01 / Core
价值场景判断
先判断 AI 是否真的解决问题、创造价值，再决定要不要投入工程资源。
Focus Areas
我关注 AI 进入真实工作的四个关键
AI 进入真实工作，需要重新判断哪些环节值得改造、哪些门槛可以降低、哪些能力应该被更多人使用。
02
可靠 Agent 落地
让智能体在清晰边界、工具能力、状态记录和验证反馈中推进任务，并把结果交回业务系统。
03
流程重构与人机协同
AI 进入组织后，原有工作方式会变化；关键是让人理解边界、转变意识，并把新能力用起来。
04
数据、知识与系统底座
把空间、指标、知识、接口和流程放到一起，让复杂场景能被看见、被分析、被行动。
Field Notes
AI 落地的第一步，是看清价值和取舍
我的判断是：AI 应用必须真的创造价值。场景、流程和人的意识转变先想清楚，项目投入才有意义。
- 01
价值先于项目
做 AI 项目前，先确认它解决什么问题、带来什么变化、如何被验证。
- 02
效率来自价值密度
AI 减少机械工作，同时放大人的判断责任。省下来的时间应该流向判断、创造、复盘和更有成果的产出。
- 03
先有己见，再用 AI
AI 可以提炼、联想和加速学习，但人的目标、原文判断和领域常识必须在前面，否则很容易被逻辑自洽的错误带偏。
- 04
复杂问题要先拆开
能否用好 AI，本质上取决于你能否把业务问题拆成边界、步骤、输入输出和验证标准。
- 05
固定流程要进入系统
稳定步骤沉到 Tool、验证器、状态机或 Runtime；模型处理语义判断，系统保证顺序、边界、状态和结果验证。
- 06
数据之上是知识
企业的竞争力来自信息提炼能力：把数据、经验和流程沉淀成 SOP、规则和可复用的 Skill。
- 07
应用红利来自门槛下降
好的 AI 应用应该让更多人不用理解太多技术细节，也能获得更强的分析、执行和创造能力。
- 08
工作方式会被重构
研发负责平台、接口和工具，业务负责流程、场景和知识表达；双方都要改变意识，AI 才能真正进入工作。
Selected Practice
从项目中沉淀出的可复用系统能力
地图、数据、流程、智能体和现场任务，最终都要被组织成可复用、可扩展、可持续运营的能力底座。
Selected 01
GIS / BI 基础能力平台
抽象地图、图层、看板、统计分析和业务组件等通用能力，为多类数字化项目提供可复用底座。
GISBI平台化数据可视化
02
AI + IoT 智能体技术底座
探索大模型、智能体、物联网设备、数据接口和业务流程的连接方式，让 AI 能够感知数据、调用能力并进入现场任务。
AI + IoTTask PlanningField OperationsObservability
03
自然语言数据分析智能体
面向业务查询、指标解释和辅助决策，通过自然语言交互降低数据使用门槛，让业务人员更容易理解数据。
Text-to-SQLBIData Agent指标分析
04
现场任务控制智能体
面向巡检、作业、应急等现场任务，探索智能体如何从任务理解进一步走向工具调用、计划执行和状态反馈。
AI + IoTTask PlanningTool Calling现场任务
05
数据治理与资产工作站
围绕数据资产整理、元数据、指标口径和数据质量，建设支撑数据分析与 AI 应用的数据基础能力。
Data GovernanceData AssetsMetadataAI Ready Data
Method
我判断一个 AI 场景值不值得做，会看这六件事
先回答值不值得做，再讨论怎么实现：问题要真实，价值要清楚，使用门槛要下降，流程和风险要能被组织承接。
- 01
真实问题
问题要足够具体：谁被什么阻碍、当前成本在哪里、AI 介入后会带来什么变化。
- 02
价值密度
价值要落到更好的判断、更少的重复、更快的响应、更稳的质量或新的业务能力。
- 03
使用人群与门槛
看清谁会真正使用，使用门槛能否下降，能力能否交付给更多非技术角色。
- 04
流程改变
AI 进入后，原流程的职责、交接、审批和反馈会发生变化，需要有人愿意按新方式工作。
- 05
数据与知识基础
基础数据、业务规则、SOP、权限和接口要能支撑它运行；缺口越大，投入越要谨慎。
- 06
验证与风险
提前定义结果标准、失败边界、人工兜底和复盘方式，确保投入之后能判断是否真的有效。
Capability Matrix
从问题到价值闭环的能力矩阵
能力来自真实问题判断、复杂场景拆解、人机协同流程设计，以及把 AI 能力交付到更多人真正能用的地方。
价值与场景判断
价值识别场景取舍边界定义风险识别可行性判断成功标准投入产出迭代节奏
复杂问题拆解
任务拆分流程建模输入输出验证标准异常路径责任边界系统抽象演进路线
AI 应用普惠能力
自然语言交互业务工具连接知识沉淀流程编排人机协同权限边界效果验证
Harness Engineering 与可靠执行
Runtime 边界厚 Tool 设计输入契约状态持久化验证器Trace / Eval错误恢复权限与审批
Thinking
这些是我持续打磨的 AI 判断
我关注智能如何产生真实价值，如何改变工作方式，并进一步进入个人能力、工程流程和组织协作之中。
驾驭智能 / HarnessAI 是我持续校准 AI 判断的一套坐标：把价值场景、工具体验、工程判断和组织变化放在一起看。
价值判断可靠 AgentHarness Engineering流程重构Trace / Eval组织协作
- 01
AI 要先回到价值
AI 应用的起点是真实问题、真实流程和可验证的价值。
- 02
真正的效率，是价值密度提升
省下来的时间应该流向判断、创造、复盘和更有成果的输出。
- 03
先有己见，再用 AI
AI 可以帮助学习和提炼，但人的目标、原文阅读和领域判断必须在前面，否则很容易被二手理解带偏。
- 04
复杂问题要先被拆开
当 AI 输出不稳定，往往意味着边界、步骤、上下文和可验证的结果标准还需要继续整理。
Contact
关注驾驭智能 / HarnessAI
扫描二维码，继续关注我的 AI 应用思考。
驾驭智能 / HarnessAI
微信公众号