场景蓝图规划

要解决的问题

把 AI Agent 引入业务前，管理层通常会被三个问题卡住：这个场景适不适合上 Agent？从哪个环节切入、分几步走？投入多少、多久能回本？这三件事如果靠经验拍板，很容易在上线后才暴露流程没标准化、数据不可用、ROI 算不清楚的问题。

本技能把这套决策过程结构化：不再讨论"AI 能不能用"，而是输出一份覆盖行业诊断、锚点定位、功能边界、技术架构、实施路径、ROI 量化和人机协作的完整蓝图。

核心能力：7 要素场景蓝图

蓝图由 7 个要素构成，每个要素都有明确的输入问题和输出物：

• 行业诊断：从合规要求、流程标准化程度、数据密度、人工成本占比、决策复杂度五个维度判断 Agent 适配度。
• 业务锚点：按"高频 × 高值"原则在痛点中定位 1 个切入点，明确排除低频低值场景。
• 功能定义：划定 MVP 的三层边界——输入格式与来源、输出形式与受众、权限级别（只读/建议/半自动/全自动）。
• 技术架构：按场景特征选择 单Agent + RAG、Multi-Agent 协作、CoT 推理链或私有化部署。
• 实操路径：知识工程 → 原型验证 → 系统对接 → 试点上线 → 规模化，每步给出时间估算、交付物和验收标准。
• ROI 量化：区分一次性投入与持续运营成本，从人力替代、处理量提升、错误率下降、风险规避四维度计算收益，输出回收期和 3 年净现值。
• 人机协作：在 AI 辅助、人审批、人兜底、全自主四种模式中选型，并定义转人工的触发条件。

关键步骤与数据约束

运行前必须收集 6 项必填信息：细分行业、公司规模、核心痛点（含量化数据）、数字化基础、预算范围、优先方向。信息不完整时，要求先补齐再生成蓝图，不猜测、不假设。

案例对标是另一条硬约束：每个要素必须引用至少 1 个真实案例，优先从 references/cases.md 的 32 个实体案例中按"同行业 → 同场景 → 同规模"顺序查找；无精确匹配时取最接近案例并标注"近似对标"，禁止编造。

适用边界

• 输出质量高度依赖输入的量化程度。痛点描述缺少漏检率、处理量、赔偿金额等数字时，ROI 只能给出估算区间，无法收敛到具体回收期。
• 蓝图是决策辅助，不是技术方案设计：它回答"做什么、先做什么、值不值得做"，不负责模型选型和工程实现细节。
• 案例库覆盖制造、金融、零售、医疗、能源等行业，但各行业案例数量有限，冷门细分行业只能依赖近似对标，参考价值相应下降。
• 人机协作的转人工触发条件需结合业务风险偏好调整，蓝图给出的是建议基线而非最终规则。