AI干货持续更新中！🌟 收藏防丢失🌟 点击关注↑解锁更多AI思考&前沿应用

观点：AI 工具爆发期，最大的陷阱是"看起来都能用"——但能用 ≠ 该用。选工具前先算清楚账，看清产品本质，再动手也不迟。

最近在团队内部分享 AI 工具的时候发现一件事：大家不是不知道 AI 厉害，而是被铺天盖地的产品搞得有点麻木了。

每周都有新模型、新 agent冒出来，光是看名字就要消耗半小时。所以我花了点时间，把目前主流的 AI 产品做了个分类，再聊聊该怎么选、什么场景配什么工具。

一、先把市面上的 AI 产品做个分类

我把见过用过的产品大致归到了这几类：

• Chatbot
  ：Claude、ChatGPT、Gemini、Grok、DeepSeek、Kimi、千问、豆包、灵光
• 通用 Agent
  ：Manus、OpenClaw、Hermers、扣子空间、WorkBuddy、JWSClaw
• 编程 Agent
  ：Claude Code、Codex、CodeBuddy、Trae
• 设计 Agent
  ：Calicat、GenDesign、Claude Design、Lovart
• 工作流产品
  ：Dify、Coze
• 视频类
  ：即梦、可灵、剪映
• 知识库
  ：NotebookLM、IMA、飞书知识库、企微文档、Obsidian

二、这些产品本质上是四种东西

分类太细其实没意义，往上抽一层会清楚很多。我自己是这么理解的：

1. AI 对话产品（Chatbot）

底层加载不同的大模型，你问它答。会话之间是隔离的，不能操作真实系统，结果你得手动搬运。

打个比方：它是你智囊团里那个特别聪明的人，但没有手——能给你出主意，没法替你干活。

2. AI Agent

你给一句自然语言指令，它自己拆任务、规划步骤、调技能包，最后交付结果。能自主规划、记上下文、调外部系统、定时跑任务。

还是上面那个比喻：这次给那个聪明人装上了手脚，他能自己干活了。

3. 工作流

适合那些 SOP 比较标准、对结果稳定性有要求的业务。换句话说——你不希望它"发挥"，你希望它每次都按规矩来。工作流产品（Dify、Coze）就是干这个的。

4. 知识库

通常不单用，是搭配前面三类用的。比如把公司章程、内部产品方案塞进去，让 AI 调用的时候有"自己人"的资料垫底。

三、从业务角度怎么选？

我自己常用的判断方法叫"三问扫描法"，问三个问题：

• 重复发生
  ：这事我做了多少次？超过 3 次以上，就值得想想能不能自动化。
• 有规律可循
  ：有没有固定套路？输入格式固定吗？处理步骤固定吗？
• 业务价值驱动
  ：自动化能省多少？时间 × 频率 = 真实价值。先算账，再动手。

