01 开篇：一半的故障可能都是“假的”

上一篇文章发出后，很多朋友在后台问我：“万劲，你说的那个智能诊断AI Agent，到底是怎么做出来的？”
原文配图 1
今天，我们就来扒一扒这个案例的“内脏”。
故事的起点，是供应链运维中心一个长久以来的“隐形痛点”：无效派单。
在我们的 IoT 设备运维体系里，不仅要修设备，还要承担高昂的上门成本——每一次工程师驱车前往现场，无论修没修好，公司都必须支付一笔不菲的上门费；
但在复盘返厂设备的检测数据时，我们发现了一个惊人的现象：有相当大比例的返厂设备，在经过严格检测后，实际上是“合格品”。
这意味着，这些所谓的“故障”其实是“假故障”（比如仅仅是信号临时波动、参数配置错误，或者只需要重启一下）。
它们本可以通过远程手段低成本解决，却被错误地派给了工程师上门，
每一张无效工单的背后，都是公司真金白银的浪费。
这个“出血点”，正是供应链的痛点，核心诉求是：能不能用 AI 把这个漏斗给堵住？

02 深度复盘：不仅仅是“执行”，而是“重构”

这是一个典型的深水区降本项目，为什么之前的普通优化手段效果不佳？因为问题的根源不在“执行力”，而在“专家经验”与“通用标准”之间的断层。
为了挖掘真相，我回归到产品运营的本职工作——深入一线，去还原那个被忽略的真实业务场景；

第一现场：失效的“标准答案”

起初，我们复盘了一线客服的诊断流程。
其实，我非常清楚客服手里的 SOP（标准作业程序）。早在去年，为了做智能客服项目，我们就已经将这套 SOP 复刻进了系统：

设备显示在线吗？

过有效期了吗？

SIM卡异常了吗？

重启试过了吗？

但现实给了我们一记重锤：即使我们严格执行了这 4 步诊断，无效上门的比例依然居高不下。这说明一个残酷的事实：对于复杂的 IoT 设备，这套“通用标准”是远远不够的，它能过滤掉小白问题，但防不住深藏不露的“假故障”。

第二现场：技术支持的“二线把关”

既然客服的 SOP 到了天花板，这些“漏网之鱼”到底是从哪里流出去的？我顺藤摸瓜找到了工单流转的下一环——技术支持团队；
他们的职责非常明确：当一线客服排查定位不到问题时，会升级给他们。由这群专家处理疑难杂症，并最终拍板——这个单子到底要不要下检修。
这里，正是问题的关键： 为什么同一个设备，客服觉得“坏了”，转给技术支持一看，就能发现“没坏”？技术支持做判断的依据，到底比客服多出了什么？

第三现场：老专家的“隐性真经”

为了彻底搞懂这里的门道，我做了一个决定：搬个椅子，像学徒一样坐在技术专家旁边。
他每查一步，我就问一句：“这步是在看什么？逻辑是什么？如果不看会怎么样？”
最终，我震惊地发现，在这个看似简单的“离线”故障背后，技术专家在脑海里跑了整整12 个诊断步骤！除了客服那简单的 4 步，后面还有 8 步是“隐形”的：
步骤 5：检查最近 24 小时的心跳报文间隔是否异常？
步骤 6：检查 4G 信号强度历史曲线是否骤降？（比如数值为 0 可能是基站问题，而非设备坏了）
步骤 7：对比固件版本与基站兼容性列表……
这些步骤，从未被完整写在客服的文档里（因为这个培训成本太高了），它们只存在于老专家的潜意识和肌肉记忆中。
这就是我的核心观点：在企业AI场景中，不懂业务，绝对做不出好的 AI 产品
原文配图 2

03 解决方案：Agent 变身“铁面守门员”

拿到了这 12 步“真经”，剩下的就是工程化复刻，我们将 AI Agent 的定位从“辅助工具”升级为系统的“流程守门员”。

1. 核心定位：SOP 即思维链 (SOP as CoT)

