回路 / The Loop — 提出有价值的问题，比直接获取答案更重要。
这个专题收集和整理我与 Gemini、ChatGPT、Claude 等 AI 的对话记录。每一篇对应一次完整的提问与回答过程。通过留存这些层层追问，还原日常思考的真实轨迹。
概要
The Loop 011 聊完了”多 Agent 怎么稳定跑复杂任务”这个偏工程的问题。这一期把镜头拉远：当一家企业不只是”上线一个 AI 助手”，而是把 AI 深度嵌入每天的工作，业务流程、组织能力和管理范式会发生什么变化？
追问的路径大致这样：先把”Customer Zero”这个硅谷惯例讲清楚 → 拆解 AI 深度融入企业后的四个可观测变化（个性化、Skill 蒸馏、主动性、决策周期）→ 用一个 B2B 销售 Agent 的”一整天”把抽象变具象 → 沿着”这套系统靠一个大模型做不到”往下挖，谈数据底座（Palantir Ontology）、采用底座（嵌入式设计）、责任底座（人机分工）→ 最后收敛到一个判断：AI 转型不是给员工加一个聊天窗口，而是把工作的默认起点从”空白页”往前推进一大步。
浓缩成一句话：
企业 AI 的竞争，不是模型能力的竞争，而是上下文完整度 × 组织智慧蒸馏速度 × 现有工作流嵌入自然度 三者的复合竞争。
Q：这场追问真正想回答的问题是什么？
不是”员工怎么用一个 AI 聊天工具”，而是：
当 AI 广泛而深入地进入一家企业之后，它的内部运作方式、工作流程乃至管理范式会变成什么样？
这两个问题差别不小。前者是”给现有工作叠加一个工具”，后者是”重新设计工作本身”。
后者需要重新思考六件事：
- 信息如何被发现和组织；
- 任务如何被分配和执行；
- 专家经验如何沉淀和复制；
- 员工如何做出判断；
- 管理者如何看见过程与结果；
- 企业如何把数据、流程和人连接起来。
AI 的价值不只在”回答得更快”或”写得更多”，而在于它可能成为企业运行的新基础设施。这跟 SaaS 时代把 CRM、HR、ERP 搬上云端是同一个量级的变化，但作用的对象不再是”数据的存放位置”，而是”决策的产生方式”。
Q：什么是 “Customer Zero”？为什么讨论企业 AI 转型总绕不开它？
Customer Zero（也叫 dogfooding，“吃自己的狗粮”）是硅谷一个很老的产品传统：企业做出一个产品之后，第一个真正在生产环境里使用它的，不是外部付费客户，而是企业自己。
早期产品通常并不完美，但内部真实使用有两个不可替代的好处。
1. 获得最真实的反馈。 内部员工不是为了配合演示而使用产品，而是在真实工作里依赖它。如果产品不稳定、流程不合理、结果不可信，问题会立即暴露。相比访谈和问卷，这些反馈更接近真实业务环境。
2. 建立对外销售的可信度。 当企业向客户推广产品时，不只是描述产品”理论上可以做到什么”，而是能展示：“我们自己已经这么用了。这些流程被改变了。效率是这样变化的。这些问题出现过、这样解决了。” 销售从”讲功能”变成”展示结果”。
2026 年 6 月宣布的 Anthropic × DXC 全球联盟案例 里，DXC 明确把 Claude 定位为自己的 “Client Zero”——OASIS 平台超过 95% 的代码由 Claude 生成，先在内部跑通，再推给 50+ 联合客户。IBM 也把这条方法论产品化，对外新闻发布 中提到 AskHR 作为一站式 HR 数字助理，服务其全球 28 万+ 员工——从 2016 年起自我迭代，是 IBM “Client Zero” 战略在 HR 场景的标志性案例。
这一做法对企业 AI 转型的启发是：真正值得对外输出的 AI 能力，应当先经受企业自身复杂业务的检验。 反过来说，如果一家公司自己都用不起来自己造的 AI 产品，对外卖的时候就只剩故事，没有证据。
Q：企业深度用 AI 之后，输出的形态会发生什么变化？
四个可观测的变化，粗略排序：个性化 → Skill 蒸馏 → 主动性 → 决策周期缩短。
