第九章 工作场景实战——销售、客服、报告、会议

9.1 工作场景的三个特点

工作场景的 RAG 跟生活场景有 3 个不同：

1. 数据更结构化——合同、报表、SOP 都有固定模板；
2. 更追求准确率——一个引用错误可能造成商业损失；
3. 多人协作——一个知识库经常要给团队 5-50 人共用。

所以工作场景的 RAG 通常会：

• 用更"严肃"的工具（Dify / FastGPT / Coze）；
• 加更严格的"引用核对"约束；
• 设权限分组（销售部 vs 法务部 vs 财务部）；
• 配套"业务流程"——RAG 不只回答，还触发动作。

9.2 案例 1：销售合同库——告别"找老合同要 1 小时"

我们在第五章已经讲过这个案例的"5 分钟版"。这里给一个**"工作专业版"**——20 分钟搭出来，能服务整个销售团队。

场景

销售同学每天最痛苦的事——

• "上次签 X 公司用的什么模板？"
• "我们公司过去给同行业客户的报价区间是多少？"
• "这个客户曾经在'付款条件'上谈过几轮？最后结果是什么？"
• "我们历史上对这种'年降价 5%'条款是怎么应对的？"

每问一次，都要翻几个文件夹——半小时起步。

目标

• 5 秒钟答："我们公司过去 5 年所有 [客户类型] 的合同关键字段一览"
• 5 秒钟答："过去类似谈判中，我们如何应对 [客户某诉求]"
• 5 秒钟答："给我一份 [客户类型] 的报价参考"

数据准备

合同 PDF（带签字版）/ 报价单 / 谈判记录 / 客户邮件 / CRM 沟通历史 / 客户产业信息

按"业务线"建多个库：

合同库-电信运营商
合同库-银行金融
合同库-政府事业单位
合同库-互联网企业
合同库-制造业

工具

• 个人 / 5 人小组：Cherry Studio + 共享网盘；
• 销售团队 20-100 人：Dify 自托管 或 FastGPT 团队版；
• 大公司：RAGFlow 或 QAnything 私有化部署。

搭建步骤

步骤 1：标准化文件命名

让运营 / 助理统一改名：

[年月]-[客户全称]-[合同类型]-[金额]-[版本].pdf

例：
2024-08-中国移动北京分公司-技术服务合同-880W-V3 终版.pdf

步骤 2：建立"合同元数据表"

每份合同对应一行 Excel：

| 合同号 | 客户 | 行业 | 类型 | 金额 | 期限 | 关键条款 | 销售负责人 |

这张表也丢进知识库——AI 可以"先查表，再深查合同"。

步骤 3：用 Dify 搭"销售合同助手"

1. Dify Cloud 注册或自托管；
2. 创建知识库 销售合同库，按业务线分文件夹；
3. 切片设置：500 字 + 100 字 overlap，开启父子分块（合同条款检索神器）；
4. 嵌入：BGE-M3，重排：BGE-Reranker-v2-M3；
5. 创建一个"应用"销售合同助手，关联知识库；
6. System Prompt：

你是一位资深销售支持专家。请：

1. 严格基于合同库回答，不使用资料外信息；
2. 每条结论必须引用：[合同号 / 文件名 / 条款编号 / 页码]；
3. 涉及"金额、付款方式、违约金、知识产权、保密、竞业"等关键条款时，必须列出原文；
4. 输出"参考方案"时，必须区分"我们历史上接受过的""我们历史上拒绝过的""我们没遇到过但建议的态度"三类；
5. 对于"客户特殊诉求"，请给我们这边的"谈判抓手"。

步骤 4：发给销售团队

• Dify 自带 Web UI——发链接给销售；
• 或对接企业微信 / 飞书机器人——@ 它就能问；
• 或对接销售用的 CRM（Salesforce / 飞书 CRM / 销售易）做"嵌入式问答"。

