，把 AI 能力变成可衡量的业务价值。连接技术与业务、推动 AI 落地、做客户信任的技术顾问。需求旺盛，薪资与影响力双高。

为什么智能化项目必须有一个"前线"角色？ 先对比两类项目的分工结构，再往下看

传统信息化 · 需求是"写死的"

调研

30%

开发实施

60%

UAT 验收

10%

需求调研收集一次，写进 PRD 就冻结：后续变更走流程，慢而重
大头在"实现"：把确定的需求翻译成代码，工作量可以预算
验收在最后： UAT 一次通过率低，返工成本高

为什么能这样：业务是"既定流程的固化"，需求可以提前问清。

智能化项目 · 需求是"长出来的"

场景与数据调研

50%

Agent 配置交付

30%

回归调优

20%

调研持续进行：场景边用边长，数据边理边清，需求边做边明
大头在"前端"：场景清单、数据质量、验收标准，决定成败
回归是常态：上线不是终点，效果调优、误报修复持续迭代

为什么变了：大模型能力"待验证"，客户说不清"AI 能为我做什么"，只能现场试。

结论：工作量重心从"实现"移到"调研 + 回归"，这两头恰恰都是要驻场、要沟通、要判断的活：这就是 FDE 诞生的结构性原因，不是某个公司的偏好，是项目形态决定的。

一个智能化项目的班底是怎么"长"出来的：传统项目组 → 智能化项目组的三阶段演变 不是空降一个 FDE，而是"AI 能力"逐步从售前长到交付、从外围长到核心

阶段一 · 传统项目组AI 只是"咨询"

售前AI 咨询 · 讲能力

PM懂点 AI · 管范围

传统交付团队会搭建 · 按单实施

AI 只存在于售前 PPT 和 PM 的"了解"里：交付团队按老方法实施，AI 需求进了项目就"落不了地"。

AI 从售前长到交付→

阶段二 · 引入 FDE咨询 + 方案并到一个人

PM管进度 · 对预期

FDE附带售前 · 咨询 + 方案

交付团队按方案实施

FDE 把"售前讲的话"翻译成"可实施的方案"：客户需求第一次有了"AI 懂行的人"在现场接住。

FDE 走向核心→

阶段三 · FDE 主导兼职 PM + 售前

FDE兼职 PM + 售前 · 场景 · 数据 · 验收 · 调优

AI 工程师配置 Agent · 接系统

交付团队实施 · 测试 · 交付

组织精简到"一个懂 AI 的人带着一支能交付的队伍"：决策链路最短，客户只认一个"技术负责人"。

演变主线：AI 能力从"售前 PPT 里的概念"→"FDE 手里的方案"→"交付团队日常的配置"：谁离客户现场最近，谁就慢慢长出对 AI 落地的判断力：这就是 FDE 这个岗位出现的结构性原因。

到了客户现场，FDE 每天面对的是这四类人

同样的功能，跟不同的人要说不同的话： FDE 的核心技能是"翻译"：在技术与业务之间来回翻译，直到两边都听明白。

客户 A

技术型

只聊技术：架构怎么搭、接口怎么接、数据怎么进。FDE 要用工程语言讲清实现细节，还要帮他想清楚边界。

客户 B

技术与业务都懂

最好带的客户：直接对齐业务目标与技术路径。FDE 要把方案做扎实，让他挑不出毛病，还要能接住他的追问。

客户 C

只懂业务

业务部门负责人。听不懂"API""向量库"。FDE 要讲场景、讲效果、讲 ROI： "以前 3 天的活，现在 10 分钟"比任何架构图都管用。

客户 D

技术业务都不熟

最考验功力：他可能连需求都说不清。FDE 要带着问题清单去，用具体场景引导他讲出真实痛点，再帮他确认"到底要不要做、先做什么"。

一个 FDE 的现场工作闭环：五步，步步都要落地

步骤	做什么	交付物 / 标准
① 梳理场景清单	把客户口头的"我想搞智能化"拆成一个个具体场景：报销预审、制度问答、工单分类、合同审阅…… 每个场景都要写清楚：谁用、解决什么、期望效果、判断标准。	场景清单（分优先级：先做哪个、后做哪个、哪些先不做）
② 明确输入输出	每个场景要问清：数据在哪（系统/表格/文档）？谁提供？多久更新一次？期望输出是什么格式？	输入输出定义（缺数据的场景先标出来）
③ 要数据 + 规划合理性	向客户要真实样本数据，并做数据合理性规划：字段够不够？口径统一吗？敏感数据怎么脱敏？样本量够不够验证效果？数据质量决定了 AI 落地 80% 的成败。	数据清单 + 质量评估（缺什么、谁补、什么时间）
④ 输出方案	基于场景清单 + 数据现状，输出可执行方案：用什么模型、要不要 RAG、要不要接系统、风险在哪、工作量多大。	实施方案（技术选型 + 阶段计划 + 验收标准）
⑤ 交接工程师配置交付	方案评审通过后，工程师按方案配置 Agent、对接系统、联调测试；FDE 留在现场验收效果、收集反馈、推进迭代，直到业务真用起来。	生产环境 + 运营数据（用户真在用，效果可量化）

