歡迎收聽現(xiàn)場對話原文??

如果有一天，你腦子里的專業(yè)經(jīng)驗可以 24 小時在云端替你工作，你還會像現(xiàn)在這樣趕路講課、連軸開會、按小時賣時間嗎？

在2025北京非凡大賞的一場圓桌現(xiàn)場，StudyX 創(chuàng)始人 & CEO 李令，把學生和老師的學習難題交給 AI；孚知流科技創(chuàng)始人 & CEO 白雙，試圖把專家腦子里的隱性經(jīng)驗，變成可以交易的 Agent 資產(chǎn)；世紀天鴻 AI 產(chǎn)品負責人張民松，這位做了 30 年教輔的老兵，正在為老師打造一套 AI 備課外腦；ChatExcel 創(chuàng)始人 & CEO 逄大嵬，用聊天的方式幫職場人搞定 Excel 和數(shù)據(jù)庫背后的數(shù)據(jù)世界；必優(yōu)科技創(chuàng)始人 & CEO 周澤安，則盯上了上班族的“PPT 噩夢”，想讓文檔回到“表達結果”本身。

主持人是，非凡產(chǎn)研內容合伙人薛倩。她開場的第一個要求就很不“專家”：“請用最不專家的方式介紹你們自己，你們到底在幫誰解決什么問題？你們撬動的，又是哪一種專業(yè)能力？”

這一刻，其實已經(jīng)把今天這場對話的主題抽出來了：在 AI 時代，專家的價值，正在從“我懂的比你多”，悄悄變成“我能把這套知識復制給多少人、用多少種方式交付出去”。

而坐在臺上的這幾位，大概就是五種不同的杠桿：有人用它去撬動學生的學習曲線，有人用它去撬動老師的備課效率，有人用它撬動職場人的數(shù)據(jù)能力和表達能力，還有人干脆把“專家本人”拆解成一套可運行的 Agent 系統(tǒng)。

一、從“專家介紹自己”，看懂五種專業(yè)杠桿

如果你把頭銜抹掉，只看他們用“最不專家”的方式介紹自己，其實特別有意思。

李令的 StudyX，干的事情很直白：幫學生學得更好，幫老師教得更好。

對學生，是給他一條效率更高的“知識獲取通道”；對老師，是幫他把教研內容、自己的專業(yè)積累，轉化為真正被學生吸收的“結果”。

這里的杠桿，是學習方法論與教研能力。

白雙的孚知流，則是干一件很多專家嘴上說厲害、但從沒系統(tǒng)做過的事：把你腦子里那些“說不太清，卻一直在用”的隱性經(jīng)驗，變成一種可以交易、可復制、可持續(xù)運轉的專家 Agent 資產(chǎn)。

你以前靠時間收費，現(xiàn)在可以靠“專家 Agent”替你持續(xù)工作。

這里撬動的是專家的隱性知識和決策流程，也就是我們所說的Know-how。

張民松背后的世紀天鴻，是很多人童年陰影的來源——教輔《優(yōu)化設計》

30 年做教輔，本質上做的是一件事：就是服務好教師，AI產(chǎn)品的切入點是備課場景，備課是一個兼具教師較大工作量和創(chuàng)造力需求的工作，本質是教師對教學內容進行獲取、組織加工和創(chuàng)作的過程，現(xiàn)在做的“小鴻助教是通過模型與教育資源庫的整合，實現(xiàn)備課資源「個性化定制+動態(tài)生成」的創(chuàng)新模式。

杠桿的是學科內容的個性化和知識整合能力。

逄大嵬的 ChatExcel，聽起來最“務實”：就是幫普通人，用聊天的方式搞定 Excel 和各種表格、數(shù)據(jù)庫里的數(shù)據(jù)處理。清洗、透視、報表、看板——過去你要么去學函數(shù)，要么找同事幫忙?，F(xiàn)在，一個數(shù)據(jù)智能體幫你把數(shù)據(jù)從“看不懂的表”，變成“能直接用于決策的結構化信息”。

