从上手 AI，到搭出你所在行业的智能体矩阵

先把 WorkBuddy 用起来

前面几篇讲的是"为什么要有个人智能系统"。这一篇不谈理念，只谈怎么把 WorkBuddy 真正跑起来——装好、建第一个任务、装上 Skill、召唤专家团、让任务自动跑。读完这一篇，你应该已经能让 AI 帮你干第一件实事。

WorkBuddy 不是聊天机器人，而是一套能跑任务、编排 Agent、沉淀记忆的运行环境。它有三个入口层次：

• 新建任务：给一句话目标，它自己拆解、调工具、出产物；
• 专家 / 专家团：把某类问题交给"有岗位经验的专业 AI 同事"；
• 自动化：把每周、每天重复的事，定好规则让它自己跑。

三个模式：先认准 Craft

每次新建任务都要选模式，默认是 Craft（你说我做），另外两个是 Ask（只聊不动手）和 Plan（先出方案再干）。新手前期一律用 Craft，先把一件事跑通，再谈别的。

工作目录与授权：第一次要先演练

WorkBuddy 按文件夹授权、对高危操作会拦截。第一次操作请先在演练目录里试，留意它请求的授权范围；处理真实业务数据前，确认清楚再放行。这是它能放心接手你工作的前提。

模型可以换

不同模型积分消耗不同、擅长不同。简单整理用轻量模型，复杂研究用强模型。不用纠结，先跑起来，后面再调。

快速跑通你的第一个任务

别想"训练一个全能 AI"。先完成一件能验收的小事。WorkBuddy 的飞轮，就是从"一次成功"转起来的。

建一个任务的五步

1. 点「新建任务」；
2. 选或建一个独立工作目录（首次在演练目录先试）；
3. 选模式，默认 Craft；
4. 选模型；
5. 写任务说明，发送后看它拆解、调工具、改文件，最后在结果区验收产物。

任务说明的五个要素

三个可以立刻试的入门任务

装上你的第一个 Skill

Skill 是"做法"，Prompt 是"任务"。当你发现自己在反复交代同一套要求，就该把它固化成一个 Skill。

WorkBuddy 本身负责理解任务、组织执行； Skill 是一组可复用的说明、脚本、参考资料，告诉 Agent 某类任务该怎么做、调什么工具、交什么格式。 它最关键的设计是渐进式披露： 启动时只看名称+描述（几十 Token），用到了才加载完整内容，需要时才读脚本——所以装 100 个 Skill 也不会撑爆上下文。

Skill 与 Prompt、专家的区别

怎么找到并装上

• 左侧「专家·技能·连接器」→ 技能市场搜索，或"查找技能"描述需求；

• 也可以导入自己下载的 zip 技能包（点「上传技能」）；

• 用时输入 / 唤起，引用 Skill 内容即可；

• 不用的在「我安装的」里关闭，或「···」删除、编辑。

例如你常让 AI 写文章又总说"别太 AI 味"，不如装一个「文章去 AI 味」Skill：写文章后引用它，它会按规则去除"不是而是""双引号"等 AI 痕迹。重复的要求，都该变成 Skill。

召唤专家，再召唤专家团

通用 WorkBuddy 是"什么都能接的 AI 同事"；专家是"有明确岗位和专业经验的 AI 同事"；专家团是"多位专家协作、团长自动拆解汇总"的团队。

四者怎么选

怎么召唤

1. 打开「专家·技能·连接器」→「专家」→「召唤专家」，给任务内容即可；
2. 「我的专家」里可创建自己的专家（如公众号创作专家），生成后测试；
3. 需要多角色协作时，选「专家团」→「召唤」，把背景、需求、预期成果告诉团长，它自动拆解、分配、汇总。

本书的"个人 AI 参谋部"就是一支五人专家团：研究主编定问题、数据质量师怀疑数据、趋势分析师找变化、反证审查师挑战结论、内容策略师做行动转化。你不用每次重新解释方法论，换一个关键词（如"AI 招聘"）直接调用同一支团即可。

