老王带着团队搞了三个月自动化，产出没见涨，成本倒翻了一倍。自动化前先建知识库核心逻辑总览

他跟我说，六哥，我不理解啊，DeepSeek我也用了，扣子工作流我也搭了，怎么产出的东西全是垃圾？

我说，老王，你发动机都没造好，你造什么车？

老王叹了口气，说，三个月前我在行业群里看到别人用AI一天发一百条视频，眼红了，连夜让运营主管买了工具、搭了工作流，结果呢？团队加班加点搞了三个月，产出的文案连自己都看不下去。前几天发了一条产品介绍，客户问“这个材质耐不耐磨”，AI居然回了一堆“匠心工艺、品质之选”，人家直接拉黑了。老王心里那个急啊，每天晚上睡不着，翻来覆去就一句话：钱花了，人累了，客户跑了，到底哪儿错了？

我告诉你，老王不是一个人。这是很多团队现在在干的蠢事——跳过知识库，直接上工作流。我跟你说，这是自杀式玩法。很多团队在为无效自动化付费，不是工具不行，是你的顺序错了。

你想想，AI工作流本质上是一条流水线。流水线跑得快不快，取决于流水线本身吗？不，取决于你放进来的原材料和加工工艺。你的原材料是垃圾，加工工艺是垃圾，流水线跑得再快，产出的也是垃圾，而且越快，垃圾越多。老王那个团队，连产品的基础信息都没整理清楚，就让AI去写文案，相当于让一个没学过厨艺的人去炒菜，锅再好、火再大，炒出来的也是糊的。

真正正确的顺序是什么？我跟你讲透了，就五步：找场景、理数据、建知识库、搭智能体、收个尾才是自动化串联。今天我就把这五步给你掰开揉碎了讲，每个步骤后面附一个小范围验证清单，你照着做，至少能少花几十万冤枉钱。

为什么你的自动化在烧钱

先说说为什么顺序这么重要。

很多人一听说AI自动化，第一反应就是装工具、搭工作流。他们觉得，只要把工作流搭起来，剩下的交给AI自动跑就行了。错了，全错了。

我跟你说个真实案例。有个做电商的团队，老板花了大几万买了各种AI工具，让运营主管搞自动化内容生产。主管兴冲冲地搭了工作流，结果产出的文案全是空话套话，连产品卖点都说不清楚。客户问一句“你们的裤子起球吗”，AI回复了一堆“卓越品质、匠心工艺”，就是没有直接答案。运营主管小刘当时就懵了，他心想：我明明把工作流搭得那么漂亮，采集、筛选、创作、发布全自动，为什么产出还是垃圾？他盯着屏幕看了半天，气得把鼠标一摔，转头跟老板说：这AI不行，白花钱了。

问题出在哪？AI压根就不懂这家公司的产品。它没有见过产品的质检报告，没有读过客户投诉记录，不知道什么话能说、什么话不能说。它就像一个不懂业务的实习生，你让他写文案，他只能瞎编。小刘那会儿才明白，他花了两周搭的工作流，其实就是给一个什么都不懂的实习生配了台高速打印机，打出来的东西还是废纸。

这就是很多团队在干的蠢事——让AI干它不懂的活，工具再好，也是白搭。

我跟你讲，AI时代真正的竞争力，不是谁追到了最新的工具，而是谁构建了最扎实的“1”。这个“1”就是你的核心能力和数字资产，包括行业知识库、SOP、经验数据。工具再强大也只是“0”，只有当“1”稳固了，后面的“0”才有意义。

没有“1”的人，拿到再锋利的刀也会砍到自己的脚。这话怎么理解？你想想，DeepSeek你能用，你竞争对手也能用；扣子工作流你能搭，别人也能搭。当工具人人可得时，它就从“竞争优势”变成了“基础设施”，不构成差异化。真正能让你跟别人不一样的是你肚子里那些行业经验、客户洞察、踩坑教训——这些东西AI不会自己长出来，得靠你一点一点喂进去。所以，越是AI聪明，你越要花时间把自己的知识整理好，不然你连跟AI对话的资格都没有。

