AI类实现案例库12 案 · 原话 + 价值点

背景大概是在 MCP 前时代，一个做电商的用户提出的需求点：一人管理几十个不同店铺、不同平台账号，每日要进行店铺数据分析。

方案他们已经使用 RPA 能获取到数据了。当时没有现在的 Agent、Skill 啥的，还是 workflow，使用 N8N 实现了自动化的数据分析并推送报告。

复盘但是现在想想，当时的 workflow 放到现在，Agent 轻而易举的可以实现，甚至可以不用 RPA——将 Skill 固化，配合指纹浏览器登录态，就可以实现。

价值点完整经历过「Workflow → Agent」的技术演进，能用演进视角帮客户选最合适的方案，而不是拿新锤子砸所有钉子。

背景需求点：产品图、商品图的出图。以前也没承接，因为没有好用的云端模型——当时 image2 还没有出来，本地自部署 ComfyUI，硬件成本较高，客户承担不了。

落地这个需求后来给一个广东的朋友，纺织产业的设计、电商阶段做出了图的工作台和无限画布。这个就很简单了，实际上就是提示词的事情，包装一套 UI，纯 AI 开发。

价值点对出图类需求的成本与时机有判断——等云端模型成熟再动手，避免客户为硬件买单；会用「提示词 + UI 包装」的轻量路径快速交付。

需求施工现场的现场情况，公司层级想要掌握，最根本的数据源是施工日志。基于最基础的 Context，需要做到让现场人员方便填报，AI 每日、每周、每月进行自动化分析。

架构我架构了整个的 AI 项目级的上下文管理（实际就是 Skill），基于 Claude Code 和 CC connect（当时 DSH 还没开源）进行开发，有小程序填报端、飞书 IM 端。

成果现场每个人都可在群里发送日报，最终由 Claude 进行拉取聊天记录，综合填报端内容，以及维护的项目知识库（包括进度计划、项目情况等），来总结归纳分析项目情况，由管理员审核后，推送到具体干系人。

延伸同时围绕施工日志的 Context，培训现场信息化部门怎么利用其开发其他应用，数据怎么利用上。

价值点把「项目级上下文管理」这套方法用在传统工地场景——一线填报门槛低（发群即可），AI 在后台完成汇总分析，人只做审核。

建设云建信企业内部的 AI Context，展示终端为智慧屏，并可以由相关人员 AI 查询相关信息。比如目前我们用钉钉，首先组建了公司的知识库，将所有文档资料、钉钉聊天记录通过官方 API 及 CLI，清洗后进入知识库，使用 LLMWIKI 方法论进行数据的 WIKI 化，公司规章制度等使用 RAG 处理入库。所有会议信息自动由自动化流程喂给 AI 存档。

已实现这个组建好了之后，作用就相当大了。1、公司目标自动推导、公司项目推进风险、公司幕僚视角分析。2、每次会议完成后，自动由 Agent 分析总结，交给 image2 生图，推送到公司的智慧屏上去。

方向从人查询、人分析，逐渐迈向 Agent 自主运营。

价值点这是公司级数据基建——文档、聊天记录、会议三类数据源统一入库；LLMWIKI「原始材料层 + 知识层」方法论是可复制的实施框架，不依赖某个特定产品。

探索还有内部的私有模型部署。其实在 loop 出现之前，我就已经在研究类 loop 概念了，目的是让公司私有部署模型 24 小时工作。

场景让 AI 根据上面的 Context，不停的推导、实验。目标是要做到：比如会议中提出下周要去给某某某客户演示，那么 Agent 会发现老板要做 PPT，我该给他做个 PPT，内容也由 AI 自主规划。最后产出 N 个内容，根据下一次的人反馈调整幻觉和偏差。

价值点对 Agent 自主循环（目标驱动 → 自主规划 → 产出 → 人工反馈 → 纠偏）有前置的实践理解，不是 loop 火了才跟风。

需求客户提出需求：他们的销售都是泰国本土销售。一是目前存在领导无法知道销售能力、无法知道客户推进情况；二是销售不知道客户的意向度、顾虑点等过程问题。希望能建立起一个应对以上问题的 Agent。

判断在当时情况下 OpenClaw 刚起来，我自己也在玩，客户想要用 OpenClaw 去做。当时我拿到需求之后，评判 OpenClaw 不合理：首先，用户和销售的 Context 存在 Line 和通话录音中，他们的所有需求是一个既定的稳定的流程，不适合使用 Agent，适合 Workflow。其次，他们需要一个 Web 来提交录音文件，Line 可以直接用接口。第三，泰语需要 ASR，我测试了国内的所有厂商，效果很差，国外厂商的 ASR 他们嫌贵，所以当时在 HF 上找到了一个还不错的模型进行私有部署识别。泰语翻译中文，最后测试只有 Google 的模型翻译效果最好。

