Hello大家好呀，最近2个月更新速度放缓，皆因工作中有许多要全力以赴的项目，总是没有时间停下来和大家分享工作中的经验和心得。而最近我有了个小小的里程碑：业务方主动找我说，要试用我做的薪酬答疑 AI agent。从4月开始独自筹备、设计、开发，到6月无人问津，最后7月终于终于业务方主动跟我说要试用。这个过程我踩了许多坑，但也有了很多心得，于是趁着暴雨天忙里偷闲，一一给大家分享。
👋后续我也会继续以一线实战者的视角，持续分享 AI 提效、AI 工具的设计与落地等实战心得。如果你也感兴趣，欢迎关注后面的更新。
一、最开始，始于我的自身痛点
最一开始，薪酬答疑其实并非是我发现的业务机会点，而是更直接的——我自己的痛点。内行的朋友们都知道，薪酬系统上线并不是终点，数并不是算出来就行，解决了各种薪酬咨询、答疑才是说是“完成线”。在这个咨询答疑的过程中，虽然我已经提前安排了培训，也有业务同事专门负责对一线员工答疑，但是免不了还有一些业务人员页不知道问题所在的工单，会流转到我这里。而在排查问题的过程中，我则需要几个方案库、规则库来回切换，找到问题的根因并帮助业务人员解决。这个过程——少则10-20分钟，多则1-2个小时。问题一多起来，可能一个下午都花在咨询答疑上，这真的非常耗散我的精力。我想——能不能让AI来替我寻找问题根因，能不能让AI来干这个活？于是，这个AI的想法就从我脑海里立下来了——我要做一个薪酬答疑 AI agent。
之所以是它，是因为在整个薪酬答疑里，差异对比恰恰是最耗时、最标准化、也最容易先落地的一块。业务场景大概是这样：有些线下试跑的薪酬方案上线后，业务需要把系统算出的结果和线下核算的结果做对比。这个过程非常麻烦、非常耗时——业务通常要花上 1-2 周来核查，即便是像我这样比较了解系统逻辑的人，对一遍也得花 1-2 天。只说到这里，场景其实还是有点大。不同业务线的薪酬方案，复杂度差别很大，复杂度高的业务线落地起来依然很吃力。于是我又把范围收窄了一圈，锚定在海外地区的薪酬方案对比上。海外地区还处在发展阶段，薪酬方案相比国内，结构要清晰得多。再加上整体系统建设起步较晚，数据源和代码逻辑都比较干净。这些都给了我一个很好的起点。花了一段时间把场景定下来后，我开始着手设计整体的产品方案。我没打算把这件事做得太复杂——毕竟我做 AI agent 的经验不多，小步快跑、快速迭代才是最适合我的方式。所以我最初的构想很简单：业务方把线下表和系统表放一起➡️AI分析➡️AI给出结果本以为这么简单就搞定了，结果发现，是我把事情想得太简单了。大家都知道，AI 有几个老毛病：不擅长算数字、输出是概率性的、还爱一本正经地产生幻觉。而这几个毛病，一旦碰上数据、尤其是数据对比这种场景，就会被无限放大——用 AI 来做，几乎必然会遇上它瞎胡说、乱编造的情况。 AI 只要出一次错，业务方就很难再信任它了。所以我要的不是 95% 的准确，而是 100%——是的，薪酬差异对比这件事，只要不是 100% 准确，对用户来说就等于 0。怎么办？在和 AI 反复探讨之后，我又一次改了产品方案。说白了就是一句话：对比交给代码来做，AI 只负责把结果翻译成人话。但故事到这儿远没结束，后面我还是在不停地摸索、掉坑、再爬出来：AI 怎么获取业务上下文？怎么判断差异产生的原因？判断出来之后，又该怎么向业务解释“这个差异其实是正常的”？怎么让业务相信 AI 输出的结果就是对的？限于篇幅，这里不展开详述。之后有机会再一一跟大家分享，这里就直接放一张最后我定下的产品方案图：
三、上线了，但业务方没人想用
好不容易终于终于，我把这个产品做上线了，我兴高采烈的拿给业务，期望业务能试用一下。业务看到后，很惊喜的和我说了声谢谢，然后1天、2天、1周、2周，杳无音讯。这时候我知道了，他根本没用。为什么会这样？我不得其解。而刚好这个过程中我也在筹备其他事项，没有深究。直到前段时间，我又有了相关场景的工作，我拿一份真实数据实测，用工具和 AI 各跑了一遍，才想明白这工具为什么没人愿意用：
夜雨聆风