找场景：别让AI干它不该干的活

第一步，找场景。

很多人一上来就说“我要用AI做内容自动化”，但你要是问他，你到底要自动化什么内容，他支支吾吾说不清楚。这就是问题。

我见过太多团队，花了一周时间搭了个工作流，结果发现这个场景根本不适合用AI。比如，有个客户想用AI做客服，但他的客户全是来谈定制方案的，每个客户需求都不一样，AI根本没法标准化。收个尾他花了两个月，搞了一堆乱七八糟的东西，全废了。

找场景不是拍脑袋，是你得先搞清楚，哪些事情AI干得了，哪些事情AI干不了。

我跟你说几个判断标准。第一，这个场景是不是高频重复的？如果一周才出现一次，不值得自动化。第二，这个场景是不是有明确规则的？如果连你自己都说不清楚怎么做，AI更说不清楚。第三，这个场景是不是需要大量内部知识的？如果AI需要懂你公司的产品、客户、流程，那你必须先建知识库，否则AI就是瞎猜。

我举个具体例子。有个房地产公司的销售团队，他们想用AI做客户跟进。一开始，他们让AI直接给客户打电话，结果AI说了一大堆官话，客户一听就挂了。销售主管老张那会儿坐在办公室里，看着通话记录，心里拔凉拔凉的：打了五十个电话，挂了四十八个，剩下两个骂了一顿。老张攥着手机，手都在抖，心想：这AI还不如我自己打呢，起码我还能跟客户唠两句家常。当天晚上，他翻来覆去睡不着，凌晨三点爬起来给老板发了一条消息：AI不行，我们撤了吧。

后来他们调整了思路，把场景缩小到“客户咨询后24小时内的第一次跟进”。这个场景规则明确，话术可以标准化，而且需要用到公司内部的楼盘信息、政策信息。他们先建了个楼盘知识库，把户型、价格、周边配套、优惠政策全整理进去，然后让AI基于知识库写跟进话术。老张又试了一周，这回效果明显不一样了，客户回复率从2%涨到了15%。老张那天开心得请全组喝奶茶，边喝边说：原来不是AI不行，是我们之前让它干的事不对。

你看，场景选对了，AI就成了帮手；场景选错了，AI就成了累赘。

找场景的验证清单：

• 打开你的工作记录，统计一下这个场景过去一个月出现了多少次。如果少于20次（每周5次），换一个。
• 拿出一张纸，写出这个场景的输入是什么（比如“客户咨询信息”）和输出是什么（比如“跟进话术”）。如果写不出来，说明场景不清晰。
• 估算一下解决这个场景需要用到多少内部知识。如果超过20%的内容需要查阅公司内部资料，必须先建知识库。
• 问自己一句：如果AI说错一句话，最坏的结果是什么？如果后果是丢客户、吃官司，那这个场景不适合AI直接上，只能让AI辅助人。

整理数据：30个维度照妖镜

场景找好了，接下来就是整理数据。

这一步最枯燥，但也最重要。很多人嫌麻烦，随便找几篇文档扔进去就完事了。我跟你说，这样搞出来的知识库，跟没建一样。

我先说个场景。有个做线上教育的公司，他们想用AI做课程顾问。公司有个销冠叫小周，业绩一直排第一，但谁都不知道他到底怎么干的。他离职的时候，带走了所有的客户洞察和销售话术。新招的人小陈，来了半年，业绩还不到小周的三分之一。公司慌了，想用AI把销冠的经验复制下来。但他们发现，销冠脑子里全是经验，没有记录，没有文档，什么都没有。HR总监那几天急得嘴角起泡，开会的时候拍着桌子说：小周走了，他那些客户关系怎么办？他那些话术怎么办？我们连个备份都没有！小陈坐在角落里，心里也委屈：我连小周怎么跟客户聊第一句都不知道，我怎么可能学到他的本事？

收个尾只能靠老员工回忆，东拼西凑，效果很差。这就是为什么我反复强调，数据要提前整理，别等人走了再搞。

整理数据，不是你把所有文件堆在一起就行。你得按维度分。我给你的建议是至少30个维度。比如，销售话术一个维度，电商数据一个维度，短视频策略一个维度，竞品分析一个维度，行业政策一个维度，企业资料一个维度，SOP流程一个维度，项目复盘一个维度，等等。

你可能会说，六哥，30个维度太多了，我哪有这么多数据？我跟你讲，不是让你一次性搞完，而是先搞最核心的。比如，你先搞销售话术和产品知识这两个维度，就够了。后面的慢慢补。