很多人栽就栽在第三步——花两周做一个每月只用一次的工具，省下来的时间还不够开发的零头。

几个我自己遇到过的场景：

再具体到我们的几个真实场景：

场景 1：给新银行客户生成定制化方案报告

痛点：每次 DA 拜访前要手工写 30+ 页方案，结构类似但数据策略每次都得定制，耗时 1-2 天。

做法：建立银行画像模板（规模/区域/贷款产品）→ AI 自动匹配历史案例 → 生成初稿 → 售前DA 30 分钟微调。

工具：OpenClaw / WorkBuddy + 企业知识库（历史方案、产品手册）。

预计效果：方案生成时间从 2 天 → 2 小时，商务人员可以专注客户关系而不是文档。

场景 2：监控合作银行的舆情动态

痛点：合作银行如果出现负面舆情或政策变化，业务节奏就要相应调整。但靠人工刷新闻很容易漏。

做法：每天自动抓取目标银行 + 监管政策的新闻 → AI 分析风险级别 → 定期推送到企微，重要的即时通知。

工具：OpenClaw + 搜索技能包 + 企微通知。

预计效果：信息覆盖率从 20% → 90%+，重要变化的响应时间从天级到小时级。

场景 3：新员工/销售快速查客户/产品知识

痛点：银行产品线复杂，新销售经常问"这个功能支持吗""这个银行用的是哪个模块"，占用产品同学大量时间。

做法：把产品手册、FAQ、历史服务记录灌进知识库 → 搭一个企微内的问答机器人 → 支持自然语言查询。

工具：扣子 Coze / Dify + 企业知识库 + 企微机器人。

预计效果：80%+ 重复性问题可自动回复，产品团队释放约 1 人/天的沟通成本。

场景 4：自动生成银行客户的运营周报

痛点：每周从后台导数据、汇总成各银行的周报发给客户，光数据搬运就 3-4 小时。

做法：Agent 定时拉系统数据 → 按模板生成 Word/PPT 报告 → 自动发到对应客户邮箱/企微。

工具：OpenClaw + 数据读取 + 文档生成 + 邮件/企微发送（其实工作流也行）。

预计效果：每周报告从手动 4 小时 → 全自动，而且不会出现搬运错误。

四、从工程化角度再看一遍

业务角度看完，还得再换一个视角：从工程化角度。

Agent 本质上有两个变量：控制任务走向的"工作流"workflow，和影响输出的"上下文"context。这两个东西的确定性高低，决定了你该选什么工具。

这里说的"确定"是指：流程步骤是不是固定的、输入是不是结构化的。

判断自己在哪个象限，问两个问题就够了：

• 同一类任务，每次的输入格式都一样吗？
  （决定上下文确定性）
• 同一类任务，每次的处理步骤都一样吗？
  （决定工作流确定性）

象限 1：工作流确定 + 上下文确定

典型场景：从 ERP 导出销售数据 → 按规则汇总 → 写入报表系统。

输入是结构化的，步骤是固定的。这种活其实不需要 LLM，传统脚本或 RPA（影刀、UiPath）就够了。LLM 加进来反而是杀鸡用牛刀。

→ 选型：传统 RPA / Python 脚本 

⚠️反例提醒：别因为"现在是 AI 时代"就硬塞 LLM 进来，纯粹增加成本和不稳定性。

象限 2：工作流确定 + 上下文不确定

典型场景：发票处理、客服问答、固定模板的报告生成。

流程是固定的，但输入是非结构化的（PDF、扫描件、自然语言）。这时候 LLM 是"理解器"——把乱七八糟的输入变成结构化的东西，再走固定流程。

→ 选型：工作流产品（Dify、Coze、扣子）+ RAG/知识库

这是 Dify/Coze 最擅长的领域，也是企业落地 AI性价比最高的地方。

象限 3：工作流不确定 + 上下文确定

典型场景：市场分析报告、代码审查、深度研究、个性化推荐。

输入是清楚的（一个明确的研究问题、一段代码、一个用户画像），但解题路径每次都不一样。这种活需要 Agent 自主规划。

→ 选型：垂类 Agent

• 研究/分析类：Claude / ChatGPT 的 Deep Research、Manus
• 编程类：Claude Code、Codex、Cursor
• 设计类：Lovart、GenDesign

⚠️反例提醒：别用工作流硬套——你写不出能覆盖所有路径的流程图，最后会变成 if-else 嵌套地狱。

象限 4：工作流不确定 + 上下文不确定

典型场景：跨部门信息收集、创新方案设计、复杂调研。

既不知道路径，也不知道输入边界。要边推理边探索，还要调一堆外部工具。

→ 选型：通用型 Agent + 自建技能包

• 通用 Agent：Manus、OpenClaw、扣子空间、WorkBuddy
• 关键不在选哪个 Agent，而在给它配什么 MCP / 技能包 / 知识库

这个象限的事，Agent 选型只占 20%，剩下 80% 是上下文工程和工具配置。这事没有捷径，也没有"开箱即用"。

⚠️反例提醒：别指望买个通用 Agent 就解决问题，没有配套的技能包和知识库，它就是个加强版 Chatbot。

五、有了多个方案，怎么选？

很多时候同一件事不止一个解法。我自己的做法是过四个维度：

维度 1：实现难度

你团队（或你自己）能在合理时间内做出来吗？依赖的外部资源容易拿吗？——别低估这个，"我下周就能搞定"的话术听过太多次了。

维度 2：投入产出比

省下来的时间/成本 vs 开发+维护成本。算具体数字，别凭感觉说"值"。凭感觉做的项目，最后大多变成 KPI 装饰品。

维度 3：可维护性

上线后谁来管？出问题能不能快速定位？做完没人维护的工具，最后都会变成"僵尸工具"——挂着 logo，没人敢用。

维度 4：风险与依赖

依赖第三方服务吗？关键节点挂了有没有手动 fallback？这一点平时想不到，出事的时候要命。

最后说一句：AI 工具的爆发期，最大的陷阱是"看起来都能用"。但能用 ≠ 该用。先想清楚自己的业务结构、流程确定性、维护成本，再去挑工具，效率比追新高得多。

仅代表个人观点，欢迎拍砖。