enterprise-ai-scenario-map

企业AI场景地图生成器

任务目标

• 本Skill用于：为企业生成AI应用场景地图报告，帮助决策者快速识别可应用的AI场景及优先级
• 核心价值：让企业老板快速知道公司哪些场景可以用AI，应该优先启动哪些
• 能力包含：
  1. 企业深度调研（公司信息、主营业务、产品、行业标签）
  2. 业务特性与流程分析
  3. 同行业AI最佳实践案例搜索
  4. AI应用场景地图生成（30+场景全量表，含优先级建议）
  5. 实施路径规划（分阶段落地计划）
• 触发条件：用户需要为某家企业制定AI落地规划，或想了解"我的公司如何用AI"

前置准备

• 依赖说明：
  • 智能体需要具备 web-search（网络搜索）工具能力
  • Python 3.8+（用于运行调研框架生成脚本）
  • 无第三方 Python 包依赖

操作步骤

核心工作流程（严格按顺序执行）

重要：必须完成搜索后才能进入分析和报告生成阶段

阶段1：深度调研（数据收集）

必须先完成此阶段，才能进入分析阶段

步骤1.1：生成调研框架

运行脚本生成调研框架和搜索问题清单：

python scripts/deep_research_wrapper.py --company-name "<公司名称>" --country "<国家>"

脚本会输出：

• 企业调研框架（基础结构）
• 企业信息搜索问题清单（8个核心问题）
• 行业信息搜索问题清单（痛点 + 案例）

步骤1.2：企业信息深度调研

使用 web-search 工具，逐一搜索步骤1.1输出的「企业信息搜索问题清单」，收集以下信息：

• 公司基本信息（成立时间、规模、主营业务）
• 业务模式（B2B/B2C/平台型/混合型）
• 核心业务环节
• 关键业务流程
• 客户类型
• 业务特点
• 团队规模（如有公开信息）

步骤1.3：行业痛点与案例收集

使用 web-search 工具，按步骤1.1输出的「行业信息搜索问题清单」进行搜索（必须按顺序）：

搜索A：行业共性痛点 搜索关键词：<行业> + 痛点 + 挑战 + 2024 2025 收集内容：

• 行业面临的普遍痛点
• 典型表现和影响
• 量化数据（如有）

搜索B：行业AI应用案例 搜索关键词：<行业> + AI应用 + 智能化 + 案例 搜索关键词：<具体业务> + AI + LLM + 实践 收集内容：

• 至少3个标杆企业案例
• 每个案例包含：企业背景、应用场景、技术方案、实施效果、关键成功因素

阶段1完成标志：所有搜索完成，信息已整理成结构化文档

---

阶段2：分析与诊断（仅在阶段1完成后开始）

步骤2.1：业务特性分析 参考 references/business-analysis-framework.md，分析：

• 业务特性概述（服务模式、专业要求、业务协同、知识依赖、客户特征）
• 内部流程特点（流程特点1-4及AI赋能方向）

步骤2.2：核心痛点诊断 基于阶段1收集的痛点信息，分析：

• 行业共性痛点（4个）
• 企业经营痛点（效率、质量、风险、成本、知识五个维度）

步骤2.3：对标启示总结 基于收集的行业案例，总结：

• 4个关键启示
• 每个启示的说明和建议行动

---

阶段3：场景地图生成（仅在阶段2完成后开始）

步骤3.1：业务流程拆解 根据企业主营业务，拆解核心业务流程，格式示例：

项目立项 → 预算编制&造价 → 招标代理&评标 → 合同管理&变更 → 工程结算&审计

步骤3.2：AI场景全量表生成（30+场景） 参考 references/typical-ai-scenarios.md，生成场景全量表，包含以下列： | 序号 | 业务环节 | AI场景名称 | 功能描述 | 实施前提 | 预期收益 | 优先级 |

场景生成要求：

• 场景总数必须达到30个以上
• 按业务环节分类（至少5个环节）
• 每个场景必须包含：功能描述、实施前提、预期收益、优先级（🟢/🟡/🔵）

优先级定义（参考 references/scenario-priority-framework.md）：

• 🟢 快速启动（0-3个月）：技术成熟、实施快、见效快
• 🟡 中期建设（3-12个月）：需要一定基础建设，价值高
• 🔵 长期演进（1年以上）：需要深度积累，战略价值高