但有个原则你必须记住：数据质量比数量重要。很多团队搞了上万个文档，但全是垃圾数据，比如过时的政策、错误的流程、前后矛盾的话术。这种数据喂给AI，AI只会学坏。

我再说个具体操作。有个做供应链的公司，他们想用AI做采购决策。一开始，他们把所有采购记录都扔进去了，但AI给出的建议全是错的。采购经理老李那会儿气得直跺脚：AI给我推荐了个三年前合作过的供应商，那家早就倒闭了！老李盯着屏幕，心里又气又怕：这要是真按AI的建议下单，公司得亏多少钱？他赶紧让团队查，结果发现AI用的是五年前的数据，那些供应商的价格、质量、交期全变了。后来，他们花了三个月清洗数据，把错误的、过时的、重复的全删掉，只保留近两年的有效数据。然后，AI就开始给出靠谱的建议了。老李那天在周会上说：以前我以为数据越多越好，现在才知道，数据越干净越好。

整理数据的验证清单：

• 打开你的数据文件夹，看看是不是按维度分类了。如果所有文件都在一个文件夹里，不行。
• 随机抽10条数据，检查有没有重复、错误、过时的内容。如果发现3条以上有问题，停止入库，先清洗。
• 每条数据旁边，有没有标注“为什么这么做”？比如销售话术，不能只写“这么说”，还要写“因为客户怕风险，所以要先讲保障”。
• 每条数据能不能找到来源？比如这条数据来自哪个会议、哪个客户、哪个项目。如果找不到，将来出了问题没法追溯。

构建知识库：从“数据垃圾”到“企业大脑”

数据整理好了，接下来就是构建知识库。

这一步，很多人以为就是把数据扔进一个文件夹就行了。错了。知识库不是文件堆，是AI能理解、能检索、能调用的结构化资产。

我跟你讲个真实案例。博度AI自己的知识库体系，公开有6层，实际有14层。包含方法论系统、行业经验系统、IP信息系统、案例系统等。这些知识库配合2万4千字的提示词，让2-3个人干了之前50-100人的活。六哥自己是怎么做的？他把自己所有的开会录音、朋友聊天录音、写的笔记、公众号文章、录的视频，全部让AI提炼核心知识点；再加上外界经验，比如毛泽东选集分30份投喂、道德经、乔布斯方法论等，融合成知识库。然后打磨了24000字的提示词，搭建了146套智能体。收个尾结果是什么？六哥可以10天不来公司，业务照常运转。他计划年底知识库达到5000万字，基本上就是把各个行业80%的底层逻辑做好了。剩下20%的行业专属内容，客户像插U盘一样把自己公司的IP和经验插上去就行了。

你可能觉得14层太多了，我跟你讲，你不需要一次搞那么多。先从最核心的3层开始。第一层，行业知识层。你所在行业的底层逻辑、政策法规、趋势判断。第二层，企业知识层。你的产品、流程、案例、经验。第三层，话术层。你的销售话术、客服话术、沟通技巧。

这三层搞好了，AI就能像个懂行的实习生，而不是外行。

我再说个具体场景。有个做旅游的公司，他们想用AI做行程规划。一开始，他们只是把景点介绍扔进去，结果AI规划的行程全是网上抄的，毫无特色。产品经理小杨那会儿看着AI生成的行程单，哭笑不得：这跟我在百度上搜的有什么区别？客户要的是个性化，这AI给的是模板。小杨心里那个急啊，老板催着上线，可这质量根本拿不出手。他连着加了三天班，把公司过去三年所有定制行程的聊天记录、客户反馈、踩坑经验全翻出来，按照三层结构整理：第一层放旅游行业政策、淡旺季规律；第二层放公司特色线路、合作酒店资源、客户评价；第三层放跟客户沟通的话术、推荐逻辑。然后建了个小知识库，再让AI规划行程。结果连公司自己干了十年的老销售都惊叹：这AI推荐的线路，比我们老销售还懂客户！小杨那天松了一口气，在群里发了个消息：终于不用再被老板骂了。

