通用大模型懂百科，不懂你家的工艺、你行的行规、你公司的客户脾气。

这也是很多 AI落地 项目"演示惊艳、上线拉胯"的根因——缺了行业 know-how。AI陪跑 的高价值，

恰恰在帮企业把散在老师傅脑子里的经验，变成模型能吃、系统能用的能力。本文讲清这条"经验数字化"

的路怎么走。

一、行业 know-how 为什么是 AI 的"最后一公里"

模型在公开语料上很强，但企业的核心竞争力往往在非公开处：某化工配方的温度窗口、某律所的办案

套路、某制造厂的排产潜规则。这些没人写进书，模型自然不会。AI陪跑 要做的，不是训练一个通用模型，

而是把企业私有经验"喂"进模型（RAG 或微调），让它在你的场景里变专业。这是 AI落地 真正拉开差距的地方。

二、经验从哪挖：三类"隐性资产"

隐性经验通常在三处：一是文档（SOP、案例库、复盘报告），最容易数字化；二是人（老师傅的口述、

判断习惯），需访谈萃取；三是数据（历史决策与结果），可反推规则。AI陪跑 启动时应做"经验盘点"，

把这三类的载体列清，评估哪类先动。文档优先，人口述其次，纯数据规则最难但最值钱。

三、用"访谈+结构化"把老师傅讲清楚

老师傅常说"凭感觉"，陪跑方要帮他把感觉拆成可执行的判断树：什么信号出现→怎么处理→为什么。

用半结构化访谈，把"感觉"转成"如果 A 且 B，则做 C，因为 D"的规则，再落成知识库条目或提示词。

某检修老师傅的"听声辨故障"，被拆成 12 条频谱特征规则后，新人也能照做。AI陪跑 的经验萃取，

本质是把隐性知识显性化。

四、RAG 还是微调：经验怎么"进模型"

经验量小、更新频繁（如最新报价口径），用 RAG 检索增强，文档改了模型即更新，成本低；经验量大、

高度专业且稳定（如工艺专利逻辑），可做领域微调，让模型"内化"。多数企业先用 RAG 跑通，再对

高价值部分微调。AI陪跑 里，别一上来就微调烧钱，RAG 是性价比最高的经验载体。

五、避坑：经验失真与过度依赖

两个坑。一是"萃取时美化"：老师傅讲的未必是实际做法，要拿历史数据交叉验证；二是"模型替代人"：

经验数字化后，新人过度依赖模型、丢了判断力。正确姿态是模型辅助、人把关，关键决策留确认。AI陪跑

做 know-how，目标是放大老师傅，不是消灭老师傅。

六、经验和陪跑如何形成飞轮

经验数字化不是一次性项目。陪跑方应帮企业建立"经验持续沉淀机制"：新案例自动进知识库、模型答错

的由人修正并回写、季度复盘更新规则。陪跑结束时，企业留下的不只是几个场景，而是一套会生长的

行业知识资产。AI陪跑 的终极交付，是把"老师傅经验"变成"组织永远在线的能力"。

小结：经验数字化是陪跑的终局交付

通用大模型不懂你家的工艺与行规，这正是 AI陪跑 的高价值所在——

把老师傅脑子里的“感觉”拆成可执行的判断树，用 RAG 或微调喂进模型。先文档、后口述、再数据规则，

建立持续沉淀机制，陪跑结束时企业留下的不只是一堆场景，而是一套会生长的领域知识资产。模型放大老师傅，而非消灭老师傅。