我的学习笔记

为什么AI落地实施越来越像一项咨询工作？

Mon, 07 Sep 2026 15:23:50 GMT

导读：AI项目先找准价值，再用运营和软件持续实现价值。

今年做 AI 项目，我越来越明显地感觉到：AI落地实施正在变得越来越像一项咨询工作。

这并不是说，实施团队以后不用做产品、不用写代码了；也不是说，只要多开几次会、多写几份报告，就算是做了咨询。

真正的变化是，过去很多信息化项目的起点，是客户已经比较清楚自己要什么，项目团队需要解决的主要问题，是怎么把这些需求做成系统。现在不少AI项目的起点，却只是一个比较大的方向：建设企业级 AI 平台、建设知识库、做智能问答、做智能体，或者让大模型帮助某个部门提效。

方向通常没有错，但距离一个真正可建设、可使用、可验收的项目，还差得很远。

所以，项目前半程最重要的事情，正在从“确认功能”变成“和客户一起发现价值”：到底要解决谁的什么问题，AI在其中能发挥什么作用，哪些事情不能交给AI，以及怎样把一个听起来不错的想法，变成一套真正可行的建设方案。

WorkBuddy、豆包工作、千问办公开战—企业AI的机会反而更清楚了

Mon, 31 Aug 2026 01:33:25 GMT

导读：AI 办公正在成为巨头的新战场。但让一个员工更快完成文档，不等于让一家企业更高效地运转。个人工作入口之外，企业知识、流程、权限与协同，正在形成更大也更难的市场。

2026下半年的AI 办公市场，突然变得拥挤起来。

腾讯持续升级WorkBuddy，并推出企业版AI工作台；阿里将多条产品线整合为千问办公，随后深度接入钉钉；字节跳动正式发布豆包工作，与飞书打通；钉钉自身也在把越来越多的组织能力变成可被 AI 调用的工具。

这些动作不是普通的产品更新。大厂正在收拢内部赛马的团队与产品，把大模型、办公软件、企业协作平台和云服务推到同一张牌桌上。AI 办公的竞争，已经从“给软件加一个对话框”，进入“由Agent 接收目标、拆解任务、调用工具并交付结果”的阶段。

这当然是一件好事。

过去两年，企业讨论AI时经常陷入两个极端：一边把大模型当成万能答案，另一边因为几个效果不稳定的 Demo，认定AI离生产环境还很远。WorkBuddy、豆包工作、千问办公等产品的大规模进入，会迅速降低使用门槛，让更多员工在真实工作中接触Agent。AI 不再只属于技术部门，也不再只是聊天、写稿和搜索，而会逐渐进入文档、表格、会议、调研、数据分析和跨软件操作，特别是沙箱的使用，你的要求马上会被Agent以现写代码的方式实现出来，这是大跨度的人机协作范式的提升。

当小区电梯广告一分钟可以播放三次Workbuddy，我就觉得市场教育由大厂们来完成，其实对整个AI大赛道都是好事情。

但另一个问题也随之出现：当巨头把 AI 办公推向白热化，其他产品和团队是不是就没有机会了？

从钉钉知识库导出文档到 TorchV AIS

Sun, 23 Aug 2026 08:44:01 GMT

本文介绍如何使用钉钉 DWS 命令行工具，将钉钉知识库中的在线文档导出为本地 Office 文件，再上传到独立部署的 TorchV AIS 知识库。

大型企业AI落地的隐性共识：知识工程必须先做扎实

Sat, 22 Aug 2026 13:56:30 GMT

导读：

你的AI项目落地真的被用起来来了吗？

企业知识能不能被管好、用好，决定了AI的实际价值。

知识工程，正在成为大型企业AI建设的必修课。

在不少企业的 AI 项目中，都能看到相似的一幕。

项目验收的时候，平台已经部署完成，知识库导入了成千上万份文件，几个重点场景也做出了可供演示的 Agent。领导在会议室里提出问题，系统很快生成了一段条理清楚的回答，项目看起来已经具备上线条件。

可过了几个月，使用情况却没有达到预期。

业务人员偶尔打开系统，问过几次，发现有些答案引用的是旧制度，有些回答虽然正确，却没有考虑本部门的实际流程。遇到专业问题时，系统给出的内容和公共 AI 服务差别并不明显。时间一长，大家又回到了原来的工作方式：找熟悉业务的人、在群里询问，或者从共享目录中翻文件。

