DELIVERED // 已经做成的

这里的每个项目,现在都还在生产环境里跑

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 · 已拆解CASE 02 · 已拆解其余项目 · 交流时展开
01

CASE 01 // 媒体 · 内容资讯(加密货币垂直)

FlashNews · AI 内容引擎

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。

独立全栈交付已上线 · 生产环境持续运行数据可核对(附后台原图)

WHY // 当时要解决的是什么

目标 A抬高网站估值

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。

目标 B做大收入

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。

洞察最快的一条流量路径

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。

50 位 KOL · ≈300 条 / 天 独家分析文 · 实时上线
AI 判价值
@KOL · 转发了一条旧闻@KOL · gm ☕@KOL · 又一张 K 线截图@KOL · 链上大额异动 ⚡@KOL · 抽奖 🎁@KOL · 情绪喊单:马上冲@KOL · 回复了别人@KOL · 监管口径变化 ⚡@KOL · 转发项目方公告@KOL · 只发了个表情@KOL · 头部项目重大变更 ⚡@KOL · 蹭热点玩梗
无信息增量 —— 转发 / 日常 / 情绪喊单 / 玩梗,丢弃并留档 有信息增量 —— 链上异动 / 监管口径 / 项目重大变更,进入撰写 筛选逻辑示意,实际规则按当时编辑口径配置

PIPELINE // 跟着一条推文走一遍

01抓取盯住名单里的 50 个人
02判价值规则先过,模型再判
03成稿按公司口径模板生成
04上线直接推到网站
RAW · 抓到的原始推文

@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……

已结构化入库 · 同题已去重
JUDGE · 该不该写

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

DRAFT · 按口径模板成稿
标题 导语 · 事实与来源 影响分析 · 编辑口径
来源标注 ✓ 免责声明 ✓ SEO 字段 ✓
LIVE · 已上线
flashnews · /analysis/…
从抓取到上线 · 分钟级
卡片内容为演示示意,非真实稿件

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

热点发生 管线:分钟级 —— 还是独家 人工:读完 + 判断 + 排期 —— 已经不是独家 时间 → 这条内容的价值

RESULT // 数字长什么样

+0%活跃用户近 60 天 vs 前 60 天
>+0%广告预估收益本月 vs 去年同期
+0%人均互动时长同期同步上涨
436K活跃用户 · 近 60 天
HK$8,693本月预估广告收益
HK$9,189近 28 天(+331%)
2.66 万单日网页浏览量
Google Analytics · 后台原图 · 点击放大Google Analytics
活跃用户 436K,较前一周期 +339.6%;同一张卡上,人均互动时长 27s,+25.6% —— 量涨了,质没被稀释。
Google AdSense · 后台原图 · 点击放大Google AdSense
本月预估收益 HK$8,693,较去年同期 +HK$7,532(大于 500%);近 28 天 HK$9,189,+331%。

!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: 广告主直接投放的广告位; 合作方投放文章(sponsored post)的报价; 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

高频信息流的自动判读

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。

按内部口径生成结构化文档

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。

常态化的无人值守管线

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。

02

CASE 02 // 金融科技 · 数字银行(产品部门)

AI-WIKI · PRD 引擎

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

蚂蚁银行香港 · 产品部门已上线 · 部门在用 内部系统 · 依合规不外传截图,本章全部为结构示意

PAIN // 卡在哪

01量大

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。

02上下文散在几十份文档里

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。

03单份 1.5 – 4 小时

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

基金产品快速赎回赎回额度清算 T+N风控规则合规口径账户体系用户分层交易时段历史迭代埋点口径异常与限额

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

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

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

节点名为通用产品域词汇示意,非内部文档标题

IN USE // 用起来是什么样

PM

帮我写一份「基金快速赎回」的 PRD

AI-WIKI

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

  1. 背景与目标自动带出上一版当时为什么这么定
  2. 名词与口径定义跟部门既有说法对齐,不自创词
  3. 用户故事与场景
  4. 功能需求含与账户 / 风控 / 清算的关联点
  5. 交互流程
  6. 异常与边界限额、时段、失败回滚
  7. 影响面与依赖模块哪些下游要跟着改
  8. 埋点与验收标准

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。

上方为通用 PRD 骨架示意,非内部真实文档内容

RESULT // 一份 PRD 的耗时

人工撰写
1.5 – 4 小时
接上 AI-WIKI
10 – 30 分钟 已含人工 review
01h2h3h4h
00×

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

AI 在企业里跑不起来,多半不是模型的问题

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。

真正要做的活,是把知识变成 AI 能用的形态

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」。

降本增效是可以量化的,也应该被量化

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

消费品牌 · DTC
红人外联情报系统

Instagram 红人挖掘与分层触达管线

交流时可展开 ↗
中小企业 · AI 咨询
卖点圆桌

多个 AI 互相对抗,证伪产品卖点

交流时可展开 ↗
金融科技 · 蚂蚁银行香港
AI-WIKI 之外的其他工作

产品线上的其他需求交付与流程自动化

交流时可展开 ↗
放大查看