WorkBuddy 企业版实操课 2 天收官:从高级功能到企业资产沉淀

一家公司决定"上 AI",通常从开通账号开始。半年后复盘,发现真正被用起来的功能不超过三个,剩下的预算变成了一串没人登录的账号。问题不在工具不够强,而在没人回答过那个前置问题:我们到底要让 AI 解决什么。

所以我们这次课的开头,不是讲 WorkBuddy 有什么功能,而是先问清楚每家企业现在的处境。

2026 年 9 月 4 日到 5 日,WorkBuddy 企业版实操课在朝阳门丰联广场 B 座 1018 杰程中心完成了两天线下授课。两天的内容跨度很大:第一天拆的是 WorkBuddy 的高级功能——助理、项目、专家、连接器怎么用、怎么组合;第二天讲三件更硬的事——企业知识库怎么搭、数据蒸馏怎么做、企业资产怎么沉淀下来。

这篇文章把两天课上真正有含金量的部分整理出来。没到现场的人,拿走的是方法;到了现场的人,可以当作一份复习提纲。

一、先诊断,再教工具:这次课我们做了一次结构反转

课前问卷不是为了统计,是为了定位

开课之前,我们给每位学员发了一份问卷,只问三件事:

• 你的企业现在在哪些环节用了 AI,用的是什么工具?
• 卡在哪儿——是没人会用、是答不准、还是不敢往真实业务里放?
• 如果要挑一个最想解决的问题,是哪个?

这三个问题看着简单,真正的作用是把"AI 能做什么"和"你的企业该做什么"这两张清单对齐。大部分企业卡住,不是因为 AI 不行,而是这两张清单从来没有放到一起比对过。

收上来的答案里,高频痛点集中在几类:内部资料太散找不到、重复性的文档整理占掉大量时间、老员工的经验没法传给新人、客服和销售的口径不统一。这些问题的共同点是——它们都不是"换个更强的模型"能解决的,而是需要方法。

现场分析:把通用能力翻译成你的具体场景

带着这份问卷进课堂,第一天和第二天都留了固定的现场分析时间。我们做的事很直接:把学员填的痛点逐条摆出来,当场判断三件事——

1. 这个问题 AI 能不能解?
2. 如果能解,需要配什么——是知识库、是专家、还是要接连接器?
3. 如果不能解,卡点到底在哪儿?

"不能解"的判断和"能解"同样重要。 有学员问能不能用 AI 直接替代某个审批环节,现场的判断是不能——那不是 AI 问题,是流程本身的责权没理清楚,硬上 AI 只会把混乱固化下来。这类"别在这儿使劲"的建议,往往比教一个新功能更值钱。

二、第一天:助理、项目、专家、连接器是四个层级,不是四个功能

这是第一天最核心的内容,也是最多人之前用错的地方。

很多人打开 WorkBuddy,只用到最外面那一层——对话框。问一句,答一句。这样用,WorkBuddy 和任何一个聊天 AI 没有区别。真正的差别在下面四层:

• 助理是执行者。它负责具体干活,但能干成什么样,完全取决于你给它配了什么。
• 项目是上下文容器。同一个助理,放进不同项目里表现完全不同——因为项目框定了它的知识边界、任务目标和产出标准。
• 专家是领域人格。它把一个岗位的经验、判断标准、输出格式固化下来,让 AI 的回答不再是"放之四海皆准的正确废话",而是带岗位视角的判断。
• 连接器是手脚。没有连接器,AI 只能在你粘贴给它的信息里打转;接上连接器,它才能真的去读你的系统、查你的数据库、写回你的工具。

大多数企业用不好 AI,是因为把这四个当成四个并列的功能,而不是一套组合。

正确的用法是一条链:用专家定义岗位标准 → 在项目里喂给它企业自己的知识 → 用连接器接上真实数据源 → 让助理去执行。少了任何一环,输出都会退化成"看起来像那么回事"的答案。

课上我们让学员亲手把这个链条搭了一遍。搭完之后的差别是明显的:同一个问题,在裸对话框里得到的答案,和在配好专家 + 项目 + 连接器的环境里得到的答案,质量差了一个量级。

三、第二天:从"会用"到"沉淀"

如果说第一天解决的是"怎么让 AI 答得准",第二天解决的是**"怎么让 AI 答得准这件事,不依赖某个人"**。

企业知识库:先想清楚喂什么

大部分企业的第一反应是"把所有文档都传上去"。这是个陷阱。

知识库的质量上限,取决于喂进去的东西干不干净。 你把三年的会议纪要、五个版本的制度文件、一堆过期的产品手册全塞进去,AI 学到的就是噪音,答错的概率反而比没有知识库时更高。

