买了个 AI 工具、装了几个 Skill,然后问它"我们 6 毫米钢板激光切割的公差是多少"——它一本正经地编了一个数。很多老板到这一步就下了结论:"AI 不行。"问题不在 AI,在喂料。AI 答不准的唯一根本原因,是你的产品事实没有进到它的资料库里:它不知道的数字只能猜,猜出来的数字还特别自信。先建资料库、再装 Skill——这个顺序错了,后面全错。

为什么参数会答错:AI 只能用它"见过"的事实

WorkBuddy 里的智能体回答问题,靠的是你放进工作区的资料加上它自己的通识。通识里有"激光切割公差一般是多少"的行业常识,但没有"你们厂报 ±0.1 还是 ±0.3"的私有事实。你问它私有事实,它只能拿行业常识凑——凑出来的数字看着合理,其实是编的。
这就是为什么我们反复讲同一个顺序:先资料库,后 Skill。Skill 是把"怎么做一件事"封装成流程(比如开发信怎么写、询盘怎么回),但流程里每一步要引用的事实,都来自资料库。资料库是空的,Skill 就是在真空中转——流程对、数字错,比没有流程更危险,因为它错误得很有条理。
站内另一篇讲过"搭了一堆 GPTs 为什么答客户问题还是不准"——根因相同,那篇讲现象,这篇给清单:到底要喂哪五类、每类喂到什么程度。
第一类:产品参数表——数字必须只有一个版本
参数表是资料库的地基。但多数工厂的参数散在四个地方:官网旧版、catalogue PDF、工程部的 Excel、业务员自己攒的报价记录——同一个参数四五个版本,喂哪个?AI 信哪个?
整理规则只有一条:每个参数以工程部当前口径为唯一真源,做成一张结构化表:
| 字段 | 示例 | 来源 |
|---|---|---|
| 产品+规格 | 激光切割 6mm 304 不锈钢板 | 工程部 |
| 关键参数 | 公差 ±0.1mm / 节拍 45 秒/件 | 工程部 |
| 可做/不做 | 8mm 以上建议等离子切割 | 工程部 |
| 认证状态 | ISO 9001(按证书原件填写) | 行政 |
| 更新日期 | 2026-10 | 工程部 |
最后一行"更新日期"最容易被省,也最要命——参数表不标日期,半年后没人知道哪版是新的,资料库从内部开始腐烂。
第二类:工艺与产能文件——交期的依据在这里
业务员报价时最怕买家问"How soon can you deliver?"。答快了承诺不了,答慢了丢单。AI 辅助答复交期,前提是它知道真实的产能结构:
- 每道工序的节拍和良率(决定单件真实成本和速度);
- 当前排产规则(旺季加几天、插单条件);
- 通用交期计算方式(从下单到出货的固定环节:备料、生产、质检、包装、订舱)。
这些内容喂进去之后,AI 回复交期问题时给的是"按当前排产逻辑,常规 25 天,插单条件是 XX"——有依据的话术,而不是拍脑袋的数字。注意红线:涉及具体订单的最终交期,AI 只出计算过程,确认永远留给人。
第三类:报价规则——喂结构,不喂底价
报价是 AI 辅助里最敏感的环节,喂资料的方式决定安全程度。正确做法是喂"价格结构"而不是喂"价格数字":
| 该喂 | 不该喂 |
|---|---|
| 报价单的固定构成项(材料/加工/表面处理/包装/运费) | 具体某客户的成交底价 |
| 阶梯数量的计价逻辑(1000 件和 5000 件的分界) | 给某买家的特殊折扣承诺 |
| 汇率和运费的取值来源与更新方式 | 内部成本明细的绝对数 |
| 哪些费用项必须人工确认 | —— |
喂了结构,AI 能在收到询盘后十分钟产出一份结构完整的报价初稿(各项留空或给区间,敏感项标"待确认");人只需要填数和签字。这正是路透报道里中国外贸企业的实际分工方式:AI 出初稿和规则内的部分,账期、条款、成交确认的最终决策由人工处理——这条线不是哪家公司的谨慎,是行业共识。
第四类:客户问答记录——询盘原话是最值钱的语料
把过去一两年询盘里的高频问题整理成 FAQ(买家原话+公司标准答案),这一类资料的价值被严重低估:
- 它直接训练 AI 的"买家语感"——买家问"can you do tight tolerance",AI 知道该回答公差表里的哪一行;
