AI 时代个人智能系统 · WorkBuddy 实战绿皮书

从搜索信息,到构建个人趋势雷达

一个人如何拥有自己的 AI 参谋部——持续观察世界、验证判断、积累认知

作者:我是雷神(王明雷) | AI+HR 落地实战派 · AI 赋能企业落地专家
版本:v1.0(2026-08) | 全文约 31 章(含基础实操篇 + 六篇方法论)+ 附录
不是工具书,是研究能力书 可断网阅读 含真实研究数据 配套「趋势研究专家团」
这本书在讲什么:它不是教你用哪个 AI 工具更快写文章,而是讲一个人如何用 WorkBuddy 把过去属于企业情报部门的能力——持续观察环境、判断趋势、验证结论——变成自己可以积累、复用、进化的个人研究系统。整本书由一次真实的「搜 AI」研究展开,逐步长成一支五人 Agent 团队。
基础实操篇 · 上手第一步

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。

本篇是"先能跑"。理念篇(个人 AI 参谋部、趋势雷达)告诉你为什么值得建;这一篇告诉你怎么建。两篇合起来,方法才变成系统。
基础实操篇 · 上手第二步

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

要素要回答
目标最终解决什么问题
输入用哪些文件 / 目录 / 链接
动作分析、整理、转换还是生成
约束哪些不能改、采用什么规范
输出交付什么文件、放哪里、怎么验收

三个可以立刻试的入门任务

A. 整理文件

"整理 input 目录的练习文件,识别类型,提出分类和重命名方案;不删不改原文件;先生成 inventory.xlsx 和 proposed-actions.md,我确认前不移动。"

B. 生成会议纪要

"把 input/meeting.txt 整理成结构化纪要,含结论、待办、负责人、截止日期、待确认问题;不能确认的写'待确认';输出 output/会议纪要.md 和 待办清单.xlsx。"

C. Word 转 PPT

"把 input/项目汇报.docx 转成 10 页内汇报 PPT,受众部门负责人;保持原文事实数字;结构:背景、现状、问题、方案、计划、需要决策。"

验收标准要写进任务里。比如"清单文件数 = input 实际文件数""每项结论能在原文找到依据"。没有验收,就不知道它干没干好。
基础实操篇 · 上手第三步

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

维度普通任务Skill专家
本质通用理解+执行特定工具能力人设+方法论+工具链
适合一次性清楚任务要稳定执行的动作明确领域的专业问题

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。

本书配套「趋势研究专家团」里的每个角色,背后都挂着这类 Skill——采集、清洗、评分、生成图谱。你看到的"换关键词就跑",靠的就是 Skill 把流程固定下来了。
基础实操篇 · 上手第四步

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

方式本质适合的问题
普通任务通用理解执行一次性清楚任务
Skill特定工具能力稳定执行某个动作
专家人设+方法论+工具链明确领域的单点专业问题
专家团多位专家+协作流程需拆解、并行、汇总的复杂项目

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。

召唤专家团前先确认:成员分工是否覆盖完整、哪些步骤依赖前一步、什么时候需要人来拍板、最终谁整合。这四点确认了,复杂项目才稳。
基础实操篇 · 上手第五步

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。

最适合的起点不是"替我运营公司",而是"每天 8 点收集 10 条 AI 新闻,去重、留链接、生成简报"。范围越清楚,越容易发现问题、逐步改进。本书的"趋势雷达"正是靠这类自动化长期跑出来的。
第一篇 · 认知篇

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。

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」:

信息获取 问题定义 证据判断 趋势洞察 行动实验 反馈学习

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:

普通人
我遇到问题 → 问 AI → 得到答案 → 结束
AI 增强型个体
持续观察环境 → AI 采集 → AI 分析变化 → 形成知识资产 → 指导行动 → 反馈优化系统
这个闭环非常像企业的战略管理系统,只是过去它属于组织,现在开始属于个人。

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:

