先标准化，再智能化

这一天梳理了几件事：培训体系、销售质检、话术库建设、老师匹配优化，以及后续的六个智能体方向。它们看起来分属不同环节，但最后都指向同一句话：先标准化，再智能化。

如果标准没有建立，AI 很容易只是把原本分散、模糊、依赖个人经验的东西放大一遍；但如果数据和规则先整理清楚，后面的智能化反而会顺很多。

培训体系的问题，不是先缺 AI，而是先缺标准

当天讨论培训体系时，一个很直接的问题是：现在的培训几乎完全依靠主管个人输出，没有统一标准，员工水平参差不齐，而主管本身也很难天然具备专业培训师的能力。

所以这件事的方向，不是让 AI 一次性包办全部培训，而是先让 AI 生成基础内容，再由专人斟酌调整，逐步形成分阶段的结构化大纲，明确每个时段应该培训什么、怎么考核，后续再配套 PPT 和相关物料。

我觉得这里最重要的一点，不是“用了 AI”，而是先把培训从个人经验转成可以复用、可以迭代、可以传递的标准体系。用一句更直白的话说，就是：AI 先生成骨架，人再打磨内容。

销售质检的问题也非常典型。现在质检结果主要汇总在经办人处，管理者看不到真实状态；更大的问题是，如果让销售自己选择提交哪次沟通记录，人性会让大家倾向于只提交“没问题的”，于是质检反而失去了发现问题的意义。

这件事的关键，不是先讨论多复杂的质检模型，而是先把范围标准化。管理者需要明确规定质检范围，不能由销售自选，要覆盖新客沟通、成交流程、售后客诉的全链路，而且同一客户可以按时间多次质检、分别记录。

话术库建设也是类似的问题。销售迁移到 WorkBuddy 之后，旧话术库原来的自动收集机制失效了。新的方案不是直接追求更复杂的自动化，而是先由专人收集聊天记录，用 WorkBuddy 生成新话术，再同步到飞书进行分类整理，每周提交汇总，后续再接入培训体系给新员工使用。

这两件事放在一起看，本质上都是同一个问题：先把记录怎么收、怎么分、怎么沉淀定清楚，后面的优化才有基础。

老师匹配这件事给我的感受也很强。核心问题并不是工具不够“智能”，而是标签维度不精准、搜索效率低。

当天给出的方案分两步。第一步，先制作脱敏版老师信息表，删除真实姓名、保留序号，避免核心数据泄露到公网 AI。第二步，按标准维度重新整理老师数据，后续用学生需求关键词去匹配老师擅长关键词，做到快速、精准的匹配。

这里最有意思的一点是：这个方案甚至不一定需要 AI。只要逻辑理顺、维度整理好，匹配本身就可以非常快。这让我更确定，很多业务问题的第一步不是上更强的模型，而是先把数据结构和判断逻辑整理明白。

当天一共整理出六个智能体方向：简历真实性验证、老师精准匹配、销售质检、销售话术库、新员工培训、教务 SOP 优化。开发节奏上的建议是，先做简历验证和销售质检，再做老师匹配和话术库，之后持续迭代培训和 SOP 优化。

这些方向虽然不同，但它们的共同前提很一致：如果前面的数据、规则、标签、流程没有先标准化，智能体做出来也很难稳定。

所以这一天给我的总结很明确：培训、质检、匹配，每一个都是“数据标准化优先于智能化”的经典案例。很多时候，真正决定效果的不是 AI 放在多前面，而是标准有没有先立住。

最后我把这一天的感受记成一句最短的话：先标准化，再智能化。