企业 AI 化的第一性原理:建立一个让人与 Agent 在真实任务中共同成长的场.

前几天听了一场对谈，一家智能体公司的创始人讲的，题目起得很冲，“去他 X 的 FDE”。FDE，前端部署工程师，到客户业务一线解决问题的那种。理解业务、设计方案、写程序、做部署，都在他的活里。

听完觉得蛮有启发。但里面有几个新观点，我觉得值得再往下深想一层。我拉着自己的 AI 聊了一下午，一句一句推敲，推到最后发现分歧根本不在技术，在一个更底层的问题上，哲学层面。

一 现在行业里流行的是哪一套

大多数公司帮企业做 AI，路子都差不多。派人进去，访谈老板，访谈骨干，把脑子里的东西掏出来。你们的经验是什么，流程是什么，遇到问题怎么判断。掏完整理成文字，搭一个知识库，写一套提示词，让 AI 照着回答。

这套动作可以叫为知识建模。把人知道的东西，复制给AI。

听着没毛病。那位创始人当场给了三句话，每一句都砸在这套动作的要害上。

第一句，访谈得到的知识是坍缩过的。一个销售高手，脑子里值钱的判断很多他自己说不清。你问他为什么能签单，他给你的答案往往是事后编的，讲得通的那种。现场真起作用的东西藏在反应里，不在总结里。你收上来的，是他已经包装过一遍的版本。

第二句，知识是个瞬间的切片。业务天天变，这周有用的打法，下周平台改规则就废了。你访谈一次搭一个库，半年以后，库里一半是过期答案。

第三句，贵。要人反复访谈、整理、标注、维护。花大价钱，买回来一个会过时的东西。

三句放一起看，麻烦不在访谈本身，在只做一次访谈，就把那份总结当成以后一直适用的答案。那等于抄一个人的影子，影子是死的，人是活的。

反过来用，访谈就有价值。单问高手“你怎么成功的”，容易收到一套漂亮说辞；拿着某次沟通记录，追问他为什么在这里改报价、为什么放弃另一个方案，就具体多了。记录留得住动作，人还能补上当时没说出口的顾虑。

二 他给的另一条路

他的替代方案，我用自己的话复述一遍。别替企业复制知识，替企业建一个自己会学习的环境。

老师傅的手艺抄下来，抄完就是一份不会动的东西；他要造的，是新手长成老师傅的那个过程。让人在真实的活里练，每一次的对错变成反馈，留给下一次。

以前这个过程靠老师傅一对一带，能带的人有限。现在记录、查资料、整理和反馈，有一大块能交给软件，它才第一次有可能摊到整个组织头上。

到这里我都是认的。

两条路：抄一份摆着，还是把成长的过程造出来

三 但“自己学习”这四个字，有个坑

他往下讲的是，让系统自己在业务场景里学，学着学着长出企业专属的能力。很多厂商都讲这套，讲得更满，你不用管了，系统会越来越聪明。

这话签单的时候最容易说，真要交付，很可能拉。得先把几件事问清楚。

机器学习有个脾气，你让它自己从一堆案例里学规律，它很容易往大多数人的做法上靠。那条最稳、最不出错、最有道理的中间路线，往往也是最平庸的。

我说很容易，也要看场景。当好坏像棋盘上的胜负一样清楚，每走一步都能立刻验证时，机器确实可能走出人没想到的路。AlphaZero 不靠人下棋的旧路子，自己跟自己对弈，就磨出过这样的走法。可企业里没有这么清楚的胜负。订单多了，利润可能少了；这个月数字好看，客户半年以后不来了。你让系统学，先得告诉它这些账怎么算。

对谈里他自己也承认，值钱的东西在边缘，是那些偏离平均、别人还没看懂的判断。他举的例子很妙，星巴克和瑞幸是两个相反的极端，一个是第三空间，一个是顾客买好咖啡，最好赶紧走。你没法从一家平均的咖啡店里同时学出这两家。系统自己学，学出来的是一家很有道理、但毫无特点的咖啡店。

所以我更想问一句，系统凭什么知道自己变好了。谁定的标准，拿什么结果检验，标准不对的时候又由谁来改。

光靠人一句“这个好”也不够。前面刚说高手会事后给自己编解释，老板喜欢的方案，客户未必买单。人的评价要留，实际结果也要留，两笔账对起来，哪条判断被支持、哪条被推翻。一次成功可能有运气，一次失败也可能碰上特殊情况，不能急着盖章。

人有最终责任，但人也得允许自己的判断被事实纠正。

系统有没有变好，人的评价和实际结果两笔账都得对

四 采集这件事，不能指望人

记录两个字说起来轻，真做就知道坑在哪。

你看这些事，企微群、飞书群、录音卡，还有企业的经营数据，要是用人肉的方式去规整、归纳、整理，人会疯掉的。因为它要求你在每件事发生的当下停下来，打断手头的活，先决定这个要不要存，再决定存到哪、起什么名、归到哪一类。咬牙干一天可以，干一周就烦，干一个月必然放弃。

值钱的信息都稍纵即逝。对方一句话里的破绽、自己一闪而过的主意，等你有空归档，早凉透了。

这道工序应该尽量交给AI。在约定好的业务范围里自动记，把出处、时间、对应的事情一起留下来，能少打断人一次就少打断一次。出了错、缺了关键一段，再找人补。

但采得多，还不能算学会了。

就拿前面的销售来说。一次客户沟通录得再完整，如果不知道后来报了什么价、客户为什么接受或拒绝、做完以后赚没赚钱，里面有价值的判断就没法核对。聊天记录在一个地方，合同在另一个地方，经营结果又在别处，各自存得再齐，也得把同一件事前后接起来。

