知识与专业判断
知识按任务调用，专家方法按版本运行。
核心技术 / TECHNOLOGY
十倍速增长 · 技术支撑
专业判断与企业知识
进入AI运行的每一步
在开放模型与工具生态上，用上下文工程、知识治理、专家Skill和任务编排组织企业应用。客户与业务结果持续用于评估和方法更新。
基础能力来自开放生态，应用围绕行业方法、企业知识与持续变化的业务流程构建。
01 · 开放AI执行生态
开放AI执行生态
复用大模型、工具与执行框架，通过适配接入，不重复建设基础模型。
企业知识与专家能力
让当前可用的企业知识与经过整理的专业判断方法参与任务。
行业与企业应用层
围绕行业方法与企业流程组织业务对象、任务状态和动作权限，连接专业判断与执行记录。
增长应用与辅助决策
将分析、任务成果与后续经营反馈连在一起，支撑持续增长。
贯穿业务运行证据与版本知识与权限关键动作确认成果与反馈
六项机制 · 同一条业务链
从模型能力，到可维护的企业应用
连接任务上下文、知识依据、专业方法与工具执行，持续检查质量、权限和方法的适用性。
01业务增长 Harness
用任务状态与动作权限，
连接人机执行
围绕业务对象组织判断、确认、任务与成果，记录每一步由谁承接、可以执行什么动作。模型和工具调用进入同一条业务记录。
- 业务对象
- 任务状态与权限
- 执行与成果记录
客户判断、团队行动和结果可以连续追查。
展开技术机制
Harness组织模型之外的运行条件：任务状态、可用工具、动作权限、成果检查和失败处理。GrowthOS以客户、项目与工作任务连接分析和行动，保留目标、依据与责任。是否采用固定工作流或自主规划，取决于任务变化和执行风险，不以Agent数量判断架构水平。
01 · 收集业务证据
业务证据
客户记录、业务资料与经营反馈关联到具体客户、项目和任务，保留判断的原始依据。
专业判断
结合专家标准分析原因与行动条件，区分有依据的结论、候选解释和信息缺口。
关键确认
按照动作权限设置确认节点，记录负责人选择的方案与执行范围。
业务工作项
将确认后的工作组织为可承接任务，保留业务对象、责任和状态。
运行与成果
调用配置的AI能力，记录执行与成果引用，连接到本次工作项。
结果与复盘
回收实际结果，与前面的判断对照；经评审把值得保留的方法带入下一轮。
02证据驱动的上下文工程
按业务任务组织上下文，
管理依据的变化
上下文工程连接任务目标、当前资料与专家方法。事实和推导分别管理，依据失效时重新核验相关判断，控制模型本轮的信息范围。
- 上下文工程
- 证据有效性
- 事实与推导关联
让客户、项目和时间语境随任务延续。
展开技术机制
模型的上下文容量有限，历史资料也未必仍适用于当前客户。按任务选择目标、相关事实、近期变化和专家方法，区分原始观察与推导，记录依据的时效与关联。必要时压缩历史、检索补充材料；对过期或被纠正的依据重新检查相关判断。上下文更长不等于判断更准。
01 · 收集证据
业务材料
先保留证据来源与业务关联，再组织AI使用的上下文。
证据有效性
检查支撑材料是否仍有效；历史记录保留，不等于仍可用于当前判断。
观察事实
将客户原话和业务记录与证据引用关联，保留事实发生的时间与条件。
推导判断
判断与事实分别保存，记录依据和核验状态；依据变化时重新检查相关判断。
本次任务上下文
按任务目标组合当前资料、业务事实与专家方法，控制模型本轮可使用的信息范围。
待重新核验
支撑材料过期或撤回后，相关依据与判断先停用，核验后再用于当前任务。
03任务级知识治理
用知识治理与任务检索，
调用相关依据
资料维护版本、来源、适用条件与访问范围。检索设计可结合候选召回与相关性重排，按企业任务评估配置；引用随成果保留，冲突和新问题返回维护。
- 知识版本与关系
- 任务检索与权限
- 引用与维护记录
团队在十年前的企业工作与带队实践中已沉淀营销、产品研发与项目战略知识，持续关注知识调用、传递与更新。
相关性筛选与知识有效性核对，共同支撑业务判断。
展开技术机制
将资料解析与检索、知识有效性管理分开：检索召回候选并按任务相关性重排；来源、版本、适用条件与访问权限决定哪些内容可用。相关性得分不是事实正确性的证明。引用随成果保留，冲突和新问题返回维护，让客户研究、方案准备和团队训练使用当前有效的知识。
01 · 积累企业经验
企业资料与经验
围绕业务对象整理方案、复盘与专家方法，保留来源、关系和适用条件。