课上讲的方法是从场景倒推:先确定这个 AI 要回答哪一类问题,再去找支撑这类问题的最小语料集。宁可先小、先准,再慢慢扩,不要一上来求全。

数据蒸馏:把噪音变成燃料

这是第二天信息密度最高的一块。

企业里的原始数据,绝大部分是不能直接用的:重复的表格、只有当事人看得懂的缩写、夹在聊天记录里的碎片结论、早就失效但没人删的旧版本。数据蒸馏做的,就是把这些原始材料加工成 AI 真正能吸收的东西:

1. 去重与清洗 —— 同一件事有多个版本的,确定唯一可信来源。
2. 结构化 —— 把散落在表格、文档、对话里的信息,整理成一致的格式。
3. 标注与关联 —— 标清楚哪些是事实、哪些是判断、哪些是例外情况,并把相关内容关联起来。
4. 验证 —— 用真实问题去测,答错了就回去补语料或改结构。

这一步没有捷径,但它决定了后面的一切。跳过蒸馏直接建库,等于把垃圾搬进了一个更漂亮的房间。

企业资产沉淀:让经验不再跟着人走

知识库建好、数据蒸馏做完,最后一步是让它变成能持续增值的资产,而不是一次性项目。

判断标准很简单:如果一个老员工明天离职,他脑子里的东西还在不在你的系统里?

沉淀下来的企业资产有三个特征:新人能靠它快速上手、老人离开带不走、用得越久越准。做到这一点,AI 才从"工具"变成了"组织能力的一部分"。这也是为什么我们把资产沉淀放在最后一节——它是前两天的终点,也是回到公司之后的起点。

四、两天下来,学员带走了什么

不是记住了多少快捷键,而是三样可以直接用的东西:

• 一个按自己企业场景搭好的项目 —— 不是课堂演示的示例,是自己填的痛点对应的真实配置。
• 一份清洗过、可以直接喂给 AI 的语料 —— 现场做完蒸馏,回去不用重来。
• 一个配置了行业判断标准的专家 —— 把岗位经验固化下来,团队里其他人也能复用。

这三样东西的共同点是:回到工位就能接着用,不需要重新立项。 这也是我们把课设计成"实操"而不是"讲授"的原因——坐在下面听完,和手上做出来的,是两回事。

现场另一个明显的收获是同伴之间的互相启发。同样一句"内部资料找不到",做咨询的和做零售的,解法完全不一样。这类跨行业的对照,是线上课很难复制的部分。

五、现场被问得最多的四个问题

整理出来,供没到场的读者参考。

Q:我们没有专门的技术团队,这套东西能搭起来吗? 能。这次课的设计前提就是零代码,从建项目到配专家到做蒸馏,全程不需要写程序。真正需要的不是技术人员,是那个最懂业务的人——他知道哪些答案是对的,这个判断没法外包给 IT。

Q:知识库搭好之后谁来维护? 这是最容易被忽略的问题。建议是明确指定一个业务负责人,而不是丢给行政或 IT。知识库腐化的速度比想象中快,没人负责的话,半年后就变成一堆过期文档。维护成本不高,但必须有人认领。

Q:AI 答错了怎么办? 先接受一个前提:它会答错。关键是把错误当成输入——每次答错,要么是语料缺了、要么是结构有问题、要么是专家的判断标准没写清楚。建一个"错题本"机制,比追求一次答对更现实。

Q:数据放在 AI 里安全吗? 这个问题要分两层看。一是合规层面,涉及敏感信息的要先做分级,确定哪些能进、哪些不能进;二是技术层面,选择支持私有化部署或明确数据边界的方案。不要因为担心安全就一直停在试点阶段——更重要的是先把数据分级做起来。

六、陪跑还在继续

线下两天结束了,陪跑还在继续。接下来这段时间,我们会继续跟进学员回到企业后的落地情况——遇到问题随时解答,跑通的场景也会陆续整理出来。

课上的内容已经交付完,但真正的检验在企业里。如果一个 AI 数字员工能在你公司的日常流程里稳定跑上一个月,那时候才算真的落地。

---

写在最后

两天时间能讲完的东西终究有限。这次课想传递的核心其实是两句话:

第一,先想清楚要解决什么问题,再谈用什么工具。顺序反了,投入越多浪费越多。

第二,AI 的价值不在某一次惊艳的回答,而在能不能沉淀成企业的资产。前者是演示效果,后者才是竞争力。

课可以结束,把这两件事做下去,才刚开始。

—— 杰程中心