昨天，我还在讨论微信“小微”和WorkBuddy。

它们让我看到一个越来越清晰的趋势：

AI正在从聊天框走向真实的生活和工作入口。

图片

今天，我继续完善企微智能机器人。

目前，它已经可以依据知识库，对微信收到的内容进行自动回复。

晚上，我们又开了一场视频会议，确定在月底开展一场Codex入门课。

这两件事看起来并不相同。

一个是企业微信里的智能机器人。

一个是面向初学者的AI实践课程。

但它们背后，其实指向同一个变化：

我正在从自己使用AI，走向让AI进入真实业务，并尝试把这套能力交给更多人。

不过，这还不是成果总结。

企微机器人能够自动回复，不等于它已经可以稳定服务企业。

确定月底开展课程，也不等于课程已经完成，更不代表学员已经获得结果。

今天真正完成的，只是两个新的起点。

从“会回答”到“根据企业知识回答”

普通AI可以回答很多问题。

但企业真正需要的，不是一个什么都能聊的机器人。

客户问产品价格，它不能凭通用知识猜测。

客户问交付时间，它不能生成一个看起来合理、实际无法兑现的答案。

客户问售后政策，它也不能根据互联网上的相似信息自由发挥。

企业需要的回答，必须来自企业自己的资料。

包括产品信息、服务范围、业务规则、常见问题和已经确认的处理标准。

因此，今天完善的企微智能机器人，核心并不是“自动回复”这四个字。

真正重要的是，它开始具备一条基础链路：

客户在微信中提出问题。

系统识别问题。

从企业知识库中寻找相关内容。

根据检索到的信息组织回复。

再把结果返回到微信沟通场景中。

AI不再只依靠模型自身掌握的通用知识。

它开始基于企业已经确认的知识回答问题。

这一步看起来简单，却决定了AI能不能真正进入企业服务流程。

图片

自动回复只是最容易看见的一层

当机器人成功回复一条消息时，最容易看到的是最后生成的文字。

但一条回复是否可靠，取决于它背后的一整套系统。

知识库里有没有对应内容？

检索到的是不是正确版本？

多份资料相互冲突时应该相信哪一份？

客户的问题不够清楚时，系统应该继续追问，还是直接回答？

涉及价格、合同、交期和售后责任时，能不能让AI自动发送？

如果知识库里没有答案，系统应该怎样处理？

这些问题没有解决，自动回复越快，错误传播得也可能越快。

所以，我不能只测试机器人能不能生成一段完整的话。

还要继续验证：

  • 回答是否真正来自知识库

  • 引用的信息是否准确

  • 过期内容能不能及时停用

  • 不确定的问题能不能主动说明

  • 高风险问题能不能转交人工

  • 每次回复能不能留下记录

  • 出现错误以后能不能追溯原因

对企业来说，回复速度当然重要。

但比回复速度更重要的是：

这句话能不能代表企业说出口。

企业知识库不是上传几个文件

很多人谈到“AI＋知识库”，第一反应是把企业资料上传给模型。

上传完成以后，似乎就拥有了一个懂企业业务的智能机器人。

真正实践以后，我越来越确定，事情没有这么简单。

企业资料经常分散在不同位置。

产品信息可能在表格里。

服务标准可能在文档里。

最新价格可能存在业务人员的聊天记录中。

还有一些关键判断，从来没有被正式记录，只存在于老员工的经验里。

即使把这些内容全部放进知识库，也不代表它们可以直接使用。

资料可能已经过期。

同一个问题可能存在多个版本。

文字可能只适合内部人员理解，并不适合直接回复客户。

部分信息也可能涉及权限，不能被所有人或所有场景调用。

所以，建设企业知识库真正困难的部分，不是上传文件。

而是对知识进行整理、确认和治理：

什么是当前有效信息？

什么内容已经失效？

谁有权修改？

哪些内容可以对外使用？

出现冲突以后，以什么为准？

只有这些问题逐渐明确，AI的回复才可能从“看起来专业”变成“可以被企业采用”。

图片

AI必须知道什么时候不回答

一个可靠的智能机器人，不应该追求回答所有问题。

它还需要拥有拒绝回答和转交人工的能力。

例如客户询问公开的产品规格，系统可以依据知识库直接回复。

客户询问常见的操作方法，也可以由机器人优先处理。

但如果问题涉及最终报价、合同承诺、特殊定制、账期、投诉或者法律责任，AI就不应该自行作出决定。

它可以整理已知信息。

可以提醒员工需要补充什么。

可以生成一份回复草稿。

但最后的判断和对外承诺，仍然需要由相应人员确认。

这也是我在企业AI项目中反复遇到的边界：

AI可以提高信息处理速度。

但责任不会因为自动化而消失。

系统越接近真实业务，越不能只追求“无人参与”。

更现实的目标是：

让AI处理高频、重复、规则清晰的问题。

让人集中处理模糊、高风险和需要承担责任的问题。

如果这条边界能够划清楚，机器人才能真正减少工作量，而不是制造新的返工和风险。

图片

晚上的会议，确定了一场Codex入门课

今天晚上，我们通过视频会议确定：

计划在月底开展一场Codex入门课。

根据OpenAI官方介绍，Codex可以帮助用户理解代码库、开发和修改功能、运行测试、修复问题并检查代码变化。

但如果只是把这些功能逐条介绍一遍，课程很容易变成一场工具演示。

参加者看完以后可能觉得AI很强。

回到自己的电脑前，却仍然不知道第一步应该做什么。

所以，这场入门课真正需要解决的，不是让大家记住更多功能。

