# 为什么是我们：专家智能体销售立场文件

> 内部版本 v0.1
> 用途：回答销售团队提出的“为什么是我们”，并作为后续客户沟通、销售话术、案例材料、自检清单的前置文件。
> 核心问题：
>
> 1. 现有大模型平台是不是也在做这件事？
> 2. 我们和其他AI开发公司有什么区别？
> 3. 客户凭什么选择我们？
> 4. 我们到底有没有自己的商业差异？

---

## 一、先给结论：为什么是我们

因为我们不是单纯卖大模型，不是卖平台，也不是卖一个普通AI功能。

我们真正做的是：

> **把企业里的专家经验、业务流程、组织判断和决策边界，工程化为可运行、可校准、可追踪、可落地的专家智能体。**

换句话说：

> **平台解决“工具怎么搭”；
> 普通AI开发公司解决“功能怎么做”；
> 我们解决“专家能力怎么被抽取、封装、验证、校准，并进入客户真实业务流程”。**

这就是“为什么是我们”的核心。

---

## 二、我们到底是谁

我们不是传统软件公司简单转型AI，也不是只会调用大模型接口的AI外包团队。

我们的定位是：

> **专家智能体的系统架构师与模具师。**

这句话来自我们自己的 HiFi Agent Studio 方法论：我们要构建的不是普通软件工具，而是拥有专家视角的智能业务助理；我们的核心能力不是简单写代码，而是认知建模，即把人文社科洞察、商业逻辑和专家经验，通过架构工程封装为高保真、可校准、可追溯的专家能力。

对外可以说得更直白：

> **我们帮助企业把“人脑里的专家能力”，变成“组织可复用的智能能力”。**

这件事不是简单接入一个模型就能完成，也不是拖一个工作流、写几个提示词、上传几个文档就能完成。

---

## 三、我们做的不是通用AI助手，而是专家智能体

市场上很多AI产品叫“智能体”，但实际上差异很大。

有些只是：

* 一个聊天窗口。
* 一个知识库问答。
* 一个提示词模板。
* 一个单智能体调用。
* 一个工作流自动化。
* 一个API封装。
* 一个前端页面加大模型接口。

这些当然也是AI应用，但它们离“专家智能体”还有距离。

我们所说的专家智能体，不是“什么都能聊”的通用助手，而是：

> **在具体岗位、具体场景、具体流程、具体责任边界中，具备专家视角、专家判断、专家表达和持续校准能力的数字员工。**

在 HiFi Agent Studio 中，对外交付物被定义为“专家级数字员工”，它不是通用辅助系统，而是具有明确岗位职责的独立节点，并强调拟人化、高保真、垂直深耕等特征。

所以，我们与普通AI工具的区别，不是“能不能回答问题”，而是：

| 普通AI助手   | 专家智能体          |
| -------- | -------------- |
| 什么都能聊    | 专注一个岗位或场景      |
| 依赖提示词    | 依赖专家模型         |
| 输出看起来像答案 | 输出能进入业务流程      |
| 主要解决信息生成 | 解决判断、转译、协作和校准  |
| 错了很难改    | 错了要能解释、能反馈、能校准 |
| 更像工具     | 更像数字员工         |

一句话：

> **普通AI助手是“会说话的工具”；专家智能体是“有岗位职责的数字员工”。**

---

## 四、我们与平台的差异

### 4.1 先承认：平台很强，也很重要

现在的大模型平台、Agent平台、低代码平台，已经能做很多事情。

它们通常提供：

* 大模型调用。
* Prompt配置。
* RAG知识库。
* 工作流编排。
* 插件和工具调用。
* 多智能体协作。
* 发布渠道。
* 权限管理。
* 日志追踪。
* 低代码或无代码界面。
* 模型切换和基础评测。

这些能力非常重要。

我们不应该贬低平台。

平台是我们的工具箱、底座和供应商之一。

---

### 4.2 但平台主要解决“怎么搭”，不解决“该搭什么”

平台能回答的问题是：

> 怎么让一个Agent运行起来？
> 怎么接模型？
> 怎么接知识库？
> 怎么接工具？
> 怎么编排工作流？
> 怎么发布给用户？
> 怎么记录调用？

但客户真正困难的问题往往是：

> 到底哪个场景值得做AI？
> 这个需求是简单问答、流程难题，还是组织课题？
> 企业的专家经验在哪里？
> 老员工的隐性判断怎么抽取？
> 业务规则怎么转译成AI能执行的结构？
> 哪些事情AI能建议但不能执行？
> 哪些结果必须人工裁决？
> AI出错后怎么被发现、解释和纠正？
> 如何让客户组织真的用起来？
> 如何避免做出一个“演示很好、实际没人用”的AI玩具？