真正让AI项目决策人（如CIO、AI专班负责人等）感到压力的，往往不是某一次回答不准确，而是项目进入复盘阶段后，很难说清楚它到底带来了什么。

企业AI落地，需要的不是一个知识库，而是一台“知识引擎”

Mon, 10 Aug 2026 01:55:17 GMT

导读：

1.企业AI落地除了大模型，最重要的竞争就是企业上下文之争；

2.八个问题可以自查你拥有的是知识库还是知识引擎。

这两年，几乎每一家认真推进 AI 的企业，都做过一件相似的事：

把公司里的制度文件、产品手册、培训材料、项目文档一股脑上传，然后接上大模型，做一个“企业知识库问答”。

演示的时候，效果往往不错。问一句“公司的报销流程是什么”，AI 很快就能给出答案；再问一句“某款产品有哪些参数”，它也能从文档里找到相关内容。

但真正上线之后，问题很快就来了：

同一个问题，换一种问法就答不准；
明明资料里有，AI 却说没找到；
引用的是旧版本制度，业务部门不敢用；
不同岗位本来应该看到不同内容，AI 却可能跨越权限边界；
文档越来越多，重复、冲突、过期内容也越来越多；
做完一个问答助手之后，想继续建设客服 Agent、合规 Agent、售后 Agent，却发现还得从头再来。

于是很多企业开始怀疑：是不是模型还不够强？是不是向量数据库选错了？是不是提示词还要继续调？

这些当然都可能影响效果，但更根本的问题是：企业把一个基础设施问题，当成了一个问答工具问题。

企业 AI 真正需要的，不只是一个能存文件、搜内容的知识库，而是一套能够持续接入知识、加工知识、治理知识、调用知识，并根据业务反馈不断优化的企业 AI 知识引擎。

做完一次总体设计后，我重新理解了企业级知识库

Wed, 29 Jul 2026 06:18:00 GMT

未来，当企业内部出现大量 Agent 时，企业之间的差距也会迅速拉开。因为除了一定程度上可以共享的大模型能力，真正难以复制的，是由企业级知识引擎长期沉淀、治理并持续更新的企业上下文。

最近一段时间，我的大部分精力都放在一个企业级智能知识库项目的需求分析和总体设计上。

明总刚刚写了一篇《AIS 交付实践中的架构演进与思考》更多从技术和交付角度，讨论不同客户基础设施带来的适配问题，以及 AIS 如何通过存储适配、任务持久化和部署组合降低私有化交付的复杂度。其中有一个观点我很认同：产品架构不是关起门来设计出来的，交付过程中真实遇到的问题，本身就是架构演进的重要输入。

而我在这次项目中做的事情更偏向需求、产品和总体设计。每天面对的不是“某个功能怎么实现”，而是另一组问题：

客户为什么要建设企业级知识库？它和原来的文档管理系统有什么区别？知识由谁维护？制度更新后旧版本怎么办？跨部门 Agent 从哪里获得知识？答案不准确时，问题究竟出在模型、检索，还是知识本身？

这些问题看起来不像算法问题，却往往决定了一个知识库能不能真正进入生产。

企业AI知识库的主要应用场景，以及需求变化后带来的新挑战

Sun, 05 Jul 2026 15:51:15 GMT

前段时间出差了一周，与合作伙伴聊到接下来排着的一些商机，他们不是专做知识库的，但发现几乎今年所有的商机需求里面都有知识库。在当下的AI浪潮中知识库声浪已经回落，但在真实的市场需求中却越来越旺盛。所以今天这篇文章，我会根据自己接触到的一些真实市场反馈聊聊知识库一般会有哪些应用场景，以及不断变化的需求带来了哪些产品上的新挑战。

一、客户价值地图

废话不多说，直接上我们接触到的真实业务场景和客户价值。

AI知识引擎的一些常见企业应用场景

Wed, 01 Jul 2026 04:01:52 GMT

很多企业已经开始尝试大模型，但真正进入业务现场时，往往会遇到同样的问题：

制度文件很多，但 AI 不知道该引用哪一版；
业务知识分散在部门、系统和个人电脑里，员工找不到、AI 也用不好；
客服、审计、合规、售后、销售、研发等场景都有大量重复劳动，但又不能完全交给模型自动判断；
客户希望 AI 提效，但更担心答案不准、依据不清、权限越界、过程不可追溯。

