02 / AI 应用 / 2026
AI 询盘
与知识工作台
识别、判断、检索、起草 —— 询盘处理的前四步收进同一个界面， 每条结论都能点回原文依据；对外发送那一步，始终留在人手里。
Scroll to read
01 / The Problem
询盘进来的第一小时，
决定了回复质量。
判断意向、翻资料、写回复，每一步都压在同一个人身上。 资料散在聊天记录和本地文件里，新同事接不上手。
- 01语言与格式都不统一，同一封询盘要读两遍才敢回
- 02关键信息不完整，靠来回追问补齐，一封信要来回几轮
- 03产品参数与箱规靠人翻资料，翻错一次就报错一次价
- 04报价与交期一旦发出去就定了，改一次要重新谈一轮，客户未必等
02 / Product Goal
让 AI 打下手，
判断权留给人。
模型只给选项与依据，不给决定。人看到的每一条结论，都能点开看它凭什么这么判断。
对智力不敏感、对延迟和成本敏感的活，先用免费规则挡掉。
只处理人真正要看的那几封，不为了「用上 AI」而全量调用。
分类建议与草稿带引用，能点回原文与产品资料。
人工纠正后留记录 —— 纠正本身就是下一轮评测的样本。
03 / System Flow
一封询盘，
走完六个动作。
识别、分级、检索、起草由系统完成；确认由人完成。
04 / Retrieval
（设计稿）
答案的出处，
比答案本身重要。
这一屏是检索链路的设计稿，不是已经上线的功能 —— 当前版本只做到引用标注。 绝大多数「AI 答错了」，其实是「没找到对的资料」： 力气要花在检索侧，而不是反复调提示词。
- 切分按语义边界切，不按固定字数 —— 把一条规格从中间切开，模型永远拼不回来
- 召回关键词与向量混合：型号、料号这类精确词，纯语义召回最容易漏
- 重排「召回 20 条」和「把最相关的 3 条排到最前」不是同一件事
- 生成必须带引用；没有依据的句子不写具体数字
05 / Model & Evaluation
不选最强，
选最合适。
头部几家的综合分差距已经收窄到个位数，单价却能差出十倍以上。 真正的变量是三个：这个任务值多少钱、能不能等、错了谁的损失最大。
- 初筛规则优先，模型按需触发 —— 对智力不敏感，对延迟和成本极敏感
- 抽取大上下文 + 中等价位 —— 决定成败的是能不能把整份资料塞进去
- 写作写作质量第一梯队，价格次之 —— 措辞失礼的成本远高于 token 成本
- 长链路顶部模型，贵也值 —— 一步错会污染后面所有步骤，重跑代价更大
- 批处理能排队的一律走批处理接口，错峰跑、按折扣档结算 —— 不该按实时价付费
06 / Human In The Loop
不可逆的动作，
不交给系统。
这条链路砍掉了自动发送 —— 不是模型做不到，是价格和交期发出去以后收不回来。 把 AI 放在高频、低代价、可回滚的环节，把不可逆的动作留给人。
- 不外发只生成站内草稿与记录，发送动作由人完成
- 不改价报价数字来自资料库，模型只负责组织语言
- 不承诺交期与账期不作为 AI 的输出项
- 可推翻人工纠正分类后留痕，进入下一轮评测样本
07 / What Changed
省下来的，
是每天的第一个小时。
这套东西没有把人换掉，它把最费时的两步 —— 判断意向、翻资料 —— 挪到了人动手之前。下面这几个数，是上线前后拿同一批询盘对比出来的。
- 快在哪从「先翻资料再动笔」变成「在草稿上直接改」，省掉的是翻资料那一趟
- 判断有依据每条结论都能点回原文，新人不用挨个问同事也能分辨该不该接
- 错了不白错人工纠正留痕，纠正本身就是下一轮评测的样本，同类错误不重复出现
- 不会发错价报价与交期不出 AI 的手 —— 提速的前提是这条线没有被松开
关于数据：所有截图与示例均为合成数据或已脱敏处理，不含真实客户、供应商与账目信息。