这些不是平台天然解决的问题。

平台提供的是工具能力，我们提供的是：

> **场景诊断、专家模型抽取、业务流程转译、责任边界设计、试点验证和持续校准。**

---

### 4.3 平台像“工厂”，我们像“模具师”

可以用一个比喻：

> **平台是工厂，提供机器、流水线和生产能力；
> 我们是模具师，决定要生产什么、模具怎么设计、关键精度在哪里、如何校准，最后能不能稳定产出客户真正需要的东西。**

没有平台，很多东西跑不起来。
但只有平台，也可能做出一堆“看起来智能、实际无效”的东西。

平台解决“生产能力”。
我们解决“专家能力的建模与封装”。

---

### 4.4 平台偏工具层，我们进入业务深水区

简单AI场景，客户自己用平台就可以。

比如：

* 简单资料问答。
* 文档摘要。
* 周报生成。
* 普通客服机器人。
* 简单流程自动化。
* 通用文案生成。
* 内部资料检索。

这些场景不一定需要我们深度介入。

我们真正适合的，是高专家密度、高业务语境、高判断复杂度、高校准需求的场景。

比如：

* 销售谈判前的客户画像与策略参谋。
* 组织关键人物判断。
* 企业AI就绪度诊断。
* 高管AI认知统一。
* 管理问题诊断。
* 老专家经验传承。
* 教学设计优化。
* 复杂业务决策辅助。
* 项目风险复盘。
* 高风险流程中的人机协作。

这些场景不是简单“搭个知识库”就够了。

它们需要先判断问题性质，再决定该轻做、重做，还是不做。

HiFi Agent Studio 里提出的 QPI 三元定性，就是在智能体构建前，先判断客户问题到底是“提问 Question”“难题 Problem”，还是“课题 Issue”，从而决定系统投入和人类心智投入的级别。

这就是我们与平台的关键差异：

> **平台默认帮助客户实现想法；
> 我们先帮助客户判断这个想法是否成立。**

---

### 4.5 对客户的标准表达

销售面对客户时，可以这样说：

> “如果只是做简单问答、资料检索、文案生成，客户自己用平台就可以，我们不建议您为这种事情花大钱。
>
> 但如果这个场景涉及专家经验、业务判断、组织协同、流程重构、责任边界和长期校准，那就不是单纯会用平台能解决的。
>
> 平台提供工具，我们提供专家模型、业务转译、试点验证和落地闭环。”

---

## 五、我们与AI开发公司的差异

### 5.1 AI开发公司也分很多种

现在市场上的AI开发公司大致可以分成几类：

| 类型         | 典型能力                             | 常见问题               |
| ---------- | -------------------------------- | ------------------ |
| 软件公司转型AI   | 原有软件开发、系统集成、加一个AI接口              | 容易把AI当成新功能模块       |
| 提示词/单智能体团队 | 写Prompt、做单Agent、调用模型接口           | 容易停留在“会回答”层面       |
| 平台实施商      | 基于Dify、Coze、Copilot Studio等平台做配置 | 容易受平台形态限制          |
| RAG/知识库公司  | 文档检索、知识问答、企业知识库                  | 容易把专家经验误解为资料上传     |
| 自动化/工作流公司  | 流程编排、工具调用、自动执行                   | 容易把复杂判断硬做成流程       |
| 垂直AI应用公司   | 做某个固定行业或固定产品                     | 灵活性可能不足，难以适配复杂客户现场 |

这些公司不一定差。
它们在各自范围内都有价值。

但我们要清楚：我们不是用同一种方式竞争。

---

### 5.2 软件公司转型AI的问题：容易把AI做成“新按钮”

很多传统软件公司转型AI，最容易走的路线是：

```text
原来的软件系统
  ↓
加一个AI入口
  ↓
接一个大模型API
  ↓
写一些提示词
  ↓
调用知识库
  ↓
号称AI化
```

这种方式可以解决一些问题。

但它的局限是：

1. 它还是以软件功能为中心。
2. 它把AI当成系统里的一个按钮。
3. 它没有真正重构业务流程。
4. 它没有抽取专家判断。
5. 它没有处理组织认知和责任边界。
6. 它容易停留在“能生成”“能问答”“能调用”层面。

这类公司擅长做确定性工程，但不一定擅长处理AI时代的不确定性。

它们擅长回答：

> 客户要什么功能？

我们更关注：

> 客户真正的问题是什么？
> 这个问题该不该交给AI？
> 应该交给哪种智能体？
> 专家判断怎么被建模？
> 业务流程怎么被转译？
> AI错了以后怎么被纠正？

---

### 5.3 只会做单智能体调用，不等于会做专家智能体

现在有些所谓AI开发，本质上是：

```text
写一个角色设定
  ↓
写一段提示词
  ↓
接入一个模型
  ↓
加一个前端界面
  ↓
调用几个工具
  ↓
输出结果
```