這里的杠桿，是數(shù)據(jù)理解、建模與分析能力。

周澤安的必優(yōu)科技，則把手伸進了上班族的“精神內耗三大件”之一，PPT。

他們做了 ChatPPT，有 1500 萬注冊用戶，還是不少大廠背后的“文檔引擎”。

但他們真正想做的，不是“幫你多幾頁好看的 PPT”，而是：你要講的這場路演、這次復盤、這份報告，有沒有被準確、有效地表達出來？

換句話說，他們試圖把“內容產(chǎn)出”從“我會不會用工具”，變成“我能不能把這件事講清楚、傳達出去”。

這五種路徑背后，其實是在回答同一個問題：

專業(yè)人士的價值，能不能從“賣時間”變成“賣系統(tǒng)”、“賣結果”？

AI 就是那根杠桿，但真正決定你撬多高的，是你掌握的那部分 “不可替代的專業(yè)鏈路”。

二、嚴肅場景里，AI 憑什么讓人“敢托付”？

聊到這兒，問題就來了：這些場景都不輕，一旦錯一次，用戶可能就永遠不用你了。

小數(shù)點差一位，財務報表直接報廢；教輔內容有問題，是學生真正在試卷上栽跟頭；PPT 講錯一頁，可能是一個項目黃掉。

在這些“容錯率接近于零”的場景里，AI 憑什么讓人信任？

1. ChatExcel：數(shù)據(jù)世界里，“差一位小數(shù)”等于死亡

逄大嵬說得很直白：“在 Excel 這種場景里，小數(shù)點差一位，你基本就不會再用第二次了?！?/span>

所以他們從四個層面，把“準確性”拉到幾乎變態(tài)的程度。他沒有用特別技術化的語言去炫耀，而是講了幾個特別具體的做法：

處理鏈路要嚴謹——Agent 每一步做什么，不能“隨緣發(fā)揮”；

做自己的專有解析模型，專盯數(shù)據(jù)集這種“細活”；

把處理過程可視化——100 行數(shù)據(jù)，人眼還能掃一下，100 萬行你只能看規(guī)則，把思維鏈（CoT）攤給用戶看，讓用戶能“拆箱”“封箱”；

不同行業(yè)的數(shù)據(jù)模型不一樣：物流、電商、醫(yī)藥……背后都是專門的知識模型。

你會發(fā)現(xiàn)，他們其實做了一件事：

把“模型可能犯的錯”，盡量暴露在用戶能理解、能驗證的層面，而不是“端給你一個黑盒結果，讓你自己去賭”。

2. ChatPPT：文檔場景不是“不需要可信”，而是“隱性可信更高”

很多人以為 PPT 不需要那么嚴肅，反正好看就行。

但周澤安的判斷剛好反過來：“Excel 是客觀可信，PPT 是演講者內在的可信。”

一份路演稿、年度總結、戰(zhàn)略匯報，AI 寫的內容如果和你心里的真實想法不一致，即便邏輯順一點、排版好一點，你在臺上都會覺得“別扭”。

所以他們也做了四件事：

天然聊天化：2023 年 3 月就上線 ChatPPT，讓用戶通過來回 Chat，把自己的觀點、語氣、細節(jié)一點點“喂”進去；

鼓勵用戶用自己的原始內容：飛書、釘釘日報、舊文檔……通通丟進來，AI 做的是“結構化、重組和表達”；

做“溯源”：每一個觀點、每一個關鍵詞，都能點回原文，甚至連數(shù)學推導過程都能看到；

區(qū)分身份與場景：老師的課件、互聯(lián)網(wǎng)人的周會匯報、銷售的客戶方案，本質完全不同，系統(tǒng)會主動判斷，走不同的邏輯。

這背后其實是一個簡單但經(jīng)常被忽視的原則：越是“看起來不那么嚴肅”的場景，越藏著對信任的苛刻要求。

3. 世紀天鴻：當學科內容遇上幻覺，先承認“模型不夠格”

學科教育可能是對 AI 最嚴苛的場景之一。

你可以接受娛樂內容“有點飄”，但一道題、一個概念錯了，影響的是一批學生的認知。

張民松的判斷非常冷靜：“以目前原生模型的狀態(tài)，還完全達不到學科教育對可信度的要求。”

于是他們的選擇是：不把希望全部壓在“模型再聰明一點”上，而是用工程手段把模型“框”在可信的軌道里，外掛知識庫、外掛工具庫、外掛教研團隊，尋求適配的解決方案。

教案、課件、習題看上去是“AI 生成”，但背后有一整套內容體系、審查邏輯在托底。

他們做的是一件更難，但更穩(wěn)的事：讓 AI 變成內容團隊的“放大器”，而不是“替代者”。

4. 孚知流：真正風險在“規(guī)劃”，不是“執(zhí)行”