定义问题· 怀疑数据· 寻找变化· 挑战结论· 转化行动

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。

第二篇 · 实战篇

4. 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。

关键分界线:不要把「一次热闹」当成「一个方向」。趋势雷达的价值,恰恰在于它能区分这两者。

5. 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:

层级工具作用
采集层MediaCrawler获取抖音、小红书、微博的公开内容与评论(按关键词)
分析层Python 分析脚本清洗数据、统一字段、统计工具与场景、识别评论意图,生成关系图谱与深度洞察
编排层WorkBuddy拆任务、调用工具、组织 Agent 协作、保存研究过程,把前一阶段结果交给下一阶段
沉淀层腾讯表格 + 知识库保存每次采集的时间快照与研究结论、反证、反馈、可复用方法
技术不是重点。重点是让「采集 → 分析 → 判断 → 沉淀」形成一个可复用、可回溯、可修正的闭环。

6. 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。
确定问题 多平台采集 清洗与质量验证 趋势分析 反证审查 形成洞察 内容实验 反馈回流

我不是在用 AI 写文章,而是在用 AI 做研究。

7. 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

平台内容数评论数可用性
抖音29413完整
小红书40773完整
微博42226部分(评论接口被拦截,仅作趋势参考)

工具提及 Top

排名工具次数
1Agent48
2Claude36
3豆包33
4Skill29
5ChatGPT27

评论痛点 Top(用户真实卡点)

痛点次数
求模板 / 求提示词63
不会用 / 学习门槛57
工具选择困难41
工作与岗位焦虑34
免费 / 付费焦虑31

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)

排名方向评分
1从 Prompt 到 Skill/Agent 的工作流69.0
2「AI 替我上班」:具体任务工作流64.4
3任务型 AI 工具横评61.4
4零基础 AI 任务地图59.9
5企业 AI 落地与岗位边界57.1
这些方向的共同点:不只讲工具,而是回答「AI 如何真正进入工作」。这也和我过去做 AI 招聘、知识库、多 Agent 协同和企业落地的经历接得上。趋势只说明外部世界在变;方向还要回答:这件事为什么应该由我来讲?
第三篇 · 方法论篇

8. 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:

陷阱一
看见一个热词,很容易把它解释成趋势
陷阱二
拿到一批数据,很容易把样本当成事实
陷阱三
得出一个结论后,很少主动寻找「自己为什么可能错了」
后果
三个陷阱叠加,AI 会从「分析助手」变成「趋势吹捧团」

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。

9. 研究主编:定义问题

研究主编 · 顾全之
负责把问题说清楚
「我到底应该研究什么问题?」

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。

10. 数据质量师:怀疑数据

数据质量师 · 齐可知
专门怀疑数据
「这些数据可信吗?」

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」

真实教训:本次研究中,微博评论接口在采集时被拦截,AI 面试数据集一度选错。我们最终不是按「最新文件」取数,而是按关键词区分度 + 数据完整度双重校验。如果不是有这个角色,定出来的方向可能从一开始就是偏的。

11. 趋势分析师:寻找变化

趋势分析师 · 林势成
负责寻找变化
「这是短期波动,还是长期变化?」

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」。

12. 反证审查师:挑战结论

反证审查师 · 陈问真
负责问一句:有没有可能我们错了?
「这个结论会不会是假热点?」

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」。

13. 内容策略师:行动转化

内容策略师 · 许见微
负责把判断变成行动
「这个趋势如何转化成行动?」

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?

14. 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:

谁来把问题说清? 谁来检查证据? 谁来判断变化? 谁挑战结论? 谁转成行动?