这可以叫AI应用。
但还不能直接叫专家智能体。

因为真正的专家智能体，至少需要回答：

1. 它扮演什么岗位？
2. 它解决什么业务问题？
3. 它的专家模型来自哪里？
4. 它依据什么做判断？
5. 它的能力边界是什么？
6. 它不能做什么？
7. 它什么时候必须请求人工介入？
8. 它如何解释自己的输出？
9. 用户如何纠正它？
10. 纠正后的经验如何沉淀？
11. 它如何被评测？
12. 它如何持续迭代？
13. 它如何接入客户真实流程？
14. 它如何与现有系统协同？
15. 它的责任边界在哪里？

如果这些问题都没有回答，只是写一个提示词，那就是：

> **AI表演，不是专家能力工程化。**

---

### 5.4 我们不是从“功能开发”出发，而是从“专家能力工程化”出发

普通AI开发公司的典型路径是：

```text
客户提出需求
  ↓
整理功能清单
  ↓
选模型/平台
  ↓
写Prompt
  ↓
做RAG/工作流/插件
  ↓
上线
  ↓
调试
```

我们的路径应该是：

```text
客户提出业务困惑
  ↓
判断问题类型：Q / P / I
  ↓
判断是否值得做AI
  ↓
抽取专家经验与业务逻辑
  ↓
定义专家智能体岗位
  ↓
明确能力、边界、流程、责任
  ↓
用低成本方式验证智能流
  ↓
构建最小可用专家智能体
  ↓
进入试点场景
  ↓
捕获专家修正与用户反馈
  ↓
持续校准
  ↓
必要时进入系统化建设
```

这两条路径的区别很大。

前者是：

> **AI功能开发。**

后者是：

> **专家能力工程化。**

---

### 5.5 我们不只追求“能跑”，还追求“好改”

很多AI项目的失败，不是因为它完全不能跑，而是因为：

* 第一次演示不错，长期使用不稳定。
* 输出看起来有道理，但专家一看就知道不对。
* 错在哪里说不清。
* 用户不知道怎么改。
* 改了以后系统不吸收。
* 反复靠人工救火。
* 最后没人愿意用。

所以，我们不能只追求“AI能回答”。

我们要追求：

> **AI出错后，能被低成本发现、解释、纠正和沉淀。**

HiFi Agent Studio 中明确提出，“一个优秀的 Agent 系统，不仅要生成准确，还要在出错时极易被纠正”，并强调禁止交付“一锤子买卖”的黑盒系统，输出应附带可解释的逻辑路径和低门槛修正入口。

这就是我们和普通AI开发公司的关键区别之一：

> **普通AI开发公司交付结果；
> 我们交付结果，同时交付纠错机制和校准机制。**

---

### 5.6 我们不只交付智能体，还沉淀过程数据

专家智能体真正有价值的地方，不只是第一次输出，而是它能在使用过程中不断吸收专家修正。

专家对AI结果的：

* 修改。
* 润色。
* 废弃。
* 返工。
* 反驳。
* 犹豫。
* 补充。
* 选择。
* 拒绝。

这些都不是垃圾，而是黄金数据。

HiFi Agent Studio 把“过程即数据”列为航行纪律，强调专家对AI结果的每一次修改、润色、废弃、返工与反驳，都是高价值数据，应被捕获，用于反哺模型或构建评测集。

这件事非常重要。

传统系统沉淀的是业务数据。
专家智能体沉淀的是判断过程。
判断过程，才是很多企业真正稀缺的资产。

---

## 六、客户凭什么选择我们

客户选择我们，不是因为我们平台最大，也不是因为我们价格最低，更不是因为我们能把所有AI都做了。

客户选择我们，应该基于以下几个理由。

---

### 6.1 我们能帮客户判断“该不该做AI”

很多客户的问题，不是不会做AI，而是不知道什么事情值得做AI。

他们可能会出现这些情况：

* 老板焦虑，觉得必须上AI。
* 听完一场课，觉得什么都能智能化。
* 信息部门被要求找AI方案。
* 业务部门提了一堆模糊需求。
* 中层不知道AI和自己有什么关系。
* 员工担心AI替代自己。
* 客户以为买个系统就完成智能化。
* 客户把组织问题误认为工具问题。
* 客户把管理问题误认为模型问题。

如果一开始方向错了，后面越努力越浪费。

我们的价值之一，就是帮助客户判断：

> 这个场景该不该做？
> 适合培训、顾问、试点，还是系统？
> 是简单问答、流程难题，还是组织课题？
> 需要轻量工具，还是需要专家智能体？
> 需要信息化补课，还是可以进入智能化建设？