白雙從 Agent 的兩步——規(guī)劃與執(zhí)行——切入，這個角度很有意思。

執(zhí)行環(huán)節(jié)，錯就錯在工具調用不當、模型 over-react，其實可以通過模型評測、工具治理、生態(tài)建設逐步完善。

但規(guī)劃環(huán)節(jié)，才是決定“這套 Agent 到底是不是專家水準”的關鍵。

他舉了個對比：大模型通過 DeepSeek R1 之類能力給出的思維鏈，看上去很完整，但那是“模型覺得合理的路徑”；而真正的行業(yè)專家，心里那套鏈路，往往和模型不一樣，甚至完全不在一個維度。

所以他們干脆摒棄了畫布式拖拽，把規(guī)劃這一步拉回自然語言：讓專家用自己習慣的語言，說明“我是怎么一步步做判斷的”；實在寫不出來，就用“知識萃取 Agent”跟你聊天，把你的輸入輸出、例子、思考過程一點點扒出來。

最后沉淀成一條條可以復用的思維鏈，變成專家的 Agent 資產(chǎn)。

這就是為什么一個做紫微斗數(shù)的老師，在他們平臺上把“看命盤”的思路梳理成 Workflow 之后，他的 Agent 在圈子里直接“自來水”一樣傳播。

你會發(fā)現(xiàn)，你會發(fā)現(xiàn)AI ” “ 在這里扮演的角色，是成為你的身外化身，按照你的專家標準去對“ 外提供生產(chǎn)力，并且這種生產(chǎn)力是無限大的。

5. StudyX：學生與老師，兩重“可信”標準

StudyX 一開始是做學生解題，后來走到老師教研。

在學生端，他們用的是我們耳熟能詳?shù)囊惶祝篟AG、知識庫、針對不同學科和題型的解題鏈路。

但當他們開始服務老師，就發(fā)現(xiàn)一個新問題：“對老師來說，‘專業(yè)可信’不等于‘模型給的答案是對的’，而是‘這是不是我認可的教法、講法和標準’。”

于是他們做了一件看起來“不 AI”的事：讓內容回到老師手里，接受二次校準。

在特定學科、特定地區(qū)的教研場景下，讓 AI 輸出不只是技術正確，而是符合這群專業(yè)人士、這條教育體系的共同理解。

這也是一個重要的轉折點：當你從“技術視角”轉到“場景視角”，你會發(fā)現(xiàn)“可信度”其實有很多層。有的是數(shù)學意義上的對錯，有的是專業(yè)社群內部達成的共識，還有的是演講者內心的確信感。

三、當大模型和巨頭擠進來，專家型產(chǎn)品怎么不被“順手做掉”？

所有做 AI 應用的人，都繞不開兩個壓力：

大模型越來越強；

大廠越來越愛“順手”做應用。

那這些圍繞專家場景的小而精產(chǎn)品，憑什么不被一波帶走？

1. “問題感”比“技術感”更重要

周澤安說了一句很扎心的話：“如果你只是簡單復用技術，而不深度思考用戶場景，那確實很危險?！?/span>

文檔生成這件事，大廠當然可以做，甚至還可以做得更快、更通用。

但當你認真去拆用戶場景：

路演的人要的，是拿到錢；

銷售要的，是客戶點頭；

老板要的，是團隊真正理解戰(zhàn)略；

你就會發(fā)現(xiàn)，真正難的是“從結果往回推”，看這份 PPT、這篇文檔，怎么才能在復雜的人際場景里發(fā)揮作用。

所以他們才會往下延展出 AI 路演頁、AI 語音克隆、AI 回答觀眾提問，甚至和 AR 眼鏡結合做提詞器。

PPT 不再是一個“文件”，而是一整套“說服系統(tǒng)”的入口。

逄大嵬也有類似的判斷：AI 出現(xiàn)之后，需求不是變少，而是變多。

數(shù)據(jù)更復雜、來源更多、結構更亂。真正有場景感的團隊，會在這些“麻煩事”里看見新的機會。

2. 把“重的東西”當成壁壘

做教輔內容，是一件“重而累”的事。但在 AI 時代，這種“重”，反而變成壁壘。

張民松說：內容公司很苦，但一旦你有一整套教研體系、內容資產(chǎn)、審核機制，AI 就能幫你把這套價值釋放得更快、更廣。你越是能沉下心做“重內容”，大模型的迭代反而對你越友好。