1. 输出从”千人一面”走向”一人一策”
传统信息系统给所有人展示大致相同的页面、字段和报表。普通聊天式 AI 也需要用户主动提问才能得到回答。但深度融入业务的 Agent，会根据个人的岗位、客户、日程、历史行为和当下目标，生成完全不同的内容。
它不是给所有销售一份相同的”今日销售建议”，而是告诉某个具体销售：
- 今天最重要的是哪几个客户；
- 每个客户为什么重要；
- 最近发生了哪些变化；
- 会谈时该谈什么、避免谈什么；
- 哪些邮件和提案等待处理；
- 下一步最值得采取什么行动。
这是从”千人一面”到”一人一策”的变化。AI 的输出不仅个性化，而且与具体时刻、具体任务、具体业务上下文直接相关。
2. 工作流程被蒸馏为可调用的 Skill 和 Workflow
Agent 并不是只靠大模型自由发挥。真正稳定的企业级系统背后，一定有明确的流程、方法和技能。这些 Skill 和 Workflow 来源于企业内部最优秀员工的实践：
- 顶尖销售如何判断客户紧迫度；
- 优秀市场人员如何解读竞争信息；
- 资深管理者如何安排优先级；
- 专家如何准备会议、识别风险、提出建议；
- 哪些步骤必须完成、哪些条件需要人工确认。
企业需要把这些隐性经验提炼出来，变成 AI 可以重复调用的结构化能力。AI 转型的重要工作不是”多写几个 Prompt”，而是将组织智慧工程化。一旦最佳实践被沉淀为 Skill，原本只掌握在少数高手手中的方法，就能被大规模复用。组织能力因此不再完全依赖某个关键个人。
Anthropic 2025 年 10 月正式发布的 Claude Skills 就是这个思想的产品化表达：每个 Skill 是一个”文件夹 + 元数据”，包含指令、参考文档、可执行脚本，Claude 在需要时按需加载。企业可以为”续约谈判准备”、“技术评估回复”、“合同风险审查”各建一个 Skill。
3. AI 从被动响应走向主动建议
今天大多数人用 AI 的模式是：人先提出问题，AI 再回答。这只是早期形态。
当 AI 足够了解员工本人、又能访问完整实时的业务数据时，员工可能不再需要先写 Prompt。AI 会根据当前上下文主动判断：
- 你接下来可能要做什么；
- 哪个问题正在变得紧急；
- 哪条外部信息会影响客户；
- 哪个行动更可能取得结果；
- 哪些事项被遗漏了。
销售领域把这种模式叫做 prescriptive sales（规范性销售，下一节详谈）：AI 像医生开处方一样，不只陈述情况，还会建议”应该做什么”和”不应该做什么”。
4. 信息到行动的周期显著缩短
当外部新闻、客户行为、历史沟通、产品使用数据和员工日程被打通后，AI 可以很快把变化转化成行动建议。
过去员工需要分别登录多个系统、阅读大量记录、自己综合判断。未来系统可能已经在上班前完成信息收集、关联分析和任务编排。员工不再把大部分时间花在”寻找和拼接信息”上，而是把注意力放在审核、判断、沟通和决策上。
Q：什么是 Prescriptive Sales？跟 Copilot、跟”预测客户流失”的模型有什么区别？
Prescriptive Sales 是 Prescriptive Analytics（规范性分析）在销售场景的应用。数据分析常被分成四个层次，回答四个不同的问题：
| 层级 | 问题 | 输出 | 销售场景例子 |
|---|---|---|---|
| Descriptive（描述性） | 发生了什么？ | 报表、Dashboard | ”上季度销售额 100 万” |
| Diagnostic（诊断性） | 为什么发生？ | 归因分析 | ”华南区下滑 20%，因为流失了 3 个大客户” |
| Predictive（预测性） | 可能会发生什么？ | 预测、评分 | ”客户 X 有 70% 概率下月流失” |
| Prescriptive（规范性） | 应该怎么做？ | 建议、决策 | ”给客户 X 发一张针对其偏好品类的 15% 折扣券，可将流失概率降低 40%” |