TorchV AIS 面向这些真实问题而设计。它不是一个简单的文档问答工具，而是一套面向企业 AI 落地的知识引擎系统。它帮助企业把分散在制度、手册、合同、报告、工单、案例、模板、FAQ、业务系统和外部资料中的知识，变成可检索、可治理、可追溯、可被智能体调用的知识资产。

本白皮书基于金融、审计、烟草政企、工业制造、大宗商品贸易等真实客户需求抽象而来，重点回答三个问题：

客户可以在哪些业务场景中使用 TorchV AIS？
这些场景能为客户带来什么价值？
TorchV AIS 如何支撑这些业务场景落地？

一、客户价值地图：先从业务场景看 TorchV AIS 能做什么

企业客户最关心的不是“系统有哪些功能”，而是“我的业务里哪里能用，能解决什么问题，能带来什么价值”。因此，我们先用一张价值地图展示 TorchV AIS 在典型业务中的落地方式。

跨越业务视角与AI技术视角的鸿沟，Facade模式在企业AI落地中的应用思考

Thu, 25 Jun 2026 03:42:31 GMT

作者：卢向东，杭州萌嘉网络科技有限公司创始人。团队长期专注于企业 AI 落地与 AI 知识引擎实践，是国内较早探索 RAG 企业应用落地的团队之一。产品 TorchV 已成功服务浪潮信息、微众银行、物产中大、台州银行、适途汽车、中汇税务师事务所等客户。

企业AI落地不是让业务人员学习 AI 的工作方式，而是让 AI 能力进入业务人员熟悉的工作方式。

上周出差上海与一家会计师事务所交流AI在他们业务中的落地，过程中突然让我意识到了一个AI落地的问题：很多企业 AI 项目并不是卡在模型能力上，而是卡在“业务人员不知道该如何通过对话框完成一套复杂业务流程”。

一、企业AI落地中存在的鸿沟

当前很多AI原生应用默认采用对话式交互，也就是 CUI（命令行用户交互界面）。不管是Claude、ChatGPT、DeepSeek、Kimi等大模型，还是龙虾、Hermers等Agent，对话式交互适合问答、检索、生成、改写，但并不天然适合承载复杂业务流程。对于已经习惯了三十年 GUI （图形化用户交互界面）系统的企业用户来说，他们更熟悉的是列表、表单、状态、按钮、审批流、退回、挂起和复审，而不是把一整套业务流程压缩进一个聊天窗口里。

企业级知识库有哪些特殊之处，讲讲安全合规与知识健康

Thu, 25 Jun 2026 03:41:09 GMT

企业级知识库的一些实践，合规和知识健康。

我在上一篇文章《五分钟讲明白企业知识库，AI时代为什么它会这么重要（附视频）》中大致讲了企业知识库的一些特点，和多数人认为“RAG即是知识库”的概念存在哪些不同，有几位朋友私信说对于一些重要的特点只是一笔带过太敷衍了。那么今天这篇文章我们就从中挑选两个点来展开讲讲企业知识库的这些特点：

安全合规；
知识健康。

一、安全合规

安全合规我认为是由“安全”与“合规”组成的，安全的内容会非常多也非常分散，包括多级权限控制、设备控制、白名单、多次登录失败限制、防泄露（下载日志、水印等）、防prompt注入攻击等。关于安全，本文就不展开来说，我们直接说说合规。

因为合规这个场景可能是大部分AI从业者不一定会碰到的，特别如果你只做产品，没有实际落地经验的话。但在面向强监管的行业客户的AI落地实施中却会被看作重中之重，类似银行、证券基金、保险、支付、生物制药、医疗服务等，在AI落地的时候都非常需要做好合规，不然可能会面临巨额罚款或司法诉讼。

知识加工驱动知识库整个生命周期的三个阶段

Thu, 25 Jun 2026 03:39:57 GMT

作者：肖玉民，杭州萌嘉网络科技有限公司联合创始人&CTO。团队长期专注于企业 AI 落地与 AI 知识引擎实践，是国内较早探索 RAG 企业应用落地的团队之一。产品 TorchV 已成功服务浪潮信息、微众银行、物产中大国际贸易、物产中大金属、台州银行、适途汽车、中汇税务师事务所等客户。