让任务自己跑：配置第一个自动化

真正耗人的，是每天打开同样的页面、收集相似信息、整理成同一种格式、发给同一批人。把这些"时间固定、步骤相似、结果可检查"的活，交给自动化。

稳定运行的五个要素

• 明确的触发时间；
• 可重复的输入来源；
• 足够具体的 Prompt；
• 固定且受控的工作目录；
• 能判断成败的验收条件。

从一句想法到可运行任务

创建前，先把口头需求改写成小型任务说明。一个可靠 Prompt 至少回答：何时执行、读什么、怎么处理、输出到哪、怎么算完成、失败怎么办、哪些禁止执行。

任务名称：每日 AI 行业简报
触发时间：每天 08:00，时区 Asia/Shanghai
工作目录：automation/ai-daily
输入：检索过去 24 小时 AI 产品/模型/行业新闻，仅用可访问并保留链接的公开来源
处理：合并重复、按产品/技术/商业三类整理；每条含标题、100字摘要、来源、时间、链接；无法确认的放"待核验"，不编造
输出：保存为 YYYY-MM-DD-ai-daily.md，正文最多 10 条，附来源清单

在 WorkBuddy 打开「自动化」→「添加」，填名称、工作空间、提示词、模型与技能、定时规则（先低频试运行），可选择完成后推送到小程序。官方模板覆盖新闻推送、周报、学习计划等，选了也要改数据来源、时间范围、验收标准和禁止动作。

自定义模型：选对引擎，省积分、出好活

b1 里提了一句"模型可以换"，但这一步值得单拿出来讲透——因为你每天在 WorkBuddy 里的积分消耗、响应速度、结果质量，很大程度上取决于你给任务配了什么模型。配对了，同样的活花一半积分、快一倍出来；配错了，要么烧积分，要么能力不够干砸了。

为什么要换模型

不同模型的能力范围和计费不同。把所有任务都扔给最强模型，就像出门买个菜开重型卡车——能用，但浪费。反过来，把写财报的活交给最轻的模型，它可能连表格都排不好。WorkBuddy 的模型选择器让你按任务难度匹配合适的模型，该省省、该花花。

怎么选：三条经验法则

在哪里改

两个地方可以切模型：

• 任务级：新建任务时，底部模型选择器直接切——只影响这一个任务，不改变全局设置；
• 专家 / 自动化级：创建专家或配置自动化时指定模型——每次这个专家出场或自动化触发，都走你指定的模型，不用每次手动选。

日常任务建议固定一个标准模型当默认；只有遇到特别难或特别简单的活，再临时切。这样新手不用每次都纠结。

自定义模型（进阶）

除了内置模型，WorkBuddy 也支持接入自定义模型（如通过 OpenAI 兼容接口接 DeepSeek、通义千问、本地 Ollama 等）。 路径：设置 → 模型管理 → 添加自定义模型，填 API 地址、Key、模型名。接好后，任务级和专家级都能选到。 配置模型2种方式 第一种

输入地址 apikey 模型名称 比如智谱的coding plan:

适合接自定义模型的场景：

• 省钱：自己有 API 额度（如 DeepSeek），比平台计费便宜；
• 隐私：接本地 Ollama，敏感数据不出机器；
• 能力互补：某些模型在中文、代码或特定领域更强，按场景接进来。

让 WorkBuddy 越用越好用的 10 个技巧

前面六步帮你把 WorkBuddy 跑起来了。但"能用"和"好用"之间，差着一层窗户纸。这一节是我在长期使用中（结合 WorkBuddy 产品经理 Anne 的直播分享）整理出来的 10 个高频技巧——每一条都是踩过坑才悟出来的，照着调一遍，你的 WorkBuddy 体验会明显提一档。

① 看住上下文用量：右下角的小圈圈

对话框右下角有一个灰色小圈，点开能看到当前会话的上下文用量——已用多少 token、模型窗口上限多少、系统提示词/工具/对话各占多少。产品经理 Anne 给的建议：圈圈用量最好控制在一半左右。超过一半，就该考虑压缩上下文或新开任务了。