构建知识库，有几个关键动作。

第一，数据清洗。把噪音去掉，把错误纠正，把重复合并。具体怎么做？打开Excel，把数据按列排好，用筛选功能找出空白、重复、明显错误的内容，一条一条处理。别嫌麻烦，这一步省不了。

第二，数据结构化。把数据变成AI能理解的格式，比如Q&A形式、场景-方案形式、案例-分析形式。举个例子：不要只写“客户问价格时这样说”，要写成“Q：客户问价格时怎么回答？A：先了解客户预算，再推荐对应套餐，同时强调我们的服务优势。”

第三，知识标注。给每条数据打标签，让AI知道这条数据属于哪个领域、什么场景、什么情况下用。比如一条数据可以打上“销售话术”、“首次跟进”、“价格敏感型客户”三个标签。

第四，质量检查。每条数据入库前，都要经过人工审核。怎么审？找两个熟悉业务的人，一个读数据，一个对照原始资料，确保没有错误。如果发现错误，标记出来，修改后再入库。

构建知识库的验证清单：

• 你的知识库是不是至少分了三层？拿出来看看，第一层是什么，第二层是什么，第三层是什么。
• 随机抽5条数据，看看是不是结构化的格式（比如Q&A格式）。如果还是零散的段落，重新整理。
• 每条数据入库前，有没有人签字确认？如果没有，建立审核流程。
• 你的知识库多久更新一次？如果超过一个月没动过，说明已经没人维护了。指定一个人，每周花两小时更新。

搭建智能体：给知识库配个司机

知识库建好了，怎么用？你得给它配个司机——智能体。

智能体是什么？简单说，就是好模型 + 好提示词 + 好知识库。这三样东西组装在一起，才是一个能用的智能体。

很多人只关注模型，觉得模型越强越好。但我跟你说，模型只是发动机，知识库是汽油，提示词是方向盘。你发动机再好，没有汽油，跑不动。没有方向盘，只能乱跑。

我见过最夸张的案例，有个团队用了最好的模型，但提示词就写了三行“你是一个客服，回答问题”。结果，AI回答得乱七八糟，客户体验极差。客服主管小赵那会儿被客户投诉了十几次，每次都是同样的问题：AI答非所问。小赵气得在工位上骂：这AI比人工客服还差，人工客服起码不会把“退款”听成“追款”！她连着跟技术团队开了三次会，收个尾发现问题是提示词太短了。

后来，他们花了三周时间打磨提示词，把提示词写到2万多字，包含了公司背景、产品信息、沟通禁忌、常见问题处理方式、甚至语气风格。然后，AI就像换了个人，跟客户聊得跟真销售一样。小赵那天测试了二十个客户，AI全部答对了，她激动得在群里发了一连串语音：太牛了，这AI现在比我还能聊！

搭建智能体，不是一步到位的事。你得像磨刀一样，一遍一遍地磨。

我跟你讲个具体操作。有个做金融的公司，他们想用AI做客户咨询。一开始，他们只搭了个简单的智能体，提示词就几百字。结果，AI回答了一堆不负责任的话，差点被客户投诉。风控总监老陈那会儿吓得冷汗都出来了：AI居然跟客户说“这个产品百分百保本”！这在金融行业是违规的，要是被监管查到，公司得吃罚单。老陈当天就停了所有AI服务，连夜开会，把提示词里所有关于“承诺收益”的内容全部删掉，加上了明确的边界：不能承诺收益、不能代替合同、不能透露内部信息。

然后，他们又建了个金融合规知识库，把所有的法规、政策、风险提示全放进去。收个尾，AI回答得既专业又安全，客户满意度直接提升。老陈后来在复盘会上说：以前我们只想着让AI更聪明，现在才知道，先让AI知道什么不能做，比让它知道做什么更重要。

搭建智能体有几个关键点。第一，提示词要写清楚边界。哪些话能说，哪些话不能说，必须明确。比如“不能承诺百分百”、“不能泄露客户隐私”。第二，提示词要写清楚风格。你是要正式还是轻松，是专业还是亲切，必须一致。比如“用第一人称，语气像朋友聊天，但不要用表情包”。第三，提示词要写清楚流程。先做什么，后做什么，什么情况下升级到人工，必须清晰。比如“如果客户情绪激动，先安抚，再转接人工”。

