史杰松在东南大学讲解《商业 AI 智能体搭建及营销落地应用》第三次精华观点

在东南大学的课堂上，授课老师用一天时间只讲透了一件事：把“会用AI”从个人层面推进到企业层面。这一讲不谈工具清单，而是给出了一套判断标准——一个企业（或一个部门）到底能不能做AI，先看三件事：数据能不能拿到、流程能不能说清、知识能不能结构化。

这一讲的核心结论是一道乘法题——企业 AI = 数据能打通 × 流程能翻译成工作流 × 知识能结构化并被人为审核。任何一项为零，结果都是零。

换句话说，企业做AI，最先要解决的不是“用哪个模型”，而是三个非常朴素、却经常被跳过的问题：数据在哪？谁有数据？这个活原来是怎么干的？下面按课堂顺序，把这一讲的精华完整梳理一遍。

一、开场案例：徐工叉车——企业AI的第一道门槛是数据

史杰松当天上午在徐州走访了徐工集团旗下一家生产叉车的二级子公司。看完客户是谁，答案就出来了：叉车的使用场景是工厂和生产型企业，个人几乎不会买叉车，买叉车的都是企业。所以这是一门ToB（B2B）生意，而不是ToC生意。

这个判断不需要别人告诉你，看懂客户是谁就能得出结论——这是“商业理解”的基本功。而一门生意是ToB还是ToC，直接决定了后面所有的数据形态、流程长度和知识结构。

1. 产业链三段：厂家—代理商—客户

叉车这条链上，三个环节各有各的数据，也各有各的系统，这正是“端到端打通”最难的地方。

数据不在老板的脑子里，也不在管理层和销售人员的电脑里。它在业务系统里、在设备里、在物联网盒子里。

2. “端到端打通”三个字一落地，就非常复杂

厂家的需求很直接：能不能做一个智能体，把厂家、代理商、终端工厂全部打通？但现实是——厂家在ERP/MES，代理商在CRM/订单系统，客户在物联网设备里，三套系统、三种数据格式、三个责任主体。而史杰松上午在现场看到的情况更扎心。徐工2018年启动数字化转型，请罗兰贝格做管理咨询（数百万元级投入），并上线了某厂商的ERP，完成了从0到1的数字化改造。但这套软件是闭环的、封闭的，没有数据出口（端口）。

结果就是：AI像一个超级大脑，但它不知道这家企业在干什么——经营数据、管理数据、客户使用数据，一样都拿不到。智能体项目的第一步不是选模型，是数据打通。数据不打通，这件事永远实现不了。

史杰松给了一个很硬的判断：2018年数字化基础没打好，2026年做AI就一定出问题。这不是巧合，是因果——今天AI吃的是昨天的数据资产；昨天的系统封闭，今天的智能体就是“瞎的”。

3. 灵魂两问：数据在哪？谁有数据？

这两个问题必须能当场答出来。答不出来，说明这件事跟你没关系，就不要研究了。这里还有一个高频反例：不少中小民营企业把“员工原来干8小时，用了AI变成5小时”当成“我们企业已经用上AI了”。这是把个人效率当成了企业转型，是一个重大错误。

二、核心认知：个人用AI ≠ 企业用AI

课堂上演示过最典型的“个人用AI”：把一个Excel表格拖给智能体，写一段提示词，让它把表里的信息筛出来。文件→智能体（软件）→提示词，事情就完成了。为什么简单？因为这个文件是静态的——只要你不改它、没有病毒，它本身不会发生任何变化。所以个人用AI几乎不需要学习。

企业里没有“一个固定的文件”，只有动态的经营数据：原料、生产、加工、排产、销售，早上8点是一个数、9点是一个数、10点又是一个数。所以企业必须先把动态过程实时写进数据库或数据文件。没有这个前提，AI永远执行不了。

个人看提示词，企业看数据源。看一个人会不会用AI，看他的提示词；看一家企业能不能用AI，看它的数据在哪、能不能取出来。

三、动手之前先分类：这个任务到底需不需要数据

这是动手前的第一道判断题。

1. 需要数据的任务：查询系统

例子是班级花名册查“多少人及格、多少人不及格”。考试一结束，数据样本就固定了——这是对静态数据的查询。企业里的查询不一样：数据每分每秒都在变，要查清一个结果，往往需要多次查询、多次汇总。同一件事，在校园里是静态查询，在企业里就成了动态查询。

