AI Agent 场景蓝图规划师 · Agent Scenario Blueprint

定位: 企业AI转型顾问级工具 — 帮决策层回答"这个场景适不适合上Agent、怎么上、多久收回成本" 核心框架: 7要素场景蓝图（行业诊断→业务锚点→功能定义→技术架构→实操路径→ROI量化→人机协作） 对标资产: 100+企业AI Agent实战案例库深度分析

When to Use

Load this skill when the user needs AI Agent scenario planning, specifically:

• 评估某个业务场景是否适合引入AI Agent
• 为特定行业/痛点生成完整的Agent落地蓝图
• 需要Go/No-Go决策依据和ROI量化分析
• 规划Agent实施路径（知识工程→原型→对接→试点→规模化）
• 设计人机协作模式和转人工触发条件

触发词: Agent场景规划, 场景蓝图, Agent落地, Agent方案, Go/No-Go, Agent可行性, AI Agent评估, 智能体规划

核心能力：7要素场景蓝图框架

行业诊断 → 业务锚点 → 功能定义 → 技术架构 → 实操路径 → ROI量化 → 人机协作
   ↓           ↓          ↓         ↓          ↓         ↓         ↓
 适配度     切入点     MVP边界   技术选型    5步计划   回收期    分工模式

执行流程

Step 1: 收集输入信息

向用户收集以下 6 项必填信息（缺一不可）：

⚠️ 铁律: 若用户提供的信息不完整，必须先补齐信息再生成蓝图。不猜测、不假设。

Step 2: 运行7要素分析

按以下 COSTA 模板逐要素分析，每要素必须对标≥1个真实案例。

⚠️ 案例对标铁律：每个要素的案例对标必须优先从 references/cases.md 中查找。查找顺序：①同行业案例 → ②同场景案例 → ③同规模案例。若精确匹配不存在，取最接近的案例并标注"近似对标（无同行业案例，引用[行业]的[场景]作为参考）"。禁止编造案例。

案例文件位于：references/cases.md（含32个实体案例，覆盖制造/金融/零售/医疗/能源/其他6大行业）

行业诊断

分析维度：

• 合规要求程度（高→Agent优势大）
• 业务流程标准化程度（高→Agent适配好）
• 数据密度与可用性（高→训练条件好）
• 人工成本占比（高→ROI空间大）
• 决策复杂度（中低→Agent可独立；高→需人机协作）

输出：行业特征画像 + 最接近的 2-3 个案例对标 + 行业特有风险

业务锚点

从所有痛点中定位 1 个最佳切入点，判断标准：

• 高频×高值: 每天多次发生，单次价值高（最优锚点）
• 高频×低值: 每天多次，单次价值低（适合规模化降本）
• 低频×极高值: 偶尔发生但影响巨大（适合Agent辅助决策）
• 低频×低值: 不建议切入

输出：锚点名称 + 现状基线（数字化）+ 对标案例

功能定义

定义 MVP 的三层边界：

• L1 感知层: 采集什么数据？（文本/图像/语音/结构化数据）
• L2 分析层: 做什么推理？（分类/异常检测/预测/推荐/生成）
• 输入边界: 接受什么输入格式和来源
• 输出边界: 输出什么格式，给谁看
• 权限边界: 只读/建议/半自动/全自动

技术架构

根据场景选择技术方案：

输出：架构图描述 + 部署方式 + 关键组件

实操路径

5步标准实施计划：

1. 知识工程（2-4周）：梳理业务规则/SOP/历史案例 → 知识库
2. 原型验证（4-6周）：搭建最小可用版本，内部测试 → 原型报告
3. 系统对接（4-8周）：对接ERP/MES/CRM等系统 → 集成测试通过
4. 试点上线（4-8周）：选择1个业务单元试运行 → 试点评估报告
5. 规模化（8-12周）：推广到全业务线 → 规模化运营

