见实 FDE 系列直播做到第四场，聊的是同一件事：AI 怎么落进真实业务，以及FDE 在这个过程中要如何发挥作用。
这一场的嘉宾龙菲给了一个更直接的答案：给中小企业做 Agent，先别谈概念，先算账。
他在直播里放了几段刚交付的视频。一个旅行社只给了些自己拍的素材，几个小时后拿到了 200 条完全不重样的成片。
扣除必要的成本和盈利空间，一条视频报价只要8-10元，一个月累计600-800、不到 1000 的营销视频制作费用支出，能保证至少两个号天天有内容可以发。
这批视频第一版其实被打回来过，字幕里留了不该留的字，平台不让发，改的过程全靠 AI 自动重剪：转场、配音、B roll、A roll 全部自动完成，一口气剪几百上千条。
这些活不是外包做的，龙菲把素材打标、写稿、审稿、出片、交付整个流程焊进代码，做成一个工作台，团队伙伴直接点按钮就能用。
近两年，AI 领域内有很多概念进入了大众视野，但真正落地很少。见实此前发布的数据里，七八成企业还停留在AI观望状态。这场直播，龙菲没有讲概念，全程讲判断、讲案例、讲账，以下是他的自述。
01
先上稳定的 Agent 工作流，
别重复定制
先把今天讨论的对象说清楚：
年总利润率不超过 1000 万元、人数不超过 100 人的中小企业。这类企业做 FDE，命题只有一个：赚不赚钱。
围绕这个命题，我的建议很直接：先上已经稳定的 Agent 工作流，别上来就重复定制。
落地路径可以拆成四步，每一步解决一个问题：
第一步，先上已经稳定的 Agent 工作流，解决 “用什么”；第二步，从五类 Agent 里选第一单，解决 “做什么”；第三步，把判断库建起来、让人先跑通，解决 “怎么落地”；第四步，算清成本、再定方向，解决 “值不值、往哪走”。下面按这个顺序展开。
先说为什么路径必须不同。大厂要的是效率，单项目预算动辄数百万上千万元，只找科大讯飞、华为这类头部服务商，供应链资质审核严格；中小企业问的是 “能不能赚钱、能不能马上看到效果”，按效率指标决策，老板只认结果。两条路径，服务商的选择逻辑完全不同。
第一类错误，是把 “买一套系统” 当成 “落地”。很多公司卖了很贵的系统给中小企业，员工还是用微信群传文件、用传统方式做报表，系统买回来就放着。这是 SaaS 行业的普遍困局，我自己买的工具也一样闲置了。买系统不等于买了能力，真正的落地是员工愿意用、用得上。
所以做 FDE 的第一步，是拿已经稳定的 Agent 工作流直接开干。当下的 AI 编程已经成熟，成熟的 Agent 和组件可以直接使用；发票智能体、数字人直播智能体这类产品，老板要什么就直接供给什么。
这里面有一个常被忽视的通用机会：市面上出现的 “AI 产品超市”，把做 PPT、改图、黑白照片变彩色这类基础 Agent 集合销售。
高级团队看不上，但对三四线城市是实打实的生产力进步，他们不会 P 图、不会选标题，几百元、一两千元一个，销量可观。
怎么判断一个产品是成熟件还是玩具？我有四个标准。
第一，看形态：如果产品仍依赖对话框调度，不合格。使用者需要持续指挥它，而指挥能力决定了产出质量的上限。
有人搭建 “AI 员工中台”，把多个 Agent 放进飞书群，看起来像一群员工在干活，但使用者的时间依然消耗在聊天和指挥上。
第二，看稳定性：单条跑通不等于能批量生产，我们的云剪辑工具从单条到十条、二十条，问题成倍出现；只有大批量稳定生产，才是合格的 Agent。
第三，看可移植性：换一台机器、换一个环境能否重新部署？商业化产品应当做到客户端零安装、依赖全部留在服务端。
第四，看产能：日产 1000 条视频，本地一台机器无法支撑，需要租用服务器、并发、集群来扩展产能，这考验基础架构能力。