提问模板（10 条）

1. 列出我们过去 5 年所有跟"互联网企业"签的合同，按金额倒序。

2. 给我一份"电信运营商客户"的合同关键字段速查表（金额范围、付款方式、SLA、违约金、保密期限）。

3. 我下周要去谈 X 公司，他们以前跟我们签过几次？每次的核心争议点是什么？最终是怎么妥协的？

4. 客户提出"年降价 5%"，我们历史上怎么应对的？最差成交条件、最好成交条件分别是？

5. 客户要求"100% 货到付款"，这条历史上是个红线吗？什么情况下我们让步过？

6. 给我一份针对 [客户类型] 的合同模板，要求基于我们历史最常用的版本。

7. 这个客户去年的最终签约金额是多少？有没有"附加条件"？

8. 列出过去 5 年所有"违约金被对方调低过"的合同——我想知道哪些借口最有效。

9. 我们公司给"政府客户"和"民营企业"在"付款周期"上的差异？

10. 基于历史数据，给我对 X 客户的"3 档报价方案"——保守、中性、激进。

进阶玩法

• 接入 CRM：销售在 CRM 里点"AI 助手"按钮，自动带客户信息查；
• 每周客户雷达：每周自动汇总"本周接触过的客户在历史合同里的关键信息"；
• 新人入职助手：新销售第一周用，等于"一个月带教"压缩成"一周自学"。

避坑

• 合同含 PII：客户姓名、联系方式要做脱敏；
• 权限隔离：不同业务线的销售只能看自己的合同；
• 保密：自托管或选有"不用于训练"承诺的工具；
• 版本管理：合同有"草稿、谈判中、终签"——只让"终签"进库。

9.3 案例 2：客服 FAQ 机器人——把"重复回答"自动化

场景

客服小张每天回答 200 个问题，其中 80% 是同样的几十个：

• "押金能退吗？"
• "几个工作日发货？"
• "出现 X 错误怎么办？"
• "怎么开发票？"

她每天就是"复制粘贴 200 次"。

你想搭一个 FAQ 机器人——80% 简单问题自动回答，剩下 20% 转人工。

目标

• 用户问 → 机器人 5 秒答；
• 答案 100% 基于内部 FAQ 库；
• 不会的问题自动转人工 + 提示客服"用户问过这个"；
• 沉淀"新问题"——客服回答完自动加入库。

数据准备

工具

Coze（最快）或 FastGPT（最专业）。

搭建步骤（用 FastGPT）

步骤 1：把 FAQ 整理成"QA 对"

每条 FAQ 拆成"问题 + 答案"：

## Q: 押金能退吗？

可以。退押金条件：
- 账户无未结订单
- 申请后 3 个工作日到账
- 申请方式：APP → 我的 → 押金 → 申请退还

## Q: 发货周期？

- 现货：48 小时内
- 预售：商品详情页标注的具体日期
- 跨境商品：5-15 个工作日

## Q: 怎么开发票？

- 普通发票：订单完成后 7 天内自动开
- 增值税专用发票：联系客服提供税号、抬头

每个 Q 单独一段，方便 RAG 精准命中。

步骤 2：在 FastGPT 创建"问答型"知识库

FastGPT 有专门的"QA 拆分"模式——上传文档自动按"Q:""A:"切分。

1. 新建知识库 客服 FAQ；
2. 选 "QA 拆分" 模式；
3. 上传你整理好的 Markdown；
4. 检查切片结果，确保每个 QA 一个 chunk。

步骤 3：创建对话流

FastGPT 的"工作流"画板：

用户输入 → 知识库检索 → 找到？
  ├─ 是 → 用 LLM 整理回复 → 标注"AI 回答" → 输出
  └─ 否 → "我无法回答，已为您转人工" → 触发 webhook 通知客服

步骤 4：发布

• 发布为网页 → 嵌入官网；
• 发布为 API → 接微信 / 抖音 / 小红书自动回复；
• 发布为企业微信 / 钉钉机器人 → 客服群里随时调用。

System Prompt（关键！）

你是 [公司名] 的官方客服 AI 助手。请严格遵守：

1. 只基于知识库回答，不要编造任何政策；
2. 答案必须友好、专业、简洁——不超过 200 字；
3. 涉及"价格 / 退款 / 法律责任"等敏感问题，附上"具体以官方公告为准"；
4. 不知道的问题必须明确说"我目前无法回答，已为您转人工客服"，不要硬答；
5. 不要回答与本公司业务无关的问题（如政治、宗教、闲聊）；
6. 每次回答末尾问一句"还有其他问题吗？"。

