转载：小红书 AI产品赵哥
前言 🔖
各位 OPC‑er（One‑Person Company）兄弟们！
上半年，我一个人，吭哧吭哧地接了几个 toB 的 AI Agent 项目，交付的过程中有痛快的，也有痛苦的🤣。前几天，约了两个同样在做 AI 的小伙伴，从晚上 7 点的烧烤摊，聊到半夜 12 点的便利店，几杯冰啤酒下肚，我们把这半年多踩过的坑、熬过的夜、收到的尾款、以及那些差点收不回来的尾款，都做了复盘。
聊完之后，有几条认知，在我们三个人之间，变得越来越清晰，都有点要抱头痛哭的赶脚，聊出来后，心里瞬间就清晰了，也舒坦了。
今儿个咱不聊技术架构，也不聊前沿模型。来点更实在的：作为一个资源、精力、时间都极其有限的一人公司，我们到底应该如何去接、去做、去交付一个能让客户满意、能让自己赚到钱的 toB Agent 项目？
好了，大家准备好，咱就发车了！！！
一、判断需求能不能接，先问：数据在哪？
当一个客户带着兴奋劲儿找到你，说：“我们公司想做个智能客服 Agent，你能搞吗？”
这个时候，你千万不要被 “智能客服” 这个听起来很性感的词冲昏了头脑，然后立马开始思考技术方案、准备报价。
你的第一个问题，必须是：“老板，贵公司的客户聊天记录、订单数据、库存信息、产品手册，这些数据现在存放在哪里？我能通过 API 直接调用吗？”
为什么这个问题这么重要？
我们来看一个我朋友亲身经历的翻车案例：
他接了一个为某传统制造企业做的 “智能销售助手” 项目。客户的需求是，当销售人员在外面跑客户时，可以随时通过手机 App 问 AI：“我们 A 型号的螺丝刀，目前仓库还有多少库存？BOM（物料清单）是什么？上次给 XX 客户的报价是多少？” AI 需要能快速、准确地回答。
需求听起来非常明确，价值点也很清晰。朋友很快就用最新的大模型，搭建了一个看起来很不错的 Demo，客户也很满意，签了合同。
结果，项目一开工，朋友就傻眼了。他发现：
- 库存数据：在一个老旧的、内网的 ERP 系统里，没有 API，只能每天由仓库管理员手动导出一份 Excel 表。
- BOM 数据：存在于工程师电脑里的一个个独立的 SolidWorks 文件里。
- 历史报价：散落在不同销售人员的个人微信聊天记录和邮件里。
这意味着什么？AI 根本无法实时、自动地获取它做出回答所需要的信息。
为了交付项目，朋友不得不让客户指定一个助理，每天的工作就是把这些分散的数据，手动地、复制粘贴地喂给 AI。
最终，项目虽然勉强上线了，但这个所谓的 “智能助手”，上线三天后，就再也没有人打开过它。因为销售人员发现，与其问这个反应迟钝、信息滞后的 AI，还不如直接在微信群里 @仓库管理员来得快。
最后，那个项目的尾款，拖了半年多，至今还没结清。
这个案例告诉我们一个教训：对于 toB 的 Agent 项目，AI 的智能，必须建立在稳定、可靠、可自动获取的数据流之上。 如果一个 Agent 的数据来源，需要人一口一口的喂，那它迟早会变成一个摆设。
所以，作为 OPC，我们的第一原则是：只接那些数据源清晰、并且可以通过 API 访问的项目。对于那些数据一团乱麻、需要大量 “人肉 ETL” 的客户，要么你把 “数据治理” 作为独立的、更大的一期项目来报价，要么就果断地拒绝。
二、别跟老板聊技术，跟他算一笔账 🔖
这是我们 OPC 在商务谈判阶段，最容易犯的一个错误：习惯性地陷入技术细节，跟客户大谈特谈你用的是什么模型、什么架构、RAG 有多牛逼。
💡 请记住：客户，尤其是传统企业的老板，他买的从来不是 AI，他买的是少雇一个人或让一个人干三个人的活。简单、粗俗、却很有道理！
