夜雨聆风01 会提问，只是AI应用的起点
周末，我和几位造价同行交流AI应用。
大家使用的工具不同，尝试的场景也不一样：有人做结算复核，有人做预算成果审核、清单编制成果审核，也有人在研究算量、建模复核、资料一致性检查和标书编制等待
其实都在做一件相似的事：把原来依靠个人经验完成的工作，拆成AI可以理解、可以重复执行的流程。
当模型越来越普及、会提问的人越来越多以后，造价企业之间的差距还会来自哪里？我认为，专业经验能不能被结构化，会成为其中一个很重要的因素。
当然，它不是唯一因素。数据基础、工具能力、管理方式和业务协同都会影响AI最终能不能落地。但如果专业经验始终只存在于少数人的头脑里，再强的模型也很难稳定地参与真实工作。
02 Skill并不只是一段提示词
很多人第一次接触Skill，会把它理解成一段保存下来的提示词。提示词当然重要，但它只是其中一部分。
从这次交流中大家呈现出来的做法看，一个能够真正用于专业工作的Skill，至少还会包含这些内容：
• 工作按什么顺序开展；
• AI需要读取哪些资料；
• 输入文件应该怎样处理；
• 依据哪些规范、合同规则和内部要求；
• 什么情况需要标记为异常；
• 输出成果应该包含哪些字段、采用什么格式；
• 哪些结果必须由专业人员复核；
• 运行以后如何测试、发现问题并继续修正规则。
把这些内容放在一起，Skill才开始接近一套可以重复执行的工作方法。
它要保存的，不仅是"怎么问AI"，还包括专业人员平时怎样完成任务、怎样判断异常、怎样检查成果。
03 真正难沉淀的，是藏在经验里的判断标准
造价工作中，很多经验平时并不会被完整写下来。
一个有经验的工程师看到清单、合同、签证或结算资料时，往往很快就知道应该先看哪里、哪些地方容易出问题、什么结果需要回到原始依据复核。但这些判断经常以"我做久了就知道"的形式存在。
如果要让AI参与，就必须把这种隐性经验继续往下拆：
第一步做什么，第二步核对什么；哪些字段必须提取；什么条件触发异常；遇到冲突时停止还是继续；结果中必须保留哪些来源；最终由谁确认。
这一步并不轻松。我们需要重新梳理：自己到底是怎样完成这项工作的。
也正因为如此，专业经验结构化本身就是一种能力。经验越清楚，流程越容易沉淀；规则越明确，AI的输出才越容易检查和复用。
04 对造价企业来说，价值在于让经验可以复用
对个人来说，一套流程跑通，可能只是自己下一次少重复解释一遍。
对造价咨询企业来说，它还有另一层价值：让原本分散在不同人员手里的经验，逐步变成团队可以使用、检查和迭代的工作资产。
例如，同样是结算复核，可以把资料读取要求、合同规则提取、清单匹配、差异标记、异常输出和人工复核点固定下来。
同样是清单编制成果审核，也可以把项目特征、工程量、综合单价、计价规则和成果格式拆成具体检查项。
AI先按照规则完成提取、整理、匹配和初筛，专业人员再处理合同边界、工程事实、复杂例外和最终判断。
这样做，是让AI先承担重复性的第一轮工作，同时把每一步依据和责任边界留清楚。专业结论，仍然由企业里的专业人员作出。
05 通用框架可以复用，业务规则不能照搬
同行交流还有一个很重要的价值：我们可以看到不同场景是怎样拆解的，也可以交流失败原因和验证方法。但一套Skill不能不加判断地复制到所有企业。
不同企业的业务范围、合同口径、内部审核要求、数据格式和成果标准可能并不相同。即使工作名称一样，真正执行时也可能有不同的判断边界。
所以，更合理的方式是先提炼通用框架，再结合自身业务补充规则。
哪些步骤可以共同使用，哪些字段必须保留，哪些判断只能由本企业的专业人员确认，都需要在实际运行中一点点明确。
Skill也不是做完一次就结束。它需要经历使用、检查、发现问题和持续修正，才可能逐步稳定下来。
06 写在最后
AI造价的竞争力不会只由一个因素决定。
模型、数据、工具、权限和组织方式都很重要。对造价咨询企业来说，专业经验能否从个人能力变成可执行、可验证、可迭代的流程，也可能会越来越关键。
会不会提问，决定了我们能不能开始使用AI。
能不能把任务拆清楚、把判断标准写明白、把人工复核点留下来，决定了AI能不能真正进入工作。
当经验被沉淀下来以后，它才不只是某个人做过很多项目形成的感觉，而可能逐步成为团队能够复用和继续改进的能力。
既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标~谢谢你看我的文章，我们一起将AI嵌入我们的工作流程。