搭建智能体的验证清单：

失败路径与权限边界

搞AI自动化，有两条路最容易走偏。

第一条路，跳过知识库，直接上工作流。我前面说了很多次，这是自杀式玩法。但很多人还是不死心，觉得“我试试看嘛，万一成了呢？”我跟你讲，你试都不用试，100%失败。因为你连发动机都没有，你造什么车？我见过太多这样的团队，前三个月信心满满，半年后灰头土脸。他们通常会说一句话：AI不行，我们被忽悠了。其实不是AI不行，是你跳过关键步骤了。

第二条路，知识库建好了，但权限乱了。我见过很多公司，建了知识库，但所有人都能访问，所有人都能修改。结果，没过多久，知识库里的数据就乱得没法看了。有人删了重要数据，有人加了错误数据，有人改了格式。收个尾，知识库变成了垃圾场。

我跟你讲个具体场景。有个做医疗的公司，他们建了个知识库，包含了大量的患者隐私数据和治疗方案。一开始，他们没设权限，所有人都能访问。结果，有个实习生不小心把数据泄漏了，差点被罚款。那个实习生叫小马，他当时只是想在知识库里找一份资料，结果不小心把整个知识库的链接发到了外部群里。他后来说：我以为只有我能看，没想到那个链接所有人都能打开。公司CTO那会儿急得满头大汗，连夜关停了知识库，花了两周时间重新建权限系统。小马也被批评了，心里又委屈又害怕：我根本不知道这个链接是公开的，也没人告诉过我。

后来，他们设了严格的权限，只有医生和研究人员才能访问敏感数据，其他员工只能访问公开信息。还上了日志系统，每个人访问了什么数据，后台全记录。

权限管理有几个原则。第一，最小权限原则。只给员工访问他需要的数据，不要给多余权限。比如，一个销售不需要看财务数据，一个客服不需要看研发代码。第二，分级管理原则。不同级别的员工，访问不同级别的数据。比如普通员工只能看公开信息，主管可以看内部数据，总监才能看敏感数据。第三，审计原则。所有访问记录都要留痕，出了问题能追溯到人。具体怎么做？在知识库后台开启日志功能，记录每次访问的时间、用户、操作内容，定期检查。

权限与隐私边的验证清单：

验收问题清单：怎么判断你的自动化成功了

很多人搞自动化，搞完了也不知道效果好不好。我给你们一个验收清单，照着检查一遍，就知道自己有没有做对。

基础知识库验收：

找场景验收：

智能体验收：

自动化串联验收：

整体验收：

第8-14天：构建知识库

第15-21天：搭建智能体

第22-28天：小范围验证

第29-30天：复盘和规划

这个30天行动方案，你不需要一次性做完所有事，但至少要完成第一步到第五步的循环。只要走完这个循环，你就能找到一条适合你自己的AI自动化路径。

对于很多企业来说，自己从头搭建知识库可能比较困难。博度AI的企业培训项目，可以帮助企业梳理知识库搭建流程，从0到1建立知识库资产，并训练专属智能体。如果你觉得这个五步顺序对你有启发，但不知道从哪里开始，不妨从最小步骤开始：先找一个核心岗位，整理3-5个高质量问答，让AI跑通，再逐步扩展。记住，顺序不对，努力白费。先建知识库，再搞自动化，这个顺序决定了你是省钱还是烧钱。

• 打开你的提示词文档，看看字数。如果少于1000字，太少了，继续加。
• 在提示词里搜索“不能”、“禁止”、“不允许”这些词，看看有没有至少5条边界。如果没有，说明边界没写清楚。
• 让一个没参与过项目的人测试你的智能体，给他10个真实问题，看看回答质量。如果准确率低于80%，继续改。
• 检查你的智能体能不能成功检索到知识库里的内容。随便问一个知识库里有答案的问题，如果AI回答的内容跟知识库不一致，说明没打通，找技术原因。
• 

• 自动化前先建知识库五步执行路线
   

  自动化串联：收个尾一步，别急着跑

  前面四步都做好了，收个尾一步才是自动化串联。

  这一步，很多人一上来就搞，结果搞砸了。我跟你说，自动化串联是“锦上添花”，不是“雪中送炭”。你前面的基础不牢，自动化串联只会让你更快地生产垃圾。

  我见过一个做内容营销的团队，他们一上来就用工作流搞自动化内容生产。工作流搭得很漂亮，能自动采集、自动筛选、自动创作、自动审核、自动发布。内容运营主管小陈那会儿觉得自己做了一件很牛的事，在周会上兴奋地演示：看，从采集到发布，全自动，一分钟一篇！老板也很高兴，夸他效率高。