确认当前版本
确认这份知识当前该使用哪个版本，明确内容来源及适用语境。
处理冲突与疑点
未解决的冲突、待确认内容和未知来源会阻止知识进入可用状态。
可用知识源
只有满足治理要求的当前知识版本进入可用状态，访问范围继续受权限约束。
绑定实际任务
按任务与访问范围召回候选资料。检索设计可加入相关性重排，具体方式以任务样本评估；来源、版本和适用条件另行核对。
调用与检索留痕
记录本次实际使用的来源、片段与版本；发现问题后回到版本确认与维护。
04版本化专家能力工程
将专家方法编排为Skill，
保留运行版本
从案例中提炼判断信号、适用条件、动作选择与例外，组织成专业配置和Skill。运行记录关联方法版本与知识输入，用于比较不同版本的表现。
- 专家方法蒸馏
- 版本化Skill
- 运行配置记录
管理层15年A股上市公司业务与管理经验，包含逆风、翻盘与竞争项目，为客户判断、营销执行与团队训练提供方法来源。
企业能持续修正方法，也能回看过去的判断。
展开技术机制
从相似案例中的选择、追问和纠错提炼方法，将输入要求、判断信号、适用条件、工具与输出标准组织成Skill。用代表性任务比较不同版本的判断质量、遗漏和成本，保留方法版本与运行资料的关联。这里的专家方法提炼，不等同于基础模型的参数蒸馏。
01 · 提炼专家标准
专家判断标准
梳理先看什么、怎样判断、哪些情况下不能套用，把专家经验转成明确方法。
发布配置版本
配置经检查与确认后发布版本，方法更新不覆盖已经发生的运行。
版本化Skill
锁定调用能力的身份、版本和内容校验信息，知道此次实际调用的是什么。
知识与输入引用
结合本次配置关联知识与输入资料，保留其引用与版本。
运行配置与成果
将本次配置、知识输入与能力版本关联到调用记录和成果，便于追查方法变化带来的差异。
05结果反馈与受控学习
用企业样本评估，
把结果带回方法更新
对照实际结果与原判断，分析错误、遗漏和适用条件，形成待评审的改进。经专家确认更新知识与Skill，再用新样本检查效果。
- 样本与结果评估
- 专家校准
- 知识与Skill更新
成交、流失和失败成为下一轮能力的输入。
展开技术机制
对照客户反馈、成交流失及任务结果，区分方法偏差、资料不足与执行条件变化。将改进先用于样本评估，经专家评审后更新知识、Skill或规则，再检查新任务是否受益。组织学习发生在案例与方法的持续修订中，不等于模型自动在线训练，也不把单次成功当作普遍规律。
01 · 回收实际结果
实际业务结果
记录行动之后发生的结果，结合原有证据与判断进行复盘。
学习候选
对照预期与实际结果，整理可能成立的方法、失败条件和待检验解释。
负责人评审
判断经验是否成立、适用于什么情况，再决定是否进入知识或能力更新。
更新知识与能力
经确认发布新的知识、能力或规则版本，保留此前版本与运行记录。
下一轮任务
下一轮调用更新后的知识与方法，用新的客户样本与结果继续检查适用性。
06可替换的AI执行架构
通过适配接口，
连接演进中的模型与工具
应用层管理业务事实、状态与权限，适配层组织模型和工具调用、结果格式与故障处理。模型能力变化时，企业知识与流程仍可继续维护。
- 模型与工具适配
- 输入输出校验
- 故障与调用记录
开放生态提供基础能力，行业与企业方法形成应用差异。
展开技术机制
模型与工具通过适配接口接入业务应用，分别管理输入输出、故障处理、任务状态与动作权限。模型升级或替换后，用企业样本重新比较质量、成本和时延；重要工具动作保留确认和执行记录。技术故障可以调整执行路径，知识不足和权限不足则需要补充条件，不能借模型切换绕过。
01 · 业务任务与规则
业务核心
将业务对象、动作权限和任务状态保留在应用层，通过明确接口承接模型与工具的结果。
能力适配层
连接外部模型、工具与执行环境，约定输入输出格式、调用权限和错误处理。
配置主模型
按任务策略使用已配置且获准的模型与执行能力，不在业务核心重建通用模型循环。
技术故障时备用
针对连接不可用、超时等技术故障配置备用路径；业务授权与知识要求在切换时继续有效。
返回业务成果
检查返回结果是否满足接口要求，保留调用与成果记录，再交给对应业务步骤。
技术 × 产品 × 业务
技术落进产品，产品接住业务
了解技术架构与能力接入
上述机制构成燊林的技术与产品设计路径，围绕具体任务配置知识、方法、模型与工具。项目以样本评估、团队使用和运行记录检验配置，再决定维护与扩展方式。