Copilot 类工具主要停在 Descriptive + Predictive 之间——“这是数据，这是趋势，你自己看着办”。Prescriptive 层的关键跃迁是：AI 不只呈现事实，还输出可执行的行动建议，并说明理由。
举个具体例子：AI 发现客户 CEO 在公开场合提到了竞争对手，而竞争对手随后采取了降价行动。系统不只把新闻推给销售，还给出沟通建议——与该客户交流时，不要陷入价格讨论，而应该强调自己的产品如何帮助客户提升黏性、扩大增长。
这里体现了三层能力：
- 找到外部信息（爬虫、监控、订阅）；
- 判断信息与当前客户的关系（上下文关联）；
- 将信息转化为针对性的销售策略（规范性建议）。
如果只是新闻摘要，AI 仍然是信息工具。能够给出与具体会谈相关的行动建议，才开始具备”参谋”价值。
Q：把这些抽象概念具象化——一个 B2B 销售的一整天，AI 到底会做什么？
以一个”销售 Agent 每日工作台”的场景为例（不同厂商叫法不同，Salesforce 系列的 Agentforce、Anthropic 内部演示里叫 “My Day”）：销售人员早上打开工作界面，不需要从零开始查看日历、邮箱、CRM、客户新闻和内部消息。AI 已经整理好当天的重点。以下是七个具体动作。
1. 起点：AI 已经准备好当日工作台
- 要见哪些重要客户；
- 有哪些内部会议；
- 哪些邮件正在等回复；
- 哪些提案即将到期；
- 哪些客户出现了新的风险或机会；
- 每件事的优先级和推荐动作。
这不是通用待办清单，而是根据这个销售本人负责的客户和当天日程生成的个性化工作台。
2. 主动捕捉影响客户的外部动态
前面 prescriptive sales 那个例子就是这个层次——外部新闻 + 客户关联 + 行动建议三合一。
3. 用红黄绿标记客户紧迫度
系统按业务紧迫程度对客户进行分级。某个客户的合同即将到期、正处于续约/流失/扩张的关键节点，就被标记为红色。AI 不只给颜色，还会解释为什么紧急，并汇总这个客户过去一段时间与公司的全部关键互动：
- 最近发出的提案及到期时间；
- 客户高管后续发送的邮件；
- 尚未回答的业务或技术问题；
- 客户近期使用产品的变化趋势；
- 可能的续约、升级或流失信号。
优先级不再只是销售凭印象判断，而是由多源数据共同支持。
4. 从使用趋势预测客户下一阶段
系统分析客户逐周的产品使用量。如果使用持续增长，AI 可以预测客户何时进入更高的使用等级，提醒销售提前设计扩容、续约或升级方案。这一步已经从”复述过去”跨入了”预测未来”。
5. 为不同客户生成不同策略
案例中的其他客户各有不同情境：
- 有的客户正受到竞争对手压力，需要讨论产品如何帮助其守住业务；
- 有的客户 CTO 曾在邮件中询问特定模型或平台能力，销售需要准备明确回应；
- 有的客户高管公开宣布向 AI 转型，内部评估认为这是重要机会，相关团队已有问题等待跟进。
AI 将这些分散的信息组织成”一客一策”。销售看到的不只是客户档案，而是当前最相关的问题、机会、风险与建议。
6. 自动准备会议材料和 Prompt
针对当天具体时间的客户会议，AI 会准备：会谈背景、talking points、应向客户展示的材料、建议提出的问题、可用于生成材料的 Prompt、需要跟进的行动项。
用户仍然可以修改 AI 准备的 Prompt 和内容，但已经不必从空白页开始。这种模式把员工从”信息搬运和初稿生产”推向”审核、修正和决策”。
7. 这套 “My Day” 的本质
不只是替销售节约几十分钟，而是重构了销售开始一天工作的方式：
- 从主动搜寻信息，变成 AI 主动聚合信息；
- 从依赖个人记忆，变成系统化调用组织记忆；
- 从临场准备，变成持续感知和提前准备；
- 从个人经验判断，变成专家方法与实时数据共同辅助；
- 从被动执行待办，变成围绕业务目标动态安排优先级。
这就是 AI 从”工具”升级为”工作范式” 的具体表现。