提问模板（你测试用，不是用户）

1. 押金能退吗？需要什么条件？
2. 发货要多久？我下单后 3 天还没发货怎么办？
3. 怎么申请发票？
4. 我收到的商品有质量问题，怎么处理？
5. 我想注销账号，怎么操作？
6. 这个 [问题机器人不应该回答的——比如"投资建议"]
   → 验证是否正确转人工

进阶玩法

进阶 1：自动学习

每周审一遍"转人工的问题"——好的回答整理进 FAQ 库，下周机器人就会答了。

进阶 2：多语言

如果你的客户是国际的——FAQ 用中文写，AI 自动翻译成英文回答。

进阶 3：情绪识别

接入"情绪检测"——如果用户语气激动 / 投诉，直接转人工，不要用 AI 顶。

进阶 4：知识库版本管理

退换货政策每月一改？用 Git 管理 FAQ 文件——AI 回答时引用"版本号"。

避坑

• 不要让 AI 答"模棱两可"的问题——客户可能截图维权；
• 法律责任：合同 / 政策类问题最好留"人工核对"环节；
• 更新滞后：政策一改要立刻更新 FAQ 库；
• "看起来很专业的胡话"：必须严格 System Prompt，不允许编。

9.4 案例 3：周报材料库——告别"周五加班憋周报"

场景

周五下午 5 点，老板：「今天交周报。」

你打开本周的：

• 微信 / 钉钉 / 飞书的几百条聊天
• 邮件
• 会议纪要
• Git commit
• 项目文档
• 客户跟进表

记忆开始模糊——"我这周到底干了啥？"

憋出来的周报全是"推进""协同""沟通"等水词。

你想要一个 RAG，自动从你的工作痕迹里"挖"出本周成绩。

目标

• 一句话："给我整理本周周报，按'已完成 / 进行中 / 待启动'分类。"
• 自动生成：每条事项 + 引用具体证据（哪个会议提到、哪个邮件、哪个文档）。

数据准备

工具

ima 或 Coze（国内方便）/ NotebookLM（引用最准）。

搭建方法

方法 A：每天手动喂（推荐入门）

每天 5 分钟，把当天的：

• 关键聊天截图 / 复制
• 重要邮件
• 会议纪要 1-2 句话

写进一个 2026-W17-工作日志.md 文件，丢进 RAG。

周五一句话："基于本周日志，整理周报。"

方法 B：自动同步（进阶）

用 n8n / Zapier / Activepieces 做工作流：

• 每天 18:00：抓取飞书 IM、邮件、会议纪要、Git 提交 → 整理成"日志.md" → 自动入 Dify 知识库；
• 每周五 17:00：自动触发 AI 生成周报 → 发到你的邮箱。

提问模板（每周五用）

1. 基于本周（[起始日期]-[结束日期]）的工作日志，整理一份周报：
   - 已完成（带具体成果数据）
   - 进行中（百分比 + 下周计划）
   - 待启动（依赖项 + 启动时间）
   - 需要老板支持的事
   每条都引用证据来源。

2. 本周我做的"高价值工作"是哪 3 件？基于"老板/客户的具体反馈"判断。

3. 本周我"被打断 / 救火"的事有哪些？占比多少？下周怎么减少？

4. 本周哪些事"做了一半 / 卡住了"？卡的根本原因？

5. 基于本周 + 上周，我下周必须优先做的 3 件事是什么？

进阶玩法

• 周报自动化：每周五 17:00 自动生成草稿 → 你修订 → 18:00 发；
• 月报 / 季报 / 年报自动化：基于"周报库"做汇总；
• 个人复盘：每月让 AI 分析"我的工作模式"——你会被惊到。

避坑

• 数据要全：缺一个渠道（如缺了邮件），周报就漏；
• 隐私：聊天记录脱敏后再入库；
• 定期清理：超过 6 个月的日志归档。

9.5 案例 4：会议纪要库——5 年会议一处可查

场景

老板："X 项目上次拍板的责任人是谁来着？时间节点是什么？"