一句话：FDE 是智能化的"前线翻译官 + 场景设计师"：场景清单写得越清楚，数据规划做得越扎实，后面工程师的配置和交付就越顺。这也是为什么 FDE 不一定要写很多代码： 把场景和数据搞清楚，本身就是最值钱的能力。

5.5 怎么成为 FDE

三阶段路线图 + 你现在岗位的最短迁移路径

阶段 1 · 0~3 个月

软件工程基础

目标：达到能独立干活的工程水平
掌握：Python、数据库、API、Docker、Git
项目：做一个小系统并部署上线

阶段 2 · 3~6 个月

AI 应用开发

目标：掌握 LLM 应用开发
学习：RAG、Agent、Tool Use、提示词工程
项目：企业知识库 Agent、业务自动化 Agent

阶段 3 · 6~12 个月

企业级部署

目标：从 Demo 到 Production
学习：Kubernetes、CI/CD、监控、日志、安全
项目：完整案例落地，稳定运行

从什么岗位转 FDE 最容易？对号入座，找到自己的迁移线

现在的岗位	迁移路径	要补的关键一课
软件工程师	软件工程师 → AI 工程师 → FDE	AI 应用能力（RAG/Agent）+ 业务理解
解决方案工程师	解决方案工程师 → AI 应用工程师 → FDE	工程动手能力，把方案变成能跑的系统
数据工程师	数据工程师 → LLM 应用工程师 → FDE	从数据管道到知识工程与检索
实施/交付顾问	企业研发经验者 → AI 落地顾问型 → FDE	你最懂客户现场，补上 AI 应用与工程两翼

普通人怎么一步步成为 FDE：不需要一上来就是"全栈天才"

FDE 是组合能力，但组合能力是分阶段长出来的。先把最容易上手的"场景与数据"做熟，再往"工程与 AI 应用"深入：每完成一档，你就已经是一个能干活、能创造价值的 FDE。

第一档 · 会用 AI 工具（1~2 周）

把自己变成"AI 重度用户"

WorkBuddy / DeepSeek / ChatGPT 天天用：写提示词、让 AI 做材料、做表格、整理资料。目标：亲身体验 AI 的能力边界，这是给客户讲"能做什么、不能做什么"的第一手素材。

第二档 · 场景设计（2~4 周）

学会"拆场景、要数据、定标准"

选一个你熟悉的业务（报销、合同、周报都行），按 4.4 的五步走一遍：写场景清单 → 定义输入输出 → 要数据并规划合理性。目标：输出一份能直接交给工程师执行的场景方案。

第三档 · 提示词 + 简单自动化（1~2 个月）

让 AI 稳定按你的要求干活

把第二档的场景用提示词实现：结构化的 prompt + 正反例 + 检查清单（PART 3 讲的 SKILL 方法论正好用上）。目标：能独立做出"输入数据 → 输出结果"的小工具。

第四档 · 接系统（3~6 个月）

让 AI 够得着客户的数据

学 RAG 与 Agent（PART 1 的知识在这全用上）、连 API、建知识库、写简单脚本。目标：做出"能跑的真系统"：不是 PPT 里的演示，是客户能点的页面。

第五档 · 完整交付（6~12 个月）

能独立扛一个客户现场

场景 → 数据 → 方案 → 工程师协作 → 验收迭代，全流程独立负责（4.4 的五步闭环）。目标：客户因为你在场而成功，这是 FDE 的终极验收标准。

给非技术背景的话：你不需要先学三个月编程再上场。先当"懂 AI 的场景设计师"（第二档就够你创造价值），工程能力跟着项目长：每做一个项目，代码、API、数据库这些能力就自然长出来。FDE 不是"技术最强的人"，是"把 AI 落地成业务价值的人"。

