大模型应用的三个关键阶段（一）直接对话：提示词决定输出质量

早期用户与大模型交互主要依赖直接对话，此时提示词的设计至关重要。例如同样是生成DeepSeek介绍文档，“创建DeepSeek说明文档”与“作为大模型讲师为***人员撰写DeepSeek SIG讲解文档”会触发不同的输出逻辑。 

高效提示词需遵循“思维链”结构，明确角色、任务、步骤及限制条件。

例如项目经理可设计：“我是敏捷Scrum团队项目经理，需将用户故事转换为符合Evens原则的条目，要求包含标准格式、技术约束及输出示例”。

（二）推理模型：弱化提示词的自动化分解

推理模型（如DeepSeek R1）的出现改变了交互模式。模型内置问题分解“实践手册”，可自动解析用户需求并生成执行流程，大幅简化提示词复杂度。

其通用公式为：任务目标+背景说明+负面限定。

以任务分解为例，用户只需输入“根据用户故事分解任务，**到工时，排除非技术任务”，模型即可自动完成从需求分析到优先级排序的全流程处理。这种能力使非技术人员也能高效调用大模型，减少对专业提示工程的依赖。

（三）智能体与工作流：从单一交互到系统整合

1. 智能体：预设流程的自动化助手

智能体是大模型应用的重要升级，本质是“预设提示词模板的中介”。例如“用户故事分解助手”智能体，可接收用户输入的Scrum用户故事，自动按规范分解为任务列表、优先级及工时估算。 创建智能体需明确三要素：

角色定位：如敏捷团队Master，负责需求分解；

技能定义：支持文本输入解析、图片内容识别（调用外部工具）；

输出规范：按Scrum标准生成带验收条件的任务卡片。

2. 工作流智能体：

跨工具协同的自动化流程

进阶的工作流智能体可串联多个工具，实现复杂任务处理。例如处理用户上传的图片需求时，智能体先调用图片识别插件提取文字，再将结果传入大模型生成分析报告。这种模式使大模型从单一对话工具升级为覆盖“数据输入-处理-输出”的完整工作流引擎。

3. 基于RAG的知识库智能体：

企业专属知识注入

为解决大模型缺乏企业定制化知识的问题，结合RAG技术的智能体可接入内部文档（如业务规则、产品手册）。模型在回答问题前，先从知识库中检索相关内容，确保输出符合企业特定逻辑。例如某公司智能体接入售后工单数据后，可精准调用内部故障处理流程，提升客服响应一致性。

4. MCP协议：大模型与企业系统的深度融合

**的MCP（大模型统一访问协议）技术实现了大模型与本地系统的交互。例如企业部署的DeepSeek可通过MCP接口直接调用数据库，用户提问“去年销量**产品”时，模型自动生成SQL查询语句并返回结果，无需人工中转操作。这一突破使大模型真正成为企业数据系统的智能前端。

02

岗位效能提升实战：产品经理与项目经理场景（一）产品经理：需求管理效率革命

1. 用户画像与需求池生成

通过DeepSeek输入竞品链接或用户访谈文档，可快速生成结构化需求池。例如分析某视频软件应用商店评论时，模型自动提取高频痛点（如“广告过多”“加载卡顿”），并按优先级排序，缩短需求验证周期30%以上。 操作流程：

① 上传原始文档（支持PDF/CSV/TXT）；

② 调用“需求提取”智能体，指定输出格式为Excel表格；

③ 模型自动分类（功能需求/体验优化）并生成初步解决方案。

2. 用户故事结构化转换

传统产品经理需手动将原始需求转化为用户故事，耗时且易遗漏细节。借助智能体，输入“管理员需删除违规用户”等模糊需求后，模型可自动生成符合Scrum规范的故事条目，包含角色、目标、验收条件

示例输出：

- 角色：管理员 

- 目标：在用户发表不当言论时删除用户账号

- 验收条件：

① 系统记录删除时间戳；

② 触发通知邮件模板；

③ 保留7天可恢复机制。

（二）项目经理：敏捷开发流程优化

1. Sprint规划自动化

在Scrum模式中，项目经理可通过DeepSeek R1快速拆解用户故事为任务卡片。

输入“开发用户删除功能”的用户故事后，模型自动生成：

任务列表：需求分析（4工时）、数据库设计（6工时）、后端开发（8工时）、前端开发（6工时）；

优先级建议：数据库设计优先（依赖其他任务）；

责任人匹配：根据历史绩效推荐资深工程师负责核心模块。

2. 看板任务流生成

结合MCP技术，模型可直接对接企业项目管理工具（如Jira），将生成的任务自动同步至看板，标注“进行中”“待审核”状态，并触发站会提醒。这**程使项目经理从繁琐的事务性工作中解放，聚焦风险监控与资源协调。

03

工具选型与落地建议（一）在线智能体创建工具

Coze.cn：免费、零代码，支持自动化智能体生成，适合快速验证场景（如临时需求分析）；

阿里百炼平台：集成阿里云生态，支持多模态数据处理，适合中大型企业；

智谱清言：聚焦中文语义理解，提供行业专属模板（如电商需求分析）。

（二）本地部署工具

Define：纯图形界面，适合非技术团队搭建私有智能体，但知识库功能较弱；

FastGPT：强化知识库管理，支持文档向量检索，适合对数据安全要求高的企业。

（三）实施路径

1. 场景优先级排序：从重复度高、规则明确的任务（如需求录入、报告生成）入手，降低试错成本；

2. 小范围试点：先在单个团队（如敏捷试点团队）部署智能体，收集反馈优化流程；

3. 培训与支持：为员工提供提示词设计、智能体操作培训，配套《大模型应用手册》；

4. 效果追踪：通过任务处理时效、需求变更率等指标评估ROI，持续迭代模型配置。

04

未来趋势：从辅助工具到智能协作伙伴

大模型技术正从“效率工具”向“智能协作伙伴”演进。未来，自动智能体（如Coze空间）将实现“需求输入-流程自动生成-任务执行”全闭环，用户无需预先设计智能体结构，仅需描述目标即可触发复杂工作流。同时，随着多模态模型的成熟，智能体将支持语音、图像等更自然的交互方式，深度融入产品设计、会议纪要、跨部门协作等场景。 

对于非技术岗位而言，关键不在于掌握模型开发技术，而在于理解大模型的能力边界与协作逻辑，学会将专业知识转化为智能体可执行的“流程指令”。

正如直播中强调的：“大模型不是替代人类决策，而是将重复性劳动标准化，让专业人员聚焦创造性工作。”通过合理应用，大模型将成为岗位效能提升的核心引擎，推动企业从“人力驱动”向“智能驱动”转型。

扫码查看完整回放

👇🏻👇🏻👇🏻

大模型技术的发展日新月异，落地应用中的技术细节与前沿趋势更值得深入探索 —— 下一场直播《AI + 技术：解锁 AI 大模型落地密码》将聚焦技术落地维度，为你揭开更多实战奥秘：

你将收获

1. 掌握大模型落地的五大技术路径关键要素  

2. 构建企业级数据治理与知识库建设方法论  

3. 识别大模型部署中的核心技术难点与应对策略  

4. 制定符合企业现状的AI人才能力矩阵  

5. 设计Agent系统的分阶段实施路线图