你脑子一片空白——那是 3 个月前的会，纪要还在飞书 Doc 第 47 个文件夹里。

你想做一个会议纪要 RAG——从此所有"上次提过""上次决定""谁来负责"一秒可查。

目标

• "X 项目上次会议的结论是什么？"
• "[人名] 在过去 1 年的会议里发表过哪些重要观点？"
• "去年 Q4 关于 [某话题] 的所有讨论合集？"

数据准备

• 飞书 Doc / 腾讯文档 / 钉钉文档里所有会议纪要
• 每次会议的录音转写（如有）
• 会议邀请邮件 / 议程
• 会后行动项追踪表

工具

ima 或 Cherry Studio。

搭建步骤

1. 把所有纪要导出成 Markdown 或 PDF；
2. 文件命名：[YYYY-MM-DD]-[项目]-[会议主题]-[主持人].md；
3. 加结构化前言——每份纪要顶部加：

---
date: 2026-04-19
project: X 项目
host: 张三
attendees: [李四, 王五, 赵六]
type: 周会 / 月会 / 评审 / 立项
key_decisions:
  - 决定 1
  - 决定 2
action_items:
  - {who: 李四, what: ..., due: 2026-05-01}
---

加了这个 frontmatter，AI 检索精准度立刻翻倍。

提问模板

1. X 项目过去 6 个月所有会议的"关键决定"列表，按时间倒序。

2. [人名] 过去 1 年在所有会议里"反对过"的事项有哪些？

3. 我（[你的名字]）过去 3 个月被分配的所有"行动项"，未完成的有哪些？

4. 关于 [话题，如"出海战略"] 的所有讨论合集，按时间倒序，附会议纪要原文。

5. 哪些行动项已经"逾期 30 天以上"还没完成？请列出 + 责任人。

6. 上周所有会议的核心结论一句话总结，分项目列出。

7. 本月哪些"重大决定"被多次反复讨论？说明可能存在分歧。

8. 基于过去 6 个月会议讨论密度，公司"最关心的 3 个话题"是什么？

进阶

• 接飞书会议机器人：会议结束自动转写 + 入库；
• 接日历：会前 30 分钟，AI 自动整理"上次同主题会议要点"发给你；
• 接行动项管理：所有 action item 自动同步到 Trello / Jira。

避坑

• 隐私 + 法务：开会要告知"录音将用于 AI 整理"；
• 结论 vs 讨论：纪要里要明确区分"已决定"vs"待议"——AI 才能准确回答。

9.6 案例 5：政策法规问答——把"翻法律条文"变成"问 AI"

场景

法务 / HR / 财务 / 合规岗最常被问：

• "客户要求 60 天账期，违反我们公司政策吗？"
• "员工怀孕了，公司能调岗吗？"
• "这种情况要不要交个税？"

回答前都要翻：

• 内部政策手册（30 多份 PDF）
• 国家法律法规（民法典、劳动法、公司法、税法等）
• 行业监管文件（银保监、证监会、网信办等）
• 地方政府规定

每次回答都是"翻 1 小时"。

目标

让政策法规"一问就答"——并且每条都有原文出处，因为这是合规话题，不能 AI 编。

数据准备

工具

• 中型团队：Dify 自托管 + 多人共享；
• 大企业：RAGFlow（解析复杂政策文件强）；
• 律所 / 顾问公司：MaxKB + 专业律师审核。

搭建注意事项

1. 数据分库

千万不要"一个超大政策库"。按"业务领域"分：

政策库-劳动法
政策库-合同法
政策库-税法
政策库-公司内部
政策库-行业监管

提问时主动选库——"在'税法'库里查这个问题"。

2. 时效性管理

法规会变——每份文件加"生效日期、修订日期、是否现行"标签。

---
title: 个人所得税法
issued: 2018-08-31
amended: 2024-08-15
effective_date: 2024-09-01
status: 现行有效
---

提问时强制要求："只引用 status: 现行有效 的文件"。

3. 引用必须 100%

System Prompt：

你是一名严谨的法务 / 合规助手。请：

1. 100% 基于知识库回答，禁止使用资料外的法律意见；
2. 每条结论必须引用法条原文 + 出处（法律名 + 第几条）；
3. 如果资料里没有明确条文，必须说"知识库中无相关明确规定，建议人工咨询专业律师"；
4. 涉及"判决案例"时，必须说明"案例仅供参考，具体审判以法院为准"；
5. 给出"个人意见"时必须明确标注"以下为初步分析，最终请专业人士定夺"。