我觉得在知识库里面，以知识加工来驱动知识库三个生命周期的阶段：

1、早期阶段（知识准入）

知识库需要起到容器的作用，对于知识准入来说，知识库系统需要支撑多种数据源的导入处理请求，要求的是对文件的支撑的广度，AIS知识库在这个阶段，提供了非常多的数据类型支撑，包括：在线编辑器（多人协作）、在线表格、附件（支持PDF、OFD、PPT、Word、Excel、Txt、Md、Html、Xmind、jsonl等文件）、HTTP接口等多种数据源的、半结构化数据（Excel导入转DB走Nl2SQL的方式）、关系型数据库。我们是支持的非结构化数据源的广度优先。

FDE越来越火，你认为这会是2026年AI落地之道吗？

Thu, 25 Jun 2026 03:38:16 GMT

FDE，全称Forward Deployed Engineer，可以理解为“前线部署工程师”。

FDE，是站在技术、业务、组织和流程的连接点上的人。

一、为什么FDE会越来越受追捧

AI时代的软件形态正在发生变化，软件一般在GUI上都会更加简单，甚至有些直接就没有GUI（图形化界面），而是采用形式上极简的对话框式的CUI。对于客户的上手难度来说会呈现两极分化，喜欢CUI的人极度推崇，甚至觉得可以像OpenClaw和Hermes一样，一些复杂任务也可以在手机上通过对话就能完成。

图：AI在企业中落地的困难。

但对大部分企业业务来说，情况没有这么简单。

企业的流程不是一句“帮我处理一下”就能自动跑起来的。它背后有审批规则、数据口径、权限边界和大量隐性知识。CUI虽然降低了表面操作门槛，却也带来了新的问题：用户习惯需要迁移，业务意图需要被准确理解，AI能力需要被嵌入到真实流程里。换句话说，AI产品本身可能越来越简单，但AI落地反而变得更复杂了。

AI时代，企业的业务底座正在从数据库变成知识引擎

Thu, 25 Jun 2026 03:35:48 GMT

很多企业这两年都在做AI，买了大模型，接了API，搭了开源的RAG系统，也做了几个Demo。但真正上线到业务里，很快就会遇到同一个问题：

系统并不是不会回答，而是总差那么一点意思。

同一个问题，旧制度里有答案，新通知里也有答案；产品手册有一个说法，售后案例又有另一个说法；总部文件说可以，区域规定说不行。这时候你会发现，企业AI真正缺的不是更聪明的模型或RAG，而是一个能让AI正确使用企业知识的底座。

过去二三十年，企业信息化其实一直围绕一件事展开：

把业务装进数据库。

我相信不仅是我们这些软件从业者，也包括大部分企业的CIO、CTO和技术leader们，都在做的事情就是把采购、库存、生产、财务装进ERP的数据库表里，把客户、商机、合同、回款装进CRM的表里。其他的包括OA和BI也都是围绕着关系型数据库在做文章。当然，还有互联网和移动互联网，几乎也是把关系型数据库作为最核心的基础设施之一。

但到了AI时代，一个更根本的问题出现了：

企业最有价值的资产，真的还主要存在数据库里吗？

大多数公司没有为AI做好准备，7个问题自测一下

Thu, 07 May 2026 03:14:26 GMT

本文导读：

企业应该如何为AI做好准备？

大企业在AI落地准备环节的优势；

企业是否已经为AI准备好了？7类问题自测；

还没想好？那你依然可以先做的两件事。

一、AI落地实践者的回应

五一节假日里读了宝玉最新翻译Daniel Miessler的文章《大多数公司根本没有为AI做好准备》，快速的整理就是以下几点：

AI 不是问题，说不清目标才是问题；

内部的知识和工作流就像混乱黑盒无法规模化；

真正被 AI 帮到的公司是怎么样的。

对于文章的大部分观点我都是非常认同的，而且情况确实也和我们近一年半接触的企业（包括成功实施的客户、PoC客户、观望中的企业、咨询之后终止的企业）的画像相似。

【万字长文】OpenClaw 火了，企业怎么用才是正确的？

Sun, 22 Mar 2026 09:24:02 GMT

从“全民养龙虾”到企业落地，差的从来不只是一个 Agent

2026 年开年，OpenClaw 几乎是以“现象级产品”的姿态闯进大众视野。

因为那个红色龙虾图标，大家给它起了个很接地气的名字：龙虾。很快，技术圈在讨论它，产品经理在研究它，白领在体验它，社交媒体上甚至出现了“今天你养龙虾了吗”这样的半玩笑式问候。它不只是一个开源项目，更像是一场关于“AI 开始真正动手做事”的集体兴奋。

