夜雨聆风我的AI 学习笔记 001
从 Chatbot、Agent、工作流到知识库，真正重要的不是追工具，而是判断业务场景。
这段时间，我开始系统学习 AI 相关知识。我把最近常见的 AI 产品做了一轮梳理：ChatGPT、Claude、Gemini、DeepSeek、Kimi、豆包、通义千问、Manus、扣子空间、Dify、Coze、NotebookLM、IMA、飞书知识库等。
列完之后，我发现一个更重要的问题：
AI 工具越来越多，产品经理真正需要掌握的，不是每个工具的按钮在哪里，而是知道在什么业务场景里，应该选择哪一类工具。
否则很容易陷入一种状态：工具收藏了一堆，真实业务没怎么改变。
1. 先分清四类 AI 产品
我会先把常见 AI 产品拆成四类。
第一类是 AI 对话产品。比如 ChatGPT、Claude、Gemini、DeepSeek、Kimi、豆包等。它们的核心特点是“你问它答”，像一个很聪明的智囊团，但通常不能直接替你操作真实业务系统。
第二类是 AI Agent。Agent 更像是“聪明的人有了手脚”。你给它一个自然语言目标，它会拆解任务、规划步骤、调用技能包，并输出一个相对完整的交付结果。
第三类是工作流产品。如果一件事有相对固定的 SOP，对输出稳定性要求比较高，就适合用工作流。稳定往往比炫技更重要。
第四类是知识库。知识库通常和 Chatbot、Agent、工作流搭配使用，让 AI 在回答和执行任务时有更可靠的依据。
2. 业务场景能不能用 AI，先问三个问题
我现在会用一个很简单的方法做初筛，叫“三问扫描法”。
第一问：这件事是否重复发生？如果已经重复做了 3 次以上，就值得考虑自动化。
第二问：这件事是否有规律可循？输入格式、处理步骤、输出结构越固定，越适合工作流或半自动化。
第三问：自动化之后有没有真实业务价值？不要只说“提效”，要算账。时间乘以频率，才是真实价值。
3. 更具体的业务例子
如果把这个判断方法放到网货业务里，我觉得“运单费用自动审核”就是一个很典型的 AI 落地场景。
在网货管理后台里，风控审核页面会积累大量待审核订单。运营同学需要逐单判断运费、轨迹、回单等风险，既耗人力，也有处理时效压力。这里面并不是所有风险都适合一开始就交给 AI，全量自动化反而容易把问题做复杂。
更稳的切入方式是：先聚焦规则相对明确、业务价值更容易验证的“运费风险”。
比如一张运单进入待审核列表后，系统可以把车型、线路、预估公里数、费用规则、历史价格区间等信息交给智能体。智能体基于运营侧维护的审核规则，判断这单运费是否存在异常，并返回“已通过、异常、转人工”等建议，同时给出备注说明。
这里的关键不是让 AI 直接替人拍板，而是形成“智能体建议 + 人工复核 + 后台留痕”的最小闭环。
后台平台需要负责几件事：
运费风险打标：每张单据都能展示运费风险状态，比如未处理、已通过、异常、转人工，并支持备注。
人工修改：运营人员可以随时修改智能体结果，避免 AI 判断错误后无法纠偏。
搜索筛选：前端支持按运费风险、轨迹风险、回单风险进行筛选，让运营优先处理异常单据。
批量审核：当筛选出一批明确异常或明确通过的单据后，可以批量驳回或批量处理，减少重复操作。
操作留痕：记录操作时间、操作人、打标结果和备注，方便后续追溯。
这个案例里，AI 扮演的不是一个“全自动审核员”，而是一个“初筛助手”。它先帮运营把大量单据分层：明显正常的放一边，明显异常的标出来，不确定的转人工。
这样做的好处是路径更稳：平台不需要一开始就自己建设完整的车型规则维护、公里数计算、运费价格计算和规则编排能力；智能体先承担规则理解和审核建议，后台则承接展示、修改、筛选、批量操作和异常兜底。
轨迹风险、回单风险也可以保留人工处理，等运费风险跑通后，再逐步扩展。
所以，一个适合网货业务的 AI 落地顺序可能是：
先从高频、规则相对明确、人工成本高的审核项切入；
再用智能体做风险建议，而不是直接做最终决策；
最后通过后台操作能力，把 AI 的判断纳入业务流程，而不是停留在一个孤立的对话框里。
这类场景的共同点，不是“用了 AI”，而是它本来就有重复劳动、固定规则、明确收益，并且可以设计人工兜底。
4. 从工程化角度看：工作流和上下文决定方案
如果再往下拆，我会看两个变量：工作流是否确定，上下文是否确定。
工作流确定，上下文也确定：最容易自动化，类似传统 RPA，比如表单填报、发票处理、固定格式 OCR 识别。适合优先考虑工作流产品。
工作流确定，但上下文不确定：比如客服问答、合同解析、政策解读，需要知识库、检索、规则校验来补足上下文。
工作流不确定，但上下文确定：比如市场分析、竞品研究、个性化推荐、方案生成，更适合 Agent 自主规划路径。
工作流和上下文都不确定：比如创新方案设计、跨部门信息收集、复杂商业分析，适合通用 Agent 尝试，但必须保留人工检查。
这也是我现在对 Agent 的一个判断：Agent 不是万能员工，它更像一个需要被设计工作环境的智能执行者。
5. 多个方案都能做时，怎么选？
现实里，很多场景不是只有一种方案。比如一个运营周报，可以人工做，可以用 Excel 模板做，可以用工作流做，也可以让 Agent 全自动做。
这时候我会看四个维度：
实现难度：团队或个人能不能在合理时间内做出来？数据、接口、权限是否容易拿到？
投入产出比：节省的时间和成本，是否大于开发、调试、维护成本？
可维护性：上线后谁来管？出问题能不能快速定位？
风险与依赖：依赖第三方服务吗？关键节点挂了有没有手动备份方案？
6. 对产品经理来说，AI 学习的重点变了
学 AI，不是把市面上的工具都试一遍，也不是看到 Agent 很火就什么都 Agent 化。
产品经理更应该训练的是一种判断力：
这个任务值不值得自动化？
它需要的是对话、工作流、知识库，还是 Agent？
它的输入、流程、输出、风险分别是什么？
它节省的时间和成本，是否足以覆盖建设和维护成本？
这也是我接下来想持续记录的方向：从产品经理视角，看 AI 如何真正进入业务，而不是停留在工具体验和概念热闹里。
AI 工具会继续变化，但业务判断力会长期有用。