這句話，反過來也可以理解成提醒：如果你只做“輕包裝”，是最容易被大廠順手做掉的那一塊。

3. 重新定義自己的“物種”：不是工具，是生態(tài)節(jié)點

白雙給自己下的定位，是 Uber 而不是車廠：“我不做通用 Agent，也不做垂直 Agent，我做的是讓專家的 Know-how 得以沉淀、以 Agent 形態(tài)去服務終端用戶的平臺。”

這背后是一個更大的判斷：AI 時代，單點工具會越來越多；真正稀缺的，是能夠把專家、工具、需求方、培訓、IP、投資方串成完整鏈條的“專家智能體經(jīng)濟”生態(tài)位。

他們提的“Value-as-a-service”（價值即服務），本質就是一句話：別再按接口、按 Token、按時長收費了，讓用戶只為有價值的結果付費。

當你的商業(yè)模式本身，已經(jīng)圍繞“價值”而不是“功能”，你就已經(jīng)從工具出發(fā)，走向了生態(tài)角色。

4. 在“效率”之外，守住“成長”與“身份認同”

李令從學習場景的視角，提了一個很關鍵的補充：通用大模型更多關注“效率”和“替代人”，但在學習場景里，我們真正關心的是：這個學生有沒有變得更好？

這意味著，產(chǎn)品必須對學生的成長路徑、知識圖譜、情緒狀態(tài)負責，而不是只對“一道題有沒有解出來”負責。

這和白雙提到的品牌理念，有異曲同工：“我們希望讓 AI 代替生產(chǎn)力，讓人去做更有創(chuàng)造力的事。”

品牌如果只是“一個工具名字”，很難在今天的世界活得長。

真正有生命力的品牌，往往帶著一種生活方式的期待，你用它，不只是為了省兩小時，而是為了變成一個“更好的自己”。

四、專家的下一步：從“講課的人”變成“運行在云端的系統(tǒng)”

如果要用一句話總結這場對話給我的感覺，是這樣的：

過去，專家是“講課的人”、“寫方案的人”、“改報表的人”；

未來，專家更像是“運行在云端的一套系統(tǒng)的作者”。

StudyX、孚知流、世紀天鴻、ChatExcel、必優(yōu)科技這幾條路，其實已經(jīng)畫出了一條清晰的路徑：

先承認：大模型本身是不夠的。

再找到：你真正獨特的那部分，學科體系、行業(yè) know-how、隱性經(jīng)驗、內容資產(chǎn)、問題分解方式。

然后用 AI，把這些東西變成：面向學生的學習路徑；面向老師的教研外腦；面向職場人的數(shù)據(jù)智能體與文檔生成系統(tǒng)；面向專家本人的 Agent 資產(chǎn)與被動收入來源。

在這條路上，“去專家化”并不是要抹掉專家，而是：

用更日常的語言，講清楚你到底在幫誰解決什么問題；

把你那些過去只存在于腦子、習慣、直覺里的東西，一點點拆出來、寫下來、固化下來；

讓 AI 和系統(tǒng)，去替你重復那些“可復用”的部分，把你騰出來做更有創(chuàng)造力的決策。

真正的危險，不是 AI 把專家干掉。

而是專家仍然把自己困在“按小時賣時間”的舊模式里，看著一代又一代的工具，從 Word、Excel、PPT，一路進化到大模型與 Agent，卻從未認真問過自己：

如果有一天，我的經(jīng)驗不再只能通過“我親自出場”來交付，我想讓它以什么形式，長久地留在這個世界上？ 

---

更多對話細節(jié)

第一部分：嘉賓自我介紹與“去專家化”解讀

薛倩：大家好，我是非凡產(chǎn)研的薛倩。今天的主題我覺得跟我們在座的每一個人都密切相關。大家現(xiàn)場在座的可能都是專家，擁有非常多的專業(yè)知識。那我們怎么用 AI 去杠桿化我們自己的專業(yè)知識呢？今天在座的五位是“手握五把杠桿”的嘉賓，我們就來好好聊一下他們各自在做的事情。

