不卖空洞PPT · 1~2周驻场跑通企业AI提效闭环

项目启动后先深入律师真实工作环境，持续观察诉讼团队工作状态，与合伙人律师高频深度访谈，追问每个环节的交付物、受众和可用性标准。不从模型能力出发设计功能，而是围绕"AI输出的结果必须是律师能直接使用、能交付给客户/法院的"这一原则，判断哪些交给AI、哪些留给人决策，确保系统真正贴合业务现场。

不改变律师原有工作方式，而是在原流程中逐环节寻找AI可嵌入的位置——材料通读与案件概要生成、口语化描述到法律语言的转化、证据/人物/法律关系的梳理等，最终形成7个标准模块。技术上采用"大模型 + 专业系统"分工协作架构：大模型负责自然语言理解、文本摘要和初步推理，专业系统负责案件知识图谱管理、法条结构化检索和判例精确匹配，两者通过统一案件工作空间整合为一体化体验。

最初入口是智能对话框，但律师每次提问都要重新描述案件背景，反而增加负担。调整为"先建案，再交互"的案件工作台模式：律师先上传材料，系统自动构建案件知识图谱，AI在完整理解上下文的基础上再与律师交互。律师无需学习提示词，用专业语言直接表达需求（如"帮我分析诉讼策略""整理证据清单""生成客户报告"），所有分析结果和文书草稿都沉淀在案件空间，形成可追溯的工作记录，AI从一次性工具变成全程协作伙伴。

建筑CAD图纸包含墙体、门窗、空间标注、面积数据等大量专业信息，通用大模型无法直接理解。团队自研专用图形解析模型，准确识别图纸中的建筑元素和空间结构，自动完成区域分区和空间信息提取，为后续消防设施布置提供精确的输入基础。这一步是整个方案的技术底座——图形理解错了，后续一切生成结果都不可靠。

将消防规范条文转化为系统可执行的规则引擎：不同空间类型（办公、商业、车库、设备用房等）对应不同危险等级；不同危险等级决定喷淋系统的K值、喷头间距、保护面积等参数；消火栓布置需考虑覆盖半径和消防通道要求。AI生成方案时自动遵循行业标准，而非自由发挥。系统明确边界：AI负责基于规范规则的自动化生成，不做超出规则范围的"创造性判断"，确保工程场景的可靠性和合规性。

遵循"AI负责生成，人负责决策"的原则，设计分层使用模式：对于常规空间（标准办公室、走廊等），提供默认参数的一键生成能力，降低使用门槛；对于专业用户和复杂场景，开放危险等级、K值、喷头间距、布置方式等参数调整入口，支持精细控制。AI生成结果定位为"专业可用的初稿"，设计人员负责审核、调整和最终专业判断，最终决策权始终在人手中。这种模式既释放了AI的效率优势，又尊重设计人员在专业责任和质量控制中的核心地位。

将每家餐饮商户的核心信息（门店类型、主打菜品、活动信息、卖点定位、老板表达方式、目标客群等）结构化沉淀为商户知识库，同时建立爆品、制作过程、出餐画面、顾客反应、老板表达、门店环境等多维度素材标签与筛选标准。AI基于商户真实知识库进行内容生成，而非通用模板，从源头避免"AI味"和脱离实际的表达。

围绕"选题匹配 → 文案初稿 → 多版本适配 → 脚本框架"搭建完整AI生成链路。结合商户知识库、菜品卖点和爆款内容参考，自动匹配合适选题、生成多版本文案初稿，并输出可直接用于拍摄的脚本框架（含人物表达、情绪节奏、声画配合等拍摄要素）。将提示词、业务参数、校验审计Loop等机制组合成稳定工作流，而非单个Prompt，支撑每天200-300条的规模化产能。

AI先生成内容，运营人员负责审核把关、创意判断和最终确认。建立明确的回退机制——某个节点AI做不好就交还给人，问题定位后再迭代优化。同时结合平台真实数据反馈（完播、留存、转化等）和团队主观反馈，持续调优提示词、流程逻辑和模型选型，让内容风格越来越贴近团队自己的标准，实现"越用越好用"的迭代效果。

