01
产品与渠道复杂度上升
业务从移门、柜类扩展到全屋定制与整装后，门店、设计、工艺、报价、安装之间的信息同步成本持续上升。
以"内容生成、数据分析、知识问答"为核心的 AI 战略框架——一次基建、四部门复用，让员工从重复劳动中释放出来，转向消费者经营与复杂判断。
工厂、品牌、渠道，拉迷都已经到位。真正卡住效率的，是把这些资产连起来的那条"信息流"——AI 该切的就是这条线。
从前端门店导购、设计师上门量房，到中后端审单、工艺开发、工厂下单，每一个交接环节都还在依靠人工流转、纸质底单、Excel 表格、聊天截图和电话沟通。这不是产能问题，也不是品牌问题——而是信息没有被数字化、没有被结构化、没有被自动化。
两份内部需求文档里的 19 项痛点，几乎全部可以归结为这条信息流上的卡点：内容生产慢、数据查询难、知识答不准、审单依赖人工。AI 不是替代人，而是把这条信息流自动起来，让员工从找资料、做表、改文案的重复劳动中释放出来，转向消费者经营、新品策划、复杂审单这些只有人能做的事。
从两份内部需求文档看，拉迷面临的问题不是"有没有用 AI"，而是信息多、链路长、版本散、人工重复判断多。把这五件事拆开看，AI 该切的入口就清楚了。
业务从移门、柜类扩展到全屋定制与整装后，门店、设计、工艺、报价、安装之间的信息同步成本持续上升。
新品、材质、五金、收纳、门墙、门店案例都需要持续产出卖点、图文、短视频脚本和培训材料。
ERP 和业务系统能导出销售明细，但清洗、归类、合并同类项、趋势判断和月报制作仍依赖人工。
工艺、报价、产品资料、前端咨询问题散落在文档、表格、PPT 与聊天中，新人和门店容易重复问。
测量、CAD、报价、下单涉及大量尺寸、材质、五金、备注和现场条件，人工审核一旦漏项会放大售后成本。
拉迷四个部门（产品运营、技术服务、工艺开发、直营审核）的需求看似分散，但拆到底层都落在三类工作流上：内容生成、数据分析、知识问答。这三类工作流共享同一套数据底座（产品知识库 + 销量数据仓 + 前端咨询库），意味着 AI 投入可以一次基建、四部门复用。
把品牌、产品、新闻、通知等高频生产的"文字 + 图片"工作流交给 AI 模型，人工只做最后的审校与品牌一致性把关。
把 ERP、设计系统、报价单这些结构化数据汇入统一数据底座，AI 做多维分析、异常检测、规则比对，自动出洞察与报告。
把散落多源的产品资料、工艺规范、咨询记录整合为单一可信知识库，让前端设计师、导购、商学院学员都能自助找到答案。
下面是按"内容生成、数据分析、知识问答"三类受影响流程做的方向性测算。左边的数字可以直接改，右边的节省工时实时变化——汇报现场可以按拉迷真实团队配置调整。
输入参与这些工作流的团队人数和每人每周投入时长（默认是保守估算）
口径说明：内容生成保守 45% / 成熟 65%；数据分析保守 55% / 成熟 75%；知识问答保守 25% / 成熟 40%。区间参考行业研究与同类项目经验，正式启动前以拉迷真实工时抽样校准。
判断一项需求能否用 AI 解决，本质是看它落在哪个象限。我们用三个维度评估每一项需求，并给出绿 / 黄 / 红三档可行性结论。
这是纯文本/数据处理任务（LLM 强项），还是涉及视觉细节理解、专业制图工艺、跨系统集成？后者往往需要 AI 之外的工程能力配合。
输出是否"对就是对、错就是错"（如金额比对），还是带主观判断（如美工排版、品牌一致性）？前者可全自动，后者需保留人工审校环节。
知识库是否结构化、规则是否能显式描述？AI 不能替代"规则本身不清楚"——那是流程咨询问题，不是技术问题。
经过逐项分析，19 项需求中超过半数可在 3 个月内上线见效，建议优先打包推进；少数视觉 / 制图类需求需走非 AI 路径，避免方向偏差。
覆盖产品运营部、技术服务部、工艺开发部三个部门共 14 项需求。整体以文本生成、数据分析、知识库问答为主，AI 适配度较高。
给定文案/评论数据，LLM 可做摘要、聚类、用户画像生成、热点话题提炼。报告输出可结构化模板化，质量稳定，是 LLM 强项。
