一次 WorkBuddy 培训，把我三年 AI 经验全部逼了出来
叶小钗约 7 分钟最近给一家大型 2C 公司的同学做关于 WorkBuddy 提效与 AI 原生组织的培训，覆盖了前中后不同的工种，也给我干得很累、很疲惫，尤其是中期过项目的时候，都快给我干冒烟了：
为什么这么说，因为这家公司几乎把我 3 年 AI 落地经验的所有知识全部覆盖了！我当时就在感叹，除了我其他人怎么可能接得住，而且他们需要的远不是 WorkBuddy 能搞定的...
首先，这家公司之前就已经大规模地 AI 推广和要求员工将 AI 应用到生产业务，这一次企业是希望通过培训让组织更快进入 AI 原生。
区别于以前有点走过场的培训，这里有几个点让我很意外：
第一个，这家公司的业务人员主动性非常强。
有完全非技术背景的员工，现在已经可以借助 AI 自行搭建智能体、配服务器和域名，并且可以快速结合真实的生产场景进行使用，这说明 AI 能力已经从产研部门扩散到业务端了。
这跟我去年接触的很多“带着任务来学习的团队”有很大的不同。
第二个，通过我们的培训，部分非技术背景学员其实已经可以在真实业务流程中，他们会尝试使用 Codex 和 Workbuddy 这种 Agent 去完成日常业务工作，具备自主通过 Agent 解决非业务问题的能力。
但这里要特别注意，这里可能与大家的认知不一样，也与自媒体宣导的东西不一样：
真正表现优异，或者雅俗共赏的 AI 工具，依旧是 AI 表格，甚至与 Coze 依旧在扮演一个不错的肝脏活的辅助角色
第三个，他们的需求已经覆盖到公司的核心的价值链了，不单单是纯工作流类型，AI 业务进入到了知识生产、规模交付和经营决策的环节，业务人员问得最多的问题是：
怎么把他们自己的业务经验蒸馏出来，用什么工具？用什么方法？。
接下来是我培训过程中跟不同同学碰下来的 12 个经验点，其中包含一些共性的问题和解答总结一下，供大家参考：
1. 背景不是需求，目标也不是需求
在单独辅导的时候，我们经常打断对方的大段介绍，这里有点不礼貌，但是我们是想通过这种方式告诉同学，要有条理的表达，这里跟 SDD 一样的，否则我们接受信息效率回很低，这里建议的方式是：
业务背景 → 目标 → 现状流程 → 差距与问题 → 具体需求 → AI方案
例如提升教研效率、建设用户全生命周期管理仍只是目标；我们会继续追问到底是哪一个团队、哪一条流程、哪一步需要改变。
2. 从大蓝图逐层切到最小闭环
我们辅导的标准拆解层级是：整体业务蓝图 → 总 SOP → 分项 SOP → 单一场景 → 单一关键流程 → 具体功能。
这里的点是不能被市场带偏，要有自己的判断，不能看到一个功能就开始搭智能体；
而且，我们真的去做梳理的时候，会发现大家对 AI 是充满期待和想象力的，每个完整的业务蓝图都有十几个值得解决的问题，但一期也只能选择帮助最大的一个点做穿。
3. 先画原流程，再设计 AI 流程
真正想落地，不能从 AI 能做什么开始，这个已经是实现环节，我们会在需求梳理环节不断的问：
原来是谁触发？ 谁提炼和判断？ 信息转给谁？ 谁生成结果？ 谁审核？ 谁最终发送？ 异常回到哪里？
然后再逐步替换其中适合 AI 或自动化承担的步骤。在多个项目中，我们会明确要求先看传统做法，再对比 AI 接入后的流程。
4. 先验证价值，不要一开始就做工程化
我们在交流过程会反复强调：宁愿让业务人员手动复制粘贴，也要先证明智能体给出的答案真的有用。
所以，很多功能模块，如企微接入、自动监听、服务器部署、权限、计费、成本控制都不是第一阶段重点。
正确顺序是：智能体能力验证 → 工程化 → 产品化 → 运营优化
比如，其中一个组，他们想做的功能是让 AI 评价一张图片画得好不好，这个可能就有点为难 AI 了，至少我在这个领域是没有做过研究的；
我们之前做得最多的是图片对比，比如一个患者的尿检试纸图片，更类似哪个指标，这里重点是色块，而不是对创作的评价了，类似这种东西就得先做验证。
能力验证只需要核心功能可用；工程化解决稳定部署和多人使用；产品化再考虑计费、权限和成本。