Q：这套 “My Day” 看起来很自然，但显然不是接一个 GPT 就能做到的。背后要补齐什么？
四个底座。任何一个缺失，整套系统都会退化为”一个能对话的 CRM”。
1. 将专家经验蒸馏为可复用能力
AI 需要知道的不只是”有哪些数据”，还包括”应该怎样判断和行动”。企业必须把顶尖员工的方法拆解出来：识别关键输入 → 明确判断标准 → 还原决策过程 → 定义标准步骤 → 找出异常情况 → 规定哪些动作可自动执行、哪些必须由人确认。最终这些方法被沉淀成 Agent 可调用的 Skill、Workflow 和 Methodology。
谁能更好地提炼、验证并持续升级组织智慧，谁就更可能把 AI 变成稳定的生产力。
2. 打通高质量的内外部数据（这是硬门槛）
上述 “My Day” 场景所需的数据往往分散在：内部客户系统、邮件与 IM、日历和会议记录、产品使用日志、报价合同财务系统、Salesforce 等外部 SaaS、新闻公开活动与竞争情报。
这些数据不仅要能访问，还要满足五个条件：
- 连通性：不同系统的数据可以关联到同一客户、项目、任务；
- 一致性：字段、口径和定义统一；
- 质量：信息准确、完整、可追溯；
- 及时性：更新频率跟得上业务变化（部分数据要小时级更新）；
- 可理解性：AI 能理解数据对象及其关系，而不只是读到字段名。
3. 让 AI 无缝嵌入现有工作流
技术可用 ≠ 员工愿意用。这是最容易被工程师低估的一层。Autodesk 的 CIO Prakash Kota 在 公开分享 中提到过一个数字：面对新 AI 工具，大约 20% 的员工会主动拥抱，剩下的 80% 需要设计化的引导。他们的 Autodesk Assistant 有意做成 “seamlessly integrated into the existing UI”——一个不遮挡关键控件的侧边面板，执行前先提议再等确认。
这里的朴素事实是：人通常不愿意为了一个新工具重新注册账号、学习新入口、维护第二套上下文。企业 AI 更合理的形态不是不断增加新入口，而是进入员工已经习惯的环境：
- 在企业 IM / 邮箱中提供建议和执行能力；
- 在 CRM 中直接展示客户风险和下一步行动；
- 在日历和会议页面自动准备背景材料；
- 在文档系统中就地插入起草和修订建议。
不要强迫人迁就 AI，而要让 AI 适应人的工作流。
4. 保留人的判断与最终控制权
AI 可以完成检索、聚合、预测、建议和执行，但系统是否 100% 正确仍是困难的工程问题。人机分工应当清晰：
- AI 负责：持续感知信息、执行标准任务、给出分析和行动建议；
- 人负责：设定目标和边界、判断复杂情境、对高风险行为做最终确认、对结果承担责任并反向训练系统。
Q：Palantir 的 Ontology 到底是什么？跟”数据打通”是什么关系？
前面第 2 个底座里”连通性、一致性、可理解性”这三个条件，本质上是在描述一个问题：AI 需要理解数据的语义，而不只是读到字段名。
Palantir 的 Ontology 是这条思路目前工业界最成熟的答案之一。它包含三层：
| 层级 | 核心问题 | 功能关键词 | 比喻 |
|---|---|---|---|
| Semantic（语义层） | 世界是什么？ | 对象、属性、关系 | 字典 |
| Kinetic（动势层） | 世界如何变化？ | 操作、流程、行为 | 引擎 |
| Dynamic（动态层） | 世界如何决策？ | 规则、AI、权限、模拟 | 大脑 |
其中最底层的 Semantic Layer 由四个核心构件组成：
- Object Type（对象类型）：定义业务实体，比如”客户”、“订单”、“设备故障”；
- Property（属性）：描述对象特征，比如”合同金额”、“到期日”；
- Link Type（链接类型）：显式建模对象之间的关系，