先請各位嘉賓做一個自我介紹。我有個小要求，請大家用“最不專家”的方式來介紹一下：你們的產(chǎn)品或服務是幫誰解決什么問題？以及你們其實是在撬動哪一種專業(yè)能力？先從 StudyX 李總開始。

李令：大家好，我是 StudyX 的創(chuàng)始人李令。如果在座的各位“不專家”地說，我們是幫助學生學得更好，幫助老師教得更好。

從學生的角度，我們試圖用 AI 的能力幫助學生更好地去學習知識，或者說給他更好的知識獲取方式；對老師來說，我們想幫助老師把他的專業(yè)知識更好地教給學生，甚至說 AI 能幫他直接提高專業(yè)知識對學生的交付質量。

白雙：大家好，我是白雙，大家可以叫我雙雙。我們的公司叫孚知流科技（Fuzflo），核心產(chǎn)品叫 Leapility。

用一個簡單的方式介紹：如果在座各位是各個領域的專家，你們一定有一些“隱性知識經(jīng)驗”，這是在網(wǎng)上搜不到的。我們要做的，就是把你們腦子里的隱性專家知識經(jīng)驗，通過產(chǎn)品和商業(yè)模式變成可交易的專家 Agent 資產(chǎn)。這樣既能為你帶來被動式收入，又能把你從勞動力中解放出來。這就是我們在做的事情。

張民松：大家好，我是世紀天鴻的 AI 負責人張民松。我算是一位教育行業(yè)的創(chuàng)業(yè)老兵，我們公司做了30年，是老牌的教輔出版公司。我們的核心產(chǎn)品《優(yōu)化設計》目前累計發(fā)行量已經(jīng)達到數(shù)億冊，相信在座的各位上學時可能都經(jīng)歷過被我們產(chǎn)品“折磨”的過程。

雖然教輔是一個特殊的行業(yè)，使用者是學生，但從業(yè)務架構來說，教師是我們服務的第一用戶。如何服務好教師，是我們一直在思考的事。所以在2023年左右，我們推出了 AI 產(chǎn)品，主要是解決教師備課相關的問題。

備課對于老師來說是一個兼具較大工作量和創(chuàng)造性的工作，本質上是老師對資源的獲取、加工、處理和創(chuàng)作的過程。之前老師受限于環(huán)境，而在 AI 出來之后，比如個性化資源獲取、跨學科知識融合等方面，跟我們現(xiàn)在的備課產(chǎn)品是密切契合的。我們推出的助教產(chǎn)品——“小鴻助教”，主要解決教師備課的“四大件”：教案生成、課件生成、習題生成，以及導學案的生成。謝謝。

逄大嵬：大家好，我是來自 ChatExcel 的逄大嵬。我們的產(chǎn)品跟名字一樣，ChatExcel，就是用聊天的方式幫助大家解決日常辦公中的 Excel 問題。并且除了支持 Excel，我們也能支持數(shù)據(jù)庫處理。

我們的定位很簡單，就是幫助普通人快速應用所有的 Excel 和表格數(shù)據(jù)，幫你實現(xiàn)數(shù)據(jù)處理、清洗、報表分析、圖表生成、數(shù)據(jù)看板等等。圍繞數(shù)據(jù)鏈路，給普通人提供整個數(shù)據(jù)智能體，幫助大家更好地使用數(shù)據(jù)。謝謝。

周澤安：大家好，我是必優(yōu)科技的周澤安。我們的產(chǎn)品其實很簡單，就是幫助大家寫文檔。我們有好幾款產(chǎn)品，比如大家熟知的 ChatPPT，現(xiàn)在有1500萬的注冊用戶，也是很多大廠背后的支柱，不管是金山還是360，背后的很多 API 都是我們提供的。在文檔生成領域，我們應該算是國內的隱形冠軍。

對我們自己來講，我們要解決的事情很簡單：希望大家能回到創(chuàng)作文檔的本身，而不是工具本身。像上一代工具，無論是 WPS 還是微軟，我們會沉溺于“怎么做”本身。我們更希望的是：你寫這份 PPT 如果是需要路演，我讓你快速寫出來，并且按照你的意愿觸達到投資人；你寫的這份報告能讓你的客戶理解你，這更重要。所以我們交付的更多是以文檔內容結果為導向的產(chǎn)品。