2. 不需要（或不完全需要）数据的任务：看流程

有些任务不依赖数据，但依赖“这个活到底该怎么干”——也就是流程。做智能体之前，先把这个活本身想清楚。先问“有没有数据、数据在哪”，再问“这个活原来是怎么干的”。两个都答不上来，这个AI项目就不要启动。

四、从“流程”到“工作流”：把“人怎么干”翻译成“AI怎么干”

1. 什么是流程？两个现场例子

平安大学：迟到的人要敲两下门，轻轻推门，向老师鞠躬致歉，然后坐到离门口最近的位置，下课后再回到自己的座位。这就是大企业的“教养”，也就是流程。冠捷AOC（显示器，台资企业）：史杰松提前到教室，发现桌面很乱，分不清电源、开关、麦克风、连接线。但桌上有一本《授课讲师SOP》，写清楚了线在哪、开关在哪、注意事项是什么，甚至幕布怎么升降。所以流程不只写在墙上：对外有行为流程，对内有管理流程——比如录用必须有HR发出的offer，口头答应不算数。

2. 流程要先肯定，再转换

没有AI之前，这些流程就已经存在，而且很多已经写成SOP。不能因为有了AI，就把原来的流程全盘否定。正确动作只有一步：把流程翻译成工作流——用AI搭建的、可执行、可自动运转的流程。

流程是“人怎么干”，工作流是“AI怎么干”；两者是翻译关系，不是替代关系。

3. 案例：HR简历筛选

所有企业的人力资源部就干四件事：招聘、考核、培训、激励（选用育留）。其中招聘的第一步，是筛简历。这个活客观存在，流程也客观存在——按岗位胜任力模型匹配简历。原流程与AI匹配不上，但可以搭成工作流。

搭好之后的价值很实在：如果公司有一个人专职干这个，这个岗位可以省掉；如果这个活只占他1/3的工作量，那就把他另外2/3、AI替代不了的工作做得更好。这就是“把人为工作变成AI工作”的真实含义。

4. 为什么在校生暂时做不了FDE

FDE（Forward Deployed Engineer，AI部署工程师）= 把客户需求和AI工具结合起来的人，两样都得懂。这两样靠时间和经验沉淀，属于隐性知识。在校生不了解企业流程，这是客观事实——史杰松说自己读书时也不知道。现场验证的方法是：给行内人一个企业的官网或公众号，基本就能判断这家企业怎么运转、痛点在哪。这就是行业理解，无法速成。

五、一篇公众号文章背后的两种流程

同样是“写一篇公众号文章发出去”，小微企业和上市公司的做法完全不同。

法务这一关不是形式：广告法禁止“第一、唯一、最、遥遥领先”这类表述。课堂上举例，某企业一句“全亚洲第一品牌”，换来28万元罚款。结论很清楚：小企业的效率一定高于大企业；大企业流程繁琐，是因为体量大、客户存量基数大、上市公司合规要求高，“想的东西多”。就像学生同时想就业、考研、出国，选择越多，决策链越长。

对做AI的启示：同一套“智能体方案”，放到小微企业是提效工具，放到上市公司就必须嵌进审批流、法务流和复盘流，否则根本落不了地。

六、知识库（上）：企业知识的四种形态

史杰松给“知识”下了一个可操作的定义：知识库里的内容只有四种格式——文档、问答、表格、网页，四类加起来，才叫“全部”。

1. 文档：不是Word，是MD

企业知识里的“文档”，指的是Markdown（.md），不是Word。原因很直接：AI读取MD的效率最高、命中率最好。Markdown只有两个来源：一是让AI直接以MD生成（出生即MD），再转成Word/PPT；二是已有文件被“解析”成MD——toC产品（如ima）会把Word、Excel、PPT解析成MD，这相当于翻译，原文的“灵魂”会丢，还可能翻错、丢掉关键点。

所以有一个工作习惯：对内交付MD，对外交付Word/PPT/Excel。对内给同事、给下游做二次加工的人，给MD最好用；他拿到MD可以再做二创、二次开发。对外给客户提案、给领导汇报，必须给Word/PPT/Excel，因为对方打不开MD。

生产顺序：所有Word/PPT之前，先看MD对不对。MD对，后面的成品一定对；MD错，Word/PPT/Excel一定错。课堂上的真实案例是：帮史杰松做公众号的学生（04年出生）负责排版、配图、二创，史杰松只负责写内容——交付MD是两人协作效率最高的方式。

2. 问答对：必须是CSV

一问一答，最简单，也最容易出事。格式必须是CSV，不是xlsx，更不是Word/PPT。为什么危险？因为答案就是企业对客户的承诺。课堂案例：客服知识库把没有的“0.5折”答了出去（真实最低是0.8折），30%的差额按法律规定由企业承担——客户体验受损，企业还要赔钱，且不可逆。

