一场全员参与的智能体竞赛，再次印证了一个被反复验证的结论：企业AI落地的真正瓶颈从来不是技术本身，而是——业务团队究竟是从“使用者”进化为“共创者”，还是始终停留在旁观者的位置，等待技术部门交付成果。
核心看点：
- 手搓智能体大赛如何打破企业AI“叫好不叫座”的困局
- 跨品牌、营销与技术的多元协作团队，如何从零构建营销方案助手
- 业务团队深度介入，正催生企业AI推广的全新范式
近期，某公司内部举办了一场“手搓智能体”竞赛，初衷十分明确：与其让AI停留在概念宣讲和功能演示阶段，不如鼓励大家亲自动手实践，验证AI能否真正落地到真实的业务场景中。整场活动下来，最大的收获或许不是哪个团队夺得冠军，而是发现了一条更加务实且值得借鉴的AI推广路径。
一、手搓智能体大赛的背景与初衷
AI这个词在企业中早已屡见不鲜，但真正将其应用到业务流程中、跑通完整的闭环案例，其实并不多见。许多部门对AI的认知依然局限在“绘图AI”或“文案生成AI”的层面——技术部门推进困难，业务部门不知如何使用。
本次大赛面向全体员工开放，鼓励跨部门组队，每支队伍需基于指定的技术平台，开发一个智能体并展示其在业务中的实际应用价值。评委从功能性、实用性和创新性三个维度进行评分。
开发平台选用了Dify。选择它的核心原因很简单：门槛足够低。即便没有编程基础的员工，也能通过拖拽和配置快速搭建出知识库、智能问答或聊天机器人。这一选择意味着——业务团队终于有机会真正参与到AI开发中，而不仅仅是提出需求、等待结果。
二、赛前准备：从业务场景出发
我受邀担任一个跨品牌、营销与技术背景团队的技术指导。坦白说，前期沟通时最大的感受是“认知断层非常明显”：业务人员不清楚技术的能力边界，技术人员也不理解业务真正的痛点在哪里。
为打破这一僵局，我们首先从业务场景切入。以“营销方案助手”这个选题为例，第一步不是讨论采用什么技术框架，而是明确它必须具备哪些关键能力：用户输入产品信息、营销目标、目标受众和预算范围后，该智能体需要能基于内部知识库（产品资料、过往营销案例）以及外部数据源（通过API获取的行业趋势和竞品分析），自动生成一份定制化的营销方案草稿。
为实现这一能力，技术侧需要完成三项任务：
- 构建内部知识库
- 接入外部数据源
- 通过Dify工作流保证生成内容的准确性和实用性
方向明确后，任务自然拆分开来，团队也有了各自的发力点：
- 品牌成员负责收集产品和竞品资料，整理成key-value格式，方便知识库检索
- 营销成员分了两块工作：一是整理历史营销案例供智能体参考，二是通过思维导图梳理撰写营销方案的步骤和关键要素，为技术实现提供指引
- 技术成员则负责将思维导图中的业务逻辑，逐步转化为技术实现
在整个过程中，我有意鼓励业务部门的成员主动参与进来——比如尝试在知识库中上传文档、调整分段设置，或者自行修改提示词（Prompt）。虽然技术细节对他们来说较为陌生，但“边做边学”的方式反而让他们对AI的工作原理形成了直观认知。这种参与感既提升了协作效率，也让团队对最终成果产生了更强的“主人翁意识”。
三、业务参与：AI推广的新路径
从这次比赛中可以看出一个非常明显的信号：让业务团队主动参与AI开发，可能比单纯推行技术推广要高效得多。
在传统模式中，AI几乎天然属于技术部门的“专属领地”，业务部门只负责提出需求、等待交付。这种“黑箱”式的协作方式很容易导致一个结果：技术团队开发出来的工具，业务部门觉得不好用，最终不了了之。
但比赛中的情况截然不同。业务人员凭借对自身场景的深刻理解，提出了许多关键性建议。例如，营销同事指出方案中必须突出“用户痛点”和“差异化卖点”，这一建议直接影响了对提示词的设计逻辑；品牌同事建议加入竞品分析功能，也促使技术团队对外部数据检索进行了优化。这些来自业务侧的输入，让智能体的输出更贴合实际需求，也更容易被团队接受。