Employee works_for Department、Order contains Product——关系是一等公民，不是外键； - Interface（接口）：借鉴 OOP 的接口概念，一组 Object Type 共同拥有的形状，比如
Trackable_Asset要求实现location、status、last_updated。
关键洞察：Ontology 让 AI Agent 通过 SDK / MCP 协议发现有哪些 Object Type、每个 Type 有什么属性、类型之间有什么关系，而不需要工程师为每个新场景手写工具描述。当 Agent 看到”客户 X 的合同即将到期”，它能够顺着 Link Type 找到”这个客户过去的所有邮件”、“未回复的技术问题”、“产品使用趋势”——因为这些关系已经在 Ontology 里被显式建模。
这是”AI 从被动查询变成主动理解”的数据侧前提。没有它，Agent 每一次都要从头拼接 SQL；有了它，Agent 面对的是一张业务语义网络。
Q：如果把这些底座抽象成一个架构，长什么样？
七层。这不是某个具体产品的设计，而是把前面所有讨论合并后的抽象：
- 感知层：持续收集内外部变化——邮件、日历、CRM、产品数据、客户新闻、竞争动态；
- 上下文层：知道”谁在做什么”，把个人、岗位、客户、项目、历史和目标连接起来；
- 语义与数据层：统一对象定义与关系（Ontology），让 AI 理解数据而不只是检索文本；
- 专家能力层：把优秀员工的方法沉淀为 Skill、Workflow 和判断规则；
- 推理与编排层：结合实时信息和专家方法，形成优先级、预测和行动建议；
- 执行层：生成材料、更新系统、发起流程、准备沟通或完成其他低风险动作；
- 人类控制层：由员工审核、修改、批准和作最终决策，并把反馈重新送回系统。
企业 Agent 的核心因此可以浓缩成：
模型 × 数据 × 上下文 × 专家方法 × 工作流 × 人类反馈。
任何一个环节缺失，系统都会退化成一个”好用但无法真正改变组织”的聊天机器人。
Q：这跟 The Loop 011 讨论的多 Agent 编排是什么关系？
The Loop 011 解决的是下一层的问题：当任务已经被拆成一个 DAG 之后，如何让多个 Agent 稳定跑完这张图。 答案是”静态骨架 + 运行时动态计划 + 前置意图路由 + 每节点原子化落盘”。
这一期解决的是上一层的问题：任务从哪里来？谁定义它？谁审核结果？企业怎么把最优秀员工的方法变成 Agent 能调用的能力？
两者的关系可以类比传统软件工程：
- The Loop 011 讨论的是”如何写出健壮的分布式系统”（工程层）；
- The Loop 012 讨论的是”这个系统应该做什么、服务谁、如何嵌入业务”（产品和组织层）。
两层都做好，AI 才可能从”多一个工具”变成”改变工作默认起点”。任何一层短板，另一层的努力都会被稀释。
Q：把这些落到可执行的行动清单，第一步应该做什么？
如果把上面的讨论转化为企业实践，八步走：
- 选择一个高价值、边界明确的场景：信息分散、重复准备多、专家差异大、结果可衡量的场景。销售会前准备、客户续约管理、项目风险跟踪都符合。
- 完整记录优秀员工的真实流程：不是问”你用了什么 Prompt”，而是梳理：你先看什么信息？如何判断优先级？哪些信号意味着风险？哪些动作通常有效？哪些情况必须升级给人？结果好坏如何评估？
- 把经验变成 Skill 和 Workflow：拆成可重复、可测试、可迭代的步骤。为每个步骤定义输入、输出、判断条件、调用工具、人工确认点。
- 建立最小数据闭环：不必一开始就建设全企业数据平台。但必须确保对象定义一致、来源可信、更新及时、能追溯原始证据。
- 嵌入现有工作入口：让员工在已经使用的系统里获得 AI 建议和执行能力，尽量不新增账号、入口和操作负担。
- 从”回答问题”升级为”主动提醒”：系统不仅等用户提问，还要主动识别合同到期、客户异动、邮件未回复、趋势变化、会议临近等事件。