铁律：问答对必须人工审核。AI一定会出现幻觉，不能指望它百分之百正确。这不是态度问题，是方法问题。谁来审？由这个知识方向的主管部门审：公司制度→行政/人力资源总监；技术问题→产品经理/技术总监。流程是：AI生成一部分 + 人工审核一部分，两边叠加，错误率才会降下来。

3. 表格：结构化数据才有高命中率

表格（xlsx）天生是结构化的：有行有列，行列之间有逻辑关系，所以AI检索时命中率高。反面是非结构化：一段录音转成的文字，什么都有——包括“农夫山泉这个矿泉水很好喝”这种与主题无关的话，没有逻辑、无法判断哪句有意义，命中率就低。企业知识库必须人为干预、人为加工，不能把文件像垃圾一样全部推进去。

4. 网页：爬虫在营销上的具体用法

① 明确竞争对手是谁、有没有独立站——出海企业独立站是重要获客渠道，也有走亚马逊、虾皮等平台的。

② 建一个专门爬取竞品价格/产品信息的任务，把抓取结果放进知识库。

③ 全员用提示词调用：“这个商品竞争对手卖多少钱？”

没有这个知识库，AI只能在互联网海量信息里瞎找，找到的多半不是你的竞争对手；有了知识库，检索范围就被限定在你指定的网站上。知识库只有两个基本动作：导入（文档、问答对、表格、网站）+ 管理（分类、更新、权限）。平台层面看，建库不难；难的是“用对”。

七、知识库（下）：让“会干不会说”的人贡献知识

企业里大量技术专家的现状是：活会干，但让他总结、写出来、说出来，很难。表达不出来，就没有MD、没有CSV，前面所有格式都失效。这不是能力问题，是普遍现象。

1. 办法一：拍下来，转成文字

用手机或DV把作业过程拍下来，交给多模态模型（如阿里通义听悟，基于通义千问的多模态能力）转成文字稿。成本在哪？镜头前人会紧张——“没人看着的时候干得很自然，一有人拿手机拍，就不会干了。”

2. 办法二：排期直播，讲自己的活

企业给每个人排档期（提前七天准备），主题只有一个：你这个活平时怎么干、怎么才能干好。只讲自己的事，不讲别人的——讲别人讲不出来。

落地链路：视频号直播 → 导出MP4长视频 → 通义听悟转文字 → 提示词让AI转成CSV问答对。两个关键细节：一是主持人的串场话（抽奖、福袋）对知识没有价值，只萃取专家说的内容；二是问答对的最终修正权归讲述者本人，不归整理者。这样才能形成“人人贡献、人人复盘”的内部闭环，公司知识库越滚越大。这种方式对新员工最友好：不用追着部门经理问，也不用担心“不知道该问什么”“不好意思天天问”。

3. 落地形态：企业微信里的智能机器人

① 在企业微信里创建智能机器人，绑定“知识集”（即知识库）。

② 选择模型（如DeepSeek、腾讯混元）。

③ 设置头像、名称、简介、欢迎语。

④ 设置“转人工”：知识库答不了、或涉及投诉情绪的问题，转真人接待。

4. “兜底答复”：企业到底要不要

机器人设置里有一个勾选项：“互联网搜索获取新知识”。勾上，就等于给了一个兜底答复——知识库里没有的问题，它去问大模型，什么都能答。判断：企业不需要兜底答复。知识库的价值是只回答与企业有关的问题，无关问题应当拒答。否则知识库就退化成“又一个豆包”，失去核心价值。对外客服场景尤其如此：你要它“上知天文下知地理”，那用户直接去问豆包就好了，为什么要来问你？

5. 转人工：AI覆盖不了的那部分

10086的例子很典型：查话费、查积分、查套餐，不需要转人工。但“营业厅某人态度恶劣”这种涉及情绪、事实核实、责任认定的问题，AI处理不了，只能转人工——人工核实、回访、按制度处理（批评教育/罚款/上岗学习），再反馈给客户。这就是AI覆盖不了、必须由人兜住的部分。知识库设计时，要提前把这条“出口”留好。

八、检索与阈值：让知识库“答得准”，又不“答不出”

检索的本质是“匹配得有多严”。阈值（模型温度）调低，要求用户的问题和知识库里的问法高度一致；调高，语义相关就能命中。业内常说的语义检索、增强检索，对应的就是强关联与弱关联。

