流程与原型
- 目标、输入、输出、风险与负责人地图
- 使用受控样本的小型原型
- 成功、失败与边界案例评估集
- 有限用户与人工监督的试用方案
05 / 05 · AI SYSTEMS / AUTOMATION
不是“加一个 AI”，而是重新设计一段工作流程。
从业务问题、数据来源和责任边界出发，设计能被观察、审核与维护的 AI 系统，服务重复的信息处理、知识检索、内容生产、监测与内部协作。
先确认问题再定义范围验证高风险部分交付可维护系统保留人工责任
DIAGNOSE BEFORE AUTOMATING
先确认哪里值得自动化。
规则稳定的任务可能用普通代码更可靠；需要判断、归纳或生成的部分才适合模型参与。先拆解输入、决策、输出、异常与负责人，再选择技术。
- 01 高频信息任务长期依赖复制、粘贴与手工分类
- 02 内部知识难以检索，答案缺少来源与更新记录
- 03 监测、摘要、翻译或报告需要重复执行
- 04 模型已经接入，但没有权限、审核与失败处理
- 05 希望验证 Agent 或多模型流程是否有实际价值
BOUNDED SYSTEMS / HUMAN CONTROL
围绕真实流程选择形态，而不是追逐名称。
知识助手、RAG、Agent、监测、分类、翻译与报告只是不同形态。每个系统都要说明数据从哪里来、谁可访问、何时批准、错误如何发现与纠正。
- 起点
- 流程与责任边界
- 验证
- 评估集与有限试用
- 生产
- 权限、日志与失败处理
DELIVERABLES / 交付范围
把复杂项目拆成可以验收的部分。
实际范围在项目开始前确认。以下模块用于说明能力边界，不代表每个项目默认包含全部内容。
模型与集成
- 模型与供应商评估
- API 权限、密钥与结构化输出
- 队列、缓存、速率与成本限制
- 超时、重试、降级和人工接管
生产控制
- 最小权限与敏感字段处理
- 来源引用、版本与日志
- 人工审批、撤回和纠错
- 用量、延迟、告警与维护计划
PROCESS / 实施路径
先降低不确定性，再扩大实现范围。
Workflow map
确认任务、数据、决策、异常、风险与负责人。
Prototype
用受控样本验证模型、接口与交互。
Evaluation
记录正确性、完整性、格式、拒答和边界案例。
Limited trial
由少量真实用户在人工监督下使用。
Production hardening
增加权限、日志、成本、监测与恢复机制。
Maintenance
持续检查模型、数据、提示与业务规则变化。
TECHNOLOGY / 技术与系统
模型是系统中的一个组件。
系统可以通过适配层连接一个或多个文本、图片或视频服务，并为变化预留接口。模型选择会同时考虑质量、成本、延迟、隐私和地区可用性。
RAGAgentsModel APIsStructured outputQueuesObservabilityAccess controlHuman approval
把失败路径写进方案。
并非所有流程都适合 AI。涉及付款、删除、公开发布、法律或客户承诺时，默认保留明确批准步骤。无法达到可接受质量或成本时，应停止或改用更可靠的方法。
FAQ / 常见问题
先解决真正影响决定的问题。
01 什么流程最适合先做 AI 自动化？
高频、输入相对稳定、结果可检查，而且错误不会立即造成重大损失的流程，通常更适合先试点。
02 可以连接公司内部文档吗？
可以评估，但需要确认数据敏感度、存储位置、权限、第三方模型政策和删除机制。敏感资料不会在未明确授权时进入外部服务。
03 可以做完全自主的 Agent 吗？
技术上可以提高自主程度，但业务上不一定合适。涉及资金、删除、公开发布、法律或客户承诺时，应保留人工批准和可撤销机制。
04 如何评估 AI 输出质量？
使用来自真实任务的评估集，记录正确性、完整性、格式、拒答和边界案例；上线后继续抽查与监测。
05 运行成本如何估算？
需要结合模型、输入输出长度、调用频率、媒体生成量、存储与审核时间。原型阶段记录真实用量，再决定生产限制。
START A FOCUSED CONVERSATION
把一段重复工作发来，一起拆开看。
说明现在谁在做、使用什么信息、结果如何确认。先判断 AI 是否合适，再提出最小可验证方案。
下一项能力 · 01 / 05
企业网站与数字体验