选对方向，是AI项目最重要的第一步。

---

### 6.2 我们同时懂管理、信息化和AI

我们的路径不是单一技术路径。

我们的发展脉络是：

```text
企业管理咨询
  ↓
信息化系统落地
  ↓
AI学习与科普
  ↓
专家智能体方法论
  ↓
企业智能化转型
```

这让我们能同时理解三类问题：

| 问题类型  | 我们的理解                    |
| ----- | ------------------------ |
| 管理问题  | 企业到底哪里需要智能化，哪里只是管理没做好    |
| 信息化问题 | 数据、流程、系统、权限、接口、运维能不能支撑落地 |
| AI问题  | 哪些场景适合智能体，哪些必须人机协作，哪些不能做 |

很多AI开发公司只懂AI功能。
很多软件公司只懂系统实现。
很多咨询公司只懂管理方案。

我们的特点是：

> **管理咨询 + 信息化落地 + AI智能化方法论的交叉能力。**

这不是普通AI外包团队容易具备的。

---

### 6.3 我们专注专家智能体，不做泛泛AI助手

我们不是告诉客户“AI什么都能做”。

我们反而要告诉客户：

> **不是所有事情都适合AI做。
> 不是所有AI都值得系统化。
> 不是所有智能体都应该自动执行。**

我们的重点是：

* 高专家密度。
* 高业务语境。
* 高知识含量。
* 高判断复杂度。
* 高复盘价值。
* 高组织协同需求。
* 高持续校准需求。

这类场景，才适合做专家智能体。

如果只是低价值、低复杂度、低复用的简单任务，客户自己用平台做就可以。

这不是退让，而是专业。

---

### 6.4 我们能抽取专家经验，而不是只上传资料

很多企业以为做AI知识库，就是把文档上传进去。

但真正的专家经验，很多时候不在文档里。

它在：

* 老员工脑子里。
* 老板的判断习惯里。
* 高管的取舍标准里。
* 一线人员的隐性经验里。
* 客户经理的察言观色里。
* 项目经理的风险直觉里。
* 老师傅的现场判断里。
* 组织长期形成的潜规则里。

这些东西不是简单上传文档就能解决。

我们要做的是：

> **把隐性的专家判断，显性化为AI可以使用、可以执行、可以解释、可以校准的专家模型。**

HiFi Agent Studio 中的“思想考古”方法，就是从表层现象一路下钻到应用层、领域层、过程层、目的层、核心机理层、人类能力层和哲学基岩层，帮助把模糊业务直觉提炼为显性模型。

对客户来说，这就是：

> **不是把资料塞给AI，而是把专家能力教给AI。**

---

### 6.5 我们先验证价值，再投入开发

很多AI项目失败，是因为太早开发。

客户一说需求，开发团队就开始：

* 做页面。
* 接接口。
* 搭知识库。
* 写Prompt。
* 做流程。
* 做系统。

最后发现核心问题没验证：

* 客户真正场景不成立。
* AI能力撑不住。
* 专家判断没抽出来。
* 业务人员不用。
* 系统做出来没人接。
* 项目变成演示工程。

我们的原则应该是：

> **先验证智能流，再投入系统建设。**

HiFi Agent Studio 里的“绿野仙踪协议”明确要求，在写任何代码前，先让人类专家在幕后扮演Agent，手动跑通全流程，用低成本验证智能流的价值闭环；价值未经验证，禁止投入开发资源。

这句话可以直接变成客户话术：

> “我们不会一上来让客户花大钱开发系统。我们会先用专家和AI工具跑通最小智能流，确认这个场景真的有价值，再决定是否系统化。”

这对客户是保护，对我们也是保护。

---

### 6.6 我们能完成“专家 + AI + 系统”的闭环

客户最终需要的，不是一个漂亮Demo。

客户真正需要的是：

```text
专家经验
  ↓
专家模型
  ↓
专家智能体
  ↓
业务流程
  ↓
信息系统
  ↓
组织使用
  ↓
持续反馈
  ↓
持续校准
```

我们的优势在于，我们不是只有AI工具能力。

我们还有：

* 专家身份。
* 管理咨询经验。
* 企业培训能力。
* 信息化落地经验。
* AI智能体实践。
* 项目经理和技术团队。
* 客户经营团队。
* 专家智能体方法论。

所以，我们可以形成完整闭环：

> **培训统一认知，顾问判断路径，试点验证价值，系统完成落地，过程数据持续校准。**

这比单独卖课、卖顾问、卖系统、卖AI工具都更完整。

---

## 七、我们不能怎么说

为了避免销售误伤，以下说法不建议使用。

---

### 7.1 不要说：“平台不灵活，所以选我们”

这个说法太弱，也不一定准确。

现在很多平台其实很灵活，甚至比我们自己搭还快。

更准确的说法是：

> **平台在工具层很灵活，但平台不会自动替客户完成专家经验抽取、业务场景判断、组织语境理解、责任边界设计和持续校准。**

---

### 7.2 不要说：“LLM厂家不和我们竞争”

这句话只能说一半。

大模型厂商确实是我们的上游能力来源，但它们也可能向应用层、Agent层延伸。

更准确的说法是：

> **大模型厂商主要提供模型能力和Agent基础设施，是我们的上游供应商和生态伙伴；但它们通常不会深入每个客户的业务现场，替客户完成专家经验抽取、组织认知校准和系统落地。**

