麦睿菱AI实践 01｜AI会写代码，员工为何还在等专家

AI 能写方案、写代码以后，企业更该关心一个问题：员工能否把原本要等专家接手的工作先推进一段。发账号只是开始，专业方法、数据和工具要一起准备好。这样员工才能带着现场事实比较结果，专家也能少花时间反复补材料。

如果客户在测量现场提出一个新要求：原来的指标只给出一圈内的最大波动，客户还想知道，这圈里究竟起伏了一次，还是两次。现场工程师接下来能做什么？

工程师听懂了，设备也采到了数据。如果他只能把文件发回公司，等专家问清条件，再找开发改程序，工作就要经历一轮又一轮交接。第一轮回复到了，客户又补充一个装夹差异，前面的核对还得再做一次。

专家为什么总在重复了解现场

从“测出一个数”到“回答客户的问题”，中间有许多选择。客户准备用这个指标做什么决定？两次数据的基准、单位和采集条件是否相同？曲线出现差异时，应该先查装夹、重测，还是调整指标定义？

这些信息分散在不同人手里。现场工程师知道刚才发生了什么，专家知道哪些变化会影响结论。问题每转述一次，就可能丢掉一项条件；专家每接手一次，又要把条件重新拼起来。

于是，一部分看起来像“专家不够用”的问题，实际消耗在重复恢复现场上。如果交接方式没变，新增专家也得反复补齐这些材料。

AI 可以先帮忙补齐这些材料。助手按既有方法追问缺失条件，取得获准使用的数据，完成常规对照，并把不能解释的差异连同依据交给专家。至于差异是否具有工程意义、候选指标能否用于验收，仍需相应的专业判断。

企业提供支持时，也要把岗位权限和接手责任安排清楚。例如，员工可以比较两次数据，设备参数的修改仍由具备权限的人员确认。方法、资源和接手人都明确，员工才知道自己可以推进到哪里。

公司应当把可用的帮助送到员工手里

资料在哪里，哪段计算可以复用，工具需要什么权限，这些工作如果仍由员工逐项摸索，集成和核验的负担就落在了现场。

麦睿菱从事精密测量设备制造[4]，也是 MEASIX 软件套件的发布方。MEASIX 希望支持的，是由公司先把这些准备做好，再交给员工使用。围绕一项真实任务，公司预先准备可以使用的工具、整理过的方法、相应的数据访问范围，以及配置好的助手。如图1，员工带入现场事实，使用这些支持推进获准的工作，有价值的新发现再交给专业团队判断。

图1｜公司准备支持，员工推进任务，专业团队验证和整理有用的改法

以曲线比较为例，助手应当知道先核对哪些条件，能找到约定的计算工具，并在资料不全时停下来追问。企业提供的工作说明，可以按 Skill 这样的方式组织：把适用条件、步骤、检查点和必要的示例放在一起，供助手按任务使用。[1] 专业团队用约定样本核对算法，再请同岗位员工按说明复现；确认适用条件和维护人后，才在这个范围内复用。

当助手能结合当前结果选择查资料、调用工具或向人补问，通常就会被称为智能体，也就是 Agent。模型之外的工具、指令与运行过程，决定了它能否实际推进工作。[2] 对使用者来说，更重要的问题是：这次任务缺哪项材料，助手能完成哪一步，遇到什么情况该请谁加入。

这也是 MEASIX 产品分工的出发点。枢策 Orchelm 是企业智能体治理与协同平台，用来组织和发布企业准备的模型、工具与助手配置；领航 Pilot 是内置完整智能体能力的移动应用，能在移动端组织多步任务、调用获准工具，让员工带入现场事实并使用企业准备的支持。[3] 小睿是贯穿套件的统一助手形象与交互角色。企业通过部署和授权，把可用的工具与方法配置给相应岗位。

移动端的任务组织与公司的专业准备要相互配合，员工才能从当前问题继续，而不必逐项寻找资料和接手人。

员工可以参与改进方法

共用的方法能让现场的差异更容易被看见。读取数据、核对单位、运行已有算法，不必每次重来。员工因此能把注意力放在真正变化的地方：客户为什么提出新指标，原方法在哪种条件下不够用，新旧结果分别解释了什么。

设想原来的指标只反映曲线的最高点与最低点之差。两条曲线的这个数值相同，其中一条每圈起伏一次，另一条每圈起伏两次。客户关心周期性差异，原来的数就回答不了他的问题。

如果现场员工可以调出两次原始数据，核对条件，再使用获准的工具比较候选指标，他交给专家的就不再只有一句“客户想增加功能”，而是一个可以讨论的问题：原指标丢掉了什么信息，候选方法补充了什么，还存在哪些解释不清的情况。

员工贡献对客户用途和现场变化的理解，专业团队补上测量定义、算法检验与适用边界。双方围绕同一份可核查的材料合作：专家据此检查定义和算法，员工则能指出结果是否回答了客户的问题。

一次探索结束后，企业还要作出选择。有些改法只适合当前客户，保留完整记录就够了；有些值得经过验证、整理和维护，更新为员工下次能调用的方法和工具。下一位员工再遇到相近需求时，就可以从已经确认的部分继续。

哪一项工作值得先试

这种做法也有成本。整理方法、准备样本、维护工具和安排专家核验，都需要投入。对于一年只发生一次、条件高度特殊的问题，直接请专家处理可能更合算。对于步骤固定、计算确定的工作，常规软件或确定性算法也可能是更简单的选择。[2]

更适合起步的任务，往往同时具备几项条件：需求会反复出现；员工掌握重要的现场事实；企业已经有一些可用方法和工具；结果能够通过样本、对照或复测核查。客户测量指标的调整，就可以从这些条件逐项检查。

试点时，可以选出一组有代表性的真实任务，在相近难度和同样质量要求下，看员工能否完成更多有证据支持的步骤。同时记录准备、核验和维护所用的工时，避免只看到现场节省的时间。除了助手的使用次数，还应记录：

• 员工独立推进到了哪一步，哪些决定仍由专家承担

• 专家有多少时间花在补材料，多少时间用在判断新问题

• 一项要求经过多少轮往返，才得到可以核查的结果

• 换一位具备同等岗位资格的同事，能否按保留材料复现

其他岗位也可按同样方式检查：哪些准备适合集中提供，哪些事实必须由当事人补齐，什么结果才允许交付。

选第一项试点时，先说清想让哪一类员工得到什么支持、多完成哪一段工作。再用下一次相近需求检查：他能否更快取得依据，专家是否少做了重复准备，最终结果能否复核。

参考阅读

[1] Agent Skills：格式规范

[2] Anthropic：Building effective agents

[3] MEASIX：枢策 Orchelm、领航 Pilot与关于 MEASIX

[4] 麦睿菱：公司简介