微信｜ddl941110
“AI 提效”已经被科技圈喊了整整三年，但一个尴尬的现实是：如果把视线移开硅谷和北上广深的程序员工位，AI 在真实产业与核心业务流里的深度渗透率依然低得惊人。行业调研显示，真正能在核心业务场景将 AI 智能体规模化跑通的企业尚不足 20%，在大量传统行业与非技术岗位，深度工作流渗透率甚至不足 5%。
这种割裂感在现实中尤为刺眼。在互联网大厂的产品经理看来，身边的同事几乎已经在深度使用 AI 写代码、搭页面，渗透率似乎已经见顶。但在长期跑田间地头的乡村文旅从业者眼中，那些在技术圈看来“连开口都不好意思提”的基础数字工具，到了村里却依然如同“天方夜谭”，横亘着巨大的数字鸿沟。
为什么大多数人用 AI，依然停留在“找对话框聊聊天、写写周报”的浅层尝鲜？因为真实的业务从来不是一句简单的 Prompt，它散落在杂乱的本地文档里、卡在跨部门扯皮的会议纪要里、困在动辄损失惨重的工厂产线停机里。
在硅星人「ACC 2026 × WorkBuddy 超级个体极限挑战赛」上，我们看到了填平这道鸿沟的另一种可能。来自法律、乡村文旅、工业制造、互联网大厂和公益自媒体的各行各业真实用户，带着自己工作和生活里最头疼的真问题来到现场。在短短两天时间里，他们调用 WorkBuddy 的专家包、Skills、MCP 连接器、自动化与知识库，把原本需要整个团队数周开发、或者压根无从下手的难题，变成了一个个当场跑通的智能体应用。
当各行各业的“痛点亲历者”拿起 WorkBuddy
在这场极限挑战赛中，脱颖而出的前五名选手，恰好构成了观察当下中国 AI 应用落地的五个绝佳切面。
第一名，徐强 ×「寻光」：把跑通上百次的 AI 寻亲工作流，变成面向志愿者的公益放大器
徐强的副业是在视频号等平台创作 AI 内容，也是较早切入“AI 寻亲短视频”领域的创作者。他曾制作过一期广为传播的寻亲视频，一名少年的养家姐姐看到后，把视频分享给了当时 17 岁的少年。少年比对后，觉得自己的样貌特征、被拐地点等与相关寻亲信息能够对上，原家庭可能在云南。
但这个偏公益的领域很难盈利，一些想加入的同行承担不起制作成本，中途放弃。AI 工具迭代很快，连徐强自己也需要不断学习。即使徐强已经摸索出一套成熟的方法，后来者却仍然需要重新学习、重新试错。
于是，他把自己在实战中手动跑过上百次的寻亲视频制作流程整理给 WorkBuddy，包括需要接入哪些 API、核心提示词是什么，以及完整的生成链路如何衔接，再将其封装成名为「寻光」的自动化工具。
按照他的设计，普通志愿者只需上传相应材料，就能复用这套工作流，生成同款寻亲短视频，再发布到自己的账号上。
让他感到惊喜的，还有 WorkBuddy 的生成质量与自我纠错能力。几个月前使用类似的 Vibe Coding 工具时，他还需要反复调试、修正错误；这一次，按他的体验，经过一两次简单修改就能拿出成品。
从反复调试报错，到一两次修改就能跑通一整条多 API 衔接的生成链路，这种体感的变化正是 AI 发展的必然趋势：用起来正变得越来越简单。
徐强把 AI 在寻亲中的作用称为“放大器”。在他看来，短视频有机会把原本局限于几百人、几千人的寻亲信息，带到数百万甚至上千万人的视野里。「寻光」希望进一步放大的，是制作这些视频的能力，让先行者积累的经验可以被更多人直接使用，让愿意参与公益的人少走一些弯路。
第二名，丛珊 ×「钢铁设备故障诊断智能体」：面向重工业车间，用知识图谱追查产线故障
丛珊 是一个 OPC ，有多年的技术和算法工作经验，如今主要为企业客户制作解决实际业务问题的智能体 Demo。
在接触制造业客户时，丛珊发现，客户光是讲产线质量问题，就能在会议上倒两个小时苦水。无论离散制造还是连续制造，产线一旦停机排查，都会带来经济损失。
但在传统模式下，故障分析往往依赖老师傅的经验，处理之后留下的，则是一堆档案记录。按丛珊的使用体验，一些低代码平台在处理这类长流程、复杂任务时又容易中断，时间和 Token 都花了，结果却没交出来。
为此，丛珊特意选择了工业场景，将 WorkBuddy 的 Skill、专家、项目助理、自动化、连接器和资料库串成一条流程，搭建「钢铁设备故障诊断智能体」，并在其中保留人工判断环节。
据丛珊介绍，系统通过连接器获取数据，用资料库保存可检索的材料，再通过知识图谱与 Ontology，也就是本体，组织设备、故障及相关属性之间的关系。面对转子故障、润滑异常等问题，系统可以沿着这些关系进行多跳查询，逐层寻找可能的原因。新发现的问题也可以回流知识库，供后续分析使用，最终形成检测报告。