我们没有做一个简单的问答机器人，而是构建了一个具备工具调用能力的 Agent。
在这里，我们应用了 思维链（CoT） 技术。
CoT 的核心机制在于任务分解和推理过程生成。在我们的实践中，SOP（标准作业程序）天然就是一种结构化的思维链。
我们将老专家的 12 步排查逻辑，映射到了ReAct 框架中。通过“思考-行动-观察”的循环，让 Agent 能够动态地与外部环境（通过工具）交互。
例如，我们将一份“设备离线 SOP”翻译给 AI 的过程如下：
[观察] 接到设备离线报修请求，设备 ID 为 XXXXXX
[思考] 确认设备当前的在线状态；
[行动] 调用 {check_device_status} 工具，返回状态为“离线”
[思考] 进一步确认通信时间和定位时间，判断是真离线还是不定位，并结合 ACC 状态分析
[行动] 调用 {check_last_communication} 工具...
[思考] ACC 开启且通信中断超过 20 分钟，判定为真离线故障
[行动] 已确认设备离线，下一步排除非技术性因素（欠费或 SIM 卡异常）
[观察] 调用 {check_service_status} 工具查询服务到期情况；
[思考] 服务期状态显示“服务中”
[行动] 服务期正常。需检查 SIM 卡物理及数据状态。
...
通过这种方式，我们将人类专家的操作逻辑“翻译”给了 AI，让它像一个不知疲倦的资深工程师，瞬间跑完所有诊断流程。

2. 强制风控：没有诊断，就没有派单

比标准割裂更可怕的，是系统的漏洞。以前，客服人员可以跳过诊断直接下单。
为了堵住这个漏洞，我们在系统层面做了“强绑定”：
逻辑锁死：只有当 Agent 跑完上述 ReAct 循环，且明确给出“建议上门”的结论时，下单按钮才会亮起。
自动拦截：如果 Agent 判断可以通过远程修复（如重启、升级），系统会直接拦截下单请求，并给出修复指引。
这一招“先诊断、后派单”的铁律，直接斩断了人为绕过规则的可能性。

3. 成果验证

项目全量上线后，效果立竿见影：
当前收益：仅“离线”这一个场景，工单拦截率就维持在了一个非常理想的高位，预计每年能为公司节省数十万元的运维成本。
准确率：诊断准确率极高，一线客服对诊断结果的认可度也达到了预期。

04 深度反思：重新定义“提效”，拒绝虚假繁荣

在组织推进 AI 的过程中，最容易陷入的误区就是“为了做 AI 而做 AI”。在这个项目中，我们必须在组织层面建立一套严苛的衡量标准，拒绝虚假繁荣。
原文配图 3
什么样的提效才是真提效？

1. 硬性提效

这是管理者最想看到的，标志是财务台账上的显性变化。
指标：编制的直接减少，或者外包成本（如上门费）的降低。
案例：本项目中，我们砍掉的是实打实的“无效上门费”，这就是硬性提效。

2. 软性提效 (能量守恒)

标志是业务量激增但人员零增长。
指标：例如负责的客户数翻倍，或者设备接入量激增，但在不增加人员编制的情况下，依然能维持服务质量。
逻辑：活变多了，人没变，这就是利用 AI 守恒了能量。

3. 警惕“虚假提效”

这是我们最需要规避的陷阱。
定义：仅仅是“节省了某个环节的时间”。例如，用 AI 帮员工省了 2 小时写周报的时间。
真相：如果这节省下来的 2 小时没有转化成新的业务产出，也没有因此减少成本，那么这 2 小时最终只会变成员工的无效空转。这种不产生 ROI 的“节省”，就像是在跑步机上狂奔——大汗淋漓，但原地踏步。对组织来说，这是毫无意义的虚假繁荣。

05 进阶思考：AI 时代的“业务架构师”与“驻场局外人”

在 G7 易流的这个项目中，我们深刻体会到，AI 时代对人才的需求正在发生结构性变化。
尤其是对于产品和运营角色，其价值核心正从传统的“功能设计”和“流程执行”转向“系统构建”和“逻辑编排”。未来的产品运营专家，更像是一位“业务架构师”——或者说，是一位具备深度业务洞察的“驻场局外人”。
我们认为，优秀的业务架构师需要具备三种融合性的核心能力：