以OpenClaw/WorkBuddy为智能体运行底座，部署在卖家本地环境（数据不出本地）。用户从飞书/钉钉等日常办公入口发起任务，智能体在本地调度选品、Listing、1688询盘、文件处理、浏览器操作等Skills执行，结果自动回写到表格或办公软件。核心交付不是一个独立APP，而是一套能够重复执行、人工可审核的智能体工作流——包含选品表、复筛表、产品开发表、侵权风险分析、多站点Listing、自动化脚本、Skills、操作说明和演示录屏。

将卖家的人工SOP、成功样本和失败反例系统拆解，沉淀成可修改的规则和模块化Skills：① 选品分析流水线——站内海选→关键词CPA分析→市场竞争全景→标品/非标品判断→四维打分模型→投资建议，5个阶段逐步筛选，每一步都有明确的数据查询和过滤逻辑；② Listing生成全流程——关键词整理→竞品分析→多站点文案生成→规则检查（字符数、关键词密度、合规性等），批量输出符合平台要求的商品页；③ 广告策略自动化——广告策略库 + SP广告批量填表，根据选品结果和开品指数自动生成广告投放结构。所有规则都可调整，适配不同卖家的经营模式（精品/精铺/泛铺）。

遵循FDE的核心原则——诚实判断哪些环节值得自动化、哪些应该保留人工审核。对于边界明确、规则稳定的场景（如抖音达人广场选品：浏览器自动化取数 + 本地筛选 + Excel输出），用轻量工具快速交付；对于复杂、判断多、口径会变的场景（如亚马逊选品），采用"AI做大量数据处理 + 人做最终判断"的协作模式，不强求100%自动化。重型定制项目先验证标准化程度、数据稳定性和投入产出比，避免为自动化而自动化。

不做"一个会聊天的分析师"，而是当作一套业务系统来设计。把原来的数据分析过程拆成细粒度的不同组件（理解问题、数据处理、分析推理、结果输出等），每个组件选择最合适的实现方式——不一定都是大模型，确定性的逻辑用确定性代码，需要语义理解的用模型，需要验证的加校验层。通过系统设计把模型的随机性放进可控的业务流程里（类似汽油本身不稳定，但汽车工程让它安全稳定地驱动车辆），确保同一问题重复执行结果一致，消除"同一个问题问两遍答案不一样"的情况。

支持围绕数据的自然语言持续追问，用户可以像跟分析师对话一样逐步深入分析（"这个基站为什么异常？""影响了多少用户？""和上周同期比怎么样？"）。区别于传统BI只能回答预定义问题，Agent系统可以动态生成分析、追踪问题根源。同时保持用户习惯的交互入口（网页应用、Teams、Slack等），不让员工重新学习一套复杂系统。

将Agent部署到云端，支持多用户统一控制、监督和使用。不同用户共同产生的数据和经验反过来提升系统（包括记忆、语义层等能力），形成越用越好的正向循环。架构层面重点优化成本：模型调用只是成本的一部分，更重要的是调试效率和长期运行成本——好的架构像一辆省油的车，差的架构一直在漏油。

不追求"纯AI"，而是用混合方案解决真实问题——一部分是模型和Prompt，一部分是传统业务规则，还有一部分甚至是运筹学。系统先收集客户需求（车型、操作员、油费、距离、作业类型等），再根据多种因素计算一个合理的报价区间。AI负责和客户沟通、理解需求、判断能不能快速成交；规则和算法负责价格计算的准确性和稳定性。一个订单几分钟内完成判断——能成交的快速进入调度，不能成交的就不继续消耗老板时间。

将订单按价值和复杂度分层：① 大客户/高价值订单——不交给AI，老板亲自判断和谈判，因为大客户价格不透明、价值足够高，老板自己处理才是最有效率的方式；② 标准化长尾小订单——系统先收集需求、计算报价区间、AI做初步沟通，能在区间内成交就继续推进，复杂或不接受的转人工或放弃。核心逻辑是：把老板的时间用在最值钱的地方，AI负责把老板不应该亲自处理的事情接下来。