02
从这五类 Agent 里选第一单
“用什么” 和 “做什么”，是两个问题：前面的四个标准，回答的是 “用什么”；老板愿意为什么买单，回答的是 “做什么”。
我把答案归纳为五类：情报总结、调研决策、内容中台、重复事务、知识库加判断库。五类不是五个选项，而是一条路径。
第一类，情报总结。很多老板热衷加入各类圈子，进群后很少发言，每天用少量时间浏览群消息，判断哪条信息与自己有关。他们要的不是知识本身，而是别人整理好的信息渠道，允许自己不在场，读完再做判断。
顺着这个需求，我们自研了微信社群整理：个人微信 4.1 以上版本，可以自动整理群内全部聊天记录，提炼每个人说了什么、哪一条与业务相关，每条可挂结论、挂原文、可回溯。
第二类，调研决策。Manus 本质上就是一个调研工具：通过爬虫收集行业进展、前沿信息，整理成可以上桌的报告。行业足够垂直，或需要券商级别的专业信息时，通用对话工具难以完成。
过去老板靠下属汇报做决策，低效且不准确；调研决策类 Agent 直接产出报告、辅助决策。帮老板做决策是一个巨大的市场，很多老板并不清楚自己要什么，他需要有人指点。
第三类，内容中台，这是我投入最深的。对中小企业老板来说，流量的本质就是内容生产，关键是把内容生产自动化、标准化，同时保证质量。
我们的产线能做到日产 1000 条 1 到 2 分钟的成片，不是几秒钟的口水视频，也不是混剪的电子垃圾，每天不重样、形象与设计各不相同，且按平台调性分别出稿，公众号、小红书、视频号、抖音各有一套。
运作流程是固定的：先判断内容发到哪里，再确认业务信息从哪来、素材如何匹配；选题、定标题、生成文案，文案进入标题体检，确认后自动配图交付。
配图沉淀了 30 多种方法、29 个画风，按平台和赛道自动匹配，每一种风格就是调好的 skill，换客户可以直接安装。
B 端的机会同样在内容上：很多投放公司最缺的就是素材，自己请人剪辑很费钱，我们经常每天给他们出几百到几千条投放素材。
第四类，重复事务。写文案、做 PPT、做统计表、核对发票，看似琐碎，但每天必须完成。
这类 Agent 分三种：搬运型，把资料从一处搬到另一处；生产型，错了改一下即可；核对型，如统计表、发票、订单，错了就是事故，必须交给 AI 校验，靠人眼效率太低。
第五类，知识库加判断库，这是底座。对内是 AI 助理，新人培训、制度学习、产品知识都可以灌进去；对外是客服应答。
五类怎么排顺序？前两类给老板用，中间两类给团队用，第五类是底座工程。绝大多数人做 FDE 翻车，是把顺序做反了，以为上 AI 项目就是先上对外客服，实际上是本末倒置。
03
先建判断库，再谈知识库
五类里的第五类，是重中之重，知识库加判断库。
做 FDE、做编程、做 AI 营销的人，几乎都在讲知识库，很少有人提判断库。这两个概念的区别，决定了项目能否落地。
知识库回答的是 “是什么”：企业把材料、报表、制度、手册喂进去，AI 给出一个答案。判断库解决的是 "我该怎么选、用什么标准做好这件事"。
多数企业只完成了前半段：知识库塞得满满当当，AI 说出来的话依然是外行，今天答对了，第二次、第三次再问同样的问题，答案就变了。缺乏长期稳定的判断标准作为上下文支撑，这是 AI 幻觉的主要来源。
企业的真正判断不在文档里。一条生产线出了故障，专业公司调试两个多月无果，老师傅上去三分钟解决，收费一万元。他依靠的不是手册，而是日积月累的经验和主观判断。
大量业务环节本质上是经验判断和逻辑判断，无法标准化成文档，与人的认知和判断标准深度绑定。脱离人的主观判断，就形成不了统一的判断库。