薛倩：我用“最不專家”的方式再總結一下：StudyX 是解決個人學習需求；孚知流是幫助每個人提取自己的專家知識并規(guī)?；?，創(chuàng)造更大價值；世紀天鴻可以理解為教師的“AI 外腦”；ChatExcel 是讓用 Excel 變得簡單；必優(yōu)科技就是解決上班族的三大噩夢之一——PPT，幫我們做好 PPT。

 

第二部分：嚴肅場景下的“幻覺”與準確性控制

薛倩：講起來聽起來很輕松，但其實各位都在處理比較嚴肅的場景。我們對產(chǎn)品結果的容錯率非常低，可能用一次覺得結果是錯的，就不再相信這個產(chǎn)品了。這就是專家產(chǎn)品面臨的嚴格要求。

我想問一下各位：面對大模型不可避免的“幻覺”風險，在追求專業(yè)知識精準度的同時，各位從產(chǎn)品設計或技術方面是怎么樣解決這個問題的？先從容錯度風險最高的 ChatExcel 龐總開始。

逄大嵬：這是個好問題。因為我們做 ChatExcel，定義成處理數(shù)據(jù)，天然就跟準確率百分之百掛鉤。處理數(shù)據(jù)的產(chǎn)品容忍度幾乎為零。

我經(jīng)常舉個例子：在 Excel 場景下，小數(shù)點差一位，你基本就不會用了。而且在數(shù)據(jù)場景下，所謂的“不會用”不是這次不用，是永遠都不會再用了。因為你不會相信這個產(chǎn)品能把你的財務報表做準。

所以我們在幾個維度去處理這個問題：

第一，從處理的鏈路（Flow）上，Agent 的處理鏈路要嚴謹；

第二，做自己的專有模型，包括解析模型，專門做數(shù)據(jù)集的處理；

第三，從用戶交互維度，讓處理過程可視化。比如你處理100行數(shù)據(jù)，人眼能掃出來，但處理100萬行數(shù)據(jù)時你驗證不了。怎么辦？我們把處理規(guī)則（CoT，思維鏈）放出來，讓用戶看到規(guī)則，支持“拆箱封箱”的介入方式。

第四，匹配行業(yè)知識模型。物流、電商、醫(yī)藥的數(shù)據(jù)模型和知識完全不一樣，這些都需要多維度來解決損失問題。

薛倩：能不能分享一個您的用戶用 ChatExcel 處理的最復雜的案例？

逄大嵬：最復雜的其實是財務場景。我們有審計公司，比如“四大”實務中的審計公司，用來做月底的財務報表處理、對賬。這種場景比較復雜，第一是對準確度要求極高；第二是表結構特殊，利潤表、損益表各種結構不同；第三是服務不同客戶（如物流、電商）的模型和知識也不一樣。

周澤安：大家可能天然以為 PPT 是不是不用追求可信？“說得好不如 PPT 寫得好”，感覺好像用 AI 生成得更好看就行。其實不是的。

PPT 場景是一種“隱性的可信”，要求更高。Excel 的小數(shù)點是客觀的可信問題，而 PPT 是演講者內在的可信。比如我要講必優(yōu)科技，AI 生成的信息必須高度跟我內在無法用口語表達的信息一致。市面上很多競品搞 AI 生成 PPT，請想象一下，生成的 PPT 代表你出去路演，如果只有三個詞，這三個詞能否代表你的觀點？

我們做了四層處理：

交互側： PPT 天然融入演講者的理解，一句話搞不定，需要來回 Chat。我們在2023年3月4日就上線了 ChatPPT，比微軟 Copilot 還早。我們堅信用戶需要通過對話不斷反饋和補充信息。

內容來源： 我們崇尚用戶把自己原本的內容（如飛書/釘釘日報）投喂過來，基于你的內容生成。

溯源（Traceability）： 我們目前做到了業(yè)內領先的“溯源”功能。生成的每一個觀點、每一個關鍵詞，都可以找到出處。比如你投喂了100MB的文章，點擊觀點進入溯源視圖，它會告訴你這句話來自第5篇文章第2段，甚至數(shù)學計算的邏輯也能展示。