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。

第四篇 · 系统篇

15. 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。

一句话总结:没有 WorkBuddy 这个底座,前面所有方法论只是一次性的灵感;有了它,方法变成可以积累、复用、进化的系统。底座层 + 方法论层 + 角色层,才是完整的"个人智能系统"。
能力解决的问题对应本书位置
专家角色方法论固化、可复用第三篇 · 角色分工
Skill 编排重复动作自动化第 14 章 · 专家团如何长出来
Agent Loop任务自主执行第 6 章 · 一次研究怎么跑
部署上线成果变成可访问网站本书即部署上线
记忆系统跨会话积累认知第 16 章 · 时间快照与反馈
第四篇 · 系统篇

16. 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):

维度权重
增长速度25%
持续性20%
跨平台扩散15%
用户意图强度15%
供需缺口15%
个人能力匹配10%
关键约束:系统里必须有人专门挑战结论。否则很容易自己说服自己「这是趋势」。反证审查师的置信度判断,比综合分数更重要。

17. 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。

18. 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」:

待观察 初步出现 持续增长 跨平台扩散 适合进入 内容拥挤 深度研究 / 停止跟踪

19. 个人 AI 参谋部运行闭环

整套系统跑起来是这样的:

固定采集 原始证据留存 统一字段与质量评分 周/月时间快照 专家团分析 反证与置信度 内容实验 反馈回写 调整下一轮
第五篇 · 演进篇

20. 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:

主题回答的问题
个人趋势雷达如何让 AI 帮你比别人更早发现变化
个人知识操作系统如何让 AI 管理你的第二大脑
个人决策系统如何让 AI 成为你的战略顾问
个人 Agent 团队一个人如何拥有一家公司级能力

21. 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:

AI 增强个人 AI 增强专业能力 AI 增强团队 AI 增强组织

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。

22. 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。下一篇,我们从「个人趋势雷达」开始,让 AI 真正帮你比别人更早发现变化。

第六篇 · 行业篇

23. 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,价值发生在具体行业里。

这正是 decard 蓝皮书「岗位与行业落地」篇的核心思路:通用能力要先映射成行业工作流,才真正好用。本书聚焦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。

通用底座如何映射成行业工作流?一张表看清:

通用能力(前几篇)人力资源领域财务领域供应链领域
趋势雷达招聘需求 / 人才流动趋势财税政策 / 合规变化断供风险 / 地缘舆情
专家团角色分工HR 专家团(招聘 / 薪酬 / 数据治理)财务专家团(核算 / 税务 / 分析)供应链专家团(寻源 / 预测 / 风控)
Agent Loop简历筛选 / 数据巡检自动跑月结 / 对账自动跑供应商评估 / 风险监控自动跑
记忆系统岗位体系 / 薪酬制度知识库会计准则 / 税规知识库供应商库 / 合同知识库

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,财务、供应链章先给方法论框架与示例场景,后续用你自己的真实项目补充。

第六篇 · 行业篇

24. 人力资源领域:AI+HR 落地实战

HR 是我扎得最深的领域。14 年 HR 数字化实战,从 PeopleSoft HCM 实施到 AI 招聘智能体,我越来越确认一件事:HR 的痛点不是"不会用 AI",而是事务性工作吞掉了几乎所有精力,没人去做真正该做的"判断"。

领域痛点

  • 简历初筛靠人工,一份岗位几百份简历,HR 80% 时间在重复看;
  • 招聘匹配靠感觉,不同面试官标准不一,好候选人悄悄溜走;
  • 人事数据散、脏、对不上,薪酬算错、报表对不上;
  • 岗职位体系混乱,异动调薪没有依据。

高频场景(WorkBuddy 怎么落地)

① AI 智能简历筛选
把"看简历"变成"跑模型"。三维加权评分 = 向量语义 50% + 结构化标签 30% + 关键词 20%。用标签别名字典 + NLP 聚类解决"同义不同写"导致的匹配丢失。同一模型可平移到内部人才活水推荐。
② AI 招聘智能体
从职位解析 → 人岗匹配 → 标签画像 → 推荐,全链路自动。初筛效率提升约 60%,匹配准确率提升约 40%。
③ 人事数据巡检平台
自动扫脏数据、对不齐的数据,输出清洁率与问题清单。威高集团案例:数据清洁率从 70% 提升到 99%;统一岗职位体系 5 层级、1200+ 标准职位,支撑 6000+ 员工异动。
④ 薪酬与绩效数据治理
制度、口径、历史数据进 RAG 知识库,算薪前先校验。