入口足够轻——通过小程序、微信Bot等客户已经在用的渠道承接询价和订单，不要求下载App或学习新工具。前端做得足够简单，必要时加入语音交互。技术方案未必最优雅，但在真实业务里才能真正跑起来。同时从获客端到报价端打通完整链路（抖音、快手、小程序等都纳入考虑），因为前面没有客户进来，后面的报价再精准也没用。整体推进采用POC验证→路线图→逐步扩展的节奏，先让客户看到小结果建立信任，再一步步挖更深的需求。

针对车管所约 9 类图像材料（身份证、合同、发票、营业执照等），用真实业务数据逐类收集、标注和训练，构建机器视觉 + OCR + 大模型的识别与信息提取能力。机器视觉负责"看"——识别材料类型和关键区域；OCR 负责"读"——提取文字信息；对合同等复杂非结构化文本引入大模型做语义理解和字段提取。系统持续用真实业务中的异常样本（只拍国徽的身份证、极小字体合同、多次复印后的低质图片等）补充正负样本迭代优化，识别率从 70%+ 逐步提升到约 98%。

不做孤立的识别工具，而是把识别、审核、填单和跨系统数据流转整条链路串起来。识别完成后，系统自动完成信息校验和审核判断，再通过 RPA 将数据搬运至车管所原有 Web 系统及公安部统一业务系统，实现端到端自动办件。工作人员不需要学习新系统，日常只需查看结果和报表，仅异常情况才需人工介入。AI 直接成为原业务流程中的执行环节，而不是旁边多出来的一个工具。

政务场景下项目立项涉及报告、预算和技术可行性论证，客户对 AI 效果没有把握时不会直接投入。团队先承担部分售前成本，选取部分场景先做出可运行的效果；同时通过持续运维交付积累信任。当 AI 方案跑出实际数据、叠加人员减少和效率压力等外部条件变化后，项目才正式获得立项机会。交付后客户持续追加新业务场景，并共同成立 AI 创新实验室持续合作。

搭建三层底座确保产出"经得起推敲"。数据层：报告中的关键数据来自规划院提供的真实空间与业务数据，通过专业工具计算得出，不让模型自己猜数。知识层：将规划规则、专业文档整理后接入 RAG 检索增强，让 AI 在回答"为什么不能建在这里"时能快速定位到具体规定和依据。模板层：归纳各部门原有报告习惯和行业模板，形成相对通用的输出结构，保证报告格式符合专业交付标准。

明确分工——大模型负责理解任务意图、调度流程和生成报告文本，专业 GIS 工具负责空间计算和精准分析，人负责最终决策。AI 作为调度者：规划师提出任务后，AI 理解意图，调用对应的数据源和专业工具完成分析，把计算结果组装成报告。对高频、规则明确的任务固化为标准化工作流；对开放性更强的长尾研判任务交给 Agent 灵活处理。不迷信技术先进性——传统优化算法比大模型精准的场景就用传统算法，硬编码能解决的就不强行上模型。

没有把所有功能塞进一个聊天框，而是保留规划师熟悉的工作方式：左侧是筛选条件和专业工具，中间是地图（规划师真正的工作台），右侧才是 AI Copilot。AI 调用工具或完成分析后，结果直接回显到地图上，规划师继续在地图上推敲和决策，不需要为了 AI 重新学一套工作方式。一期先将范围收敛到具体区域单元和两条核心业务流验证，数据治理和场景足够小才能做干净、做精准、让业务人员愿意相信结果。

先通过跟岗观察和主管访谈，梳理新人最常遇到的问题、最容易反复出错的知识点，以及哪些内容属于老师傅才掌握的隐性经验，形成一张知识地图。在此基础上，将企业已有文档导入并做文档解析，同时将老师傅的隐性经验抽象提炼后纳入知识体系。通过 RAG 检索增强让 AI 能够理解和检索这些知识。以前期高频问题作为测试集验证效果，文档解析率达到约 95%、问题召回片段准确率达到 80% 以上后才认定技术通路跑通。

