方法 · 可阅读长文

知识大于数据大于模型

模型很强，救不了未整理的规则与例外。AI 落地的第一硬仗，是把可执行的知识变成可供给的资产。

问题：把模型当救世主

立项材料从模型参数与厂商对标写起，业务规则、边界、例外仍散落在老员工头脑与聊天记录里。上线后幻觉与返工被归咎于「模型不够新」。

数据很多不等于知识在：表格与日志不等于可执行经验。没有知识供给，智能体只会更快地给出不确定答案。

空壳先进话术（全网智算、自主决策）会抬高期望，却给不出 90 天可验证的最小成果，业务侧不愿接。

效果交付优先：立项即定北极星业务指标。知识大于数据大于模型——先治理规则、边界、例外与审稿责任，再选模型与工程。

上线是开始不是完成。人机分工写清哪些必须人审；陪跑写退出标准，内部能力必须留下。

一期先进性体现在「真能跑的诊断与预报告」，而不是堆叠模型名词。人力资本网络提供的是懂仗的人与方法，不是又一个模型供应商故事。

可与 AI 落地诊断对照。知识清单写不齐，就暂缓扩模型。

规则、边界、例外、升级条件。写不清的项，模型禁止自动答。

谁维护、多久审、错误如何回写。知识无主人，必然漂移。

业务可验证结果，而非功能清单。接诊断预报告结构。

哪些输出必须人审。HITL 不是口号，是验收项。

知识供给稳定后，才扩大自动范围。需要时顾问/FDE 按退出标准上场。