- 它同时是社媒埋词的原料库(买家原话就是搜索词);
- 它是新人培训教材——新业务员上岗先背这份 FAQ,回答口径立刻对齐。
整理量不用贪多:先做出现频率前 50 的问题,覆盖八成询盘场景。这份表每月增量维护——新询盘里出现的新问题,当月进表。
第五类:内部判断——把"老师傅脑子里的规矩"写成文字
最后一类最特别:那些从没被写下来、只存在于销冠和老师傅脑子里的判断。比如"这个客户压价超过 15% 就不用跟了""欧洲客户问认证的,先发证书号再报价比先报价好""这种规格的订单旺季别接"。
这些判断喂给 AI 的方式是结论包:一条判断+适用条件+依据+执行动作。AI 之后处理类似场景时,就有了"该停的时候停"的分寸。第三方研究里有个值得记住的对照案例:拿到 7,400 万美元融资做"AI 销售员"的 11x,前员工称早期客户流失 70–80%,公司否认并称留存已改善至 79%(两方口径都列出)——AI 替人做判断的边界在哪里,行业已经用真金白银试过错了。结论包的本质就是把人的判断固化成 AI 的减速带。
喂完怎么验收:答准率测试的十问清单
资料库建完不是终点,要跑一次答准率测试才知道合格没有。方法很简单:让最熟悉产品的老师傅出十个问题,拿去问 WorkBuddy,逐条对答案。
十问的结构照这个配比出,正好把五类资料全测到:
| 题号 | 测试对象 | 示例问题 | 合格标准 |
|---|---|---|---|
| 1–2 | 参数表 | 6mm 板的公差是多少?最厚能切到几毫米? | 与工程口径一致,无编造 |
| 3–4 | 工艺产能 | 5000 件的常规交期怎么算出来的? | 给出计算过程而非只给天数 |
| 5–6 | 报价规则 | 1000 件和 5000 件报价差在哪些项? | 只谈结构,不出现承诺性数字 |
| 7–8 | 客户问答 | 买家问认证一般怎么回? | 引用 FAQ 标准答案原文 |
| 9–10 | 内部判断 | 欧洲客户要 CE 我们怎么处理? | 引用结论包并标注"需人工确认" |
十个问题八条以上答准(对得上唯一真源),资料库达标;低于八条,看错在哪类——错得集中就是那类资料缺失或版本混乱,回去补那一类再测。重点盯第 10 列的"编造":答不准是资料问题,编造是资料库权限问题——出现了"看似合理但查无出处"的答案,说明 AI 在拿通识补空缺,这个信号比答错更危险。
这份十问清单每季度重跑一次(配合参数表更新),就是资料库的健康检查。跑过三轮的库,答准率会稳定在九成以上——到那时你会发现的另一件事是:新业务员上手的时间,从三个月缩到了三周。
大宗师的判断:资料库是慢资产,Skill 是快收益,顺序别颠倒
- 资料库建好的那天,Skill 才开始真正省时间。 我们陪企业做知识库落地时看得很清楚:跳过喂料直接装 Skill 的团队,两周后全部卡在"AI 答不准"上回炉;先花一周整理五类资料的团队,同一个 Skill 用起来像换了个人。慢的就是快的地基,这话土但准。
- 五类资料的排序就是依赖顺序。 参数表是地基(没有它其他全是空转),工艺产能和报价规则是中间层,问答记录和判断包是增益层。人手紧张就按这个顺序做,别倒着来。
- 资料库的第一受益人是员工,第二才是 AI。 整理五类资料的过程,本身就是把散落在个人电脑和脑子里的公司事实收拢到一处——就算 AI 一天不用,新人交接、参数统一、报价口径对齐的收益已经到手。AI 只是让这份资产多了一种变现方式。
什么情况下不用急着建资料库
- 产品线一年换三代:资料库更新跟不上迭代,先冻结主推产品线再建。
- 公司就一个人:所有事实在你脑子里,AI 帮不上"记住"的忙,帮你的是执行层。
- 全公司没人能拍板参数真源:先解决"哪个版本是对的"这个管理问题,AI 解决不了真源之争。
- 指望一周建完:五类资料按依赖顺序做,现实周期是两到四周兼职投入。一周冲刺建出来的库,通常是没验收的粘贴堆。
- 资料里有客户保密信息:先脱敏(客户名、成交价、专供规格),再进库——资料库越有效,泄密的影响面越大。
常见问题
五类资料大概要整理多少条?