② 增强提示词：写不清楚就让 AI 帮你改

对话框右下角有个小闪光图标，是"增强提示词"功能。如果你觉得自己写的指令啰嗦、有歧义、抓不住重点，点一下，AI 会帮你改写得更干净、更聚焦、更少废话。别纠结遣词造句了，把注意力放回"你要 AI 帮你做什么"。

③ 只聊思路就切 Ask 模式

有时候你只是想跟 AI 聊聊思路，不想让它改文件。这时切到 Ask（仅问答）模式——它不加载执行和编辑相关的工具，省掉一部分固定上下文开销，模型也更专注于分析和讨论。适合梳理选题、讨论方案、找灵感、在正式执行前明确需求。

④ 技能别装太多，每个都在吃上下文

还记得第三步装 Skill 吗？Skill 装得越多，模型光"读懂你装了什么"就要吃掉一大块窗口，而且更容易选错技能。实用做法：长期不用的技能先关掉（不用删，关掉就行），需要时再打开。技能是可以随时开关的。

⑤ Max 模式：什么时候开，什么时候关

模型选择下拉顶部有个 Max 开关。打开 Max：不压缩，保留完整上下文，适合需要频繁引用之前讨论的复杂任务；关闭 Max：WorkBuddy 会在某个时机自动帮你压缩，省窗口也省积分。简单说——复杂任务开 Max，日常任务关 Max。

⑥ /compact：一条指令手动压缩上下文

对话太长、模型开始变慢变笨，又不想开新会话？直接在对话框发一条 /compact。WorkBuddy 会把当前上下文交给模型主动压缩——总结前面聊过的、替换掉原始对话、腾出窗口继续跑。但压缩不是完全无损的，复杂任务压缩前最好先让 Agent 整理一份"任务检查点"（目标、已完成、约束、改过的文件、下一步），写入工作空间文件后再压缩。

⑦ 一个会话里别频繁切模型

这条跟上一节（自定义模型）有关联。同一对话里频繁切模型，性能会下降——一是缓存失效，二是不同模型上下文窗口不同，从小窗口模型切回来可能触发裁剪。推荐做法：同一任务用同一模型跑完；一定要切就先 /compact 再切；想试不同模型就在同工作空间开新会话。

⑧ 什么时候开新会话

Anne 给了两条标准。该开新会话的信号：上下文圈快满了、模型反复出错陷入死循环、两件事没有关联（比如刚在调研，突然想聊别的）。该留原会话的信号：同一个任务的连续追问、前面的文件和状态需要延续。记住：新会话最好开在同一个工作空间里，项目文件和背景资料照样能读到。

⑨ 记忆 vs 个性化：别搞混

设置里有两个容易混淆的入口。记忆是 WorkBuddy 每晚自动从你的对话里提取的长期偏好（你的专业背景、工作习惯、表达偏好），不用手动管。个性化是你主动设置的——回复风格（专业严谨/亲和友善/直言不讳）、自定义指令、是否显示过程详情。一个是自动攒的画像，一个是手动设的偏好，搞混了用起来会很别扭。

⑩ 从其他 AI 迁移记忆

如果你之前长期用 ChatGPT、Claude 等其他 AI，积累了不少偏好，不必在 WorkBuddy 从头磨合。WorkBuddy 提供了迁移提示词——复制到原来的 AI 里让它整理一份"关于你的记忆总结"，检查无误后导入 WorkBuddy 即可。原本需要长期磨合的用户画像，两次复制粘贴就能完成初步迁移。

1.2.1 信息爆炸里的个人困境

做内容做久了，最怕的不是不会写，而是坐下来不知道该写什么。这句话看起来只是创作者的小烦恼，但顺着它往下追，追出的东西比「下一篇写什么」大得多。

AI 相关的信息每天都在爆炸。新模型、新工具、新概念轮番出现，抖音、小红书、微博上到处都是「必学」「颠覆」「普通人机会」。看得越多，反而越难判断：什么只是当天的热闹？什么正在变成真实需求？什么值得连续研究半年，而不是跟着写一篇就结束？