5.6 结语 · 现在就要动起来

技术为本，业务为先，价值为王，沟通为桥

100 年前，会开拖拉机的人
没有跟锄头比速度。
今天，会用 AI 的人
也不需要跟加班比时长。

希望你不是被时代推着走的那个人，
而是先动起来的那个人。

🚀本周就能开始的 5 件事

① 把 PART 1 的六个误区，讲给身边一个同事听：能讲明白才算真懂。
② 挑一件你每周重复做的事，用五要素写一条结构化提示词，跑三次。
③ 打开 2.8 的案例材料，翻一翻，记下三种你想用的表达形式。
④ 按 3.2 的四个问题，找到一个值得做成 SKILL 的场景，写下第一版说明。
⑤ 对照 4.5 的迁移表，给自己圈出"要补的关键一课"，排进下月计划。

PART 06 · AI 修仙

AI 名词修仙图鉴：
你认得哪些词，就在哪一层

把今天聊过的 AI 名词按"修炼难度"分成九重境界。每一层都给你：一句话讲清、大白话翻译、最容易信的谣言（并粉碎它）、以及和它同义/相关的词（支持点击跳转）。对号入座：我认识这些词，但是他们不认识我。

5.1九重境界：从练气到大乘，你认得哪些词 🔎支持按关键词搜索，找到你在哪一层

6.1 看完还不过瘾？来修真界逛逛

AI 名词修仙图鉴：你认得哪些词，就在哪一层

怎么用：点上面的境界标签切换，或用🔎搜索框直接搜词；每张词卡里，“大白话”是给外行听的版本，“粉碎谣言”是培训现场最常被问到的问题，“同义/关联”把相近词连在一起：比如"微调"和"训练"是什么关系，点一下就能跳过去。九层境界 = 从"听说过 AI"到"能给 AI 讲课"，每一层都值得一个名分。

✕ 清空

🧱 练气

🌱 筑基

🔥 金丹

👁 元婴

🌀 出窍

💫 分神

☯️ 合体

⚡ 渡劫

🐉 大乘

练气

第 1 重 · 练气

入门第一层：听过、用过，能叫出名字。

16 个词

AI 通识人工智能AI

让机器模仿人的智能：听懂话、看图、做判断。它不是"有意识的机器"，是一套把输入变成有用输出的算法。

就像计算器是你算数的外挂，AI 是你做判断和写东西时的外挂：它不知道"什么是猫"，但能认出图里的猫。

"AI 有自我意识，迟早统治人类"：它只是一套很会"接话"的程序，连"饿"是什么感觉都不知道。

相关 · 机器学习相关 · 大语言模型

AI 通识大语言模型LLM

用海量文字训练出来的 AI： ChatGPT、DeepSeek、文心一言都是。它擅长理解和生成文字。

一个把图书馆所有书都读过的人：你问什么它都能接上话，但它不一定"真懂"，只是很会"接龙"。

"大模型什么都知道"：它知道的只到训练数据为止，而且可能一本正经地编造答案。

看得懂 · 用得上 · 做得出把 AI 从"听说很厉害"变成你手里的生产力

六章地图：每章解决一个问题，一路从入门走到深入

重新认识人工智能：看看你所知道的人工智能是不是对的

会用 AI，就是这个时代的第一生产力

大家口中的"人工智能"，其实是四类东西

大模型不是"先想好整段答案再告诉你"，它是一个字一个字往外蹦的概率接龙

什么是大模型？什么是多模态？

大语言模型（LLM）= 读完了人类公开文字的"超级语感机器"

多模态模型 = 给语言大脑接上"感官"

大模型的"记忆"和"算术"，和你想的不一样

大模型有"记忆"吗？： 没有，只有"临时递纸条"

大模型为什么"算数不行"？： 因为它根本不"算"，它在"猜"

你日常用到的 AI 能力，一大半不是大模型自己的

👆 点左侧任意一个能力模块

一句话记住这页

这六句流行说法，每一句都是错的（点击卡片看真相）

不要什么都问 AI：六个真实场景，你来判一判

"把这页会议纪要浓缩成 5 条待办，@给对应的人"

"简历你都看了，直接告诉我录用谁"

"80 页合同里的风险条款挑出来，标上依据"

"帮我决定明年部门预算砍哪个项目"

"把这段中文翻成地道的英文商务邮件"

"把这月报销总额算出来，错了我被财务骂"

训练、微调、RAG：让 AI 懂你的事，有三条成本完全不同的路

从婴儿培养一个医学生

送全科医生去心内科进修

给医生发一本随时更新的手册

📚 缺知识 → 先 RAG

🎭 缺行为 → 先提示词，不够再微调

🧠 什么时候才轮到"训练"？三问自测

那到底谁才需要训练？办公领域 vs 科研机构，是两个世界

AI 获取知识的 四条路：预训练、微调、RAG、上下文塞入

"我想吃汉堡" vs "黄色的、两片面包夹着肉的东西"

