DEPLOY FUTURE｜9月18日课程现场

浙江大学杭州国际科创中心｜讲师现场讲解

徐梦阳老师受邀为萧山科协总工会讲授「AI 赋能知识库搭建与文稿写作实战」课程。

课程没有从工具清单开始，而是先抛出一个更关键的问题：

你的 AI 知道你是谁，也知道你的工作进行到哪一步了吗？

很多人已经用 AI 写文字、做总结、出方案，却仍停留在「人提问，AI 回答；人判断，复制、发送、催办、检查」的循环里。AI 提高了单个环节的效率，却还没有真正进入工作流程。

这堂课要解决的，正是从「会用 AI」到「让 AI 上岗」之间的距离。

01

知识库不是资料仓库

知识库搭建的第一步，不是把资料尽可能多地存进去，而是先想清楚：任务发生的时候，AI 需要知道什么？

课程中提到，至少有四类内容值得被沉淀。

第一类是事实。组织是谁、正在做什么项目、服务什么人群、有哪些固定流程，这些对人来说可能是常识，对 AI 来说却未必存在。

第二类是案例。真正有价值的经验，不只在最后的成果里，也在于当时遇到了什么问题，走过哪些弯路，哪些方法有效，最后如何解决。把案例拆成问题、过程、判断和结果，AI 才有机会理解你的工作路径。

第三类是评判标准。什么样的格式可以提交，什么样的表达适合对外发布，哪些数据必须交叉验证，哪些风险需要提前标注。不同岗位的「做得好」并不一样，行政、公文、宣传、活动组织和营销，都有自己的标准。

第四类是风格。几篇真正有代表性的范文，往往胜过大量没有筛选的材料。你的语言习惯、结构偏好和视觉审美，都可以通过这些样本逐渐被 AI 理解。

只有你有、AI 没有的内容，才是知识库真正的价值。

02

让 AI 先认岗，再领任务

课程把知识库拆成三层：身份和记忆、方法论、资料。

身份和记忆，解决的是「我是谁」。AI 需要知道自己服务什么岗位、面向什么对象、正在完成什么目标，也需要知道应该怎样与你协作。

方法论，解决的是「我怎么做」。一项工作有哪些步骤，在哪些节点需要判断，什么结果才算合格，这些可以沉淀成可复用的 Skill。

资料，解决的是「我用什么做」。组织信息、历史案例、模板、范文和项目文件，都应该在需要的时候被准确调用。

同一个 AI 在不同人手里会产生完全不同的结果。模型的通用能力只是起点，真正拉开差距的，是你有没有把自己的事实、经验、标准和方法教给它。

03

不是所有事情都交给 AI

当 AI 开始承担工作，首先要判断的不是「它能不能做」，而是「它应该做到哪一步」。

越接近标准化执行的任务，越适合交给 AI。比如识别和整理发票、统一文件命名、按规则分类归档，这些任务有明确标准，也容易检查结果。

遇到异常情况、模糊边界和复杂判断时，人需要重新进入流程。AI 可以协助分析，但不应该替人承担最终责任。

审批、签字、跨部门协调和责任承担，也仍然需要人来完成。

AI 的价值不是把所有事情都接管，而是让人从重复劳动中退出，把时间放回判断、创造和真正需要人的地方。

04

复杂任务，先让 AI 复述一遍

面对复杂任务，课程中分享了一个很实用的习惯：先让 AI 用自己的话复述一遍，它是否真正理解了任务。

它需要说清楚：目标是什么，服务谁，手里已经有什么资料，还缺少哪些信息，准备分几步完成。

这一步看起来多花了几十秒，却能提前暴露很多问题。方向错了，越快生成，返工越多。

如果第一版结果不理想，也不要只说「再改得好一点」。哪一段角度不对，哪一个数据需要复核，哪种表达不符合要求，都可以明确指出。一次集中修改一类问题，比同时提出十几个模糊要求更有效。

当一轮轮反馈被记录下来，AI 也会逐渐理解你的偏好、禁忌和验收标准。一次任务的反馈，可能会变成下一次工作的经验。

课堂侧面｜现场参与者正在跟随课程推进

05

从聊天助手到数字员工

课程里对 Skill 的解释很直观：同一个 AI，装上不同的 Skill，就像一个人拥有了不同的职业技能。

Skill 不是一份死板的模板，而是一套经过实践验证的方法。连续用 AI 做过几份 BP 之后，AI 会逐渐理解分析趋势、寻找痛点、说明价值、提炼壁垒和呈现案例的方法。下一次再做类似任务时，调用的就不只是模板，而是自己的工作逻辑。

当 AI 进一步连接文件、浏览器、邮箱、日历和其他工具，它就不只是在告诉你「应该怎么做」，而是可以参与搜索、整理、比较、生成和交付。

这正是数字员工的含义：它有岗位，有记忆，有方法，也能够调用工具完成工作。

当然，知识库建设也必须从一开始就考虑数据边界。安全不是使用 AI 之后再补充的一句提醒，而应该从资料分类和权限设计开始。

课程现场全景｜把任务交给 AI，把时间留给未来

先让 AI 认岗，再给它任务；先供给正确上下文，再期待稳定交付。

把重复的、已知的工作交给 AI，把人的时间留给判断、创造和探索。