---

### 7.3 不要说：“我们比其他AI开发公司更懂AI”

这句话容易引战，也没有必要。

更好的说法是：

> **我们不是从AI功能开发出发，而是从专家能力抽取、业务场景定性、组织落地和持续校准出发。**

---

### 7.4 不要说：“我们什么AI都能做”

这会把我们拖进低价AI外包市场。

更好的说法是：

> **简单AI工具，客户自己用平台就可以；复杂专家智能体，才是我们真正擅长的场景。**

---

### 7.5 不要说：“我们有一套理论”

客户不为理论买单。

更好的说法是：

> **我们有一套从实践中形成的专家智能体建设方法，可以交付场景诊断、专家模型、智能体原型、试点验证、评测校准和系统落地。**

---

## 八、我们应该怎么说

### 8.1 一句话版本

> **我们不是卖AI工具，而是帮助企业把专家经验、业务流程和组织判断，变成可运行、可校准、可落地的专家智能体。**

---

### 8.2 三句话版本

> **平台解决工具搭建，普通AI开发公司解决功能实现，我们解决专家能力工程化。**
>
> **我们会先判断客户场景值不值得做，再抽取专家经验、设计智能体岗位、验证智能流，最后才进入系统化建设。**
>
> **简单AI客户自己用平台就可以；复杂专家智能体，尤其涉及业务判断、组织协同和持续校准的场景，才是我们真正擅长的。**

---

### 8.3 销售对客户的标准回答

> “现在很多平台都能搭智能体，这个我们不否认。平台解决的是工具问题，比如模型、知识库、工作流、插件、发布和运行。
>
> 但企业真正难的地方，往往不是工具，而是：到底哪个场景值得做？专家经验怎么抽取？业务规则怎么转译？AI出错后怎么纠正？怎么进入流程？怎么让员工真的用起来？
>
> 我们的核心不是卖一个通用AI工具，而是帮助企业把专家能力、业务流程和组织经验，封装成可运行、可校准、可迭代的专家智能体。
>
> 如果只是简单问答和普通自动化，客户自己用平台就可以；如果涉及管理、业务判断、专家经验和系统落地，那才是我们真正擅长的。”

---

### 8.4 对内回答销售：“为什么是我们”

> “因为我们不是靠模型参数、平台功能或低价开发竞争。
>
> 我们真正的差异，是从管理咨询、信息化落地、AI学习科普和专家智能体实践中，形成了一套专家能力工程化的方法。
>
> 我们能帮助客户判断该不该做AI、先做什么AI、怎么抽取专家经验、怎么验证智能流、怎么进入系统、怎么持续校准。
>
> 这不是普通软件公司加一个大模型接口能完成的，也不是客户买一个平台就自动拥有的。”

---

## 九、我们的商业差异是否成立

结论：

> **成立，但不是天然成立。
> 它必须通过案例、工具、流程、评测和团队复制能力来证明。**

现在我们的差异有基础，但还需要继续产品化、证据化、标准化。

---

### 9.1 已经成立的部分

目前我们已经具备几个条件：

1. **有长期AI学习和写作积累。**
   已经形成上百万字内容，包含认知科学、AI开发方法论、商业、生产、管理、经营等方向。

2. **有AI科普和培训经验。**
   已整理近千页PPT，做过大量正式讲座和培训。

3. **有企业管理咨询背景。**
   能理解客户组织、管理、业务和老板视角。

4. **有信息化系统落地背景。**
   知道系统如何进入企业流程，不只是讲概念。

5. **有专家智能体实践。**
   已经打造并使用销售会前分析、会后复盘、组织画像、人员画像、“魏征”等智能体。

6. **有方法论抽象。**
   HiFi Agent Studio 已经将专家型Agentic系统建设提炼为方法论纲领，包括QPI定性、思想考古、CCPE、相互校准、过程即数据、绿野仙踪协议、实测去魅等关键纪律。

