01
从岗位任务选择切入点，而不是从模型功能开始
一个适合首批智能化的任务，通常具有高频、重复、规则相对稳定、输入可获取、结果可验证等特点。例如固定资料整理、知识检索、标准回复草稿或数据归类。
高度依赖个人经验、责任重大且结果无法客观验证的工作，不适合一开始就完全自动化。
- 统计任务发生频率和人工耗时
- 确认输入资料是否能够稳定获取
- 判断结果是否有清楚的验收标准
02
知识库首先是资料治理问题
把大量文件丢进系统并不等于知识库可用。文档需要有来源、版本、权限、更新时间和适用范围，否则模型可能引用过期资料或越权内容。
同一问题如果存在多个版本，也要明确哪一份是当前有效事实。知识库建设往往先解决“资料是否可信”，再解决“模型如何回答”。
- 文档有明确来源和负责人
- 过期版本能够识别或下线
- 不同部门和客户资料有权限边界
03
把模型、工具和人工审批分开设计
模型适合理解、归纳、生成和判断概率性结果；确定性的查询、写入、发送、发布等动作应通过受控工具执行。
涉及客户发送、线上修改、金额、删除或其他高影响动作时，应设计人工确认和审计记录。这样即使模型判断出现偏差，也不会直接越过业务责任边界。
- 模型负责理解与建议，工具负责确定性执行
- 高影响动作设置确认或审批
- 记录输入、调用、结果和最终执行状态
04
先做小范围闭环，再决定是否扩大
首版项目应选择一个真实岗位和一段真实流程，让系统连续跑一段时间。重点观察准确率、员工是否真的使用、节省了哪些重复动作，以及失败时如何恢复。
如果首个闭环不能稳定工作，继续增加更多模型和功能只会放大复杂度。
- 设置可量化的准确性和效率指标
- 保留人工接管和失败回退方式
- 根据真实使用记录再扩展下一类任务