專業(yè)化版本（Persona）： 針對不同行業(yè)做差異化。比如老師的課件內容和職場商業(yè)分析完全不同，模型會主動判斷你的身份，從相應角度生成，并調用權威信息。

薛倩：謝謝周總。張總（世紀天鴻），您是怎么控制正確與準確率的？

張民松：我們做學科教育，對數(shù)據(jù)可信度的嚴謹度基本上是“零容忍”。從我的認知來看，目前原生模型的可信度完全達不到學科教育屬性的要求。

要解決這個問題無非兩種模式：一是從模型本身，二是從模型之外。經(jīng)過兩年的摸索，我們選擇了后者——通過產(chǎn)品能力和工程能力去解決模型已知的問題。比如我們要出一份教案、課件或習題，目前模型本身做不到可信，我們就通過外掛 RAG（檢索增強生成）、外掛知識庫去解決。我的意思是，不要非盯著單向的能力，要綜合地去解決問題。

白雙：我盡量從第一性原理來講。我們做 Agent（智能體），大家都知道 Agent 主要分兩步：規(guī)劃（Planning）和執(zhí)行（Execution）。

人類專家和實習生的區(qū)別主要在“規(guī)劃”的專業(yè)性上。如果你用 DeepSeek R1 出來的思維鏈，那是大模型認為的正確，但真正在企業(yè)或專業(yè)維度，專家的思維鏈跟 AI 是不一樣的。所以我們要做的是把專家的思維方式沉淀下來，變成 Agent 資產(chǎn)。

市面上有像 Coze、Dify 這種畫布式（Canvas）拖拉拽的產(chǎn)品，我認為它們天然排除了真正有業(yè)務 Know-how 的專家，因為業(yè)務專家往往不是技術背景，用不起來。

所以在規(guī)劃這一步，我們摒棄了畫布，回歸自然語言。我們的產(chǎn)品 Leapility 強調讓用戶用自然語言把思維鏈沉淀下來，而不是拖拉拽。

在執(zhí)行這一步，底層模型能力很重要。我們評測了國內外很多模型，非常遺憾，國內現(xiàn)在很難有一款模型能支撐 Agent 系統(tǒng)科學地調用工具（Tool use ），往往會 Over-react（過度反應）。海外模型，如GPT，Gemini , Claude等已經(jīng)能很好地支撐了。

此外是工具的豐富性。如果專家規(guī)劃了流程要調5個工具，其中2個不可用，結果就無法執(zhí)行。所以我們認為 Agent 是柔性系統(tǒng)，但也需要“剛性系統(tǒng)”（即第三方工具集成）來做支撐。這是一個生態(tài)的事情。

薛倩：我想追問一下白總，有沒有專家使用孚知流的實際案例？

白雙：雖然我們從畫布變成了自然語言，但有些專家還是“不知道自己知道”，無法在空白文檔上書寫。所以我們做了一個“知識萃取 Agent”，模擬人和你對話，研究你的輸入輸出和思維鏈，用戶只需在80%的基礎上調整。

舉個案例：大家有信玄學的嗎？我們在專家社區(qū)里出現(xiàn)了一位做紫微斗數(shù)的專家。他把他看紫微命盤的方式變成了工作流（Workflow）。這個 Agent 在我們還沒正式上線前就在圈子里傳開了，爆發(fā)性很好。

這位專家滿足了幾個點：一是有上手能力；二是能把方法論講清楚；三是這事兒本身以交付結果為主（算命結果），且準確率高。這完全實現(xiàn)了專家 Agent 替他工作。

未來我們面向的專家畫像是：事情本身被市場需要、不是靠靈感而是靠科學方法論、且 Agent 形態(tài)能很好交付結果。

李令：StudyX 面向海外學生群體。在解題場景下，對于可信度的處理，我們也用了 RAG、知識庫，甚至針對不同學科、題型有對應的解題流（Flow）和技術實現(xiàn)。

現(xiàn)在我們開始服務老師，幫助老師把教研內容做得更好。這時我們不僅僅是做工程化，而是結合傳統(tǒng)教育場景，讓內容經(jīng)過人（專家）的二次確認或校準。我們非常關注垂直細分場景下，老師教研的具體場域和標準，希望方案能符合他們的理解，這樣他們才會覺得可信。