两端都会出问题：太低答不出，太高答得飘。企业场景一般取0.5—0.75，最常用0.75。

1. 案例一：南京天气

知识库里只有一条：“2026年10月1日南京天气20度。”但用户会问：“今天天气怎么样？”“今天要不要下雨？”“今天穿什么衣服？”——这些问题与知识条目高度相关，阈值调低才兜得住；必要时还要补关联问答（20度穿什么）。

2. 案例二：文旅NPC

文旅项目里有多个NPC，语料和问答量很大，面对的是所有游客：从3岁到80岁，提问方式完全不可控。这种情况下只能做增强检索（弱关联），目标是“问得住、答得出、答得相对正确”，并且符合角色认知——比如乔丹角色要能接住NBA的问题，不能一问就露馅。

3. 工作流里的知识库节点

在工作流里拖入“知识库”节点，选知识库、选检索方式、设阈值，动作选“查询”（绝大多数）或“写入”。两个实操要点：一是节点必须连线，不连线等于没接上，跑出来没有结果；二是“没有结果”也要给结果——京东客服机器人答不上来也会说“亲，你说的问题我需要再学习”，不给结果会伤害体验。建库不难，难的是用：知识库既要能被智能体调用，也能独立作为问答机器人使用。

九、组织与治理：为什么是“一个部门一个知识库”

企业里几乎不会做一个“大而全”的知识库。史杰松见到的真实情况是：一个部门一个知识库；通用型知识库在减少，部门专属智库在增多。三个理由：

体量：生产部门 + 销售部门的数据量太大，不好管理。

串味：问的是销售问题，AI却用生产数据回答，人会产生错觉、做出错误判断。

责任：知识库要有人审、有人维护，部门主管就是天然的责任人。

唯一的例外是公司管理制度知识库——因为全员都受它约束（8点上班、17点下班、每月10号发工资、工资打建行卡）。但制度知识量很小（两页纸），传阅、入职培训讲一遍就够，专门建库反而浪费。

史杰松自己的做法（3万多个文件）：按主题分目录，本质是“给AI做价值指引”——告诉它这类问题去哪个目录找。这是折中方案，不是最优解；最优解是把知识结构化成问答对和表格。金融、政务行业必须结构化，且必须人工干预，因为答错会让客户和公众产生实际损失。

十、落地实战：云端还是本地，以及五个最容易踩的坑

1. 云端智能体 vs 本地智能体

平台上的“云端Agent”有三个特征：运行在独立云主机上、拥有长期记忆、能调用各种技能包（Skill）处理复杂任务。云端的好处是随身携带、换设备不丢；代价是数据一定不安全——平台方理论上能看到你传上去的内容。本地智能体的记忆写在本地文件里（MD格式），越用越懂你；换电脑时要手动把记忆文件拷过去，让它重新学一遍，才能丝滑迁移。史杰松现场以Codex、DeepSeek Harness等本地Agent客户端举例，说明两者都有这类记忆文件。

选型建议：涉密数据、客户数据用本地或私有化部署；公开知识、对外服务可以用云端，但要先评估数据边界。

2. 五个常见坑

① 知识库还没内容就先建智能体——问什么都不知道。

② 只导文件、不做结构化——命中率低，还容易产生幻觉。

③ 开了兜底搜索——知识库变成通用聊天机器人，失去企业属性。

④ 工作流节点没连线——跑不出结果。

⑤ 阈值设0或1——要么答不出，要么答得飘。

十一、本讲金句：12句可以直接背下来的话

01  个人用AI和企业用AI，是完全两个概念，几乎没有相同的地方。

02  智能体项目的第一步不是选模型，是数据打通。

03  数据不在老板的脑子里，在ERP、MES、CRM和物联网盒子里。

04  数据在哪？谁有数据？这两个问题答不出来，这件事就跟你没关系。

05  2018年数字化没打好，2026年做AI一定出问题——这是因果。

06  流程要先肯定，再转换；不能一上来就全盘否定。

07  流程是“人怎么干”，工作流是“AI怎么干”。

08  知识库不是垃圾桶，必须人为干预、人为加工。

09  问答对答错一句话，企业是要买单的。

10  建知识库不难，难的是用它；难的不是放进去，而是答得对。

11  企业要的不是“什么都知道”的AI，而是“只回答公司的事”的AI。

12  会干不会说的人，是企业里最值钱、也最容易流失的知识资产。

十二、一页纸速记：六个层级，一句结论一个动作

六个层级，每层一句结论、一个动作。

一句话复述：先确认数据能打通，再把流程翻译成工作流，最后把知识结构化成四种格式并交给部门和主管审。