没有给员工一个独立的"AI 聊天入口"，而是把 AI 知识能力直接接入企业实际使用的培训平台，设计了一套类似在线课程打卡的培训流程。新人可以看到自己在规定时间内的学习完成情况；每节课程设有问答环节对学习结果做简单验收；带教师傅也可以在平台上查看新人当前进度。AI 成为原有新人培训流程中的一个环节，而非额外增加的独立工具。

系统上线后持续陪跑近两个月，根据员工实际使用情况反复调整前端易用性、页面设计和问答效果。重点关注新人是否真的愿意学、老师傅是否愿意查看进度、学习结果能否被有效验收。坚持复用企业已有技术栈和平台，不为展示技术能力推翻客户已有的东西，把 AI 落地从"系统上线"推进到"业务真正在用"。

采用"大模型负责调度，专业算法负责计算"的分工架构：大模型负责理解业务人员需求、解析任务、调用装箱算法、解释最终结果；真正的三维空间计算由Python专业算法完成，包括高度图3D空间追踪、贪心放置、多策略排序和遗传算法等。充分发挥大模型的语言理解与调度能力，以及专业算法在确定性计算上的优势，避免大模型直接做空间计算的短板。

最初方案追求空间利用率最大化，但现场反馈部分理论最优方案操作困难（需进入车厢内部、频繁调整货物位置）。团队重新调整目标，设计"截面法"——按车厢截面从里向外规划装载顺序，工人只需站在车门位置操作，无需踩踏货物进入车厢。同时将复杂算法结果转化为简单的装车指导图（含货物编号、摆放方向、截面示意、装载顺序），让一线工人能直接看懂、直接执行。

车辆真实内部尺寸是计算准确性的基础，团队摒弃高成本的专业扫描设备，采用iPad Pro LiDAR结合激光测距的方式，把硬件成本控制在约8500元，在保证精度的同时让企业能接受。整体方案将老师傅脑子里的经验转化为数据、算法和可执行方案，原来只有老师傅才能完成的工作，现在通过标准化流程即可复制，一线工人按指导图操作就能达到接近最优的装载效果。

将原本散落在纸质表单、Excel、微信聊天中的维保检查记录、维修工单、客户信息、设备档案统一迁移到线上系统，建立完整的项目-设备-检查-维修数据链路。替代过去"纸表+Excel+微信"的碎片化模式，让每一次检查、每一次维修都有可追溯的数字记录，为管理者提供实时业务视图。

针对月检表、季检表等高频重复填报场景，AI基于设备历史检查记录自动生成建议填写内容（如长期存在的相同异常自动带入、季节性问题自动提醒），减少维保人员复制粘贴式重复劳动。同时支持检查数据一键生成客户报告和监管要求的标准文档，大幅降低文档整理时间。

整合多项目执行数据，为管理者提供项目风险看板——哪些项目维保执行到位、哪些客户存在消防风险、哪些关键节点可能影响回款，一目了然。同时打通一线维保、客服、财务等多角色的协作流程，工单自动流转、异常自动预警、风险自动升级，让个人经验逐步沉淀为组织能力。

打通聚合SaaS库存数据、飞书业务信息、物流照片、广告投放等多源数据，搭建统一数据中台（含Supabase云端数据库中转层）。对工厂发货物流照片，通过AI自动识别物流单号、商品信息并回填系统，将每人每天4～5小时的人工看图回填压缩到1小时以内，从源头解决数据割裂和人工搬运问题。

基于客户原有的补货规则公式（近三月销售+预测逻辑+安全库存），AI自动计算每个SKU的补货数量和补货周期，筛选出需要补货的SKU并生成补货建议，自动输出标准订单格式。运营人员从"对着Excel一条条算"变为"AI生成建议 + 人工确认调整"，补货流程从2～3小时压缩到分钟级。

将库存、订单与广告投放数据联动，当SKU库存低于阈值时，AI自动判断并建议调低或暂停对应广告投放，避免一边烧广告费一边发不出货的浪费。同时支持按库存健康度动态分配广告预算，让预算向库存充足、动销好的商品倾斜，实现库存与营销的协同优化。