4. 多人审核

法务问题不能"AI 一锤定音"——把 RAG 接到一个"二审流"：

员工提问 → AI 给初步答案 → 法务专员审核 → 正式回复

提问模板

1. 员工 [情况描述]，根据现行劳动法和我们公司内部政策，应该如何处理？请引用具体条款。

2. 客户要求"账期延长到 90 天"，违反我们公司哪条政策？历史上有没有例外？

3. 这次商业合作 [描述] 涉及哪些"合规风险点"？请列出，每个引用对应法规。

4. 公司打算 [某项业务]，监管侧最近有没有相关新规？

5. [某情况] 在最近 1 年的司法判例中，主流判法是什么？

避坑

• AI 不能替代律师——重大决策必须人工复核；
• 法规更新：建议"季度更新一次知识库"；
• 隐私：涉及具体员工 / 客户信息要脱敏。

9.7 案例 6：内部 SOP 库——新人入职"AI 带教"

场景

公司每来一个新人——

• 同事被打扰一周教他用打印机；
• HR 重复讲 50 遍报销流程；
• IT 重复教 100 遍连 VPN；
• 老员工被问 200 次"上次客户问 X，咱怎么回答的"。

每个新人都让团队损失 20-40 小时。

你想做一个 "内部 SOP 库 + AI 带教"——新人有问题先问 AI，问不到的再找人。

目标

新人入职第一周，AI 解决 80% 的小问题，老员工只处理 20% 的真复杂问题。

数据准备

把以下"散落在各处的"知识全部汇总：

工具

• 100 人以下：Coze + 企业微信 / 飞书机器人；
• 100-1000 人：Dify 自托管 + 多 Workspace；
• 1000+ 人：RAGFlow 或 QAnything + 权限管理。

搭建步骤

1. 收集与分类

按"提问者最常问"分类：

新人手册 / 报销流程 / IT 系统 / 销售方法 / 客户应对 / 工具教程

每一类作为一个子知识库。

2. 建立"提问入口"

在企业微信 / 飞书里只有一个机器人入口——AI 自动判断"这是哪类问题"，去对应的库找答案。

3. System Prompt

你是 [公司名] 内部 AI 助手。请：

1. 基于内部 SOP 库回答，每条引用具体文件 + 章节；
2. 如果是"流程类"问题，必须给出"分步操作"清单；
3. 如果涉及"具体人 / 邮箱 / 电话"，请提供准确联系方式；
4. 如果问题超出 SOP 库范围，请明确说"我无法回答，请咨询 [对应部门]"；
5. 对于"模糊性高"的问题（如薪资 / 晋升 / 绩效），必须说"具体以你直属上级或 HR 沟通为准"。

提问模板（新人最常问）

1. 我下个月怎么报销出差费用？

2. 公司年假是多少天？怎么申请？

3. 怎么连公司 VPN？我用的是 Mac。

4. 销售跟进客户的标准 SOP 是什么？

5. 我要下载 [某工具]，IT 有授权吗？怎么申请？

6. 客户问 X 我怎么回？历史上同事是怎么答的？

7. 公司打卡时间是几点？迟到罚多少？

8. 我想转部门，流程是什么？

进阶

• AI 自动学习新 FAQ：每周扫描微信群"被问过 5 次以上"的问题，自动提示加入库；
• 接入工单系统：AI 答不了的自动建工单，分给对应部门；
• 数据分析：每月看"AI 解决率"和"哪些问题最常被问"——指导组织优化。

避坑

• 维护成本：SOP 会变，要有专人定期更新；
• 权限隔离：薪资 / 个人信息类不能放在公共库；
• 不要替代"师徒制"：AI 解决"事实性问题"，人解决"判断性问题"。

9.8 案例 7：招聘候选人库——HR 的"超级简历过滤器"

