8月29日，Datawhale「AI+X」创造节第二期 FDE 专场在海珠阿里中心举行。本次活动由国内 AI 开源学习社区 Datawhale 发起，魔搭社区、广州凯恒集团、智跃深空联合主办，商汤小浣熊提供技术支持。

活动围绕 FDE 与企业 AI 落地展开，邀请来自 AI 产品、企业应用、技术研发和培训实践领域的五位嘉宾，分享他们在不同业务场景中的实践与思考。现场讨论的重点，并不只是模型能做什么，也包括 AI进入企业后，如何理解业务、调用知识、嵌入流程，以及关键环节为什么仍然需要人的判断。

活动由广州凯恒云科技总经理、FDE 团队负责人蔡君贤主持。开场时，蔡君贤提出了一个问题：FDE与企业传统外包真的差不多吗？

传统外包是客户提出需求，团队开展开发工作，项目完工即完成交付。

但 AI 项目真正进入企业之后，往往不会在“交付”这一步结束。资料分散在哪里，流程如何衔接，结果由谁确认，出了问题谁负责，这些事情都要在实际工作中一一厘清。

活动大合照

“AI进入企业，就像外星人到访。”Jomy老师用这句话开启了当天的第一部分分享。

刚开始，AI只是一个被员工打开和使用的工具。需要写东西时打开对话框，需要查资料时问一句，用完之后便退出。

但当 AI 开始参与项目管理、生产协作和业务判断，情况就变了。员工如何分工，信息如何流动，谁可以看到哪些资料，AI做出的结果由谁确认，问题一个个出现。

这也是 Transformer 和 Transformation 的区别。Transformer是模型架构，Transformation则是企业正在经历的变化。一个改变了模型能力，另一个改变了人与AI的协作方式。

Jomy老师提到，企业 AI 化首先要解决的是上下文问题。企业的制度、流程、项目资料和历史经验，常常分散在不同的系统和文件夹里。资料虽然都在，遇到具体问题时不一定找得到，也不一定能说明依据。

比如，跨区域采购时，谁来审批？依据又是什么？

答案可能藏在十几份制度、规程和历史文件中。普通知识库能够找到文字，却可能出现遗漏、混杂，甚至无法说明出处。SAG 企业知识库强调按照事项查找信息，关联相关条件，合并不同文件中的证据，再回到原文核验。AI要参与企业判断，得知道问题涉及哪些人、哪些流程、哪些规定，以及这些规定之间如何关联。

Jomy老师分享现场

一位做了20多年园林设计的总工，如何把自己的审图经验交给 AI？蔡小方老师从这个案例讲起。

审查一份施工图时，这位总工要看业主需求、地方规范和行业标准，还要结合当地气候、降雨、台风、树种和排水情况判断风险。

真正难的地方，不只是审得慢，而是在大量资料中漏掉风险。很多判断也没有写在教材里，而是藏在总工做过的一个个项目中。最后签字时，承担的也是对结果的责任。

为了让这套经验能够被复用，他把自己的工作过程一步步拆开。看资料、找风险、分问题——审图意见就有了。规范库、案例库和经验库被整理到一起，施工图上传后，AI先做一轮预审，再生成审图单。

原本约一小时的工作，压缩到了两三分钟。但 AI并没有替总工签字。它做的是预审和整理，最终判断仍由人完成。

蔡小方老师用 OPC 来概括这种状态：一个人借助 AI，完成一次真实任务。问题要说清楚，信息要找齐，判断要做出来，结果要交付，做对的方法也留下来。

一次任务做完，如果能把其中有效的步骤和标准保存成 Skill，下次遇到类似问题，就不必再从头摸索。AI不只是帮人完成一次工作，也可以帮人把工作方法留下来。

蔡小方老师分享现场

一天收到十几封邮件，真正需要处理的可能只有三五封。Gaius老师从这个再熟悉不过的场景说起。

通知和抄送淹没了重要信息，答应别人的事情散落在各个文件夹里，写周报时还要重新翻一周的邮件。半年前做过的决定，到了需要追溯的时候，往往又找不到。

邮件工作台的思路，是先让 Agent 接手这些重复工作。每天定时同步邮件和日历，Agent会按照轻重缓急给邮件分级，把邮件里的待办提取出来，起草回复，也把有价值的方案、报告和项目记录保存下来。

