十年没融资没投放，一个文档插件活了下来，我拆了它的五层架构

我见过不少垂直工具：团队两三人，靠一个插件或者小程序，闷头做了十年，服务着一群很窄但很黏的用户。

其中有一款我拆过，觉得它的架构比它的功能更值得看。

那是一款办公文档软件的自动化插件。没有融资，没有投放，迭代超过十年，用户集中在文秘、行政、投标、法务、高校这几拨人身上。它2025到2026年完成了AI化改造，从一个排版按钮集合，变成了AI Agent能直接调用的文档处理引擎。

我在自己电脑上装了一遍，对着界面点了两个下午。看完之后我做的唯一一件事，是把它拆成了五层。

一、它选的活儿，有一个很反直觉的判断

先说选需求。它的判断标准不是用户想做什么，而是用户不得不做什么。

它锁定的需求有四个特征：

规则刚性。党政公文有强制国标格式，论文要按各校模板，标书要按招标格式，没有差不多就行的空间。

操作重复。同一套格式设置，要在每份文档、每个章节、每一级标题上反复执行。

错误成本高。页码错、编号乱、字号不对，在正式场合就是实打实的工作失误。

门槛低但耗时高。操作本身不难，新人也能学会，学完还要耗掉大量时间。

这是典型的确定性场景，自动化价值密度最高。

我看到这里第一反应是：这跟写好文章不一样。写好文章这种需求，规则模糊、结果主观、难标准化，根本不适合当工具的切入点。

二、五层架构，每层都能单用

我把它整套功能拆开，自下而上是这样五层。

第一层，原子操作层。最底层是对文档对象的原子级操作：设字体、设字号、设行距、设缩进、设页边距、全选、选中标题、移动光标、插页码、删空行。每个操作只做一件事，参数明确，结果确定。这一层的设计原则是高内聚、可组合、无副作用。

第二层，流程模块层。原子操作组合成带业务含义的流程：批量设置所有节的页面参数、用通配符批量选中多级标题、手动编号转自动编号、所有节插入页码、图片按版心宽度缩放、文本转表格。到这一层开始承载领域规则了，比如公文标题用哪三级编号。

第三层，脚本方案层。流程模块排列成完整解决方案，产品内置118个现成方案，一键规范公文格式、自动生成多级目录、批量导出文档图片、把Excel数据批量生成文档。用户也可以自己保存和分享方案。这一层对应的是用户任务，不是软件功能。

第四层，AI规划层。2025年6月引入。用户用自然语言描述需求，AI在数百个模块构成的受限空间里选择、配置、排列，自动生成脚本方案。它解决的是长尾需求的最后一公里——用户任务千变万化，118个现成方案不可能全覆盖，AI让系统从有限预设变成无限组合。

第五层，Agent接口层。2026年8月把能力封装成9个命令行开关，供外部AI Agent调用。这一层让产品从人直接使用的工具，变成AI生态里的一个执行服务，使用入口从插件界面迁移到了AI对话。

这个架构精妙的地方在于：每一层都为上一层服务，但每一层都能独立使用。

不会用AI的老用户直接点按钮；会用AI的用户用自然语言生成方案；有Agent生态的用户让外部AI统一调度。这种分层兼容、渐进智能化的路径，比一次性推倒重来的AI重构风险低太多。

我脑子里过了一遍我见过的几个B端工具改造：不少是直接砍掉老界面重做一个AI对话框，老用户流失，新用户嫌不够可控。这个路子走的是完全相反的方向——底子不动，只在顶上加一层编排。