场景

招一个"医疗背景 + 懂 SQL + 25-30 岁"的产品经理——

HR 收了 500 份简历，每份要看 10 分钟——一周时间没了。

你想做一个 "简历智能筛选 RAG"。

目标

• 一句话："找出医疗背景 + 懂 SQL + 25-30 岁、薪资期望低于 30K 的候选人"；
• AI 5 秒返回符合条件的 Top 10，每条标"匹配点 + 不匹配点 + 引用页"；
• 还能问"这位候选人和我们去年招进来的张三李四相比，背景如何"。

数据准备

工具

• 个人 HR：ima 或 Cherry Studio；
• 企业 HR：Dify 自托管 + 接入 HR 系统。

搭建步骤

1. 简历 OCR + 结构化

用 MinerU / TextIn 把每份简历提取成结构化字段：

---
姓名: 张三
年龄: 28
性别: 男
学历: 本科
专业: 医学 + 计算机双学位
工作年限: 5 年
当前公司: XX 医院
当前职位: 数据分析师
期望薪资: 25K
技能: [SQL, Python, 医学统计, 流行病学]
---

# 工作经历
...

2. 入库

每份简历单独成一个 Markdown 文件。

文件名：[姓名]-[年龄]-[当前公司]-[期望职位].md。

3. System Prompt

你是一名资深招聘助手。请：

1. 严格基于候选人简历库 + 历史录用 / 拒绝记录回答；
2. 每条匹配必须给出"匹配点 + 不匹配点 + 风险提示";
3. 涉及"性别 / 年龄 / 婚育" 等敏感信息时，仅作为客观字段呈现，不做歧视性判断；
4. 推荐时按"匹配度"打分（0-100）+ 简短理由；
5. 不能基于"姓名 / 籍贯 / 学校"做歧视性筛选。

提问模板

1. 找出"医疗背景 + 懂 SQL + 25-30 岁、薪资 < 30K"的候选人。匹配度 Top 10。

2. 候选人 [姓名] 的优缺点对照"我们的 JD"详细分析。

3. 候选人 [姓名] 跟我们去年录用的 [张三、李四] 相比，技能 / 经验差异？

4. 列出过去 1 年我们"面试通过率最高的高校 / 专业 / 公司"——给招聘策略提供参考。

5. 列出过去 1 年我们"录用后离职率最高的画像"——避雷。

6. 候选人 [姓名] 在简历里有没有"包装疑点"？请列出可疑点。

进阶

• 接面试系统：AI 自动生成"针对这个候选人的定制面试题"；
• 接 ATS：自动同步招聘网站新简历进库；
• 画像对比：把"高绩效员工"画像 vs "新候选人"做对比打分。

避坑

• 歧视风险：年龄 / 性别 / 婚育 / 户籍 / 健康——AI 只能呈现，不能做判断；
• 隐私 + 合规：候选人个人信息严格保护，必须本地或合规 SaaS；
• AI 不替代面试：决策必须人工，AI 只是初筛。

9.9 案例 8：项目复盘库——把"踩过的坑"沉淀成"组织资产"

场景

公司每半年做项目复盘——

• 做完了开个会，发个 PPT，传到共享盘；
• 半年后做新项目，团队又踩同样的坑；
• 没人翻历史复盘——因为找不到、不好查。

你想做一个**"项目复盘 RAG"**——让"踩过的坑"成为"团队的 SOP"。

目标

• 启动新项目时一句话："我们历史上做过 XX 类项目，遇到过哪些坑？"
• 中期检查："我们这个项目现在的进度，对照历史相似项目，落后还是领先？"
• 出问题时："这种情况历史上怎么解决的？"

数据准备

工具

Dify 自托管 或 RAGFlow——企业级，多人协作。

搭建要点

1. 标准化复盘模板

让所有项目复盘按统一模板：

---
project: XX
period: 2025-01 ~ 2025-06
team_lead: 张三
team_size: 8
budget: 100W
actual_cost: 120W
status: 已完成 / 已暂停 / 已取消
---

# 项目背景
...

# 关键里程碑
...

# 5 大成功因素
...

# 5 大失败教训（关键！）
1. ...
2. ...

# 给后续项目的 5 条建议
1. ...

没有这套模板的复盘 = 没用的复盘。

2. 分类标签

项目类型: 客户项目 / 内部项目 / 创新项目
规模: 小 (<50W) / 中 (50-500W) / 大 (>500W)
团队: A 部 / B 部 / 跨部门
状态: 成功 / 失败 / 部分成功