"字面检索"RAG 和 "语义检索"RAG，是两代做法

最原始的形态

现在的主流做法

理解"关系网"

让 Agent 自己决定怎么查

同一个任务，两种写法： 看 AI 的理解会偏到哪里去

好提示词的五要素： 点一点，看它在右边提示词里的位置，以及为什么非写不可

① 为什么必须写清楚"角色"？

② 为什么必须交代"背景"？

③ 为什么必须写清"任务"？

④ 为什么必须规定"格式"？

⑤ 为什么必须写"约束"？

不是每次都要写满五要素：对话式交互，记住三个梯度就够了

多轮沟通的真正痛点：聊了很多轮，结果还是不满意

最高效的写法：一次写好，反复复用

三年三级跳：Prompt → Harness → Loop，人的角色一直在变

Prompt Engineering · 提示词工程

Prompt 编写者

Agent 系统设计者

Loop 架构设计者

都叫"智能体"，但 Workflow 和 Agentic 是两代物种

直接聊大模型 · 在中台搭智能体 · 让编程 Agent 替你干活三个界面，三种玩法，三种适用任务（点 tab 逐个看）

它是什么 & 适合谁

它是什么 & 适合谁

它是什么 & 适合谁

三类 AI 工具，一张表看明白：让合适的工具干适合的事

软件在你面前跑，重活不在你面前跑：三种用法，算力分别放在哪？

遇到具体任务，该找谁？： 场景速查

"帮我总结这篇行业文章"

"让 OA 报销单自动预审、给审批人摘要"

"把这堆散乱资料做成一份汇报材料"

"每天自动汇总各部门日报，异常标红推给我"

"把 200 份简历筛选出符合条件的前 10 个"

"新员工入职后 5 分钟学会报销流程"

同一个问题，两种答法

不是"谁都能干"，是谁最合适：四个场景，三种实现，一表看清

"离职流程怎么走？办哪些手续、找谁签字？"

"这笔报销要不要批？有没有超规则？"

"上季度华东区营收多少？趋势怎么样？"

"把这堆数据做成汇报 PPT / 整理本地材料"

客户问"工作都让 AI 干了，你们还有什么工作量？为什么还收费？"

MCP 与 SKILL： 能力是"装"上去的，不是模型自带的

MCP： 给 AI 一个"万能插头"，让它够得着你的东西

SKILL： 把"你脑子里的做法"写成 AI 能照着做的说明书

同一个 Agent，能力是一层层"装"出来的： 效果天差地别

只有 Agent（裸脑）

Agent + MCP（接上了手）

看得懂 · 用得上 · 做得出
把 AI 从"听说很厉害"变成你手里的生产力

重新认识人工智能：
看看你所知道的人工智能是不是对的

大模型不是"先想好整段答案再告诉你"，
它是一个字一个字往外蹦的概率接龙

大模型有"记忆"吗？：没有，只有"临时递纸条"

大模型为什么"算数不行"？：因为它根本不"算"，它在"猜"

AI 获取知识的四条路：预训练、微调、RAG、上下文塞入

同一个任务，两种写法：看 AI 的理解会偏到哪里去

好提示词的五要素：点一点，看它在右边提示词里的位置，以及为什么非写不可

直接聊大模型 · 在中台搭智能体 · 让编程 Agent 替你干活
三个界面，三种玩法，三种适用任务（点 tab 逐个看）

遇到具体任务，该找谁？：场景速查

MCP 与 SKILL：能力是"装"上去的，不是模型自带的

MCP：给 AI 一个"万能插头"，让它够得着你的东西

SKILL：把"你脑子里的做法"写成 AI 能照着做的说明书

同一个 Agent，能力是一层层"装"出来的：效果天差地别

泛微 AI 产品线：
五段式讲透“有什么、怎么选、怎么答”

用自然语言做汇报材料：
一个我自己一直在用的 SKILL

你把意图说清楚，它把材料做出来：一个"懂汇报的材料秘书"

四种顶层容器 = 四种"读法"：点一点，看它们各自的形态

组件不是"卡片皮肤"，是汇报的乐高积木：点开看真实结构

三种页面拟真：能看、能点、能带着走：同一个报销场景演示给你看

十二种内容组织方式 = 十二种"讲法"：根据内容选叙事，不是换个皮肤

十大模板家族：经过真实材料验证的"构图基因"，可直接用、可拆解重组

每个组件都有完成度下限：换配色、加圆角，过不了验收

同一段内容，三种长相：构图、字阶、气质一起变

在 WorkBuddy 里，从安装到出材料：
一次完整的“SKILL 使用”现场

SKILL.md 里到底写什么？：同一件事，正写与反写