基于商品卖点、达人标签、内容风格、受众画像等多维度进行智能匹配，从海量达人中筛选出高匹配度的目标名单，输出建联优先级和推荐话术方向。BD从"大海捞针"式逐个查找，变为直接对精准候选人展开商务沟通，大幅提升建联效率和命中率。

自动提取商品核心卖点（口味、品牌联名、价格带、使用场景等），与达人内容属性和受众特点进行智能匹配，推荐最适合的达人组合；同时结合爆款内容参考和达人风格，提供可选拍摄脚本和创意方向参考，解决达人"不知道怎么拍"的卡点，降低履约阻力，提升接单率和内容质量。

系统自动追踪每个达人的履约节点状态（寄样、收样、拍摄、提交、上架），根据截止时间和状态智能触发提醒，未响应自动升级人工处理；同时打通建联、履约、商品、GMV等多源数据，提供"达人—履约—GMV"全链路可追踪的管理看板，管理者从数据拼凑变为实时掌握业务漏斗全貌。

引入"知识萃取师"角色，深入各业务岗位（法务、财务、运营、行政等），把员工脑子里的隐性经验和隐性流程显性化——怎么做、为什么这么做、哪些情况是例外、什么情况下必须人工判断。将散落在文档和人员经验中的知识加工沉淀为知识库，同时把每个岗位依赖经验完成的工作拆成明确可执行的流程步骤。先有业务知识和流程，再谈Agent和AI应用，从根源减少大模型幻觉。

搭建统一的AI能力平台，包含知识库管理、多模型调度、Agent编排和MCP数据接口能力，对接企业已有的OA、ERP、数据中台。在此基础上按业务场景逐个落地Agent：法务场景——合同关键条款自动识别与风险筛查，AI先做一轮筛查、挑出需重点关注的内容，法务最终确认；财务场景——票据核对、报销校验等重复工作自动化；行政场景——自助柜库存查询与补货提醒等。每个Agent都遵循"AI做大量重复工作，人做最终确认和承担责任"的设计原则。

将项目从"IT牵头的技术项目"升级为"人事牵头的组织转型项目"。对相关业务部门开展AI通识培训，让员工具备基本的AI认知，理解AI是助手而非替代者，学会用提示词和简单Agent解决自己工作中的问题。当行政同事能自己用提示词搭建自助柜补货提醒工具时，意味着企业内部开始长出自我造血的AI使用能力——FDE交付的不只是工具，更是让组织获得自己发现问题、自己用AI解决问题的能力。

基于OCR文字识别与视觉比对能力，自动识别纸质单据/扫描件上的商品明细、金额、数量等关键字段，与门店收银系统数据、商场结算系统数据进行自动交叉核对。按结算周期定时运行，完成第一轮全量比对——能匹配上的直接确认，有差异的标注出来。员工从"从头到尾自己核"变为"只看AI筛出的差异项"，对账主体工作由系统承接。

对核对出的差异进行分级处理：金额差异、数量差异、单据缺失、系统口径不一致等不同类型分别标记，匹配对应处理路径。小差异自动归类说明原因，复杂差异推送给人工判断。员工拿到的是已经结构化的差异清单（而非原始单据），可以直接针对差异项与商场方沟通确认，大幅减少反复拉扯的流程成本。

面向门店人员提供简洁的对账结果看板，直接呈现本期对账进度、已确认项、待处理差异项和差异金额统计。无需员工额外录入数据或学习新流程——AI嵌入在原有对账周期内自动运行，员工第一时间感受到的是"第一轮已经有人帮我做完了"。系统架构从Day One就考虑规模化扩展：一期轻量化落地（少数门店验证价值），二期预留后端数据与冗余机制，支持从几个门店扩展到几百上千个门店的并发运行。

