这几个 AI 工具，我现在几乎每天都在用

工具从来不是问题，问题是你拿它解决什么。

上周有个做女装电商的姐姐加我，开口第一句话就是「你是搞 AI 的对吧，帮我推荐几个工具，最好明天就能用上」。

我说，你先别急着选工具，你现在最头疼的事是什么。

她愣了一下，说「客服每天回消息回到凌晨一点，话术全靠复制粘贴，错了也不知道错在哪」。

你看，她以为自己缺一个 AI 工具。其实她缺的是一套能把客服话术沉淀下来、自动匹配、出错能追溯的流程。

工具从来不是问题，问题是你拿工具去解决什么。

这半年我接了不少活，慢慢沉淀下来几个真正每天都在用的东西。不是因为它们最先进，是因为它们在真实业务里跑得最稳。

今天就拿几个真实案例聊聊，我手里这几把刷子到底怎么用的。

工具好不好，不看参数，看它能不能在客户那里活过第一周。

说真的，很多老板不是不想升级，是怕花了钱买回来一个员工更难用的东西。这种焦虑我太理解了，因为我自己帮客户落地的时候，第一件事也是先确认，这东西谁来用，用不起来怎么办。

三家店的客服话术，我用 Coze 给她攒了个自动应答流

回到那个女装姐姐。她有三家淘宝店，月销大概 50 万，客服 4 个人轮班。

我问了三个问题，第一，客服每天处理多少条消息。第二，退换货和售前咨询的比例大概多少。第三，你现在的话术模板有多少条，谁在维护。

她说大概两百多条，存在一个共享文档里，但半年没更新过了。

我没给她做什么智能客服大系统。我用 Coze 搭了一个工作流，核心逻辑很简单，把她那两百多条话术清洗了一遍，去掉重复的、过时的、自相矛盾的，最后留下 87 条。然后按「售前 / 售后 / 退换 / 催付」四个场景分桶，客服输入关键词就能调出最匹配的三条。

两周后她跟我说，客服下班时间从凌晨一点提前到了十一点。

不是 AI 多厉害，是原来的话术库太乱了，工具只是帮她做了一次大扫除。

这个案例里，真正有用的不是搭了什么工作流。

是先问清楚三件事。

第一，谁每天重复做这件事。
第二，错一次会损失什么。
第三，现有流程的瓶颈到底卡在工具还是卡在数据。

这单我没接，因为他要的东西会让员工更累

一个做少儿编程的老板找我，说「我想做个 AI 排课系统，老师排课太慢了」。

他有 10 个老师，三个校区，周末是高峰。

我追问了几个指标，每周排多少节课，冲突率多高，老师的时间偏好谁来收集。

聊完我发现，他的问题根本不在排课。是三个校区的教室使用数据压根没连在一起，每个校区自己用 Excel 排，互相不知道对方的空闲时段。

我跟他说，你现在不需要 AI 排课，你需要的是一张三个校区共享的教室日历。这个用飞书多维表格十分钟就能搞定，不用花钱找我。

他有点意外，说「那我找你干嘛」。

我说，等你用了两个月共享日历，发现真正的瓶颈不是排课而是续课率的时候，再来找我。

后来他还真又来了。不过那是另一个故事。

这个案例里真正有用的不是我推荐了什么工具。

是我帮他省了一笔不该花的钱。

判断一个需求该不该做，就看一条，如果流程本身没跑通，上系统只会让混乱变得更快。

很多老板不是缺系统，是缺一个敢说「这个需求现在不该做」的人。这话听着有点刺耳，但你想想看，如果每个找你的人你都说「行，能做」，最后交付的东西客户用不起来，口碑反而砸了。

一个猎头公司的简历筛选逻辑，后来被我搬到了一家宠物店

一家 8 人猎头团队的老板找我，说「我们每天收到三四百份简历，筛选太慢了，想用 AI 帮忙过一遍」。

我没直接开写。先问了三个东西，你们现在筛选的标准是什么，是写在纸上的还是在老员工脑子里的。谁来做最终判断。误判一次的成本是什么。

聊完发现，他们的筛选标准其实很清晰，就是没人整理成结构化的规则。我用 Claude 帮他们把散落在各种聊天记录和面试反馈里的筛选经验，提炼成了一份 40 条的评分规则表。然后用 Cursor 写了个小脚本，自动解析简历 PDF，按这 40 条打分排序。

两个月后有个做宠物用品电商的朋友找我，说想做一个供应商筛选工具。

我一看需求，逻辑几乎一样，都是「大量候选 + 结构化评分标准 + 自动排序」。把猎头那套规则模板改了改字段，三天就交付了。那个宠物电商的老板收到结果的时候说了句「这也行？？？」

跨行业复用这件事，不是靠技术多强，是靠你在第一个项目里把业务逻辑抽象得够干净。

这个案例里真正值钱的不是代码。

是那份评分规则表。

你做任何一个筛选类需求，第一步都应该是，把判断标准从人脑子里掏出来，变成机器能读的规则。

做完第三天，奶茶店老板把隔壁火锅店老板推给了我

一个四店连锁奶茶品牌的老板，月流水大概 80 万。他的原话是「我想做个 AI 预测，每天该备多少料，现在全靠店长拍脑袋，每个月浪费大概两三万」。

这个需求我接了，但没按他说的做预测模型。

我先把他过去半年的销售数据拉出来看了一遍，发现一个很有意思的规律，他的四家店虽然在同一个城市，但因为位置不同，周末和工作日的销量波动完全不一样。商场店周末是平时的三倍，写字楼店反过来。。。

我用 DeepSeek 帮他跑了一遍数据清洗和分店对比分析，然后用 Cursor 写了个轻量脚本，每天早上自动根据「星期几 + 天气 + 上周同期销量」生成一个备料建议推送到他的企业微信。

不是什么高深的预测模型，就是把他自己的数据用起来了。

上线第一个月，四家店的原料浪费从每月两三万降到了八千左右。

第三天，他把隔壁火锅店的老板推给了我。

这个案例里最关键的一步不是写代码。

是先看数据。

很多老板觉得自己没数据，其实他每天的收银系统、外卖后台、库存表里全是数据，只是没人帮他看过。

你发现没。

我每天用的工具翻来覆去就那几个，Coze 搭流程，Claude 做分析和提炼，Cursor 写脚本，DeepSeek 跑数据。

但同样的工具，放在不同的业务场景里，解决的问题完全不一样。

工具是死的，判断力是活的。

我越来越觉得，这个时代真正稀缺的不是会用 AI 的人，是能把客户那句「我想要个 AI」翻译成一个可执行、可验收、能跑起来的业务方案的人。

这不是技术问题，这是翻译问题。

而翻译这件事，从来都是最难的。

     / 作者：敖强
     / 合作或咨询，请联系邮箱：2775214463@qq.com