WorkBuddy 落地方式

  • 专家团:直接调用已上线的雷神 HR 智能体矩阵——组织设计局 / 招聘专家团 / 炼才局培训工作站 / HR 数智洞察与治理专家组等(详见下方「配套专家团」);
  • Skill:简历解析 skill、三维评分 skill、数据巡检 skill;
  • Agent Loop:每周自动跑一轮"新简历 → 评分 → 推荐 → 入人才库";
  • 记忆系统:岗位说明书、薪酬制度、历史面试评价沉淀为项目级知识库。

真实效果数据

项目指标结果
AI 简历筛选处理简历量8000+ 份
AI 招聘智能体初筛效率 / 匹配准确率↑60% / ↑40%
威高人事数据巡检数据清洁率70% → 99%
威高岗职位体系标准职位 / 支撑异动1200+ / 6000+

配套专家团:雷神 HR 智能体矩阵(已上线,WorkBuddy「我的专家」直接调用)

光讲方法不够——上面这些场景,我已经落成一套可一键调用的 HR 智能体矩阵。它覆盖 HR 全生命周期,从组织设计到离职风险,每个环节都有专属专家团兜底。你不用从零搭,直接调用就能跑。

组织设计局 人力规划团 招聘专家团 L2 入职团 炼才局·培训 仲裁专家团 HR 洞察治理
雷神 HR 智能体矩阵:八团协同架构
图24.1 雷神 HR 智能体矩阵:八团协同架构(覆盖 HR 全生命周期 + 数据/情报贯穿层)
专家团类型定位角色构成
雷神·组织设计局
组织
Team · 7 Agent组织诊断 → 架构 / 定编 / 胜任力 / 可视化;立局铁律「先诊断后设计」,双闸(内容闸 + 决策闸)贯穿1 总管 + 诊断 / 架构 / 定编 / 能力模型·JD / 可视化 5 业务 + 1 治理
人力战略规划专家团
编制
Team · 6 Agent年度人力规划书全自动:环境分析 → 需求 / 供给预测 → 供需平衡 → 治理审查1 总管 + 环境分析 / 需求预测 / 供给盘点 / 平衡设计 4 专家 + 1 治理
招聘专家团
招聘
Team · 6 Agent招聘全流程:人力规划 → 岗位画像 → 简历解析 → 闸1 筛选合规 → 匹配评估 → 面试评价,产出《招聘报告》招聘总管 + 5 位招聘专家
L2 招聘专家团
入职
Team · 5 Agent承接 L1 交接包,独立跑通后段:邀约 / Offer → 入职管理 → 人才资产沉淀,合规治理贯穿L2 总管 + Offer / 入职 / 人才资产 / 合规治理
雷神·炼才局(培训工作站)
培训
Team · 9 Agent培训全链路可度量可审计:战略解码 → 规划 → 课程 → 行业评审 → 考核 → 陪练 → 评估 → 知识沉淀1 总管 + 7 纵深专家(人才发展 / 课程 / 考核 / 陪练 / 知识库 / 数字人 / 行业 SME)+ 1 治理
员工仲裁智能专家团
劳动关系
Team · 7 Agent面向企业 HR 的劳动争议一站式:证据整理 / 法律分析文书 / 合规培训,全本地零登录1 总控 + 证据 / 法律文书 / 培训 / 协同 / 风险预警 / 行业治理
雷神·HR 数智洞察与治理专家组
数据
Team · 7 AgentHR 数据分析系统:指标先行、数据驱动,覆盖组织效能 / 招聘 / 人才绩效 / 人工成本 / 流动风险1 总管 + 组织效能编制 / 招聘效能 / 人才绩效 / 人工成本 / 流动用工风险 5 业务 + 1 指标治理
雷神·HR 数智情报局
情报
Team · 7 AgentHR 外部情报:竞品 / 雇主品牌内容 / 舆情 / 学员声量 / 人才洞察 / 培训趋势1 总管 + 竞品分析 / 雇主内容 / 舆情情报 / 学员声量 / 人才洞察 / 培训趋势猎手