事情发生时怎么想，后来怎么做，最后怎么样，回来要不要改。走完这一趟，记录才有机会变成经验。只把前半段收进来，很容易攒下一大堆故事，谁都能从里面挑出支持自己的那几个。

当时怎么想、后来怎么做、最后怎么样、回来改，走完才算经验

五 分水岭，企业手里剩什么

聊到这一步，分歧落在一个很实际的问题上。企业用了几年 AI，最后自己手里剩什么。

一种结局，本事全锁在模型那一箱数字里。原始资料拿不出来，判断和后来的结果对不上，换个模型就得重来，企业被厂商牵着走。

另一种结局，资料、出处、时间、结果都在企业自己手里，模型也真学会了一点本事。机器多能干一分，团队多省力一分，这是好事。

顺着这道分水岭，工具反而不用慌。WorkBuddy、TraeWork 这类工具，最里面是模型，模型能换；换不掉的，是库里带出处、带时间、带结果的东西。模型年年换，底子还在，就不必从头来过。

六 权重，和喂给它的东西

对谈里反复出现的一个词是权重。他说经验沉淀有三层，最外面是规则，中间是文字，最里面是权重，越往里越高级，最里面的东西别人抄不走。

我一开始没听懂，聊了一下午算搞明白了。

先用大白话讲这三层。规则是贴在墙上的操作卡，是或否两个档，谁都看得懂，改一行立刻生效。文字是更厚的手册，能读能改，改一处会牵动另一处。权重是长在手上的肌肉记忆，你会骑车，说不清左腿用了多大力。

经验沉淀的三种载体：规则、文字、权重，不必排出谁更高级

他说抄不走，指的就是肌肉记忆。操作卡能复印，手上的茧复印不了。

这话有道理。一个团队在真实业务里磨出来的反应，很难被一份文件抄走。但权重本身就是数字文件，拿得到、有权限，就能复制，开源模型的权重本来就公开。重做不出来的是背后那套东西，拿什么数据、按什么标准、练了多少轮，连你自己都说不清。

我现在的看法是，权重本身没问题，问题在如何获得更好的权重。指望权重自己从业务场景里长出来，这件事很难。人是流变的，场景在变，人的状态在变，认知也在变，权重练完就是一张快照，跟不上流变。

所以关键在持续采集。日志、企微群、飞书群、录音卡、生产经营数据、营销场景的、运营服务的，这些多维度的、尽量完备的采集，就是在给权重不断填充新的养料。没有这套东西，权重就是一张过期的照片。资料存进来也不会自动变好，中间还要挑选核对、训练测试。够成熟的补进流程，值得练的拿去练，剩下的特殊情况先放着看。

规则和手册是活的，今天改明天生效，配得上一直在变的企业。这几层也不必排出谁比谁高级，报价红线写成规则更好核对，常变的信息去查最新资料，反复出现又能拿到可靠反馈的能力，才值得考虑怎么训练。

谁上来就承诺帮你训一个企业专属的大脑，先问他三句。训练数据从哪来，标准谁来定，效果拿什么证明。再追问一句，新的一版还不如旧的，退得回去吗。

七 人也别想被复制

很多老板心里有个幻想，我也有过。把我的判断完整复制给 AI，以后它替我拍板，我就解放了。

聊完我很确定，这条路走不通，也不该走通。

人的判断里有一杆说不出来的秤。做决定不是纯靠原则，也不是纯算账，真实的决策是两边各占几成，在中间某个地方落下来。那个配比，你问本人，他都答不上来，几十年经历磨出来的，不在语言里。你能访谈出一个人看重长期，访谈不出明天要发工资，这条原则会打几折。

再一层，人是流变的。心理学界曾奇峰曾说，人不可能完全了解自身。一个人身上有大量非语言的东西，他自己都拿不出来，你怎么复制。今天的你和明年的你，对同一件事的判断都会不一样。今天复制一个最像你的 AI，明年它就是个拿着旧地图的陌生人。

最深的一层，替人做决定等于替人活。判断不只是一种能力，它是你是谁的组成部分。一个不再自己做判断的人，轻松谈不上，人会慢慢空掉。

AI 该站的位置，好比咨询师。

好的咨询师不会直接替代你决策。他把你说的话、你没留意的反应、你一直回避的东西，一样一样摆到桌面上，让你自己看见，原来我是这么想的。他还会追问，你一直相信的那套说法，眼下还站不站得住。

AI 能做的是同一件事。用你的秤，把信息摆好，不是替你称。同一件事，按长期优先排是这样，按现金流优先排是那样。你嘴上说长期优先，过去几次却都选了眼前收益，它也该把这个差别指出来。用得越久越会顺着你说话，我觉得算不上进步。

这也不是说每件事都得等人点头。边界清楚、做完能检查、做错能恢复的活，整理资料、检查格式、明确范围里的执行，让它自己干。人省下力气，留给那些算不清、要担当的判断。

八 写到这，就剩一句

一件事做完：当初依据什么、实际发生什么、下次怎么改

谈到企业 AI 化落地，我见过两种人。

一种盯着工具，问哪个模型最厉害，哪个功能最多。他们的系统一年换好几茬，每次重来。

一种盯着自己，问我的判断是什么，我的经验怎么留下来。他们的系统越用越厚，换什么工具都不怕。

企业 AI 化的第一性原理，就一句。别想着复制人，去造一个让人、让组织、让Agent持续成长的场。

人站在场中央，做那些算不清、需要担当的判断。机器站在场边，记得住，摆得清，从不疲倦。

各归各位，事就成了。