企业有情报部，个人只能刷热榜

一个被忽略的事实：企业为什么会有市场研究部、战略规划部、竞争情报部、用户研究部？不是因为人多管不过来，而是企业早就知道——谁先看见变化，谁就拥有战略优势。所以企业愿意养一整支队伍，专门盯着市场、判断趋势、研究对手、理解用户。

而过去一个普通人靠什么感知环境？刷公众号、看热榜、翻朋友圈、听行业分享。本质上都是被动接收。你看到的是别人想让你看到的，而且永远是滞后的、碎片的、被算法喂过来的。这不是情报，这是投喂。

AI 时代，一个人第一次有机会改变这件事：把被动接收，变成主动感知。

1.2.2 三层认知升级

一旦开始用 AI 做研究，而不是只让 AI 写东西，认知会自然经历三层升级。这不是概念包装，而是实践中一步一步发生的。

第一层：从「内容生产」到「个人战略感知系统」

最初我以为自己在找选题。其实真正发生的事是：我在搭一个属于个人的战略情报中台。它干的事，和企业情报部门高度同构——持续采集外部信号、区分热闹和真实需求、把信号连成趋势、挑战自己的结论、把判断转成行动。

这对应一个人的新能力模型，我把它叫做「认知操作系统」：

第二层：从「信息差」到「认知差」

互联网时代，大家卷信息差——谁知道更多谁占优势，所以人人收藏报告、PPT、课程。但 AI 时代，信息差正在快速消失：所有人都能问 AI，都能拿到一份看起来很全的答案。真正稀缺的，不再是你知道多少，而是你提出了什么问题、如何判断答案值不值得信。

第三层：从「AI 工具使用者」到「AI 增强型个体」

很多人学 AI 分三阶段：会不会用 ChatGPT、会不会搭 Agent、能不能让 AI 持续增强自己的能力。这本书展示的是第三阶段。区别看闭环：

1.2.3 个人 AI 参谋部

企业老板身边有战略、市场、投资部门，是一整个参谋部。未来一个人身边也会有一组 Agent：趋势研究员发现机会、信息分析判断真伪、内容策划负责实验、学习教练补齐能力、决策顾问给出建议。一个人加一组 Agent，就是一个微型组织。

这套系统最初由五个角色开始，它们不是一个写作团队，而是一套认知分工：

这五个动作，后面会固定成「趋势研究专家团」的五位成员。现在先记住一句话：真正有价值的，不是 WorkBuddy 这个工具，而是它背后那次个人智能基础设施的升级。没有它，方法是一次性的灵感；有了它，方法变成可以积累、复用、进化的系统。

2.1.1 为什么需要趋势雷达

一次采集只能叫「趋势信号」，连续多次采集、对比变化，才能叫「趋势」。

很多人做完一次数据抓取，就迫不及待宣布「XX 是趋势」。但一次采集只能说明「今天大家在讨论什么」，不能说明「这个方向正在增长、可持续、值得长期投入」。要回答后者，需要按周或按月重复采集同一关键词，保存时间快照，再比较增长、持续和跨平台扩散。

2.1.2 工具层：四层流水线

支撑这套研究的工具并不复杂。重点是把一次性的 AI 使用，变成一条可以重复运行、积累历史、持续校正的研究流程。它由四层组成：

2.1.3 过程层：一次研究怎么跑

研究跑起来，可以压缩成一条清晰的流水线。下面是用 WorkBuddy 陪跑一次真实研究的 9 步：

1. 定口径：搜哪个词、哪个平台、什么时间窗口、采多少条。
2. 采集：MediaCrawler 跑抖音、小红书、微博，拿到原始 Excel 和日志。
3. 清洗：去重、识别广告引流、统一字段、把「10万+」这类中文互动量转成数字。
4. 大盘：看工具、场景、痛点和平台差异。
5. 图谱：把信号连成关系网，找中心节点。
6. 深度洞察：算供需错位和机会评分。
7. 校验：检查数据质量（如微博被拦、数据误选），不能直接信的部分标出来。
8. 判断：区分这是热点、趋势，还是值得长期研究的方向。
9. 沉淀：把结果存成时间快照，供下一次对比。