三、AI化的核心设计：把开放问题关进笼子

这是我觉得最值钱的一段，也是大家最容易做错的地方。

很多产品接AI，套路是加一个聊天框，让AI生成内容或者代码。效果基本都不稳定——代码能跑一半，生成的内容三段不一样。

这个插件的做法是：不改底层能力，只改能力的编排方式。

它没有让AI直接写代码，那是在开放空间里生成，成功率不可控。它让AI在一个预定义的模块库里做规划，这是受限空间规划，每个模块都验证过多年。

这个设计带来三个好处。

第一是可靠。模块被验证了十年，AI出的错只可能是选错模块、配错参数，不会是代码本身有Bug。错误可枚举、可提示、可纠正。

第二是便宜。对模型能力的要求降下来了，国产便宜模型就能胜任，单次任务成本通常不到一块钱。

第三是可审计。AI输出的是纯文本脚本，人能检查、能改、能复用。过程透明，不是黑盒。

配套的系统提示词有1.1MB。本质上就是把领域专家的工作流显式地教给AI——编写流程有哪几种、参数怎么换算、模块选择有什么约束。

这给所有做垂直产品的团队一句话：AI能力的上限，取决于你对自身领域知识的结构化程度，而不是模型参数规模。

1.1MB提示词这个数字有点吓人，但它恰恰说明了一件事：这些知识原本就在几个资深员工脑子里，只是从来没写下来过。你不把它结构化，AI就替你不了这个活。

四、它没有吹全自动，这点挺难得

官方建议复杂脚本先单步执行验证，还保留了方案的查看、编辑、回放能力。

分工写得很清楚。AI负责理解需求、生成方案初稿、处理标准结构、批量重复劳动。人负责确认目标、处理非标准特例、验证关键结果、承担最终责任。

另有一个后台执行开关，Agent操作全程隐藏窗口，用户可以并行干别的。这解决的是自动化工具一个很核心的体验问题：过程不打断人。它从一个占注意力的前台任务，变成了静默跑的后台服务。

我特别理解这个设计。之前我见过一些自动化脚本，一跑就是十几分钟，界面卡在那儿，用户只能干等。用是用了，心气儿就磨掉了。

五、赚钱这块，也有可以说的

增长上它用了两个零成本机制。

一是基础功能免费放到最大，高级功能用赞赏制筛选重度用户。定价12元两个月、36元半年、66元一年、180元永久。二是发布介绍作品换授权，把用户变成内容推广者，形成UGC增长飞轮。这是它在短视频平台能拿到自然传播的主要原因。

不过从做产品的角度看，它的商业化短板挺典型。

定价太低。180元永久，相对同类的599元年费锚点，明显低估了自己的价值。

缺企业级产品形态。批量授权、发票、私有化部署，这些都没有。

缺用户规模的公开度量。同行的另一个工具公开了34万+用户，建立了可验证的社会证明，它没有。

这三条是从好用走向好生意必须补的功课。工具能用是一回事，能卖、能签、能规模化是另一回事。

六、这套架构能抄走什么

第一条，需求选择锚定规则刚性、执行重复、结果可判定的场景。 这类场景自动化确定性最高，用户价值最可量化。

第二条，功能做成分层体系：原子操作到流程模块，到任务方案，到AI规划，到Agent接口。 每层独立可用、向上组合，为渐进式AI化留足空间。

第三条，AI化路径：把开放问题封闭化，把领域知识结构化，把人机分工显式化。 让AI在受控边界内做组合规划，不追求不可控的完全自动。

Agent时代的壁垒已经不是有没有AI，而是你对具体行业工作流的理解深度，能不能被结构化成AI可以可靠调用的能力。

说得再直白点：你脑子里那套没写下来的经验，才是护城河。写下来了，你就赢了。

这个拆解是我自己在本地装了一遍之后得出的，可能有理解偏差，文中的数据和时间点来自公开介绍，具体架构细节以产品实际为准，非官方技术文档。

你有没有见过某个用了很久还没被替代的小工具？或者你手上有没有那种依赖某个老员工经验、自己都说不清流程的活儿？

评论区说说，说不定那就是你该先写下来的东西。

如果你要给一个工具挑一个最该补的短板，你会选定价、还是选企业级能力？