针对海外经销商数据来源复杂、格式不统一的问题，搭建AI数据处理引擎——自动从PDF、图片、Excel等非结构化/半结构化数据中抽取销售、费用、库存等关键字段，完成数据清洗、格式转换和口径对齐。Sell In和Sell Through的数据在源头就被统一到同一套业务口径下，解决"两边数据对不上"的根本问题。支持不同国家、不同渠道的差异化规则配置，避免"一套规则打天下"的硬伤。

基于历史活动数据、区域参考水平和行业规则，构建市场费用异常识别模型。对经销商提交的每一笔费用申请，AI自动进行交叉比对（历史活动对比、区域均值参考、类似案例匹配），标记出异常费用并附带判断理由（如"该渠道陈列费高于区域平均2.3倍"、"存在重复时段重叠"）。最终仍由人工审核确认，但审核人员从"从零开始一条条看"变为"只看AI标记的异常项"，问题识别率从不到10%提升到约30%，显著减少市场费用浪费。

在企业现有管理系统上叠加AI数据层，不推翻原有流程和工具。打通后的Sell In / Sell Through数据进入统一数据看板，支持按市场、渠道、SKU多维度查看。同时提供自然语言查询能力——业务人员可以用大白话直接提问（如"这个SKU为什么上个月掉了，是价格、铺货还是渠道问题？"），AI定位到具体数据行并呈现来源，每个数字都能点开追溯到原始凭证。硬约束：溯不回去的答案不让AI答，确保每一个结论都有数据依据。周会从"对数"直接进入"决策"，管理方式从经验驱动转向数据驱动。

从0到1整理出一套面向AI Coding协作的Spec文档体系，替代传统PRD模式。将研发协作从"围绕一份文档"转向"多份文档分工协作"，重新定义产品经理、前端、后端、测试、运维各角色在AI Coding流程中的输入输出和协作边界。Spec文档不是扔给客户的标准答案，而是通过不断拆解、逐步抛出、跟客户确认、根据反馈持续调整的方式逐步形成的——确保它真正贴合企业现场，而非照搬行业通用模板。

不做一天的工具培训，而是设计从前到后的完整路径：为什么企业要转型、研发人员为什么要使用、工具怎么进入原有流程、角色怎么变化、最终怎么沉淀成企业自己的方法。五天半中既是培训也是观察、既是教学也是咨询，现场发现问题现场调整。分三期迭代推进：第一期摸清企业真实水平和场景，第二期根据积累的经验调整内容，第三期扩展到产品经理等更完整的角色参与，从单纯研发培训升级为组织转型。

针对不同角色设计不同的内容和目标：老板关注组织整体转型和投入产出；研发人员关注工具能不能真正提效；产品经理关注研发流程怎么变化；HR关注每天能获得什么进展。核心方法不是"教工具"，而是让大家直接从自己的业务开始拆——从组织目标到价值链到岗位再到输入输出，找到每个岗位可以由AI帮助完成的部分。让业务人员真正在自己的业务里做出一个AI能力，比讲十堂课都有效。

将财务流程拆分为三段式架构：① AI判断层——自动识别发票信息，关联员工出差申请、审批意见、部门、项目等业务信息，结合财务规则判断费用归属科目和处理方式，替代过去"人去系统里找信息、判断信息"的工作；② AI监督层——设计多AI角色协同机制（执行AI + 监督AI + 风险AI），对判断结果进行交叉验证，确定性高的直接流转，不确定的标记风险、推人工重点关注；③ RPA执行层——AI判断完成后，RPA机器人自动打开浏览器、进入集团网站、创建单据、填写信息并提交，替代过去的手工录入操作。整个人的角色从"处理所有事情"变为"只处理真正需要关注的风险和异常"。

不一开始就做宏大的AI转型项目，先找离业务最近、最痛、最容易产生ROI的场景做第一个"破冰项目"。让业务人员真正用一次，发现AI确实能帮自己省大量时间。当业务团队自己尝到红利以后，才会愿意和你站在一起，继续做更大的事情——项目从"你要让我用"变成"我希望你帮我继续做"。报销场景就是典型的破冰点：全员有感、痛点明确、ROI立竿见影。