我不是在用 AI 写文章，而是在用 AI 做研究。

2.1.4 真实案例：搜「AI」三平台

这套系统的第一个任务，是研究三大平台上的「AI」。下面是所有结论的实盘数据，不是设想。

数据底盘

工具提及 Top

评论痛点 Top（用户真实卡点）

核心洞察

如果把评论放进来，画面完全不同。用户高频问题是求模板、学习门槛、选择困难、岗位焦虑——这说明用户真正缺的不是又一篇模型能力介绍，而是：这东西怎么进入我的工作？我该从哪个任务开始？有没有可复用流程？小白能不能完成？

热度在工具，需求在工作流。

关系图谱最后形成了 38 个节点、78 条关系，第一次让我看清这些信号不是散点，而是一张网。同一个 AI Agent，在抖音可以被表达成效率结果，在小红书可以被表达成「替我上班」的工作流，在微博则被讨论为岗位替代和行业变化。所以跨平台内容不能只改标题和字数，真正要改的是问题入口。

内容机会排序（综合评分）

2.2.1 为什么 AI 需要角色分工

真实研究最难的，从来不是生成报告，而是定义问题、判断证据、挑战结论。

一开始我也想得很简单：把数据交给 AI，让它总结一下趋势。很快发现这样做不可靠。AI 在真实研究里容易犯三个错误：

所以我没有做一个万能 Agent，而是把研究拆给五个角色。下面逐一说明每个角色解决什么研究问题。

2.2.2 研究主编：定义问题

他决定研究什么、时间范围多大、搜哪些平台、什么结果才算有意义。没有这一步，采集越多，噪声越大。研究主编是整套系统的起点，也是防止「为了分析而分析」的守门人。

2.2.3 数据质量师：怀疑数据

他检查采集口径是否一致、样本是否重复、平台有没有拦截、结论能不能追溯到原始内容。他最重要的产出，不是告诉我「发现了什么」，而是告诉我「哪些结论现在还不能下」。

2.2.4 趋势分析师：寻找变化

他不只统计什么词出现得多，而是比较这些信号是否持续、是否从一个平台扩散到多个平台、用户问题是否反复出现、内容供给有没有跟上需求。趋势分析师把「一张快照」变成「一条曲线」。

2.2.5 反证审查师：挑战结论

某个话题突然爆发，可能是事件刺激，也可能是平台推荐、投流或账号矩阵。点赞多不等于用户会行动，评论热闹也不等于存在长期需求。这个角色存在的意义，是防止五个 Agent 最后变成「趋势吹捧团」。

2.2.6 内容策略师：行动转化

不是每个趋势都适合我。她会继续判断：这个方向和我的经历、能力、案例能不能接上？适合做一篇快内容，还是值得形成栏目、课程或长期研究主题？下一步应该用什么内容去验证？

2.2.7 专家团如何从流程里长出来

这五个角色，不是拍脑袋设计的，而是研究跑着跑着，发现每一步都在遇到不同问题，于是把重复出现的认知动作固化成了五个 Agent：

最终通过 WorkBuddy 的 expert-manager 技能，把这套设计落成「趋势研究与内容机会专家团」（Team 型），并完成校验、注册与打包。它不是一个一次性答案机器，而是一套会积累的个人研究系统——换一个关键词（如「AI 办公」「AI 招聘」），不用从零开始。

