品类策略到规格管理的 AI 化

平台级项目 · 智造提效工坊 · 更新于 2026-08

背景与痛点

在某大型家电集团做品类管理的都知道两张纸之间的鸿沟：上面是品类策略文档，管理层的语言——这个品类今年买什么、不买什么、跟哪些供应商走、要防什么供应风险；下面是规格标准，执行层的语言——具体到物料的属性字段、参数约束、组合规则、在 PLM 系统里怎么设校验。策略是「方向」，规格是「准绳」，中间的翻译工作过去全靠人：通读策略、翻成属性、对着物料数据核、再整理成规格表。一版要做 2-3 天。

更麻烦的不是慢，是翻译质量看人。策略文档里一句「优先高可靠方案」，落到执行层是哪几个参数区间、哪些材质约束，不同人翻出来不一样。漏一条约束，下游就按错的规格执行，等发现时物料可能已经进 BOM 了。这个环节我亲手做过很多年，太清楚坑在哪——所以 Aily 工作流能力一成熟，我第一个就想收编它。

方案与实现

整套系统是 Aily 上的两节点工作流：一个 Agent 节点加一个 Python 代码节点。流程五步：策略要点结构化输入 → 大模型解析出属性/约束/组合关系 → 三级属性匹配 → 自动生成规格管理表、PLM 校验规则和飞书文档报告 → 全流程留痕。从粘贴策略要点到拿到成套产出，30 分钟。

流程怎么拆：哪些给模型，哪些必须留人工

这是我拆得最用心的地方。原则一句话：模型做「读和写初稿」，代码做「匹配和格式」，人做「拍板」。

• 交给模型：非结构化文档的理解、要点抽取、字段归类、初稿生成。这是它的主场，让它读透「优先高可靠方案」背后对应的工程含义。
• 交给代码：属性匹配和输出生成。设计了三级匹配算法——先精确匹配属性名，匹配不上走语义匹配，再不行给模糊候选。输出规格表和 PLM 校验规则由代码按固定模板生成，格式永远整齐。
• 必须留人工：模糊匹配给出的候选必须人确认——机器可以说「这两个属性看起来是一回事」，但「是不是一回事」的最终责任在人；以及发布前的最后一道审核。系统生成的是草稿，按下去的按钮必须是人的。

prompt 和知识库怎么调

走了三次弯路才调顺。第一，强制结构化输出：prompt 里写死输出格式，模型必须按字段吐 JSON，自由发挥的文字一律不要——没有这一步，后面的代码节点根本接不住。第二，建术语映射知识库：把策略层的说法和执行层的参数对应关系整理成对照表喂进去，「高端」对应哪些参数区间、「高可靠」对应哪些材质和寿命约束，不再指望模型自己猜。第三，教它区分硬约束和偏好描述：策略里「必须」「禁止」要变成校验规则，「优先」「倾向」只能进备注——这两类混在一起，是早期版本最大的错误来源。

创新点

说句可能让人意外的实话：这个项目技术上真的不难，两个节点、几百行代码，任何会拖拽工作流的人都能搭出骨架。它的价值在另一个维度——不是「AI 写文档」，而是把两个管理层之间的翻译工作流程化了。难点从来不在模型，在懂两个环节的人话：知道策略文档里每个词在执行层意味着什么，知道规格工程师拿到一份产出后第一件事是找什么、最怕缺什么。市面上的 AI 教程教你怎么调 prompt，没人教你怎么在「品类策略」和「规格管理」这两个世界之间当翻译——后者只能靠在业务里泡出来的经验。这也是我认为业务人员做 AI 落地反而有优势的原因：工具是通用的，翻译能力是稀缺的。

价值与复盘

数字上：一版规格的整理时间从 2-3 天压缩到 30 分钟。这个项目后来拿了这个集团 AI 大赛「个人提效」赛道的第三名——评委问的第一个问题不是技术架构，而是「你怎么想到把这两个环节连起来的」，这本身就说明了对路。质量上的变化同样重要：结构化输出保证了要点不漏，每次生成都留痕，哪一版策略、翻出哪些约束、谁确认的，全链路可追溯。

如果重来我会怎么做：

1. 动手前先花一天蹲点规格工程师，看他们拿到策略文档后第一件事做什么。我第一版按自己的理解拆流程，交付时发现人家真正卡的是属性映射，返工了一次。
2. 属性字典知识库从第一天就建，而不是靠 prompt 硬记术语。知识库是资产，prompt 里塞术语是负债——换模型就清零。
3. 把「模糊匹配必须人工确认」设计成产品的一部分，而不是上线后发现错配再打的补丁。人对系统的信任很难二次建立。
4. 输出模板先冻结再调模型。早期我边调 prompt 边改模板，两头都在动，出了问题根本分不清是谁的锅。