判断库怎么建？进入 FDE 的第一步，是和企业里最有经验的人把流程聊透，把最小的 SOP 闭环敲定并跑通。判断库不是一次性建成的，而是一个业务点、一条一条长出来的。
建知识库同样有标准可循，先看手上有什么物料。很多企业说想建知识库，全部文档加起来不超过 20 份，规章制度大多是拼凑的。
他们真正值钱的资产是话术单、是销冠的经验库：新人入岗前拿到的那份手册：怎么开场、怎么判断客户意图、怎么拿下大单。
连锁企业培训店长和员工，靠的也是这类文档。这些经验往往凝结在一两份、三五份文档里。现在的做法，是让 Agent 自带销冠的经验和判断标准，像人一样与意向客户自动化对话，不再需要人工介入。
落地的方法我总结为三步法：第一步，从业务中挑一条线，指定一个人，先把流程跑通；第二步，找到一个 60 分的标准答案；第三步，再让 AI 提效。
关键在第一步，人先跑通。和老板或他最熟悉的业务员一起，把流程完整走一遍，这是判断库的第一条。
另外三句话同样重要：找到具体的人和事，定好毕业标准，采购落到代码库。
我不建议中小企业采用大厂式的驻场模式：成本高，且市面上已经出现借 FDE 名义驻场、只提建议不落地的现象。
人跑通之后，再把流程焊进代码。旅行社那个案例就是这样：第一版被打回来，字幕里留了不该留的字，平台不让发，改的过程全靠 AI 自动重剪：转场、配音、B roll、A roll 全部自动完成，一口气剪几百上千条。因为流程已经固化成工作台，团队伙伴点按钮就能生产，客户不需要理解、员工不需要学习。
判断库是基建工程，前四类 Agent 都可以调用它，它决定了企业 AI 体系的上限；绝大多数企业只把知识库填满，却没有沉淀判断标准，这是 AI 应用翻车最集中的原因。
还有一条从大量项目换来的认知：上下文和记忆都靠不住，无论 agent.md 还是 memory.md，换一个窗口，模型会忘记已经解决的问题。
所有的坑、所有的判断，必须落到代码层。不能变成代码的经验，就不能变成抗打的产品。
04
算清成本，再决定方向
到中小企业一线去对接，会发现他们对内容的需求超级巨大，但对内容的标准又不高，这中间是一道巨大的利润差。
很多客户会主动跟我算一笔账：在当地聘请一名会剪辑的人员，月薪至少三五千元，一天能产出两三条内容已属难得；而门店老板需要天天发布内容。
两相对比，他愿意花 10 块、8 块买一条，一个月 600 到 700 块，换来两个号天天有内容发。他要的交付很简单：把活干完、质量过关、不违规、不被限流，一天三到五条、够几个账号持续发布。
视频生产的成本结构同样可以算清楚：
混剪几乎不消耗 token，本地服务器即可运行；AI 生成类视频，我们使用 MiniMax H3，免费模型但需要高配机器，通过租用算力按小时计费（每小时几元），可以放开做实验；H3 出来之后，做漫剧、短剧镜头的难度和成本都降了不少；按 token 计费的平台，一条合格成片成本几十到上百元，普通商家难以承受。
所以能不用大模型推理就不用。凡是能固化的流程，一律固化成工作流，财务报销、报表填报这类标准化环节，跑工作流几乎不消耗 token。
很多人抱怨 “没问几个问题，额度就没了”，本质是提问太泛、不专业，大模型需要穷尽推理来回答，答案还不一定正确。会变的交给模型，不该变的写进工作流。
最后，AI 编程不是技术人员的专属工作，行业专家与编码能力结合，把自己的经验夯实进 Agent，才是更合适的合作范式。
我目前在做的方向是自我进化的 Agent，即让 Agent 在运行中持续沉淀经验、修正判断，这是下一个阶段的关键。
本文来自微信公众号“见实”（ID：jianshishijie），作者：见实，36氪经授权发布。