更关键的是，亲手参与开发的过程，使业务团队对AI的信任感获得了质的提升。过去AI像一个“黑箱”，输出结果难以预测；但Dify的拖拽界面让业务人员能够直观地看到知识库和提示词如何影响最终输出。这种“透明感”一旦建立起来，业务团队就会更主动地将AI融入日常工作中。
这给企业带来的启发其实非常直接：在推广AI时，应创造更多让业务团队“上手”的机会。大赛只是一种形式，核心在于——让业务真正感受到AI的实用性，并愿意主动探索其潜力。定期举办AI工作坊、案例分享会或跨部门协作项目，都可以逐步降低业务团队对AI的心理门槛。
四、Dify实践：营销方案助手开发详解
下面详细拆解在Dify平台上开发“营销方案助手智能体”的具体过程。如果你也想尝试类似场景，或许可以直接参考。
1. 搭建企业知识库
第一步是整理内部营销案例、产品资料和行业报告，上传到Dify知识库。支持PDF、Word等多种格式。知识库按主题进行了分类，例如“新品推广”“节日营销”。为提升检索效果，我们采用了Q&A分段模式，确保模型能够精准定位到相关信息。
测试阶段发现一个细节：部分老旧案例的语言风格不太适合直接参考。于是我们在知识检索节点调整了提示词，优先选用近两年的案例，这样输出的方案更贴合当前市场环境。
2. 接入外部数据源
通过Dify的插件功能，集成了公开行业数据的API，用于获取最新的市场趋势与竞品信息。举例来说，用户输入“针对年轻用户的护肤品推广方案”，智能体就会调用API，获取到“Z世代关注成分透明度”等动态信息，再结合知识库中的历史案例，生成一份更接地气的方案。
实际踩过的坑是：API返回的数据比较零散，需要二次处理才能生成结构化的输出。我们在Dify工作流中加入了“信息整理”节点，用大模型对API数据进行摘要和分类，整个输出过程既保持了数据支撑力，又做到了条理清晰。
3. 优化工作流和提示词
Dify的工作流是智能体的核心。我们设计了一个三步工作流：第一步检索知识库，第二步调用API并整理数据，第三步生成营销方案草稿。为确保方案格式统一，提示词中明确规定了输出结构，例如“背景分析-目标客户-推广策略-预算建议”。
测试阶段，模型偶尔会生成像“建议加大线上推广力度”这类过于空泛的内容。为提升输出的实用性，我们在提示词中添加了具体要求，例如“每项策略需包含至少一个可执行行动点，字数控制在50字以内”。经过几轮迭代，生成方案的质量有了明显改善，业务人员也反馈说结果比之前更贴合实际需求。
4. 验证与部署
开发完成后，团队进行了多轮测试，确保智能体能适应不同的输入场景。例如，输入“高端护肤品推广”时，智能体能生成针对高收入群体的精准方案；输入“低预算营销”时，方案会更倾向于低成本的社交媒体策略。整体测试下来，结果令人满意。
五、企业AI推广的启示
这场手搓智能体大赛，说到底只是一次内部活动，但它确实让我们看到了企业AI推广的另一种可能。
- 首先，AI应用的落地离不开技术与业务的深度融合。技术团队要学会“翻译”业务需求，业务团队也得愿意迈出一步、尝试接触技术。
- 其次，像Dify这样的低代码平台，是一个非常趁手的工具。它确实降低了开发门槛，让更多非技术背景的同事也能参与到AI应用的创造中来。
- 最后，推广AI这件事，不只是推广技术，更是在推广一种文化——让员工觉得AI是能学、能用、能驾驭的工具，而不是一个高高在上的“黑科技”。
这场比赛只是一个起点。只要方向是对的，AI在企业中的应用前景，应该会比我们想象中走得更远。希望这篇复盘能为正在推动AI落地的同行们，带来一点实实在在的启发。