  但问题是，他们的知识库是空的，智能体是随便搭的。结果，工作流跑了一个月，产出了几百篇内容，但全是垃圾，没有一篇能用的。小陈那会儿傻了：明明工作流跑得飞快，怎么产出的东西连自己都看不下去？他抽查了一篇，发现AI把竞争对手的品牌名都写错了，还抄了一段侵权的内容。小陈吓得赶紧停了工作流，但已经来不及了，那篇侵权内容已经发出去，被对方投诉了。老板气得把他叫到办公室，拍着桌子说：你给我搞的什么自动化？我看是自动惹祸！

  小陈那几天压力大到脱发，晚上睡不着，脑子里全是：为什么别人用AI能成，我用AI就栽了？后来他找到我，我跟他说：你发动机都没造好，你造什么车？他这才明白，顺序错了，全白费。

  后来，他们老实了，从第一步开始重新做。先花两个月整理数据，建知识库，搭智能体。然后，再把工作流串起来。这次，效果完全不一样了。工作流跑出来的内容，质量高，而且稳定。小陈那天在群里发了一条消息：终于不用再被老板骂了，这次是真自动了。

  自动化串联，本质上就是把你之前搭好的智能体串起来，让它们协同工作。比如，一个智能体负责采集数据，一个负责筛选，一个负责创作，一个负责审核，一个负责发布。但前提是，每个智能体自己都是合格的。如果有一个智能体不合格，整个链条就断了。

  自动化串联的验证清单：

• 在串联之前，把每个智能体单独拿出来，跑一遍完整的流程。如果有一个智能体在测试中出错，先修好它，再串。
• 给你的自动化流程加一个监控机制。比如，每天早上一封邮件，列出昨天产出的内容数量、质量评分、出错次数。如果评分低于合格线，自动暂停。
• 准备好应急方案。如果工作流出错了，是切换到人工，还是用备用智能体？把这个流程写下来，贴在墙上。
• 设定迭代周期。每两周检查一次工作流，看看有没有可以优化的地方。如果发现某个环节经常出错，专门花时间优化它。
• 打开你的知识库权限设置，看看是不是每个人都能访问所有内容。如果是，立刻改。
• 列出所有岗位，对照每个岗位的工作内容，只给最小的权限。比如，客服只能看FAQ和产品手册，不能看客户隐私数据。
• 在后台打开日志功能，记录所有访问行为。如果还没有日志，这是最优先要做的事。
• 每个月检查一次权限设置，看看有没有员工离职了但权限没收回，或者岗位变了但权限没更新。指定一个人专门负责这件事。
• 知识库里有没有至少100条高质量的数据？如果不到100条，说明还没积累够，继续加。
• 随机抽10条数据，让一个没参与过项目的人看，他能看懂吗？如果看不懂，说明数据格式不规范，重新整理。
• 找一个知识库里有答案的问题，问AI，AI能准确回答吗？如果回答不对，说明知识库和智能体没打通，或者数据质量有问题。
• 你选的场景，在过去一个月里有没有被实际使用过？如果还没用，说明场景选得不对，或者团队不认可，换一个。
• 这个场景的产出，有没有被直接用于业务？比如AI写的文案有没有被发布？如果没有，说明场景还没落地，继续推。
• 让5个不同的人测试你的智能体，每人问5个问题，记录准确率。如果平均准确率低于80%，继续改提示词。
• 让一个客户（或者模拟客户）测试，他会不会觉得AI的回答像人工？如果客户觉得“这肯定是机器人”，说明语气或风格不对，调整提示词。
• 你的工作流连续跑了一周，有没有出过差错？如果出过，记录原因，修复后继续跑。
• 你的工作流有没有因为出错而停止过？如果停止过，说明应急方案不完善，优化。
• 你的团队有没有因为自动化而节省了时间？具体节省了多少？比如原来每天花3小时做重复工作，现在只需要1小时。如果节省的时间不明显，说明自动化还没到位。
• 你的客户或者用户有没有因为自动化而获得更好的体验？比如响应速度变快了，回答更准确了。如果没有，说明自动化还没达到预期效果。