让丛珊感到意外的是，自己提出知识图谱和本体的需求后，WorkBuddy 生成的属性及关系与预期相当接近。与此同时，流程中仍然设置了人工判断闸门，由人对分析结果把关。
丛珊的商业思路也很清楚：从根因分析这样一个具体问题切入，先用 Demo 验证业务价值，再讨论更大范围的改造。一个懂客户现场的独立从业者，可以借助工具完成过去需要多人协作的部分工作。
第三名，要雁峥 ×「驻村行.小行」：不熟悉编程的文旅老兵，给驻村书记造了一个“数字资产库＋闯关多邻国”
要雁峥长期从事乡村文旅工作，业务覆盖创意策划、规划实施和后期运营。进入存量运营阶段后，他把目光投向了驻村第一书记这一群体。这些来自国央企或机关单位的干部，带着任务和干实事的愿望下乡，却未必熟悉农村。有时到了村里，连找一个能熟练使用电脑、协助查找资料的年轻人都不容易。
更麻烦的是，一任书记积累的经验和资源，未必能完整交到下一任手里。前任调走后，过去联系过谁、推进过哪些项目、遇到什么问题，可能也跟着散了。等到新任书记需要写报告、安排考察接待或对接资源，又得重新摸一遍底。
村里有多少土地、产业规模多大、获得过哪些补贴、有多少党员，这些都属于具体的本地信息，根本不是“聊天 AI ”能解决的。
不熟悉编程的要雁峥，采取了最直接的办法：不懂技术路径就问 WorkBuddy，不知道需要安装什么，也继续问，在它的指导下推进开发。他主动砍掉了繁琐花哨的功能，把「驻村行.小行」的重点放在接待、写报告、办活动和资源对接上。
其中一个让他印象很深的环节，是把团队此前通过访谈积累的行业专家知识库交给 WorkBuddy，让它整理成驻村书记可以使用的学习题库。题库按入门、中级、高级划分难度，采用类似多邻国的闯关形式。按照他的估算，单是知识点提取和分级出题，过去就需要两三个人花上一两周。
要雁峥的实践则让人看到，熟悉基层问题的传统行业从业者，即使不擅长编程，也有机会亲手把多年经验做成工具。
第四名，宋森 ×「tomorrow」：追上“开会之后”的执行进度
身为互联网产品经理的宋森，日常需要与研发、运营、业务和销售高频沟通，也会使用 Claude Code、Cursor，甚至自己购买服务器部署项目。在她看来，产品经理很重要的一项能力是“理解人心”，把各方模糊的诉求转化成可以落地的功能。
但她每天最头疼的，是跨部门会议后的执行断层。开了无数次会，讨论过的需求到底有没有落地？信息需要收集、整理和分发，任务需要打标签、盯进度、到期提醒。这些事情极其琐碎，既没有专人持续跟进，领导也未必看得到全局进度。
她先在纸上画出从输入到输出的流转框架，再利用 WorkBuddy 编排多个 Skill 与专家，搭建「tomorrow」智能项目管理平台，并用 API 关联手头上正在使用的平台。她把 MCP 比作双向流转的数据管道，希望让 AI 可以从办公系统中读取信息，也能把处理结果写回去。
开发中最让她惊喜的，是 WorkBuddy 主动补出了一个此前没有明确要求的“明日安排看板”，将今日待完成、明日待完成、进行中和已延期的任务分开展示。原本较模糊的需求，由此有了一个直观的呈现方式。
在后续设想中，平台还可以接收线下会议录音，把冗长的讨论拆成可执行任务。管理者点击延期项目后，也能通过更多的办公智能体向负责人发起提醒，让会议形成的决定有人跟进，让任务进度能够被看见。
除了比赛项目，她平时还教 HR 同事结合 WorkBuddy，制作 Boss 直聘简历初筛与打分的 Skill。这些尝试都指向同一件事：让 AI 接入人们已经在使用的办公环境，承担信息处理和任务流转中的具体工作。
第五名，猪蹄 ×「法律分诊」：不卷垂直大模型，用“Skill＋人设”打造随身法律助手
猪蹄兼具工程与法律背景，是一名海外知识产权律师、独立开发者。她曾在律所和公司法务部工作，切身感受到 AI 对法律行业的影响后，开始转向独立开发。
即便是专业律师，也有自己的专科局限。面对不熟悉的法域，或生活中某一类维权纠纷，同样需要先厘清双方权益。猪蹄想验证的是，在专门训练法律垂直大模型之外，能否走出一条更轻的路。
她先梳理开发文档和功能框架，再交给 WorkBuddy 执行。在平台调度底层模型的基础上，她开发了「法律分诊 Skill」，配上专属的人设提示词，封装成可以调用的专家包。
这个助手的任务，是帮助用户初步厘清自己有哪些权益、对方有哪些权益，以及可以考虑怎样应对。她希望，在不为项目专门训练垂直模型的情况下，通过 Skill 编排，也能在这一范围内获得相对稳定的输出。