但热闹归热闹，一个很有意思的反差也同时出现了：

个人用户越狂热，企业用户越克制。

这并不难理解。对个人来说，OpenClaw 带来的是一种久违的轻盈感：你终于不用再只是“跟 AI 聊天”，而是可以把一些原本要自己亲手操作的事情交给它。可一旦进入企业环境，问题就变了，企业关心的从来不只是“它能不能做”，而是：

企业AI落地三部曲3：真正的角力—知识构建与知识健康

Mon, 05 Jan 2026 15:14:54 GMT

在企业AI落地实践中，数据/知识质量 是AI可靠性的基石。这一点可用一句俗语概括：垃圾进，垃圾出。如果输入给AI系统的是过时、混乱甚至错误的知识，那么AI输出必然难以令人满意。现实案例表明，不少企业最初构建的知识库缺乏质量管控，导致AI引用了错误版本的政策文件，给出了错误解答。之所以出现这种偏差，正是因为纯粹的技术方案缺乏对知识时效性、权威性的考量。因此，在启动任何AI应用之前，企业必须先确保其知识语料“干净”和“新鲜”，为AI模型提供高质量、高可信度的知识原料。正如TorchV AIS知识引擎所强调的，知识构建环节的使命就是从源头上解决“垃圾进，垃圾出”问题，确保进入AI系统的是高质量、高纯度的内容。

知识需要被好好对待

许多企业早期尝试采用 RAG方案，将大语言模型与企业内部知识库相结合，希望快速构建问答机器人。然而实践证明，RAG方案在生产环境中高达70%以失败告终 。造成失败的根源往往在于对知识管理缺乏系统性方法论，导致以下常见陷阱：

企业AI落地三部曲2：数字员工军团——从自主智能体到指数级生产力

Wed, 24 Dec 2025 07:11:19 GMT

本文看点：

数字员工是一种可以提供生产力的软件，其的价值可以用人效衡量，

软件不仅仅只是服务（SaaS），也可以是“软件即人效（SaaP）”。

在上一篇《企业AI落地三部曲1：为什么95%的企业AI项目失败》中，我们提出了一个判断：企业要真正释放 AI 的生产力，最终一定会走向“数字员工军团”。在我看来，数字员工并不是某一种具体形态的产品，而是企业 AI 落地的终极组织形态。原因并不复杂，至少体现在四个方面：

ROI 可量化：数字员工可以直接用人力资源成本体系来衡量投入与产出；
使用门槛极低：它的交互方式天然贴近“同事协作”，就像在钉钉/企业微信或其他IM中和异地团队成员一起工作；
具备指数级扩展能力：一旦形成标准化能力，数字员工可以迅速演化为规模化的“数字员工军团”；
与具身智能天然兼容：它是未来 AI 从“软件”走向“实体”的关键大脑。

事实上，在ChatGPT 3横空出世不久，B端市场就已经出现了“数字员工”的概念，只是前面一直处于畅想阶段，未见落地。

直到2025年3月，因参与某银行项目，我们算是第一次近距离接触到了一家大型金融机构正在系统性开展数字员工工程。当时，TorchV 正在全力聚焦于“成为国内领先的企业级 AI 知识库厂商”，我们自己并没有明确的数字员工视角——原因也很简单：我们没有管理过成千上万人的组织，对“人效”提升的感知并不直观。而极致人效问题，恰恰是大型企业 CXO 们最迫切、也最无法回避的挑战。而对于某银行来说，他们在实施数字员工的过程中发现需要有一个可以支撑知识治理、权限控制和高精度RAG能力的知识库作为数字员工的支撑底座，因为数字员工所需的主动性、长期记忆与组织化协作等特质，恰恰是TorchV KBS（可以认为是某银行专有版的TorchV AIS）这样的知识引擎最本质的能力。