 

第三部分：面對大模型進化與巨頭的壓力

薛倩：大模型進步速度非?？?，巨頭也在發(fā)力。我們如何面對這種雙重風險或壓力？如何確保差異化？

周澤安：壓力肯定有，但如果你只是簡單復用技術，而不深度思考用戶場景，那確實很危險。不管技術如何迭代，永遠要回歸到：你解決的是什么人群的什么問題？

比如文檔，以前是工具，現(xiàn)在 AI 可以生成了。如果你只是做一個“AI 版 PPT 生成器”，意義不大，因為大廠也能做。但回到場景：用戶寫 PPT 是為了路演打動投資人、為了讓客戶理解。這需要深度的場景挖掘，比如我們的“溯源”功能，這是大模型本身不解決的。

其次，要善于利用技術延伸場景。PPT 的留存率天然很低，因為它是短頻快的東西。但我們發(fā)現(xiàn) PPT 后端的場景是演講。所以我們延伸了場景：

AI 路演： 生成演講稿后，一鍵發(fā)布為路演頁面，克隆你的聲音自動演講，甚至 AI 可以代替你回答觀眾提問，獲取線索。

AI 眼鏡結合： 我們跟雷鳥合作，把演講稿投射到 AR 眼鏡里，帶有提詞器功能，自動翻頁。這才是徹底解決人群痛點。如果沒有 AI，我們只能盯著“寫”這個過程。所以技術迭代讓我們能做更多事情，而不是恐慌。

逄大嵬：我非常認同。

第一，回到用戶需求，AI 出現(xiàn)后需求場景是不斷增長的，做垂類可做的東西非常多。

第二，技術上要深耕。比如我們支持更多數(shù)據(jù)源（PDF、網(wǎng)頁、數(shù)據(jù)庫），把所有非結構化數(shù)據(jù)變成結構化數(shù)據(jù)，這件事情本身壁壘很高，不可能有一家大廠把所有事情做完。

第三，擁抱生態(tài)。做 AI 應用一定要開放，跟大廠合作，跟三方應用合作。我不相信未來會有一個模型覆蓋所有人，生態(tài)多樣化是自然規(guī)律。

張民松：這其實是一個認知問題。世紀天鴻做了30年，本質是內容公司。雖然大家覺得做內容又累又重，但這正是壁壘。AI 對我們來說是利好，能提升生產(chǎn)效率。做好自己擅長的事，多擁抱變量。

白雙：AI 時代最大的競爭力是認知。認知決定了你的生態(tài)位。

第一，我看待知識像一座冰山。冰山水面之上是公域知識，被大模型訓練了；我們要做的，是冰山水面之下的隱性知識。

第二，關于通用還是垂直。投資人問我做通用 Agent 還是垂直？我說我都不是。我不做“造車廠商”（垂直 Agent），我也不做通用，我要做 Uber（平臺）。也就是提供平臺，讓專家的 Know-how 沉淀，通過專家 Agent 服務終端用戶。

我們的商業(yè)模式是“Value-as-a-service”（價值即服務）。用戶只為有價值的結果付費。

除了產(chǎn)品，我們構建的是生態(tài)。圍繞我們生態(tài)有做培訓的、做 IP 的、做投資的。我們希望構建“專家智能體經(jīng)濟”，讓供應鏈各方獲益。

最后是品牌。AI 時代產(chǎn)品要做成一種“生活方式”。我們主張：讓 AI 代替生產(chǎn)力，讓人去做更有創(chuàng)造力的事。我們的品牌名 Leapility 來自 "Leap your ability"，給用戶一種身份認同。

李令：我們看到，美國有些教育公司因為大模型市值跌了很多，但也有像duolingo這樣收入和市值上漲的。

通用大模型關注“效率”或“替代人”，但在學習場景下，我們關注“學習者能否變得更好”。我們會關注學生的成長路徑、知識圖譜，甚至學生的情緒激勵。這些是通用大模型不會持續(xù)去做的。這就好比微信解決了大部分問題，但依然需要釘釘和飛書這樣的垂直產(chǎn)品。

薛倩：非常感謝各位嘉賓的精彩分享。雖然還有問題想交流，但時間到了。謝謝大家！