她还把 WorkBuddy 官方的“微信运营专家”改造成自己的 AI 主编“猪蹄”，协助运营公众号。一个让她觉得有趣的细节是，每次调整专家包后，系统很快重新注册，并给出“快来测试我”的交互提示，让枯燥的开发过程多了一点乐趣。
猪蹄的实践提供了一条可供探索的路径：将专业人士的思考框架写成文档，再沉淀为可复用的 Skill 和专家包，在通用模型上搭建具体工具。工具能够承担多复杂的专业任务，则需要回到实际场景中继续检验。
这五份样本，呈现了 AI 落地的三个变化
把这五位选手的作品放在一起，会发现他们面对的行业相距很远，遇到的障碍却有相似之处。模型可以回答很多问题，但真实工作还需要本地资料、系统连接和连续执行。比赛中的这些尝试，也让 AI 应用的讨论从模型能力，进一步落到了具体的工作过程。
工具形态之变：从“单点聊天框”走向“全链路工作台”
过去，很多人把大模型当成高级搜索引擎，期待通过一次问答完成工作。但真实业务往往需要连续处理多个环节。
驻村书记需要调取本村的土地、补贴和党员数据，钢铁设备分析需要关联故障现象与历史记录。模型知道得再多，只要拿不到这些材料，或者无法把结果送进业务系统，用户就得手动补上中间的步骤。
选手们在比赛中反复用到的专家包、Skills、MCP、资料库和自动化，正是在承担这些工作。Skill 用于固定处理方法，MCP 和连接器负责与外部系统交换信息，资料库保存业务材料，再由自动化衔接各个步骤。甚至有参赛选手把 WorkBuddy 称为“第 4 代超级产品”。
当 AI 可以读取业务信息、调用已有方法，再将结果写回工作环境，一次对话给出的答案，才有机会继续变成视频、报告或任务卡片。
开发者生态之变：“业务老兵”开始亲手制作 AI 应用
过去，软件开发中常见的难题，是懂业务的人不会写代码，会写代码的人又未必理解行业中的细节。在这次比赛里，几位选手的优势，都来自他们对实际问题的熟悉。
要雁峥不熟悉编程，却知道驻村书记上任后会遇到什么麻烦。他把 WorkBuddy 当成技术顾问，一边提问，一边把多年积累的行业知识做成学习题库。猪蹄先自己写开发文档，理清法律分诊的框架，再交给 AI 执行。徐强则把已经手动跑过上百次的制作流程交给工具，让更多人有机会复用。
他们提供给 AI 的，是在实际工作中积累的方法。过去，这些经验通常需要经过产品经理和工程师的多轮转译，才能变成软件；现在，业务人员可以先做出一个版本，在使用中发现遗漏，再继续调整。
普通人需要的工具，既要允许他们用业务语言描述问题，也要在出错时给出能够继续操作的解释。
这也迎合了 AI 进化的一条内在铁律：系统本身被剥离得愈发轻量、直观，但它所承载和调动的业务能量却在呈指数级膨胀——操作做减法，执行做乘法。
人机分工之变：AI 承担执行，人保留判断与信任的责任
当 AI 已经能够协助生成知识图谱、项目看板和法律分诊建议，人还需要承担什么？几位选手的回答，都落在了提出问题、理解需求和判断结果上。
徐强认为，生成类工作可以交给 AI，但人要先有一个确定的想法，知道自己想要什么，并把它表达清楚。宋森强调理解需求背后的人，丛珊也认为，面对面与客户沟通、挖掘实际问题和汇报方案，仍然需要经验。
猪蹄做了一个比喻“作为律师和法务的手，而不是作为律师和法务的脑子。”法律工作的困难，经常出现在材料形成之前。当事人可能因为缺乏信任而没有充分披露事实，提供的信息甚至有所偏离。律师需要在交往中建立信任，辨别已有信息，再基于不完整的事实作出判断。把一份材料分析得流畅，并不能替代这些工作。
人需要知道问题出在哪里，决定哪些步骤可以交出去，也需要在工具给出结果之后，判断它是否足以支持下一步行动。
结语
AI 提效已经讨论了很久，但从“会用 AI”到“让 AI 进入工作”，中间仍然隔着许多具体问题。这些问题，很难靠等待一个无所不能的模型来解决。当“更低的交互门槛”与“更强的链路整合”成为大势所趋，真正的破局路径便浮出水面：它们需要熟悉现场的人指出症结，也需要工具能够接住这些人的经验，把一个个工作环节衔接起来。
在硅星人 ACC × WorkBuddy 极限挑战赛的现场，五位选手给出的，是各自行业中的一种尝试。海外律师把专业框架做成法律分诊助手，产品经理尝试追踪会议后的任务进度，乡村文旅从业者整理可以交接的村庄资料，独立工程师探索设备故障分析，自媒体创作者则希望让更多人参与寻亲视频制作。
这些作品还需要在真实使用中继续检验，但它们已经把讨论拉到了具体的人和工作面前。