按品类配套不同 prompt 模板，输入产品参数即可生成系列背景、概念板、应用场景、对比文案。支持四大类品复用同一套生成框架。
基于 ERP 与设计系统导出的 CSV/Excel，做品类、型号、地区、门店、价格段、毛利率多维分析，输出图表与文字解读；可附带畅销共性 + 滞销清库存建议。
数据建模 + LLM 解读输出。可固化为标准化数据看板 + 周期性自动出报告。
不是 AI 能力问题，是数据获取问题。小红书、抖音风控较强，合规途径需采购第三方数据 API（新榜、蝉妈妈、千瓜等），或走官方开放平台。建议先列采购预算，再判断 AI 分析层。
文案部分可达成 90% 自动化；配图美工排版只能给到 70% 草稿，需美工 30 分钟精修。场景图、爆炸图、卖点对比图若要符合品牌风格，需做 LoRA 微调或 ComfyUI 工作流定制，调教周期 2–3 个月。
聊天记录抽取 → 结构化 → 入库，标准 RAG 前置流程。可做问题分类、相似归并、汇报模板自动填充。
目前回答不准是工程问题（知识切片、向量召回、Rerank 策略）而非模型能力问题，可优化到 85%+ 命中率。建议同步制定"AI 答不出 → 人工补录"的反馈闭环。
ERP 数据筛选 + 合并同类项 + 多维度分析 + PPT 套模板汇报。与产品运营部销量分析共享底层数据管道，建议合并为一个项目推进。
根据飞书知识库变更事件 + 通知模板自动拟稿，每周五汇总人工审核后发出。闭环清晰，是 AI 价值感最强的小切口，可作为首批验证项目。
技术可行：知识库内容 + 模板 + python-pptx 自动生成。但"美观度对齐人工 PPT"很难，建议定位为结构化模板 PPT，关键封面/概念页保留人工编辑。
BOM 字段结构化 → PPT 模板填充可做。同步需要约束 BOM 录入规范，否则字段不齐自动化无从下手。
这是矢量制图 + 印前工艺领域，LLM 不擅长。正确路径是脚本调用 CorelDRAW / Illustrator 自动化（VBA / JSX 脚本），属于 RPA 项目，建议单独专项推进。
需要对 .dwg 做参数化处理，属于 AutoCAD .NET API / LISP 二次开发，与 AI 关系不大。建议同样作为独立的 CAD 自动化项目推进。
共 5 项需求，核心是视觉理解 + 规则比对。结构化数据比对类高度可行；图片 / CAD 类需 POC 验证。建议从报价比对单点切入，快速拿到首个结果。
两份 Excel 字段级比对（总金额、铰链型号、灯带型号、五金一致性），结构化数据 → 可做到 95%+ 准确率，差异自动标红回写。这是整个审核条线成本最低、见效最直观的项目，建议作为审核部首个 AI 见效点。
多源（飞书知识库、ERP、企业微信图册）合并 + 版本去重 + 最新版本优先返回。RAG + 知识图谱标准方案。与技术服务部"AI 知识助理"共享同一套知识底座，建议合并为一个项目推进。
视觉模型可做显式漏量提醒（如"图中可见插座但无尺寸标注"），但准确率取决于：① 拍照清晰度；② 是否有标准化打底单模板。建议先做 200 张样本 POC 评估，准确率 >85% 再上线。
关键看 CAD 是 .dwg 原文件还是导出图。原文件可做规则化提取（DXF / LISP），准确率高；若只有截图则依赖视觉模型，准确率打折。建议优先打通 CAD 原文件读取链路。
难点：① 测量底单是手写照片，OCR 准确率不稳定；② 需要建立测量点↔CAD 标注的语义对应。在没有标准化测量模板的前提下，AI 很难做对。
强烈建议先推动测量底单标准化（表格化录入 / 电子量房 App），再做 AI 比对——这是流程优化问题，不是模型问题。
建议按 ROI 与难度比分三波推进。第一波在 3 个月内交付可用工具、让团队先用起来，第二波攻坚视觉与多模态难题，第三波划清非 AI 项目边界、单独专项推进。
优先启动确定性高、ROI 明显的项目，3 个月内让各部门直接看到实效。
视觉与多模态项目需要小样本 POC 评估后再决定是否全量上线，同步推动流程标准化。
以下需求不建议作为 AI 项目启动，应走 RPA / CAD 二次开发 / 流程优化路径，避免预期偏差。