起步量:参数表 20–50 行(按 SKU),工艺文件 5–10 页,报价规则 1 页,FAQ 50 条,判断包 10–20 条。这些量足够让 AI 答准八成日常问题,剩下的边用边补。
要用英文整理吗?
不用。WorkBuddy 处理中文资料后在英文场景输出没有问题;整理用团队最顺的语言,保证准确优先。FAQ 那一类建议双语(买家原话英文+答案中文),因为买家语感要靠英文原文。
资料多久更新一次?
参数表按工程变更即时更新(这就是要标日期字段的原因);FAQ 每月增量;判断包每季度评审。年度大梳理一次,清掉过时条目。更新责任人一开始就写进表里——谁维护哪一类,名字落在字段上,不落在口头约定上;口头约定的维护责任,三个月后必然悬空。
直接把公司网盘整个挂给 AI 行不行?
不推荐。网盘里的文件互相矛盾(四版参数表并存),AI 无从取舍。资料库的价值恰恰在于"整理过的唯一版本"——先收拢再喂,别把脏数据灌进去。判断现有资料"脏不脏"有个土办法:随机抽一个核心参数,去网盘里搜,看能搜出几个不同的值。超过两个,就先做收拢,不用犹豫。
敏感参数放进去安全吗?
分两层:工艺参数(公差、良率)进库没有问题——这是回答买家问题的必需品;商务敏感项(底价、折扣线)按第三类的边界处理,只喂结构不喂数字,最终报价人工确认。这个分层我们已经跑通了模板。
五类资料的整理模板和验收清单,属于大宗师网络「AI 实战培训(ChatGPT、Gemini、WorkBuddy)」这条线的第一课:训练营里每个学员带着自己公司的资料动手建库,建完当场用 Skill 验证答准率。
想聊你自己的具体业务场景,联系大宗师网络(外贸社媒训练营):微信 Dazongshi98。
本篇常见问题
五类资料大概要整理多少条?
起步量:参数表20–50行(按SKU),工艺文件5–10页,报价规则1页,FAQ50条,判断包10–20条。这些量足够让AI答准八成日常问题,剩下的边用边补。
要用英文整理吗?
不用。WorkBuddy处理中文资料后在英文场景输出没有问题;整理用团队最顺的语言,保证准确优先。FAQ那一类建议双语(买家原话英文+答案中文),因为买家语感要靠英文原文。
资料多久更新一次?
参数表按工程变更即时更新(这就是要标日期字段的原因);FAQ每月增量;判断包每季度评审。年度大梳理一次,清掉过时条目。更新责任人一开始就写进表里——谁维护哪一类,名字落在字段上,不落在口头约定上;
直接把公司网盘整个挂给AI行不行?
不推荐。网盘里的文件互相矛盾(四版参数表并存),AI无从取舍。资料库的价值恰恰在于"整理过的唯一版本"——先收拢再喂,别把脏数据灌进去。
敏感参数放进去安全吗?
分两层:工艺参数(公差、良率)进库没有问题——这是回答买家问题的必需品;商务敏感项(底价、折扣线)按第三类的边界处理,只喂结构不喂数字,最终报价人工确认。这个分层我们已经跑通了模板。