DELIVERED // 已经做成的
两个案例,行业隔得很远。能不能降本增效,跟行业关系不大——跟能不能落成一条真正跑得起来的管线,关系很大。
数据均可核对:能截图的附了后台原图;涉及企业内部系统的按合规要求不外传截图,改以结构示意。
CASE 01 // 媒体 · 内容资讯(加密货币垂直)
一个资讯站要涨流量,最快的路子是抓住 KOL 的热点、抢在别人前面出独家分析。 问题是热点每天来 300 条,人根本读不完。我们把「读 300 条」交给管线,把「写什么口径」留给编辑。
WHY // 当时要解决的是什么
内容站的估值跟流量水位直接挂钩,流量是这门生意的硬通货。
三条线:谷歌自动广告的分成、广告主直接投放的广告位、合作方投放文章的报价。后两条的单价都比第一条高一个量级,而且报价跟着流量水位走。
做完数据分析后结论很清楚:抓 KOL 热点 + 出独家分析。独家 = 别的站没有 = 搜索和推荐愿意给量。难点不在选题,在速度和体量。
PAIN // 卡在哪:一天 300 条,人读不完
50 位 KOL × 每人约 6 条 / 天 = ≈ 300 条 / 天。 每一条都要有人判断「这条值不值得写」,判出来的还要有人写成分析文。 编辑团队的产能天花板,直接就是这个站的流量天花板。
PIPELINE // 跟着一条推文走一遍
@KOL_of_watchlist · 12:04
某头部协议金库出现一笔大额异常转出,链上地址此前无交互记录……
规则闸门 · 主体在白名单 / 同题未写过PASS
模型判读 · 有信息增量(链上异动 + 头部协议)PASS
若判为「无增量」→ 丢弃并留档,可回查—
人在哪一步拍板:名单谁进谁出、口径模板怎么写、上线后抽检与下架——三件事全在编辑手里。 AI 拿走的是「读完 300 条」和「按模板成稿」这两段体力活,判断权没动。
WHY REAL-TIME // 为什么非得是实时
热点的价值有衰减曲线。同一条消息,第一个写的叫独家,第五个写的叫转载——搜索和推荐只奖励前者。
人工链路的耗时不在写,在排队:等人读到、等人判断、等人排期。等这三步走完,独家窗口通常已经关了。
管线把这三步压成分钟级,赶在窗口关上之前发出去。这才是流量涨起来的真正原因——不是文章写得比人好,是到得比人早。
RESULT // 数字长什么样


!怎么读这组数字(这条很重要)
AdSense 是谷歌自动投放的广告,按曝光和点击结算,单价天生就低。所以 HK$8,693 这个绝对值, 不是这个项目的收入天花板——它更像流量的第三方仪表盘:一个我们改不了、由 Google 出具的读数。
真正的钱在另外三处:① 广告主直接投放的广告位;② 合作方投放文章(sponsored post)的报价; ③ 网站本身的估值。前两条的单价都比谷歌自动广告高一个量级,报价还随流量水位走——而这三处,一处都不在这张截图里。
所以 +500% 该这么读:同一批广告位、同一套结算规则、同一个低单价,只因为流量涨上来了,被动收入变成五倍以上。
还有一个更该被看见的数字:人均互动时长 +25.6%。流量翻了三倍多,人均停留不但没被稀释,还同步在涨—— 说明进来的不是灌出来的垃圾流量,是真的有人在读。这一条,比 339.6% 更能说明内容质量没有为产量让路。
TAKEAWAY // 这个项目沉淀下来的三样东西
一天 300 条,判断标准由人定,AI 负责一条不漏地按标准过一遍。它的价值不是比人聪明——是不会累、不会漏、不会挑着看。凡是「信息量大到人读不完,但每条又都得看一眼」的场合,这一段都成立。
难的从来不是让 AI 写字,是让它按你们自己的口径写。把结构、说法、必须标注的东西写死成口径模板,产出的东西字段不缺、说法一致,拿到手能直接改,不用先统一格式。
采集 → 判断 → 产出 → 上线,全程自己跑了几个月,没人天天盯着。平时安静,有值得惊动人的事才出声——这是「AI 项目」和「AI 玩具」的分界线。
换个行业,换掉的是数据源和口径模板;管线的骨架是同一套。
CASE 02 // 金融科技 · 数字银行(产品部门)
产品经理部门,每次产品迭代都要写 PRD。难的从来不是敲字——是每写一份,都得把散在几十份历史文档里的上下文重新捞一遍, 捞漏一条,需求就带着坑往下走。我们把部门知识库整个变成 AI 的知识库,并且让它知道文档之间的关系。
PAIN // 卡在哪
数字银行的产品迭代远快于传统银行。PRD 不是偶尔写一份,是持续、批量的产出。
复杂产品的 PRD 背后压着一长串历史决策:以前怎么做的、当时为什么这么定、跟哪些模块有关联。写的时候要反复回去翻,翻漏一条,需求就带着坑往下走。
时间不是花在敲字上,是花在「把上下文重新捞齐」这件事上。
★所以在做这件事之前,部门同事其实是用不了 AI 写 PRD 的
不是 AI 不会写字,是 AI 不知道你们公司的上下文。你得先把一长串背景讲给它听—— 而讲背景花的时间,往往比自己动手写还长。于是绕一圈回来,大家还是手写。
企业里的 AI 跑不起来,九成卡在这一步:不是模型不行,是知识没喂进去。
SOLUTION // 把文档变成 AI 的知识库
① 原始状态 —— 文档都躺在知识库里,但彼此不认识,AI 也不知道谁跟谁有关
② 建成 AI-WIKI —— 把文档之间的关联显式建起来,AI 拿到的不再是一堆孤立文件
③ 一句话取用 —— 说「帮我写一份基金快速赎回的文档」,相关上下文自己被拉齐
IN USE // 用起来是什么样
帮我写一份「基金快速赎回」的 PRD
命中关联节点:基金产品 · 快速赎回 · 赎回额度 · 清算 T+N · 风控规则 · 合规口径
不用手写、不用回头检索关联背景、不用先跟 AI 讲一遍复杂上下文 —— 直接说要什么。
RESULT // 一份 PRD 的耗时
区间两端各自对比都是这个量级:4 小时 → 30 分钟、1.5 小时 → 10 分钟。 而且那 10–30 分钟里已经算上了人工 review 的时间——不是「AI 生成完就算完」的漂亮数字。
TAKEAWAY // 这个案例真正说明的事
是知识没喂进去。同一个模型,员工自己用就是「说了半天还是不对」,接上知识库就是十分钟出一份能用的初稿。差别不在模型,在它知不知道你们公司的事。
不是把文档丢给它就完事——文档之间的关系得显式建起来,它才知道写这份要牵出哪几份。这一步做完,后面才谈得上「用 AI 提效」。
1.5–4 小时降到 10–30 分钟,而且这 10–30 分钟里已经包含人工 review。数字不漂亮不要紧,重要的是它是真的、可复算的。
MORE // 还做过一些别的
只挑了两个拆到底。下面这些同样在跑,需要哪条,交流时展开。
Instagram 红人挖掘与分层触达管线
多个 AI 互相对抗,证伪产品卖点
产品线上的其他需求交付与流程自动化