• 30天行动方案

  收个尾，我给你一个30天行动方案，照做就行。

  第1-7天：找场景和整理数据

• 第1天：召集相关岗位的3-5个人开会，每个人列出自己最烦的、每天都要做的重复性工作。写在白板上，投票选出一个。场景选择的唯一标准：这个工作如果交给AI，能省下你最多的时间。
• 第2天：针对选出的场景，写出具体的输入和输出。输入是什么？比如“客户咨询的聊天记录”。输出是什么？比如“标准回复话术”。写清楚，贴在墙上。
• 第3-5天：收集所有相关数据。打开文件夹，搜索关键词，把销售话术、产品资料、客户反馈、常见问题、历史记录全部找出来。不要怕多，先收集，再筛选。具体动作：建一个Excel表格，列名包括“序号、数据来源、内容摘要、关键词、日期、是否需要清洗”。每收集一条，填一行。
• 第6-7天：清洗数据。打开Excel，筛选出重复的、过时的、错误的内容，一条一条处理。重复的删掉，过时的更新，错误的纠正。如果发现数据太多，先处理最近一年的，旧的放一边。
• 第8-9天：把清洗好的数据转换成Q&A格式。每一条都写成“问题：……，答案：……”。如果有些数据不适合Q&A格式，就写成“场景：……，方案：……”。注意：答案要写清楚为什么这么做，不能只写怎么做。
• 第10天：给每条数据打标签。比如“销售话术”、“首次跟进”、“价格敏感”、“客户拒绝”等。打标签的标准：让AI在检索时能快速找到相关数据。标签越多越好，但不要重复。
• 第11-12天：人工审核。找两个熟悉业务的人，一个读数据，一个对照原始资料，确保每条数据都准确。审核通过后，在表格里标注“已审核”。
• 第13-14天：把审核通过的数据导入知识库工具。如果用的是飞书文档，就建一个专门的文件夹；如果用的是其他工具，按说明操作。导入后，测试一下：随便问一个问题，看AI能不能从知识库里找到答案。
• 第15-16天：写提示词。先写边界：哪些话不能说，写清楚。再写风格：语气是正式还是轻松，写清楚。收个尾写流程：先做什么，后做什么，写清楚。提示词至少1000字，写完后读一遍，看看有没有矛盾的地方。
• 第17-18天：把知识库和智能体打通。在智能体设置里，关联上刚才建的知识库。然后问几个问题，看AI能不能从知识库里检索到答案。如果检索不到，检查配置。
• 第19-21天：做10轮测试。每轮测试5个问题，记录AI的回答。如果发现回答不准确，修改提示词或者补充知识库数据。注意：每次修改后，重新测试，直到准确率稳定在80%以上。
• 第22-23天：在真实场景中跑智能体。找一个真实的业务场景，比如“客户首次咨询后的跟进”，让AI生成回复，人工审核后再发出去。记录每天的数据：生成了多少条，人工修改了多少条，通过率是多少。
• 第24-25天：分析数据。如果通过率低于60%，说明智能体还需要优化。如果通过率高于80%，说明可以扩大范围。记录下客户反馈：有没有客户觉得AI回复很奇怪？有没有客户投诉？
• 第26-27天：根据反馈调整智能体。如果客户说AI的语气太生硬，就改提示词里的风格描述。如果AI经常答非所问，就补充知识库里的相关数据。至少调整一次，然后继续测试。
• 第28天：做总结。写一份简短报告，内容包括：选了什么场景、用了多少数据、智能体准确率多少、通过率多少、客户反馈如何、节省了多少时间、下一步计划是什么。
• 第29天：跟团队开会，分享测试结果。每个人说说自己的感受：有没有觉得效率提高了？有没有觉得AI帮上忙了？有没有遇到什么问题？把问题记录下来，形成改进清单。
• 第30天：规划下一步。如果测试效果好，决定扩大范围：新增一个场景，或者覆盖更多岗位。如果测试效果不好，决定调整方向：是换一个场景，还是重新整理数据，还是优化提示词？写一个简单的计划，明确下一步做什么、谁负责、什么时候完成。