提问模板

1. 我们正在启动一个 [项目类型] 项目，规模 [X]，历史上有几个相似项目？分别什么结果？

2. 历史上这类项目"5 大失败教训"汇总——按出现频次倒序。

3. 历史上这类项目"启动期最容易踩的坑"是什么？

4. 我们项目现在 [进度状态]，对照历史相似项目同期，是落后还是领先？

5. [某员工] 过去做过哪些项目？担任什么角色？哪些做得好？哪些有教训？

6. 跨部门协作的项目，历史上"协作矛盾"主要发生在哪个阶段？怎么解决的？

7. 列出"预算超支 50% 以上"的所有项目，分析共同原因。

8. 给我们这个项目的"组织建议"——基于历史相似项目最容易踩的坑。

进阶

• 每个新项目立项前，AI 自动生成"基于历史的风险清单"；
• 每周自动对照："这周对照历史，进度 / 预算 / 团队状态如何"；
• 结项后自动归档：用 LLM 帮忙写复盘草稿。

避坑

• 复盘要"诚实"——AI 只能基于"写出来的内容"。如果复盘只写好话，AI 输出也是好话；
• 保密：涉及客户、员工评价的内容要脱敏；
• "拿来主义"：历史教训要"评估适用性"——不能直接套用。

9.10 工作场景 RAG 的"通用打法"

8 个案例都共享一套打法：

1. 收集（多源整合）
2. 标准化（命名 + 模板 + 元数据）
3. 分库（按业务线 / 部门 / 主题）
4. 严格 System Prompt（必须引用、不许编、敏感问题转人工）
5. 接入业务系统（CRM / OA / IM）
6. 权限隔离（哪些人看哪些库）
7. 持续维护（每周 / 月更新）
8. 数据分析（看哪些问题最常问）

9.11 团队推进 RAG 的"3 + 3 + 3 原则"

很多人做了 RAG，但团队不用——这是 RAG 项目失败的最大原因。

记住 3 + 3 + 3：

3 个"先"

1. 先小后大——先做 1 个最痛的场景（如客服 FAQ），跑通了再扩；
2. 先内后外——先内部用，跑稳了再对客户；
3. 先 PoC 后商用——先 1 个月小范围试，再大规模推。

3 个"必须"

1. 必须有"内部冠军"——找 1 个最痛的人，让他第一个用；
2. 必须给"老板看得见的指标"——节省时间 / 提升满意度 / 降低人力成本；
3. 必须有"持续维护人"——每周更新，不然 1 个月就死。

3 个"避免"

1. 避免"一次性大投入"——分阶段做；
2. 避免"完美主义"——80 分能用，不追求 100 分；
3. 避免"AI 替代人"的论调——AI 是辅助，让"人 + AI"组合更强。

9.12 本章一图回顾

flowchart TB
    Work[工作场景]
    Work --> S[销售合同库]
    Work --> CS[客服 FAQ]
    Work --> WR[周报材料库]
    Work --> M[会议纪要库]
    Work --> P[政策法规问答]
    Work --> SOP[内部 SOP 库]
    Work --> HR[招聘候选人库]
    Work --> R[项目复盘库]
    
    S --> T1[Dify/Cherry Studio]
    CS --> T2[Coze/FastGPT]
    M --> T3[ima/Dify]
    P --> T4[Dify/RAGFlow]

记住三句话：

1. 工作场景的 RAG 价值 = 时间节省 × 团队人数——值得认真投入；
2. 80% 失败来自"团队不用"——做"内部冠军 + 看得见指标"；
3. 每个场景都按"7 段式"做——可复制、可衡量、可优化。

9.13 下一章预告

工作场景做完，下一章我们进入"学习与创作"——

7 个案例：考证题库、论文文献库、课件笔记、读书卡片库、自媒体素材库、写作风格库、灵感卡片箱。

学生 / 考研党 / 自媒体人 / 写作者必看——让你的"输入"和"输出"都搭上 AI 的快车。