7. **有团队分工雏形。**
   包括学者型首席专家、客户经营负责人、AI业务工程师、项目经理、技术工程底座、维护团队。

这些使我们有资格回答“为什么是我们”。

---

### 9.2 还没有完全成立的部分

但我们还不能自满。

目前仍需要补齐：

1. **可展示案例。**
   客户看到的不是方法论，而是结果。

2. **可复用模板。**
   方法论必须变成销售和交付能用的工具。

3. **可量化成果。**
   不能只说“效果不错”，要有采纳率、返工率、节省时间、专家评分等证据。

4. **可复制团队能力。**
   不能所有专家智能体都必须由我本人打造。

5. **可演示样板。**
   要有几个能现场演示的专家智能体样板。

6. **可交付产品包。**
   培训、顾问、诊断、试点、系统建设要形成清楚路径。

7. **可回答反驳。**
   客户问“我为什么不自己用平台”“为什么不找便宜开发公司”，销售必须能答。

所以，我们的商业差异不是靠口号成立，而是靠后续资产沉淀成立。

---

## 十、自检清单：我们有没有资格说“为什么是我们”

> 这一部分是销售工具的前身。
> 后续需要补案例、成果、样板和证明材料。
> 每一项都可以继续整理成销售话术、案例页、PPT页或客户问答。

---

### 10.1 定位自检

| 自检问题                      | 当前状态  | 待补材料       |
| ------------------------- | ----- | ---------- |
| 我们是否清楚自己不是卖普通AI工具？        | 已明确   | 形成一句话定位    |
| 我们是否能说清“专家智能体”与普通AI助手的区别？ | 已初步明确 | 整理对比图      |
| 我们是否能解释“专家能力工程化”？         | 已初步明确 | 整理客户能听懂的版本 |
| 我们是否明确不做什么？               | 需要强化  | 制定不适合客户清单  |
| 我们是否能说明适合我们的客户类型？         | 已初步明确 | 整理客户画像     |

---

### 10.2 平台差异自检

| 自检问题                   | 当前状态 | 待补材料         |
| ---------------------- | ---- | ------------ |
| 我们是否能说明平台解决什么？         | 已明确  | 整理平台能力地图     |
| 我们是否能说明平台不解决什么？        | 已明确  | 整理“平台之外的问题”  |
| 我们是否避免贬低平台？            | 需要培训 | 销售话术训练       |
| 我们是否能解释“平台是工具，我们做建模”？  | 已明确  | 做成标准话术       |
| 我们是否有基于平台但超越平台的案例？     | 待整理  | 项目案例、内部智能体样板 |
| 客户问“我自己用平台不行吗”，销售能否回答？ | 需要训练 | 客户问答库        |

---

### 10.3 AI开发公司差异自检

| 自检问题                        | 当前状态  | 待补材料        |
| --------------------------- | ----- | ----------- |
| 我们是否能区分软件公司转AI、AI外包、平台实施商？  | 已初步明确 | 竞品分类表       |
| 我们是否能说明“单智能体调用”为什么不等于专家智能体？ | 已明确   | 做成对比案例      |
| 我们是否能说明“提示词工程”与“专家模型抽取”的区别？ | 需要产品化 | 示例：同一场景两种做法 |
| 我们是否能说明“功能开发”与“专家能力工程化”的区别？ | 已明确   | 流程对比图       |
| 我们是否有比普通开发更深的样板？            | 待整理   | 专家智能体演示     |
| 客户问“别的公司也能做AI”，销售能否回答？      | 需要训练  | 标准话术        |

---

### 10.4 方法论自检

| 自检问题                        | 当前状态 | 待补材料            |
| --------------------------- | ---- | --------------- |
| QPI定性是否能用于真实客户场景？           | 已有方法 | 做3-5个案例         |
| 思想考古是否能抽取专家经验？              | 已有方法 | 做专家访谈模板         |
| CCPE/CCPE System是否能转化为交付规范？ | 已有底稿 | 整理简化版规范         |
| 绿野仙踪协议是否能在客户项目中执行？          | 已有原则 | 设计试点流程          |
| 过程即数据是否有采集机制？               | 已有理念 | 设计反馈表、修正记录模板    |
| 相互校准是否能降低客户使用门槛？            | 已有方法 | 设计反馈槽模板         |
| 实测去魅是否有评测表？                 | 需要补齐 | 专家评分、采纳率、返工率等指标 |
| “不仅做对，还要好改”是否能落到产品？         | 需要强化 | 修正入口、反馈机制、版本记录  |

---

### 10.5 案例自检

| 自检问题                  | 当前状态 | 待补材料   |
| --------------------- | ---- | ------ |
| 我们有哪些已经打造的内部智能体？      | 已有   | 整理清单   |
| 哪些智能体已经改变了我们的工作流？     | 已有   | 整理前后对比 |
| 哪些智能体可以对客户演示？         | 待筛选  | 演示版本   |
| 哪些客户项目能证明我们的能力？       | 待整理  | 案例脱敏   |
| 哪些失败或踩坑案例能证明我们的判断力？   | 待整理  | 失败案例库  |
| 哪些案例能说明平台做不到或客户自己做不好？ | 待整理  | 对比案例   |
| 哪些案例能说明普通开发只做了表层？     | 待整理  | 竞品替代分析 |