另有配套单 Agent 专家:人力资源 AI 智能体教练(HR AI 实战课助教)、简历解析专家简历匹配专家人力规划专家,与上述专家团组合成完整 HR 工具链。

如何调用:在 WorkBuddy「专家中心 → 我的专家」搜索「雷神 / 组织设计局 / 招聘 / 炼才局 / HR 洞察」等关键词即可启用。这些专家团与本书方法论一一对应,是绿皮书里每个 HR 场景的「可运行版本」。

一句话:HR 不是被 AI 替代,而是被 AI 把"判断"还回来。

第六篇 · 行业篇

25. 财务领域:AI+财务 落地实战

财务的 AI 落地,重点不在"生成报表",而在"把核对、合规、分析这些高重复、高准确要求的工作流化"。

领域痛点

  • 发票、单据核对繁琐,三单匹配靠人工;
  • 月结 / 季结手工操作多,易错且滞后;
  • 财税政策变化快,追踪靠人肉刷;
  • 预算执行分析停留在事后。

高频场景(WorkBuddy 怎么落地)

① 发票 OCR + 三单匹配
订单 / 收货 / 发票自动识别与比对,异常自动标红。
② 月度结账流水线
取数 → 校验 → 生成报表 → 异常标记,Agent Loop 自动跑。
③ 财税政策趋势监控
用趋势雷达盯政策口径变化,提前预警合规风险。
④ 预算执行分析
实际 vs 预算自动比对,偏差自动归因。

WorkBuddy 落地方式

  • 专家团:财务专家团(核算 / 税务 / 分析 / 合规审查);
  • Skill:发票识别 skill、报表生成 skill、政策追踪 skill;
  • Agent Loop:每月固定日自动跑月结流水线;
  • 记忆系统:会计准则、税规、历史凭证进 RAG 知识库。
待补充:本章为方法论框架与示例场景,具体落地数据待补充你的真实财务项目案例。
第六篇 · 行业篇

26. 供应链领域:AI+供应链 落地实战

供应链的 AI 价值在"更早看见风险、更准做选择"——这正好和趋势雷达的能力对上。

领域痛点

  • 供应商评估主观,黑名单 / 红黄牌靠经验;
  • 需求预测不准,要么缺货要么积压;
  • 断供 / 地缘风险滞后发现;
  • 采购合同审查慢、条款风险漏看。

高频场景(WorkBuddy 怎么落地)

① 供应商智能筛选
资质 + 历史表现 + 舆情,综合打分分级。
② 断供风险趋势监控
用趋势雷达盯地缘、舆情、行业信号,提前预警。
③ 需求预测辅助
历史销量 + 外部信号,给预测区间建议。
④ 采购合同审查
条款风险自动标注,对接法务知识库。

WorkBuddy 落地方式

  • 专家团:供应链专家团(寻源 / 预测 / 风控 / 合规);
  • Skill:供应商评估 skill、风险监控 skill、合同审查 skill;
  • 趋势雷达:持续监控供应端风险信号;
  • 记忆系统:供应商库、合同模板、历史事故进知识库。
待补充:本章为方法论框架与示例场景,具体落地数据待补充你的真实供应链项目案例。
附录

角色卡 · 工具清单 · 名词表

趋势研究专家团角色卡

角色花名核心问题
研究主编顾全之我到底应该研究什么问题?
数据质量师齐可知这些数据可信吗?
趋势分析师林势成这是短期波动还是长期变化?
反证审查师陈问真有没有可能我错了?
内容策略师许见微这个趋势如何转化成行动?

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。