拒绝"外挂式改造"，坚持业务陪跑——跟着业务人员一起做几天，看真实工作流程，把隐藏在流程里的判断和经验主动梳理出来，不让业务人员自己整理完整需求文档。投入由轻到重：先用小场景证明价值，再推动基础设施建设（如私有化部署、算力一体机等），不能反过来。场景选型坚持"因材施教"：财务场景需要严谨就选严谨的模型，科研场景需要专业计算就选对应能力的模型，不执着于某一家模型。最终目标不是交付一套系统就结束，而是通过运营持续深耕，形成商业闭环。

利用多模态大模型能力，自动识别PDF、CAD等不同格式图纸中的材料、尺寸、结构要求等关键信息，并将非结构化图纸数据转化为结构化字段，为后续业务流程提供标准化输入。替代过去人工逐项打开、阅读、理解图纸的碎片化模式。

将结构化后的客户需求与企业自有物料库、供应商体系、历史报价数据和工艺规则进行匹配，通过垂类Agent串联需求拆解、物料匹配、工艺判断和成本核算环节，每单输出结果经人工校准后对外报价。报价基于企业真实条件而非模型通用知识，确保数字与真实成本对齐。

将老师傅的工艺知识、物料映射逻辑和报价判断规则逐步标准化并沉淀到数据资产中，配合人工校准与回填机制，形成"AI生成→人工修正→数据回填→模型迭代"的闭环。识别和报价准确率随真实数据越滚越高，人工需审部分越来越少。

逐个部门访谈看真实痛点，用4维模型筛选价值最高的场景先行试点——不是看到问题就上AI，如销售数据本质是信息化与数据化的问题，先交给CRM和BI解决。

将散落在销售个人和小团队Excel中的客户、订单、提成绩效等数据统一迁入CRM系统，并打通ERP等既有系统建设统一数仓，为后续数据分析与AI应用建立可被获取、被汇总、被使用的数据基础。解决"数据都没有，模型再聪明也没有东西可以分析"的瓶颈。

基于统一数仓，通过BI将销售数据转化为动态经营大盘，并引入AI参与趋势归因分析，结合销售日报、周报和客户拜访记录，让决策层除了看到结果数字，还能更快理解销售大盘发生了什么，辅助下一步经营调整。

将销售培训内容转化为AI陪练与电子化考试闭环，新人通过AI反复练习并通过考试后上岗，缩短上手周期；在招聘端部署AI简历筛选、打分和自动化一面能力，将老销售从筛简历、面试等事务中释放出来，把时间还给客户拓展。

不是给每个设计师发一个 AI 账号，而是把 AI 生图能力封装成一套统一的生产工作台。员工不再需要自己写提示词、处理水印、反复调参，而是在系统中选择商品、选择场景模板，由系统自动调用 AI 生成商品主图、详情素材和带货视频。生成参数、模板和流程由系统统一管理，产出质量不再取决于个人的 AI 使用能力，实现"谁来操作都是同一套标准"，把原本分散的个人行为收敛为可管理的公司级生产流程。

在生产环节之外搭建统一的商品管理和素材资产中心。每个 SKU 关联其对应的主图、详情图、视频等全部素材；AI 每一次生成的内容直接进入资产库，按商品、品类、场景结构化存储，而非散落在设计师个人电脑。素材可检索、可复用、可追溯，人员变动不影响资产完整性。让每一次内容生产都为企业积累数据和素材资产，AI 从"用完即走的工具"变成持续增值的企业能力基础设施。

针对电商场景"图必须和实物一致"的硬性要求，在生产流程中内建一致性审核层。系统从人物一致性、服饰一致性（版型/颜色/细节）、场景一致性三个维度做 AI 自动初检，不达标的素材直接拦截；通过初检的再进入人工复核环节，由设计师确认是否符合品牌审美和商用标准。审核结果回写系统，逐步积累质量判定数据。坚持"AI 负责规模化筛选、人负责最终业务判断"，在提效的同时守住商用安全底线。