---

### 10.6 成果自检

| 自检问题                  | 当前状态 | 待补材料      |
| --------------------- | ---- | --------- |
| 我们有没有节省时间的数据？         | 待整理  | 单次任务耗时对比  |
| 有没有减少返工的数据？           | 待整理  | 返工率对比     |
| 有没有专家评分？              | 待整理  | 专家评价表     |
| 有没有客户采纳率？             | 待整理  | 输出采纳记录    |
| 有没有使用频率？              | 待整理  | 调用记录      |
| 有没有纠错后改善证据？           | 待整理  | 版本迭代记录    |
| 有没有从培训转顾问/试点/系统的转化证据？ | 待整理  | 销售漏斗数据    |
| 有没有客户复购或持续使用证据？       | 待整理  | 客户续费和复购记录 |

---

### 10.7 团队复制能力自检

| 自检问题           | 当前状态 | 待补材料      |
| -------------- | ---- | --------- |
| 是否只有我能做专家智能体？  | 风险存在 | 训练AI业务工程师 |
| 销售能否完成会前AI分析？  | 培训中  | 会前模板      |
| 销售能否完成会后复盘？    | 培训中  | 复盘模板      |
| 是否有人能做QPI初筛？   | 待培养  | QPI判断表    |
| 是否有人能做专家访谈？    | 待培养  | 专家访谈SOP   |
| 是否有人能做智能体初版封装？ | 待培养  | CCPE简化模板  |
| 是否有人能做评测样本设计？  | 待培养  | 评测模板      |
| 是否有人能做客户反馈转译？  | 待培养  | 反馈槽模板     |
| 技术团队是否能承接工程化？  | 已有基础 | 项目交接规范    |

---

### 10.8 销售话术自检

| 客户问题                            | 我们是否有标准回答 | 待补材料       |
| ------------------------------- | --------- | ---------- |
| 你们和平台有什么区别？                     | 已有初版      | 标准话术卡      |
| 我为什么不用Dify/Coze/Copilot Studio？ | 已有初版      | 问答库        |
| 别的AI公司也能做，你们有什么不同？              | 已有初版      | 对比页        |
| 你们是不是就是写提示词？                    | 已有初版      | 专家模型示例     |
| 专家智能体和知识库问答有什么区别？               | 已有初版      | 对比演示       |
| 你们怎么保证效果？                       | 需要强化      | 评测体系       |
| AI错了怎么办？                        | 已有方法      | 校准机制说明     |
| 你们多久能做出来？                       | 需要产品化     | 诊断/试点/系统周期 |
| 多少钱？                            | 待整理       | 报价体系       |
| 哪些客户不适合做？                       | 已有原则      | 不适合清单      |

---

## 十一、后续要整理成销售工具的材料

这份文档只是“为什么是我们”的立场文件。

后续要整理成真正可使用的销售工具，至少需要以下材料。

---

### 11.1 一页纸定位

内容包括：

* 我们是谁。
* 我们做什么。
* 我们不做什么。
* 我们适合什么客户。
* 客户为什么选我们。
* 一句话差异。

---

### 11.2 平台差异对比页

内容包括：

| 对比项  | 大模型/Agent平台     | 我们                  |
| ---- | --------------- | ------------------- |
| 核心能力 | 模型、工具、工作流、发布    | 场景诊断、专家模型、业务转译、校准落地 |
| 解决问题 | 怎么搭             | 该搭什么、为什么这样搭         |
| 适合场景 | 通用问答、流程自动化、工具调用 | 专家经验、业务判断、复杂组织场景    |
| 交付重点 | 平台能力            | 专家智能体与落地闭环          |
| 风险   | 工具有了但没人用        | 先验证价值再系统化           |

---

### 11.3 AI开发公司差异对比页

内容包括：

| 对比项  | 普通AI开发公司         | 我们               |
| ---- | ---------------- | ---------------- |
| 出发点  | 客户需求/功能清单        | 业务困惑/专家能力        |
| 核心动作 | 写Prompt、接模型、做工作流 | QPI定性、专家抽取、智能流验证 |
| 交付物  | AI功能、知识库、机器人     | 专家智能体、校准机制、业务闭环  |
| 成功标准 | 能跑、能回答           | 能用、好改、可持续校准      |
| 失败风险 | 演示好、落地弱          | 通过前置诊断降低失败       |

---

### 11.4 专家智能体样板库

至少准备三类：

#### 内部销售类

* 客户背景分析智能体。
* 谈判前策略智能体。
* 会后复盘智能体。
* 组织画像智能体。
* 人员画像智能体。
* “魏征”智能体。

#### 管理咨询类

* 企业AI就绪度诊断顾问。
* 智能化场景筛选顾问。
* 管理问题诊断顾问。
* 项目风险复盘顾问。

#### 行业场景类

* 教案优化顾问。
* 销售拜访策略参谋。
* 生产异常复盘顾问。
* 客服质检专家。
* 老员工经验传承教练。

---

### 11.5 案例页

每个案例建议统一结构：

```text
客户背景
  ↓
原始问题
  ↓
为什么不是简单平台问题
  ↓
专家经验在哪里
  ↓
我们如何抽取模型
  ↓
如何做智能体
  ↓
如何验证
  ↓
效果如何
  ↓
客户如何持续使用
  ↓
沉淀了什么资产
```

