01 / 场景与产品策略
识别高价值任务，评估数据与错误成本，定义最小可行产品和可验证的成功指标。
技术可以复杂，
产品必须清楚。
我们把 AI 项目拆成四个可以共同讨论的部分：任务、数据、体验和系统。每个部分都有明确的产出，也都有不做某些事的理由。
SERVICE INDEX 01—04
FROM QUESTION TO WORKING SOFTWARE
UPDATED / 2026.11
A SYSTEM, NOT A TRICK不是魔法，
不是魔法，
是系统工程。
一个好的 AI 功能，需要知道何时回答、何时调用工具、何时停下来询问。Ex 将这些规则写进产品，而不是藏在提示词里。
- 任务边界与验收标准 DEFINE
- 数据来源与访问权限 CONNECT
- 人工确认与异常处理 ASSURE
- 持续评测与版本管理 IMPROVE
01—04 / 服务清单从一张白纸，
从一张白纸，
到一套可用系统。
02 / 智能体工程
设计规划、检索和工具调用流程，加入权限、人工审核、重试与运行观测。
03 / 知识与数据体验
连接企业文档和业务数据，用引用、筛选与可追溯结果建立用户信任。
04 / 软件设计与交付
完成产品交互、全栈开发、系统集成、测试部署和上线后的迭代支持。
ENGAGEMENT / 合作方式合适的规模，
合适的规模，
做正确的事。
以下内容为演示服务模型，具体范围以项目评估为准。
| 合作模式 | 适合的问题 | 典型产出 | 团队配置 |
|---|---|---|---|
| 场景冲刺 | 方向尚不清晰 | 机会地图 + 原型 | 策略 + 设计 |
| 产品共建 | 需要完整交付 | 可用软件 + 文档 | 跨学科小组 |
| 工程嵌入 | 已有产品团队 | AI 模块 + 评测 | 模型 + 后端 |
NOTES / 常见问题
在开始之前。
你们只做基于大模型的产品吗？
不是。我们会根据任务选择检索、规则、传统机器学习或大模型，有时最简单的自动化就是更好的答案。
没有整理好的数据，可以开始吗？
可以从数据盘点和小样本人工标注开始。项目初期会先判断数据质量是否足以支撑目标。
如何控制生成错误带来的风险？
通过限制任务范围、提供来源引用、设置人工确认和建立失败回退路径来降低风险，而不是承诺模型永不出错。
先定义问题，
再选择工具。
一次有效的项目讨论，可以从 30 分钟的场景梳理开始。