2.3.1 WorkBuddy 底座层：让系统跑起来的五个能力

前面讲的角色分工、研究流程、专家团，如果没有一个底座，就只是一堆想法。让这套系统真正跑起来的底座，是一个叫 WorkBuddy 的 AI 工作台。

它不是一个聊天机器人，而是一套能跑任务、能编排 Agent、能沉淀记忆的运行环境。前面那五位角色、那 9 步研究流程、那支专家团，全都是架在它上面的。我把它拆成五个能力来理解——这五个能力共同决定了"个人智能系统"能不能从 PPT 里走出来、真正运转。

① 专家角色（Expert）：把方法论固化成人

前面那五位角色——研究主编、数据质量师、趋势分析师、反证审查师、内容策略师——在 WorkBuddy 里不是聊天时临时喊出来的，而是通过「专家」机制注册好的独立角色。每个专家有自己的定位、知识边界和判断标准。换一个关键词（如「AI 招聘」），直接调用同一组专家即可，不用每次重新解释方法论。这就是"方法变成系统"最关键的一步：方法论不再只住在我脑子里，而是住在工具里。

② Skill 编排：把重复动作封装成可复用能力

专家要做的事，很多是重复的——采集、清洗、评分、生成图谱、写周报。这些动作被封装成 Skill（技能）。比如 expert-manager 技能负责把专家团创建、校验、注册、打包；数据分析脚本被封装成可一键运行的 skill。WorkBuddy 在需要的时候自动调用对应 skill，专家只负责判断，不负责重复劳动。这也是为什么这套系统能"换关键词就跑"，而不是每次推倒重来。

③ Agent Loop：任务不是一句话，是一个循环

WorkBuddy 不是"你说一句、它回一句"。它跑的是 Agent Loop——接到任务后，自己拆解步骤、调用工具、读取文件、执行命令、检查结果、必要时继续下一步，直到任务完成。前面那 9 步研究流程，就是由 Agent Loop 一步步跑完的：采集 → 清洗 → 大盘 → 图谱 → 洞察 → 校验 → 判断 → 沉淀。你给目标，它自己干活；中间卡住了，它自己想办法或回头问你。

④ 部署上线：产出物直接变成可访问的网站

研究结论、绿皮书、周报，做完不是存在本地硬盘。WorkBuddy 配套的 CloudStudio 能把静态成果一键部署成公开链接；本书实际走的是 Cloudflare Pages，同样断网可开、自带 SSL。你正在看的这个页面，就是生成后直接部署的——这也意味着你的研究资产是"活的"：能分享、能被访问、能持续更新，而不是一篇写完就沉底的文档。

⑤ 记忆系统：跨会话积累认知

最重要的能力，是记忆。WorkBuddy 有三层记忆：会话内的即时上下文、用户级长期记忆（你的偏好和习惯）、项目级记忆（这个研究项目的进展和结论）。上一轮研究发现的"微博评论接口会被拦截"，下一轮自动规避；你倾向于"第一人称实践叙事"的写作风格，下次直接沿用。系统不是每次从零开始，而是越用越懂事。

2.3.2 时间快照与趋势判断

判断一个方向是不是趋势，我看四件事：

• 时间上是不是持续出现；
• 是不是从单一平台扩散到多个平台；
• 用户的问题是不是反复出现；
• 有没有真实行为（使用、学习、咨询、购买）跟着发生。

具体打分，我用一套透明模型（分数不是终点，每个分数背后的证据和反证才是）：

2.3.3 内容实验与反馈回流

趋势判断最终要回到真实内容。每次从系统选出一个方向，都应记录：发布了什么、面向哪个平台、用了什么表达、阅读/收藏/评论/转发如何、是否产生私信或合作、用户又提出了什么新问题。