---

### 11.6 评测页

要回答客户最现实的问题：

> 你怎么证明这个智能体有用？

可以设计以下指标：

| 指标      | 说明                     |
| ------- | ---------------------- |
| 专家相似度   | 输出是否接近专家判断             |
| 输出采纳率   | 用户是否直接采用               |
| 返工率     | 输出需要修改多少               |
| 节省时间    | 与人工原流程相比节省多少时间         |
| 纠错闭环率   | 用户反馈后是否进入后续优化          |
| 边界识别能力  | 能否识别不能回答、不能执行、需人工判断的情况 |
| 业务流程嵌入度 | 是否真的进入客户流程             |
| 使用频率    | 是否持续被使用                |
| 客户满意度   | 客户是否认可价值               |
| 复购/续费   | 是否带来持续合作               |

---

## 十二、我们最适合做什么客户

### 12.1 最适合的客户

我们最适合服务的客户有这些特征：

1. 老板或高层真正重视AI。
2. 企业有一定信息化基础。
3. 企业有数据、资料、流程或知识积累。
4. 企业存在高专家密度岗位。
5. 企业有老员工经验难传承的问题。
6. 企业有复杂业务判断场景。
7. 企业愿意让专家参与共创。
8. 企业愿意从培训、顾问、试点逐步推进。
9. 企业不只是想买工具，而是想提高组织能力。
10. 企业愿意接受“AI需要持续校准”这个事实。

---

### 12.2 不适合我们的客户

以下客户要谨慎：

1. 只想免费听课。
2. 只想套方案。
3. 只比价格。
4. 认为AI可以立刻替代大量员工。
5. 不愿意提供业务资料。
6. 不愿意让专家参与。
7. 没有项目负责人。
8. 没有预算意识。
9. 信息化基础极弱，又想直接智能化。
10. 老板热、中层冷、员工抗拒严重。
11. 只想做演示，不考虑落地。
12. 要求AI承担不可承担的最终责任。
13. 不接受试点验证，只想一步到位。

一句话：

> **我们宁可少做项目，也不能做错项目。**

---

## 十三、最终版本：客户为什么选择我们

可以作为未来销售材料中的正式表达。

---

### 为什么选择我们？

现在市场上已经有很多大模型、Agent平台和AI开发公司。它们可以提供模型、知识库、工作流、插件、低代码开发和系统集成。这些能力很重要，我们也会使用这些能力。

但企业智能化真正困难的地方，往往不在工具层，而在业务深水区。

客户真正面对的问题是：

* 不知道哪些场景值得做AI。
* 不知道自己的信息化和数据基础是否足够。
* 不知道专家经验如何抽取。
* 不知道业务规则如何转译成AI可以执行的结构。
* 不知道AI出错后如何纠正。
* 不知道如何让AI进入真实流程。
* 不知道哪些事情可以自动化，哪些必须保留人工裁决。
* 不知道如何把一次AI尝试变成长期智能资产。

我们的核心能力，就是解决这些问题。

我们专注于打造专家智能体。所谓专家智能体，不是普通聊天机器人，也不是简单知识库问答，而是具有明确岗位职责、专家判断能力、业务边界、校准机制和流程接口的数字员工。

我们的差异在于：

1. **我们先做场景诊断，再做开发。**
   避免把复杂组织问题粗暴做成简单AI工具。

2. **我们先抽取专家模型，再封装智能体。**
   把专家的经验、判断、规则、反例和边界显性化，而不是简单堆资料、写Prompt。

3. **我们先验证智能流，再投入系统建设。**
   用低成本试点确认价值，避免一上来重投入、重开发。

4. **我们不仅追求AI能回答，还追求AI好纠正。**
   专家智能体必须可解释、可反馈、可校准、可追踪，不能是一锤子买卖的黑盒。

5. **我们能完成培训、顾问、试点、系统建设的闭环。**
   既能统一客户AI认知，也能梳理业务场景、抽取专家经验、构建智能体，并最终接入信息化和智能化系统。

所以，客户选择我们，不是因为我们有比大厂更大的平台，也不是因为我们比所有开发公司都便宜，而是因为：

> **我们知道怎样把企业里的专家经验、业务流程和组织判断，变成真正可运行、可校准、可落地的专家智能体。**

简单AI工具，客户可以自己做。
复杂专家智能体，才是我们该做的事。

---

## 十四、最后一句内部共识

销售团队需要记住：

> **我们不是去和平台抢工具，不是去和外包公司拼低价，也不是去证明我们什么AI都能做。
> 我们要证明的是：当客户的问题进入专家经验、业务判断、组织协同和系统落地的深水区时，我们比单纯平台、普通AI开发和传统软件转型团队，更知道该怎么把它做成。**

这就是“为什么是我们”。