夜雨聆风当我们在聊 AI 时，我们到底在聊什么？
在过去的一年里，我们听够了宏大的概念：AGI、通用大模型、多模态……但在真实的业务场景中，很多企业和个人依然面临着一个尴尬的现状——“模型很强，但我用不起来”。
为什么会用不起来？因为我们往往忽略了那句老话：“Garbage in, Garbage out.”（垃圾进，垃圾出）。
上周日（6月21日），在昆明曙光八十里创意园，「昆明 vibe coding 与数据要素技术沙龙·第二期」 如期而至。不同于以往的理论宣讲，我们搞了一场真正的“线下闭门会”——不搞形式主义，只聊真话、深话、落地的话。
这一次，我们把聚光灯打在了“场景”与“数据”这两个最朴素，却也最核心的词汇上。
活动伊始，主讲人抛出了一个贯穿全场的核心观点：
场景既是数据的生产者，也是数据的使用者。
这句话听起来简单，却是解开 AI 落地难题的钥匙。
* 单向的误区： 业务产生数据 -> 丢给大模型 -> 等着它变魔术。
* 闭环的真相： 场景驱动数据 -> 数据喂养 AI -> AI 反哺场景。
AI Agent（智能体）的能力上限，绝不取决于模型的参数量有多大，而是取决于你对场景定义得有多清晰，以及你喂给它的数据质量有多高。
在这一期沙龙里，我们试图探讨的正是：如何在云南这片土地上，利用现有的 AI 工具，把散落在各个角落的数据变成高质量的“燃料”，从而驱动真正的生产力变革。
面对市面上琳琅满目的 AI 编程与智能工具（Claude Code, Qwen Code, OpenClaw...），大家最头疼的不是没有工具，而是“哪把锤子敲哪颗钉子”。
现场，我们展示了一张主流工具对比表，试图帮大家理清选型逻辑：
* Claude Code： 强悍的工程能力，适合复杂的代码重构与逻辑梳理。
* Qwen Code： 本土优势，在中文语境和政策理解上具有天然优势。
* OpenClaw 等： 更偏向于特定领域的深度挖掘。
避坑指南：
很多团队在引入 AI 时，急于求成，直接让模型去处理混乱、非结构化的数据。结果自然是惨不忍睹。
真正的适配，是从业务规则开始的。 必须先梳理清楚业务的 SOP（标准作业程序），把模糊的经验变成清晰的指令，AI 才能真正“接得住”。
有了场景和工具，中间的鸿沟就是数据。对于大多数中小企业来说，买不到动辄 PB 级的行业大数据，怎么办？
答案是：“AI for AI” —— 用 AI 辅助构建专属数据集。
我们拿“社会治理”这个场景作为案例，向大家展示了“2小时 AI 适配落地法”：
1. 0-30分钟：场景规则梳理不要上来就跑模型。先和业务专家坐下来，把过去一个月的工单拿出来，提炼出分类规则和关键词。这一步是定调子。
2. 30-90分钟：工具配置部署将提炼出的规则转化为 AI 的 Prompt（提示词）和工作流。比如设置好工单自动分派的触发条件，表格自动填充的映射关系。
3. 90-120分钟：测试上线用历史数据跑一遍，看看准确率。只要准确率能达到 85% 以上，就可以小范围试点上线。
这样做的收益是什么？
* 工单自动分派率提升 ≥92%
* 基层表格填写时间减少 70%
* 大大降低了对人工经验的依赖。
4.现场氛围：我们自己是自己的第一批用户
这一次沙龙，依然是限额 10 人的小规模深度交流。
这样的环境里，没有客套的寒暄，只有硬碰硬的思维碰撞。
有人带来了文旅行业的痛点，探讨如何用 AI 生成个性化的“云南生活”攻略；
有人带来了跨境物流的困惑，探讨如何利用 RAG（检索增强生成）技术打通中老铁路的多语种报关数据。
大家达成共识：工具是“手”，数据是“粮”，场景是“战场”。 三者形成闭环，AI 才能真正在云南的土地上生根发芽。
感谢每一位到场朋友的真诚分享，也感谢大家在笔记本上写下的那些真知灼见。
「昆明 vibe coding 与数据要素技术沙龙」 还会继续办下去。
我们不追求场场爆满，只追求场场有料。
如果你错过了这一期，请不要灰心。
关注我们的公众号，下一期我们将聚焦更具体的垂直领域，把“闭门会”的精华继续释放。
期待在下一场，与你坐下来，面对面，聊点真的。