系统有一条明确的底线：只写草稿，不替人发送。人工改过的内容不会被覆盖，拿不准的事情进入待确认区。

邮件工作台会把邮件里的信息重新整理一遍。哪些事情还没做，哪些承诺还在等待，哪些内容值得留下，哪些记录以后会被用到，都变得更清楚。

Gaius老师分享现场

生命科学研究不断更新，但论文、临床资料和行业信息距离中文读者仍然很远。叶童老师介绍的 AI For Bios，正是在处理这段距离。

AI For Bios把这些环节拆开来做。去重、找信源、抓材料、选图、写稿、排版，再交给人工审核。

系统会保存原始链接、素材来源、配图来源和审核清单。读者如果追问一句话的出处，编辑能够回到原始材料，而不是只凭一段生成文字来解释。

这套流程没有把“发布”也交给机器。AI可以提高整理和写作速度，但科学事实、医学边界和最终发布责任，仍要由人来判断。

对 AI For Bios 来说，保存来源本身就是内容生产的一部分。资料要在需要时找得到，写完之后也查得回。

叶童老师分享现场

“企业真的缺 AI 想法吗？”张阳老师从这个问题切入，谈起了业务需求和智能应用之间的关系。

企业并不缺少“想用 AI”的念头，但一句“我们想用 AI 提效”，还不能直接变成一个可交付的项目。

真正的问题可能是：新员工找不到规范，销售每天重复整理报价，项目负责人无法及时发现风险，或者同一类工作每次都要重新做一遍。

FDE需要继续追问：问题发生在哪个环节？什么结果才算合格？谁来验收？哪些步骤适合固定成 Workflow，哪些任务需要 Agent 参与？

这套方法从真实问题开始，经过流程拆解和能力选择，落到一个能够运行、能够验收的应用上。使用反馈回来后，应用还要继续修改。

张阳老师分享现场

几位嘉宾分享结束后，主持人蔡君贤老师以自己参与交付的一个客户案例为切入，讲起了一套报价系统的改造过程。

主持人蔡君贤

客户过去完成一份报价，要花两三个小时。看户型、对产品、算折扣——一份报价单就出来了。每一步都需要经验，也都可能出错。

客户数据和产品资料进入 SAG 知识库后，AI可以协助查资料、做匹配、算折扣，并生成报价初稿。速度快了，蔡君贤老师也提出了一个问题：

如果选型错了，谁来负责？

答案不能交给模型自己决定。

报价流程里保留了各部门领导的审核。AI处理信息量大的部分，人来确认产品和价格，报价单经过审批后才算完成。

哪些工作交给机器，哪些决定必须由人确认，哪些结果需要留下依据，都要在流程里提前安排好。

现场讨论：从案例出发，思考自己的业务

蔡君贤老师分享完报价系统案例后，现场讨论热烈起来。参会者结合案例交流自己的业务问题，尝试思考这套方法如何应用到实际工作中。

讨论没有停留在“AI能不能做”的层面，而是进一步追问：具体要从哪一步开始，谁来审核，怎样判断结果是否可用。

 

左右滑动查看现场讨论与交流照片

 

从审图、邮件处理，到科普内容生产和报价，五位嘉宾与主持人蔡君贤老师分享的案例虽各有侧重，却共同说明：企业引入 AI，除模型能力外，还需要清晰的业务上下文、衔接顺畅的流程、明确的权限边界和必要的人工审核。

FDE的工作，正是在这些具体问题之间建立连接。它让 AI 不停留在演示和对话框里，而是进入一项项真实工作，经过使用、修改和确认，最后变成组织能够依赖的能力。

看完这次分享，你对 FDE 有什么看法？在你的行业里，哪个工作环节最希望有 AI 帮忙？

DATAWHALE · AI+X · FDE

感谢每一位分享者与参与者

-凯恒集团新媒体部-

排版：江佳茵

初审：江佳茵

终审：蔡君贤