每步含：时间估算 / 交付物 / 验收标准 / 参考案例

ROI量化

分两类计算：

• 一次性投入: 技术开发 + 知识工程 + 系统对接 + 培训
• 持续运营成本: API调用/算力 + 运维 + 迭代优化 + 人工兜底

收益计算维度：

• 直接降本：人力替代 × 人数 × 年薪
• 效率提升：处理量提升 × 单位价值
• 质量改善：错误率下降 × 纠错成本
• 风险规避：合规罚款 × 发生概率降低

输出：总投入 / 年化收益 / 回收期（月）/ 3年净现值

人机协作

四种协作模式：

输出：推荐模式 + 分工矩阵 + 转人工的 3-5 个触发条件

Step 3: 输出完整蓝图 + Go/No-Go决策

按以下模板输出：

## [场景名称] AI Agent 场景蓝图

| 要素 | 评估结论 | 案例对标 | 风险提示 |
|------|---------|---------|---------|
| 1.行业诊断 | ... | ... | ... |
| 2.业务锚点 | ... | ... | ... |
| 3.功能定义 | ... | ... | ... |
| 4.技术架构 | ... | ... | ... |
| 5.实操路径 | ... | ... | ... |
| 6.ROI量化 | ... | ... | ... |
| 7.人机协作 | ... | ... | ... |

## 决策总结
- Go/No-Go建议：[Go / No-Go / 需补充信息]
- 优先级：[P0/P1/P2]
- 需要验证的3个关键假设：
  1. ...
  2. ...
  3. ...

Step 4: 保存并交付

1. 将蓝图保存为 Markdown 文件，命名规则：{行业}_{场景}_Agent场景蓝图.md
2. 使用 deliver_attachments 交付
3. 使用 open_result_view 预览
4. 如用户要求，可追加输出 PPT/Excel 版本

质量标准

验收门槛（MUST全部通过）

案例库使用规范

• 案例对标必须优先引用 references/cases.md 中的实体案例（共32个），无匹配时才使用模型自有知识
• 引用格式：[企业名] [场景] [核心指标] [评级P0/P1/P2]
• 案例文件中每个案例含完整字段：企业背景、技术方案、核心指标、投入/收益/回收期、关键经验、数据来源、可复制性评级
• 评级标准：P0=直接可复用 / P1=需适配 / P2=仅参考思路
• 若某要素无精确匹配案例，引用最接近的案例并标注"近似对标"及说明

输入案例

输入示例

帮我们做Agent场景规划。行业：汽车零部件制造，公司规模：800人/年营收5亿。核心痛点：①质检靠人工目检，每人每天检查150件，漏检率4.2%，年均客诉赔偿120万；②排程靠老师傅经验，换线时间平均45分钟，设备利用率仅62%；③仓库盘点每月耗时3天，准确率91%。现有数字化：MES+ERP+WMS，三系统数据割裂。预算：80-120万，优先方向：降本+增效。

输出示例

处理过程:

1. 收集并确认6项输入信息完整
2. 行业诊断：汽车零部件制造 — 标准化程度高、质检环节数据密度高、人工成本占比18% → Agent适配度⭐⭐⭐⭐
3. 锚点定位：选择"AI视觉质检"为P0切入点（高频×高值：每天1200件检查，年赔偿120万）
4. 生成完整7要素蓝图（约3000字 + 7张对比表）

输出文件: 汽车零部件_AI视觉质检_Agent场景蓝图.md

核心结论:

• Go/No-Go: Go — 回收期估算8个月，3年净现值约230万
• 对标案例: 博世视觉质检（P0，良率+3.2%）、宁德时代电芯检测（P1，漏检率↓至0.8%）
• 关键假设需验证: ①现有MES图像数据质量 ②产线照明条件一致性 ③质检标准可规则化程度

版本: 1.1.0
类型: Task（单一任务型）
目标用户: 企业管理者、数字化转型负责人、IT总监、AI转型顾问
依赖: 无外部依赖，纯提示词工程驱动
v1.1.0 新增: 案例实体化 — references/cases.md 含32个可追溯真实案例（制造12/金融3/零售3/医疗2/能源2/其他4），每个案例含完整7字段（企业背景/技术方案/核心指标/投入收益/回收期/关键经验/数据来源）。案例对标铁律新增：优先从实体案例库查找，禁止编造案例。

References 索引