中国 toB 市场的现实就是这么朴素。老板们并不关心你用的是 GPT 还是 Gemini，他心里只有一笔账：我花 10 万块钱买你这个系统，能不能帮我省下一个一年 15 万工资的员工？
我们来看一个案例： 场景：为一家中等规模的电商公司，做一个差评自动分析与处理的 Agent。
【失败的谈法】(技术视角)
- 王总您好，我们的方案是这样的。我们会使用一个基于 RoBERTa 的情感分析模型，对所有新增的差评进行多维度标签分类。然后，我们会构建一个 RAG（检索增强生成）系统，结合您的产品知识库和历史优秀回复案例，由 GPT‑5.2 来生成初步的回复话术。整个系统会部署在阿里云上，通过 Webhook 实时接收差评通知，保证……
王总的内心 OS：“RoBERTa 是啥？RAG 又是什么鬼？听起来好复杂，感觉不便宜，而且好像很麻烦……” → 卒。
【成功的谈法】(业务与成本视角)
- 王总您好，我了解了一下，目前您公司有 2 位客服同事，每天要花至少 3 个小时，专门处理各个平台的差评，对吧？一年下来，光是这两位同事在这项工作上的人力成本，可能就超过 10 万了。而且，人工处理难免有情绪，有时候回复不及时，或者话术不统一，还可能导致客户二次投诉。
- 我们这个差评管家 Agent，能帮您做什么呢？它就像一个 7×24 小时不休息、没有情绪、永远专业的金牌客服。
- 您看，差评一进来，它会自动分析出，这个差评到底是因为物流太慢、产品质量问题，还是客服态度不好，然后打上标签，生成报表，让您一目了然地知道问题出在哪。
- 分析完之后，它还会自动根据差评的类型，从咱们预设好的话术库里，生成一个既安抚了客户情绪、又提出了解决方案的回复初稿。比如，如果是物流问题，它会自动附上一个物流延误的小额补偿券申请链接。
- 最关键的是，这个回复初稿，它不会直接发出去。它会先推送到您指定的主管的企业微信里，主管只需要在手机上点一下【确认发送】，或者花 10 秒钟改两个字，就能完成处理。原来需要 2 个人花半天干的活，现在只需要 1 个人，每天花 15 分钟，做做选择题就行了。
王总的内心 OS：“哦！原来是把两个人的活，变成了一个人花一点点时间就能干完的事。那省下来的那个人，可以让他去做更有价值的售前咨询或者大客户维护了。这笔账，划算！” → 签约。
看到区别了吗？不要卖 “技术”，要卖人效提升和成本节约。把你的技术方案，翻译成老板能听得懂的业务价值，你的签约成功率，会完全不一样。
三、企业知识库项目，AI 只占三成功夫，另外七成是 “擦屁股” 🔖
企业知识库问答是目前 toB Agent 项目里最火的一个品类。听起来，这好像是一个纯粹的 AI 项目：做做 RAG、调调 Embedding 模型、优化一下 Prompt 就行了。
如果你也这么想，那可能就要犯错误了。
我们几个同行一致的血泪共识是：在企业知识库项目中，AI 技术本身的工作量，最多只占 30%。剩下的那 70%，全是又脏又累的数据治理的活儿 —— 帮客户把他过去十年攒下来的、那些格式混乱、内容过时的、散落在各个系统的内部文档，给梳理干净。
我们来看一个典型的知识库梳理案例： 客户：一家成立了 15 年的工程机械公司。 需求：做一个内部技术支持 Agent，让新来的工程师，可以快速查询到各种型号设备的维修手册、故障代码含义、以及历史维修案例。
你拿到的原始资料可能是这样的：
- 一个共享硬盘里，堆着上千个文件夹，命名毫无规律，比如 “最新版‑A 型挖掘机维修手册‑勿动”、“张工修改版‑最终版‑v3.2”、“液压系统故障排查‑2015”。
- 大部分是 Word 文档，里面混杂着大量的图片、表格、甚至手绘的电路图。
- 还有一部分是 PDF 文件，而且是扫描版的，根本无法直接复制文字。