保留原有ERP系统（继续承担业务录入和流程管理功能），通过只读同步将订单、生产、采购、库存、发货、开票等数据抽取到独立的业务镜像库，按经营逻辑重新组织和匹配字段。以订单为主线串起生产任务→采购齐套→质检复核→发货准备→开票回款全链路，让老板能从一笔订单穿透查看每个环节的状态和数据，解决"数据都有但看不清"的问题。

将AI作为"数据关系处理器"，自动完成过去大量依靠人工的数据匹配、核对和关联工作：比如自动判断财务应付款与哪些采购单、客户订单、入库记录对应，自动识别库存数量与采购到货量的偏差，自动校验价格合理性。对关键业务节点设置判断规则，一旦出现异常（缺料、质检不通过、交期风险、价格异常等），主动通过飞书卡片推送提醒给相关人员。形成"正常自动流转 → 异常主动上浮"的闭环。

面向管理者提供经营视角看板，呈现订单全貌、关键KPI、今日重点关注事项和异常清单。看板不是简单的数据汇总，而是按经营逻辑组织的——哪些订单有风险、风险在哪个环节、需要谁来处理，一目了然。老板从"到处问人找信息"变成"看异常、处理问题"，管理方式从被动询问转向主动干预。

将包装审核拆解为不同层级的检查模块，采用"OCR/VLM视觉理解 + 固定规则脚本 + 历史经验沉淀"的组合方案：① 确定性问题（错别字、法规标准、NRV能量计算）由AI自动预审，热量表和NRV计算逻辑固化为确定性代码，可复现验证；② 渠道要求等随反馈逐步标准化的内容，每次驳回记录沉淀为规则，下次自动预审；③ 审美表达、产品定位判断等高阶决策留给产品经理和设计师，AI提供历史销售表现、过往驳回记录等上下文支持。设计稿一提交即自动跑一轮预检，在交给下游之前就把问题拦下来。

把Agent放进业务群里持续观察两三周，从真实沟通中自动识别问题点、沉淀经验、发现AI可介入的机会，而非依赖外部顾问靠访谈理解业务。同时搭建产品生命周期的知识沉淀机制：每一个最终上线、被市场或监管验证过的包装、配方、决策，都作为高质量样本沉淀；历史驳回记录、整改闭环、渠道反馈持续积累，形成可复用的经验库。基于这些沉淀，AI可以在设计早期就提醒"这个渠道的标识位置历史上被退过三次"，从"事后挑错"走向"事前辅助"。

不做单纯的AI工具培训，而是引导业务人员从自己的业务开始拆解：组织目标→价值链→岗位→输入输出→哪些可以由AI帮助完成。通过黑客松等实践方式，让业务同学自己动手做出真正能用的东西（如视频生成脚本、电商视频编导、考勤自动清洗等）。FDE承担"AI架构师 + AI HRBP"双重角色：AI架构师负责底层系统、知识库、Skill、Workflow怎么搭；AI HRBP负责搞清楚组织到底有什么问题、哪些经验该沉淀、哪些事交给AI、哪些留给人。最终目标不是交付一套系统，而是让组织获得自己发现问题、自己用AI解决问题的能力。

对 ERP 中长期积累的历史物料数据做系统性清洗和标准化处理，识别并合并重复条目，统一名称、描述和单位等字段的表达方式。这一步不涉及大模型，而是用确定性规则和数据工程手段处理，为后续语义检索提供干净的数据底座。处理结果写回现有 ERP 系统，不脱离原有业务环境。

在标准化数据之上叠加语义检索能力，让系统能够理解业务人员搜索意图背后的语义——即使物料名称、描述方式不同，也能匹配到已有记录。目标是从源头阻断"找不到→重新录入→数据污染→错误采购"的恶性循环。最终是否采购、采购多少仍由业务人员决策，AI 只负责让正确的物料被找到。

在项目启动时就定义衡量标准——最终看的不是模型准确率，而是"因数据和搜索改善而实际减少的采购浪费金额"。从历史数据中建立采购浪费基线，通过小规模实验逐步扩大验证范围，每个阶段都检验重复数据是否减少、错误采购是否下降。计算结果必须经客户业务人员确认才算成立，确保 AI 价值从"技术指标"落到"客户认可的业务结果"。