实现系统分为销售端和主管端。管理员需要对主管和销售分层级创建账号；销售需要创建客户基本信息，可进行客户管理、录音上传、队列多指标分析等。技术方案采用 Python + React，工作流引擎使用 Dify，可做到管理后台可新增 Dify 分析流程，适配客户后期的分析需求变动。由 AI 自主结合历史通话录音等推断客户意向度，进行评分，给到销售推进话术和用户焦虑点；给到领导对销售的分析——销售能力分析、成单风险分析等多维度指标以及绩效分析。

价值点面对客户点名的技术方案（OpenClaw），敢于基于事实说「不合适」并给出替代架构；多语言 ASR / 翻译的实测选型经验（国内厂商 → HF 私有部署 → Google 翻译）。

来源这个项目的来源是一个学校的教务处，想利用 AI 对教师、课堂进行分析。前期需求是想分析互动频率、精神饱满度、教学容量、声音大小、声音清晰、上课节奏、学生参与度等指标进行评分，对讲课质量提出建议。

关键决策客户最初的想法是音频 + 视频分析。我帮助客户做了成本核算后及经过音频的测试后，放弃了视频的分析——音频完全能对以上指标通过语气词、ASR 说话人分离、节奏等进行推导出来。

实现和上述录音分析类似，需要产出适配他们格式的报告。唯一不同的是，需要结合知识库中的教案进行讲课质量的分析。

价值点用成本核算说服客户砍掉不必要的视频分析，方案回到性价比最高的路径；教案知识库 + 课堂录音的结合是差异化设计。

定位我们原本就有这个软件系统，是一个 SaaS 服务。最早之前我作为这个软件的项目经理，天天趴在工地现场进行需求调研、问题收集，跟着项目部客户在工地上同吃同住同工作，把需求点反馈到后端研发团队进行产品优化迭代。这本质上是偏向于 FDE 的一个传统实施工作模式了。

AI 化后来在 AI 浪潮来了之后，我负责对这个产品进行 AI 化升级。目前也已经将整个研发项目交付给相关团队做后续的工作。落地的功能分两块——

功能一进度自动填报。以前工序进度靠人工录入，慢而且不准。我们使用摄像头 + AI 以及使用 RFID 手段判定工序进度，两者互相印证，进度自动写入系统，业务方不用手工填报。这一步解决的是数据源头问题——数据准了，后面的 AI 才有地基。

功能二小程序端，面向管理层和业务方：上线 AI 智能排产、AI 台座容量推算、AI 存梁架梁位置分析——根据订单、产能和工序约束给排产建议；AI 智能风险，基于生产数据提前提示交付风险；厂区风险识别，走 YOLO 和多模态，用现场摄像头画面识别安全隐患。

角色覆盖全程：业务调研、方案设计、Demo 验证、开发集成、模型接入、私有化部署、运维迭代。最后是产品化——这些能力沉淀成 Smart4D 产品线的标准功能，每个新客户开箱即有，不是留在单个项目现场。

体会工厂场景的 AI 落地，最难的不是模型，是让 AI 拿到可信的数据。所以从摄像头和 RFID 做数据源头入手，排产和风险这些「聪明」的功能才有价值。

闭环针对于某品牌门店，使用 Agent 设计了一套覆盖信息收集（热点、数据分析）自动爬取 → 产品知识库构建 → 文章自动生成符合各平台规范的文章 → 每日自动 / 手动发布的闭环业务。

实现使用 Agent 设计定时机制，通过反爬手段，进行数据爬取后落库、分析、产出的闭环。

价值点内容生产不是单点，而是「采集 → 知识库 → 生成 → 合规 → 发布」的全链路闭环，且适配各平台规范差异。

需求潮汐智能会议系统 + 智慧屏，这个有明确的需求：需要做到行业会议的演讲嘉宾在演讲完成后，由 AI 自动总结内容，生成金句，生成速览等内容，推送到智慧屏。

实现这个的实现是用 Agent 实现的，其实用 workflow 实现比较合适。技术细节不多赘述。

价值点再次体现选型自觉——能做出来，也清楚更优解是什么，说明判断先于实现。

采集抖音、微信公众号、推特等平台的视频与帖子，通过 Agent 定时读取收藏，或手动转发到微信，自动完成入库 → RAG 检索 → 知识图谱构建 → LLM Wiki 知识组建的全链路闭环。

出口关键是出口——任何 Agent 可通过 MCP / Skill CLI 直接调用知识库，完成课件编写、文章生成、知识问答等任务。

价值点知识库不是死仓库，是所有 Agent 都能调用的活水源——采集、结构化、可调用三段打通，才是「知识复利」而不是「资料堆积」。

执行一句话描述需求，AI 自动完成建模 → 切片 → G-code → 打印机调度，从数字世界直接到物理世界。

闭环配合摄像头定时截图，视觉模型实时判断是否翘边、断料、跑偏，异常自动停机告警。视觉巡检替代人工盯守，无人值守打印才成立。

价值点把 Agent 的能力边界从「屏幕里」推到「物理世界」——不只是生成内容，而是驱动设备、并通过视觉回读真实状态做闭环控制。