企业AI落地三部曲：为什么95%的企业AI项目失败

Tue, 16 Dec 2025 02:49:18 GMT

别把AI当作“工具”，而是要当作“员工”来设计。

这正是“数字员工”概念的来源，我们会在第二篇中展开。

2025年的企业技术领域的发展很有意思。一方面，全球在人工智能领域的支出预计将突破6000亿美元，基础设施和应用投资的同比增幅高达76%。然而，在这场资本狂欢的阴影下，一个残酷的统计现实正困扰着每一个渴望数字化转型的董事会和CIO：高达95%的生成式AI试点项目未能成功投产，更别说产生商业价值了。这一判断也与 MIT报告《The GenAI Divide》中提到的数据，以及Gartner 对“AI Pilot-to-Production Gap”的研究结论都高度一致。

这便是“生成式AI鸿沟”。本文作为《企业AI落地三部曲》的首篇，旨在通过我们近两年在企业AI落地实践中的教训与经验，为企业技术决策者提供我们的独特视角。时间到了2025年底，企业AI落地的失败已经不能再归咎于模型能力的不足——GPT-5.2与Claude 4.5等模型已足够强大。企业往往陷入了“忽略业务目标”、“单纯技术迷信”、“混淆个人与企业AI差异”这三大误区。

本系列目前的计划是三篇，每周一篇，分配是：

上篇：通过我们在企业AI落地实践中获得的教训和经验来分析为什么95%的企业AI落地项目失败了。
中篇：数字员工是目前最好用，也必将是未来的主流趋势的企业AI Agents落地形态。
下篇：企业AI落地的基石，知识构建、知识治理与知识健康。

以下是上篇内容。

一、当AI成为目的而非手段

在所有导致企业AI项目夭折的因素中，最致命的并非技术本身，而是战略出发点的偏离。正如思维导图所强调的，“忽略业务目标”是失败的根源。太多的企业陷入了“为了做AI而做AI”的怪圈，将手段异化为目的。

企业AI知识库不止是RAG，更重要的是“知识引擎三大支柱”

Thu, 18 Sep 2025 03:00:21 GMT

今年被问的最多的问题之一应该就是“你们和Dify、Ragflow有什么区别？”

其实这个问题并不好回答，每个产品都有自己的优势和特定用户群体。如果你陷入功能模块和技术参数的比较，那么就会脱离创造产品是为了实现客户价值这个初衷。所以回答这个问题最佳的方式是分析一下我们现有客户（如微众银行、浪潮信息、物产中大等）为什么选择我们的TorchV企业级AI知识库。

所以在本文中我会重点回答以下两个问题，特别是第二个问题：

为什么需要特别重视企业级知识引擎？
企业级AI知识引擎需要有哪些重要特性？

一、AI生产力悖论

企业AI落地不顺，问题可能出在你没搞懂知识库

Tue, 05 Aug 2025 03:36:05 GMT

导读：

为什么企业AI落地往往不顺？

重新认识一下知识，不是数据，也不是文档；

AI企业知识库不等于RAG；

如何将文档、数据变成知识，TorchV对SECI模型的实现介绍。

一、AI时代知识为什么很重要

今年的AI应用里，让我最惊艳的应该是Gemini的Deep Research（pro版本）和Manus了，似乎AI真的走到了自己思考和执行事项的时代，相信已经用上这些产品的朋友会有同样的感叹。

但别急，我也发现了它们的一些局限。

也许用显微镜看的时候，它们的局限会很多，比如相对来说还比较高的执行失败率，或者明明规划路径是对的，最终结果却未达预期。但对我来说，最大的差距是Deep Research在规划时不能理解企业特有的业务流程，造成很多它们给的结果明明很好，但和我的业务无关，特别是企业自身的知识无法用几句话就讲清楚的时候，再聪明的AI也无法理解企业知识。

所以你猜到了，我想说的就是在真正的企业AI应用中，没有知识库是不行的。就像你请了一个国际高级咨询师，如果人家完全没有了解公司业务和知识的情况下，给你开了三天闭门会，也许你会觉得如沐春风，然并卵。