5. 业务负责最小验证，产研负责工程化
对于这次公司，他们明显已经在 AI 领域已经走得很远，已经不满足于工作流部分的提效了，所以他们会涉及很多复杂的知识库使用。
而这里的难点就会再次回归数据工程，这里的建议是：专业知识、评价标准、历史数据和业务判断只能由业务团队提供。产研即使牵头，也无法替业务人员完成经验抽取。
合理分工是：
业务团队：确定标准、准备数据、跑通最小场景、证明有价值； 产研团队：系统接入、权限、部署、稳定性、监控和产品化。
6. 没有评价标准，AI就无法承担业务职责
AI 能不能干一项工作，关键不是有没有模型，模型只能提升成功概率，如果要稳定做好，需要清晰的：
输入标准； 判断维度； 通过与不通过标准； 输出模板； 异常规则； 下一步行动标准。
没有标准就很难让 AI 干好，它只能用流程把事情串起来，是学员学习完以后得出最关键的判断之一。
7. 知识库不只是堆文档，它得构成一个可调用的判断结构
我们也给其中一个作业点评项目提供了一个知识库判断结构的经典方法：
识别对象：用户画的是哪一幅画、处在哪个阶段； 评价表现：哪些维度做好、哪些维度有问题； 给出行动：对应的知识点、练习方法和改进建议。
这实际上是多个知识域逐层路由和组合，而不是让模型在一个大文档里自由发挥。
个性化生成的本质通常不是每次完全重新创作，要保证结果满足要求，需要从丰富知识库中选取合适模块，再根据用户画像进行组合和语言调整。
8. 小样本人工校准，再让 AI 批量放大
面对几千、几万条销售对话，正确的方法不是直接让 AI 全量总结，而是：
先让 AI 做粗分类； 人工挑选约 100 条或 10%～20%的样本； 人工修正类别和标准； 形成可解释的通用分类模板； 再让 AI 按模板处理 1 万条； 检查新类别和边界案例。
结果必须是业务人员能够解释的，模型给出一个看似高级但无人理解的结构对业务帮助不大。
9. 人工、AI、自动化是三类不同执行主体
AI 适合识别、判断、分类、生成和给建议； 自动化程序适合采集、搬运、计算、状态更新和系统写入； 人负责标准制定、审核、复杂例外、情绪价值和最终责任。
不能把系统自动上传、数据自动采集都混称为 AI。
10. 不要为了自动化而破坏业务关系
例如用户发消息给业务人员，本身就是业务人员理解用户、建立关系的重要触点。这一步不一定要完全自动化，否则业务人员不知道用户发生了什么，后续也无法继续沟通。
原则是：自动化应该消除无价值搬运，不能消除有价值的人际接触。
11. 安全策略要在白名单与黑名单之间选择
对于AI直接回复客户：
白名单模式：只有确认安全、成熟的问题可直接回复，其余全部人工确认； 黑名单模式：大多数问题自动回复，只拦截红线和高风险问题。
客户价值和错误成本高时选白名单；人力成本优先时才考虑黑名单。
12. 先跑一个品类，再复制工作流
画作点评和营养点评虽然输入形态不同，但业务 SOP 接近。我们给出的建议先选择一个场景跑通，确认评价、知识调用、生成和审核链路，再替换模型和知识库扩展到其他品类。
总结一下
这次的深度咨询，是一个非常好的 AI 原生组织的样本。
很多人会认为 AI 就是用来裁员的，但是这个组织其实体现出来了 AI 真正的价值：服务公司的核心业务模式。
从学员们的需求来看，AI的主要价值不是单纯降低生产成本，重点目标都锚定在：在不同比例增加人工的情况下，提高个性化服务密度。
这其实给了很多引入 AI 的公司一些参考意义，我们观察到，一部分公司在 AI 时代其实很焦虑，这体现为两类做法：
第一类做法是起很多很多 AI 项目，要求各业务单元去起一些 AI 业务，但随后因为技术变了，或者业务本身就不成立，又把它砍掉了。
另一类做法是用 AI 去做降本增效。降本增效本身没错，但是如果导致破坏了一些隐形业务关系，很可能得不偿失，就像前面说的不要为了自动化而破坏业务关系。
最后说一下我们的感受，做线下培训真的很累，但是看到学员们从一脸懵懂到开始很兴奋的问各种问题，最后甚至发展到要求要加课，还是蛮开心的。
但，真的是有点累，而且他们有些场景的问题挺难的...