平台数据只能说明市场可能需要什么；自有内容反馈才能说明这个方向是否适合你。

最容易被忽略的是最后两步：趋势不是分析完就结束，要用行动去验证；行动也不是结束，要把反馈回去，反过来修正判断。

2.3.4 研究方向生命周期

每个方向不要只有一个排名，而要有状态，让系统输出「这个方向现在处于什么阶段，我应该做什么动作」：

2.3.5 个人 AI 参谋部运行闭环

整套系统跑起来是这样的：

2.4.1 系列路线图

这本绿皮书是《AI 时代个人智能系统》系列的第一本。后续沿这条线展开：

2.4.2 组织智能飞轮

这套个人系统，并不止于个人。它和更大的演进线一致：

过去，战略判断是一种组织能力；未来，它可能成为一种个人能力。当每个人都有自己的智能系统，竞争的就不只是工具使用能力，而是谁拥有更强的学习和进化能力。

2.4.3 给你的起点：第一周怎么做

如果你想搭自己的趋势雷达，不用等完美系统。第一周只要做四件事：

1. 选 1 个你真正关心的关键词（如「AI 办公」「AI 招聘」）。
2. 用 MediaCrawler 或手动，在 2–3 个平台各采一轮，记录日期与口径。
3. 把内容数、评论数、高频痛点列成一张表，标出「热度在工具 / 需求在工作流」这类判断。
4. 把这轮结果存成「基线快照」，下周同一时间再采一轮，对比变化。

过去，企业靠战略部门感知变化。未来，一个人也可以拥有自己的 AI 参谋部。它不是替你决策，而是帮助你持续观察世界、验证判断、积累认知。

我是雷神。前面这些讲的都是通用底座——它对谁都有用，但也正因为对谁都有用，所以对谁都不够用。下一篇进入行业篇：把这套底座落进人力资源、财务、供应链，也告诉你怎么照着长出属于你自己行业的那一套。

3.1 行业落地总论：从通用底座到行业工作流

前面五篇讲的是一个通用能力——一个人如何用 WorkBuddy 搭起自己的趋势雷达和 AI 参谋部。但能力不等于价值，价值只发生在具体行业里。这一篇是全书的落点：把通用底座翻译成各行各业能直接用的工作流。

通用能力要先映射成行业工作流，才真正好用。本书先深挖三个企业通用职能领域——人力资源、财务、供应链（经典的"人财物"），因为它们几乎覆盖所有组织，也是 AI 落地最密集、ROI 最清晰的地方。但它们不是终点，而是模板：这三章用的是同一套框架，你换成自己的行业，照着填一遍就能长出来。

通用底座如何映射成行业工作流？一张表看清：

下三章，每个领域一章，按统一框架写：领域痛点 → 高频场景 → WorkBuddy 怎么落地 → 实操案例 → 效果与产出物。人力资源章用真实落地数据并附已上线的八个专家团矩阵，财务、供应链章先给方法论框架与示例场景，后续用真实项目补充。

行业扩展地图：这套框架能长到哪里

"各行各业"不是口号，而是同一套五步框架的反复套用。下表是本书的行业覆盖规划——已完成的可以直接抄，规划中的给出了切入点，你可以照着自己动手：

行业入口：选一个领域深入

通用底座讲完了，接下来是各行各业的具体落地。每个行业一个独立页面，包含痛点分析、高频场景、WorkBuddy 落地方式、实操案例与配套专家团。点进你关心的行业。

角色卡 · 工具清单 · 名词表

趋势研究专家团角色卡

工具清单

• MediaCrawler：多平台公开内容采集
• Python 分析脚本：大盘报告 / 关系图谱 / 深度洞察
• WorkBuddy：Agent 编排、任务执行、专家团运行
• 腾讯表格：时间序列与趋势快照
• 知识库 / 记忆系统：研究资产沉淀
• expert-manager：专家团创建、校验、注册、打包

名词表

• 趋势信号：单次采集观察到的热度，不等于趋势。
• 时间快照：同一口径下，某一时刻的数据切片，用于跨期对比。
• 供需错位：用户需求密度高、但内容供给少的方向，机会更大。
• 个人 AI 参谋部：一个人 + 一组 Agent，承担过去属于组织的研究/情报职能。
• 认知操作系统：信息获取→问题定义→证据判断→趋势洞察→行动实验→反馈学习。