第一层：业务抽象能力

——这是最核心的能力。
他们需要能够穿透日常运营的繁杂表象，提炼出业务流程中最本质、最干净的 SOP 逻辑图。
这项能力要求从业者既要深入业务细节，又要具备高度的系统化和结构化思维，能够将隐性的专家经验显性化、模块化，使其可以被 AI 理解和执行。

第二层：数据与 AI 素养

——这不再是数据科学家的专属技能。
业务架构师必须理解数据的价值，知道什么样的业务数据是能够喂养出聪明模型的“好饲料”。
他们需要掌握基本的 AI 概念（如 RAG、CoT、Agentic AI），了解不同技术的能力边界和适用场景，并能与技术团队进行有效沟通，共同设计解决方案。你不需要会写代码，但你必须有 AI 的“Taste”（品味与判断力）。

第三层：系统工程思维

——从“手工作坊”到“自动化工厂”。
他们需要懂得如何利用日益丰富的 AI 工具链（如 GPTs、低代码平台、Agent 框架），将个人的业务洞察和抽象能力，复制、放大为整个组织可复用的能力；
这是一种将“单点经验”升级为“规模化系统”的思维，是实现组织能力规模化的关键。
作为产品运营，深入一线是本能，但 AI 时代的深入，需要一种新的视角：
  • 驻场 ：像我这次一样，扎进技术支持团队，坐在老专家身边，去获取最真实的“隐性知识”。
  • 局外 ：保持“认知的疏离感”，不被现有的 SOP（如：那 4 步诊断）同化，敢于质疑“一直以来就是这样”的惯性，用系统的眼光去重构流程。
这种“既入乎其内，又出乎其外”的张力，正是 AI 落地最稀缺的能力。
正如德勤的报告所指出的，大部分供应链领导者认为其公司缺乏实现数字化目标所需的人才和技能，弥合这一技能鸿沟，不仅需要技能的提升，更需要角色的重塑。
这意味着，我们需要鼓励团队从“流程执行者”向“流程设计者和优化者”转变。

06 未来扩展：从“头痛医头”到“全车体检”

堵住了漏洞只是第一步，这个 Agent 的潜力还在于它的扩展性。

横向扩展：覆盖更多设备

目前我们主要解决的是“离线”问题，未来我们将把这套逻辑复制到摄像头（黑屏/花屏）、温度探头（数据异常）、主机等更多设备类型，攻克所有高频故障场景；

纵向扩展：主动体检（解决“一次上门修不完”）

这是我们下一步最看重的价值——解决“重复上门”的痛点。
痛点：以前工程师上门，只修主机，结果修完主机走了，第二天客户又报修说摄像头坏了，工程师得再跑一趟。
AI 解法： 既然 Agent 具备了全套诊断能力，我们可以在工程师接单的瞬间，让 Agent 对该车辆的所有设备发起一次“主动全车体检”。
“检测到主机故障，同时发现摄像头信号微弱，建议一并检查。”
通过这种方式，我们将“被动维修”转变为“主动预防”，实现一次上门，解决所有隐患，大幅降低总体上门频次。

07 结语

这个项目验证了一个道理：最好的 AI 应用，往往藏在那些“最不起眼、最耗人、最枯燥”的业务流程里。
它不需要惊天动地的大模型，只需要你愿意蹲在业务员旁边，看他敲一天的键盘，然后问一句：“为什么要这么做？”
当我们把这些隐性的“老师傅经验”提取出来，注入到 Agent 里时，组织的能力就完成了从“个人经验”到“系统资产”的跃迁；
我坚信：最好的数字化转型，不是用 AI 取代人，而是让 AI 成为那个“永不疲倦的老师傅”。
（在下一期，我们将深入探讨企业 AI 转型的具体落地路径。
欢迎关注我的公众号，在这里，我专注于 B 端 AI 实战经验的复盘——拒绝理论空谈，只讲那些真枪实弹换来的、‘带血’的落地心法。）