- 建立人工审核和反馈机制：关键建议必须显示依据。员工可以接受、修改或拒绝，系统记录这些反馈用于校正规则、数据和 Skill。
- 用业务结果而不是调用次数评估：真正有意义的指标是——会前准备时间是否下降？客户风险是否更早被发现？跟进遗漏是否减少？新员工是否更快达到成熟员工水平？专家方法是否得到大规模复用？销售转化、续约或客户满意度是否改善？
收尾：默认起点从”空白页”往前推进一大步
回到概要里那句浓缩：
企业 AI 的竞争，不是模型能力的竞争，而是上下文完整度 × 组织智慧蒸馏速度 × 现有工作流嵌入自然度 三者的复合竞争。
今天的默认模式是：员工早上开始工作，自己寻找信息、理解上下文、决定优先级，然后逐项执行。AI 只在被叫到时帮助完成某个步骤。
这一期讨论的未来模式是：员工开始工作时，系统已经持续观察过业务环境，理解了他的岗位和目标，并准备好：
- 今天最重要的事；
- 每件事背后的原因；
- 相关背景和风险；
- 推荐策略和行动；
- 可以直接使用的材料；
- 等待人确认的关键决策。
这相当于把工作的默认起点从”空白页”向前推进了一大步。员工不再从零开始，而是从一个已经具备上下文和初步判断的工作台开始。
企业 AI 的终局，不是给每个员工增加一个聊天窗口，而是让每个人都拥有一个理解上下文、掌握组织最佳方法、能够主动准备工作并持续提出建议的智能参谋。
参考资料
Anthropic Claude 与 Skills
- Anthropic × DXC Global Partnership 案例 — DXC 把 Claude 定位为 Client Zero，OASIS 平台 95%+ 代码由 Claude 生成，已在 50+ 客户内落地
- Claude Agent Skills 完整指南（2025-10） — Skills 功能的原理、能力边界与最新特性解析
Customer Zero / Client Zero
- Wikipedia: Eating your own dog food — dogfooding 术语的起源和演化，1988 年 Microsoft 内部邮件 “Eating our own Dogfood”
- IBM Newsroom: 拥抱 AI-first 未来（2024-08-15） — AskHR 服务 IBM 全球 28 万员工，Client Zero 战略下的典型内部落地
Palantir Ontology
- Palantir Foundry 本体层次与数据存储（CSDN） — Semantic / Kinetic / Dynamic 三层结构详细拆解
- Palantir 语义层深度解读 — Object Type / Property / Link Type / Interface 四要素与知识图谱特性
Prescriptive Analytics
- Logicity: Prescriptive Analytics — From Prediction to Action — 从描述→预测→规范三层跃迁的英文原始出处
- SmartData: Descriptive, Predictive, and Prescriptive Analytics Explained — 三层分析法的商业含义对照
企业 AI 采用与嵌入式设计
- Autodesk AI Assistant 概览 — 如何把 AI 嵌入现有产品 UI、避免让用户学习新系统
- Autodesk CIO 谈 AI 采用 — “20% 主动尝鲜 / 80% 需要引导” 的经验和 I2I（idea-to-implementation）框架
相关阅读
- The Loop 011 — 从 Hermes Kanban 到确定性 DAG — 本期的”下一层”：多 Agent 协同的工程实现
- The Loop 009 — 从 Building Effective Agents 到 Claude Code 动态工作流 — Agent 工作流模式的系统梳理