而是帮助一个没有系统经验的初学者跨过最初的门槛：

怎样把模糊想法说清楚？

怎样让Codex理解当前项目？

怎样把一个大目标拆成可以执行的小任务？

怎样检查它到底修改了什么？

怎样判断结果是否符合要求？

出现错误以后，应该继续补充信息，还是停止并重新整理需求？

这些能力并不只是学习几个命令。

它们本质上是一种新的协作方式：

从亲自完成每一步，转向提出目标、提供上下文、检查过程并验收结果。

会使用AI，不等于能够教会别人

我现在每天都在使用AI。

让它参与内容生产、图片生成、项目梳理、知识整理和工具开发。

但自己能够使用，不代表能够教会别人。

一个人长期实践以后，会逐渐形成很多默认习惯。

他知道什么时候应该补充背景。

知道什么时候结果可能出错。

知道哪些内容必须自己检查。

这些经验对使用者本人来说已经变得自然，却不一定被明确表达出来。

而初学者真正缺少的，往往正是这些没有写出来的判断。

所以，准备一场入门课，会反过来检验我自己的能力。

如果我不能把一个过程讲清楚，说明我可能只是凭经验在使用。

如果学员听懂了，却无法独立完成任务，说明课程仍然停留在知识介绍。

如果不同的人按照同一套方法操作，结果差异非常大，说明其中还有关键步骤没有被标准化。

因此，这场课程对我来说也不是一次简单分享。

它会迫使我把个人经验整理成：

  • 明确的学习目标

  • 可以复现的操作步骤

  • 真实而有限的练习任务

  • 常见错误及处理方式

  • 清晰的结果验收标准

只有这样，实践经验才可能被别人真正使用。

一个负责传递企业知识，一个负责传递实践能力

企微智能机器人和Codex入门课，表面上没有直接关系。

但今天把它们放在一起看，我发现两者都在解决“知识怎样被调用”的问题。

企微机器人要做的，是让企业已经确认的知识，在客户提出问题时被准确调用。

Codex入门课要做的，是把个人实践中形成的方法，转化成初学者能够理解和复现的过程。

一个面对企业客户。

一个面对学习者。

一个依靠系统检索和自动回复。

一个依靠课程设计和现场实践。

它们共同要求我回答几个问题：

什么内容已经得到验证？

什么内容只是个人判断？

哪些步骤可以标准化？

哪些环节必须保留人工判断？

最终怎样证明对方真正获得了结果？

这也让我意识到，知识只有被记录下来还不够。

它还需要在正确的场景中，被正确的人，以正确的方式调用。

否则，知识库只是一堆文件。

课程也只是一堆幻灯片。

一人公司的能力正在发生变化

最初，我理解的一人公司，是一个人借助AI完成更多工作。

后来，我开始为自己制作工具，让AI参与真实任务。

再后来，我开始承接企业项目，需要对系统能否使用负责。

现在，我又开始尝试把实践经验整理成课程，帮助其他人建立最基础的使用能力。

这条路径正在逐渐展开：

先自己使用。

再进入业务。

然后接受真实验证。

最后把有效部分整理成别人能够复用的产品、服务或方法。

但这里最容易出现的风险，也是过早复制。

机器人刚刚能够运行，就急着把它包装成成熟解决方案。

课程刚刚确定，就开始承诺学习效果。

方法只在自己身上有效，就直接宣布可以适用于所有企业。

这些都不符合“芜黎AI”想记录的真实过程。

所以，今天只能确认：

企微智能机器人已经具备基于知识库自动回复的基础能力，接下来还要继续测试准确率、异常情况和人工接管机制。

Codex入门课已经确定在月底开展，接下来还要明确对象、内容、练习任务和验收标准。

它们都在向前推进。

但都还没有完成最终验证。

图片

下一步，不是继续增加功能

企微机器人接下来最重要的，不是立刻加入更多复杂能力。

而是先准备一批真实问题进行测试。

哪些问题可以准确回答？

哪些问题检索不到内容？

哪些回答存在歧义？

什么情况下需要转交人工？

员工和客户是否愿意接受这种回复方式？

只有连续测试以后，才能判断它究竟是在减少重复工作，还是产生新的检查负担。

Codex入门课也是一样。

第一版不需要覆盖所有功能。

它需要选择一个初学者能够理解、能够完成、能够看到结果的小任务。

让参与者经历一次完整过程：

提出需求。

提供上下文。

让Codex执行。

检查修改。

运行验证。

根据结果继续调整。

如果参加者离开课程以后，能够独立完成一次类似任务，这场入门课才算产生了初步价值。

今天，我开始思考怎样把能力交付出去

今天完成的事情并不宏大。

一个正在完善的企微智能机器人。

一次确定月底课程的视频会议。

但它们让我看到，自己的角色正在发生变化。

以前，我主要思考怎样让AI帮助自己完成更多工作。

现在，我需要开始思考：

怎样让AI在企业场景中可靠工作？

怎样让没有经验的人真正掌握一种新工具？

怎样把个人实践转化成可验证、可复现的交付？

AI扩大了一个人的能力。

但只有当这种能力能够进入真实流程、帮助真实的人，并产生可以检查的结果时，它才真正形成价值。

这里是芜黎AI。

企微机器人还在继续完善。

Codex入门课也只是刚刚确定。

现在还不能宣布它们已经成功。

但今天，我已经开始从“自己会用AI”，走向下一步：

让AI进入业务，也让更多人学会与AI一起完成工作。

参考资料：

OpenAI Developers｜Codex官方介绍