AI工作坊终于要开始了! 先从这个行业开始

AI工作坊终于要开始了！

真的很谨慎，长期以来我都在分享“NoteBookLM”的应用，并且也得到了大家的支持，一直是面向个人知识应用的角度，现在终于开始直面企业了，人群可能是OPC或者是一个三五人的创业公司，或者是十几人的团队。

所以，还是面对的小微从业者，并且首期定位在了财税行业的事务所机构。

为什么选择这个行业

第一，这是一个纯正的知识工作者行业。

财税从业者的日常工作，就是处理信息、分析数据、撰写报告、解读政策。他们的生产工具就是大脑，生产资料就是信息和知识。

这类工作恰恰是当前AI最擅长介入的领域——文本生成、信息提取、模式识别、知识检索。

相比那些依赖物理操作的行业，财税行业的AI落地门槛要低得多。

第二，从业者素质高，具备快速学习和甄别的能力。

这个行业的人，学历普遍硕士起步，每天都在跟复杂的法规和数字打交道。

他们不会被简单的“AI神器”宣传忽悠，也不会因为操作复杂就放弃尝试。

只要你能讲清楚逻辑、证明可靠性，他们学得比谁都快。

但同时，这也意味着你不能糊弄他们。

泛泛而谈的AI科普、肤浅的功能演示，在他们面前根本站不住脚。

你必须拿出真东西——真实的业务场景、严谨的评估方法、经得起推敲的案例。

第三，他们对“风险”有着天生的敏感。

财税从业者每天都在跟“合规”打交道。

什么能做、什么不能做、做了有什么后果，是他们刻在骨子里的思维方式。

这种特质在面对AI时，既是阻碍，也是优势。

说是阻碍，是因为他们会本能地质疑：数据安不安全？结论准不准确？出了问题谁负责？这些疑虑如果不解决，他们永远不会真正用起来。

说是优势，是因为一旦你帮他们建立了一套可靠的判断框架，他们会成为最自律、最规范的AI使用者。

不会乱用、不会滥用，每一步都走得稳当。

第四，也是最打动我的一点：这个行业正在经历一场前所未有的压力。

一方面，客户的要求越来越高。

不只是要你把账做对，还要你给出税务筹划的建议、经营分析的洞见、风险预警的信号。

另一方面，政策变化越来越快，新规一个接一个，从业者必须持续学习。再加上行业内卷加剧，收费在降，工作量在涨。

在这种背景下，很多管理者其实已经在寻找出路。

他们隐约感觉到AI可能是个突破口，但不知道从哪里下手、怎么下手才安全。

他们缺的不是意愿，是方法。

基于此我就在一直想，怎么帮他们迈出第一步。

1、工具选型本身就是一堂课

筹备工作坊的时候，我花了两周时间做工具选型。

市面上主流的AI Agent，Claude Code、Codex、OpenCode、OpenClaw，我一个一个测了一遍。

测到最后，我只留下了两个。

为什么Pass掉Claude Code和Codex

先说Claude Code。

它的能力确实强，重构代码、排查bug，速度飞快。我上次用它重构一个老项目，20分钟搞定，效果很好。

但我最后还是没选它。

原因很简单：

它深度绑定Anthropic的模型，我想要切换其他模型的时候，比较困难。

而我需要的恰恰是多模型协作的能力——同一个任务，让不同模型跑一遍，交叉验证结果。Claude Code在这件事上不够灵活。

再说Codex。

它的工程化能力很强，支持Skill文件，可以对工作流进行精确控制。

如果你的团队有一套严格的代码规范，想让AI严格按照规范输出，Codex是很好的选择。

但我Pass掉它的原因更简单：它需要梯子。

让大家为了用一个工具先去折腾网络环境，门槛太高了。

工具再好，用不上就等于零。

留下的两个：OpenCode和OpenClaw

最后留下来的，是OpenCode和OpenClaw。

这两个工具的共同点是：不需要梯子，打开就能用。

但它们的定位完全不同。

OpenCode：负责“攻坚”

OpenCode的核心优势是模型自由度。

它支持切换不同的底层模型，我可以让GPT跑一遍，再让DeepSeek跑一遍，再让Claude跑一遍，然后把结果摆在一起对比。

这个能力对我来说至关重要。

因为我吃过亏——上次用单一模型重构代码，结果漏了一个异常处理，差点出事故。

从那以后，我养成了习惯：任何重要任务，至少用两个不同模型交叉验证。

OpenCode正好满足这个需求。它像一个“模型调度中心”，让我可以灵活组合不同模型，构建自己的协作机制。

AI真的落地：不存在“最好的AI模型”，就像不存在“最好的工具”

OpenClaw：负责“值守”

OpenClaw的强项是自动化值守。

设好规则之后，它可以7x24小时一直跑，不需要人盯着。

对于事务所来说，这个能力很实用。

比如每周一自动生成客户跟进清单，每月初自动发送税务提醒，这些重复性的、周期性的任务，交给OpenClaw最合适。

它不像OpenCode那样需要频繁的人机交互，更像是一个“后台管家”，默默地处理那些固定流程的事。

2、真正的功夫花在了模型协作上

工具选型只是第一步。

真正花心思的，是模型协作机制的构建。

我现在的工作流程是这样的：

遇到一个任务，先在OpenCode里同时调用三个模型——MiniMax、Kimi、DeepSeek。

让它们各自输出结果。

然后对比这三份结果。三个模型一致同意的地方，我可以放心。它们意见不一致的地方，就是需要仔细检查的地方。

有时候，A模型漏掉的问题，B模型抓到了。B模型搞错的地方，C模型纠正了。三个模型加在一起，覆盖率远超任何一个单独的模型。

这个机制，比我之前只用单一模型的时候，稳妥太多了。

3、定下三件事，先跑起来

跟团队商量之后，我们定了三件事，作为第一阶段的目标。

第一件事，帮他们建一个内容素材库。

税务行业有很多专业知识可以写，但他们没时间写。我们把他们过往的客户问答、案例分析、政策解读整理成素材，然后用AI批量生成文章草稿。一个人花半天整理的素材，AI十分钟能写出十篇初稿。

第二件事，帮他们把客户档案理清楚。

那些乱糟糟的Excel表格，我们统一清洗、归类、结构化。然后给每个客户生成一份“画像”——他是什么类型的客户，关心什么问题，上次联系是什么时候，下次该什么时候跟进。

第三件事，做一个最小可用的演示版。

不求完美，先跑通一个完整的闭环。让他们看到：从“输入一堆原始数据”到“输出一份可用的报告”，中间只需要点几下鼠标。

这三件事，每一件都不大。但它们有一个共同点：今天做了，明天就能用。

整场工作坊，我们考虑不会特意教任何一个工具的具体操作步骤。

但我们教会了他们：怎么拆解任务、怎么选工具、怎么判断AI输出的质量、怎么在工具换代时不慌。

今天的会议让我才深度理解了“ 软件日抛化 ”的含义

Agentic 时代新指标：你的AI能不能自己干活，干完一整件活

关注我，获得更多AI新能力。

欢迎更多的同行者参与进来。