- 更完蛋的是，很多文档的内容是相互矛盾的。同一款设备，2015 年的手册和 2023 年的手册，关于某个备件的型号，写的是完全不一样的。
- 还有大量的隐性知识，存在于几个即将退休的老师傅的脑子里，根本没有文档。
面对这样一堆历史遗留问题，你直接用任何先进的 RAG 技术，结果都无济于事。AI 会被这些冲突、过时、无法解析的信息搞迷糊，然后开始胡说八道（幻觉）。
所以，一个专业的 OPC‑er，在做这类项目时，你的大部分工作应该是：
- 数据盘点与清洗：和客户一起，把所有文档都过一遍，标记出哪些是有效的、哪些是过时的、哪些是重复的。
- 非结构化数据处理：用 OCR 工具，把所有扫描版的 PDF，都转换成可编辑的文本。用专门的脚本，把 Word 文档里的表格和图片，都提取出来，结构化存储。
- 知识萃取与标准化：设计一套统一的 Markdown 模板，把所有有效的知识，都重写、整理成标准格式。比如，每个故障代码，都必须包含 “代码含义”、“可能原因”、“排查步骤”、“所需工具” 这几个字段。
- 老师傅访谈：安排几次对核心技术专家的访谈，把他们脑子里的隐性知识，通过录音、转写、整理的方式，也变成标准化的文档。
你可能会觉得，这活儿太脏了，太不 AI 了。但恰恰相反，客户非常愿意为这 70% 的 “擦屁股” 的功夫付钱！因为他们自己内部，根本没有人有能力、有时间去干这件吃力不讨好的事。他们知道这堆东西有用，但他们自己挖不出来。
而这，也恰恰构成了我们 OPC 的核心壁垒。AI 技术本身，越来越同质化，但这种深入业务、梳理流程、治理数据的脏活累活，才是真正考验功力、能建立长期信任、并且能收到更高溢价的地方。
四、不要承诺全自动，方案里一定要留一个【人工确认】的按钮 🔖
这是保护你自己的金钟罩。
无论你的 Agent 准确率测出来有多高，99% 还是 99.9%，在给客户的方案里，千万不要承诺全自动。必须在关键的、有风险的步骤之后，设计一个人工确认的节点。
比如，前面提到的差评自动回复 Agent，它生成的话术，不要直接发给用户，而是先推送到主管的企业微信里，由主管来做最后的守门员。
客户要的，往往不是 100% 的效率，而是 100% 的安全感和掌控感。他需要知道，即使 AI 犯了错，也最终有一个人可以来兜底。
加上这个【人工确认】的按钮，不仅能极大地规避掉你因为 AI 幻觉而可能承担的业务风险和法律责任，更能让客户觉得你是一个专业、严谨的合作伙伴。
五、B 端 Agent，不要追求大而全，要学会小而美 🔖
很多客户，尤其是不懂技术的客户，一上来就容易对 AI 有不切实际的幻想，想要一个万能的贾维斯，什么活都能干。
你一定要保持清醒，主动去管理客户的预期。什么都想干的 Agent，最终的结果，就是什么都干不好。
作为 OPC，我们更要学会做减法。先抓住一个最高频、客户痛得最深的单点场景，用 80% 的精力，把这个点的价值彻底打透。
比如，一个销售团队，他们有很多痛点：找客户、写日报、做培训、管理订单…… 你不要试图一次性都解决。你可以先问他：“在所有这些事情里，哪一件是您觉得最浪费时间、最没有技术含量、又不得不做的？”
他可能会说：“每天晚上写销售日报，总结今天见了几个客户、说了什么、下一步计划是什么，太烦了！”
好，这就是你的切入点。你就先为他打造一个销售日报自动生成 Agent。这个 Agent 可以自动同步他的日历、通话记录、微信聊天摘要，然后在他下班前，自动生成一份日报初稿，他只需要花 2 分钟修改一下就能发送。
当他因为这个小而美的功能，而真正感受到了效率提升的爽感之后，他才会信任你，才会愿意持续地付费，让你再去帮他解决找客户、管理订单等更复杂的问题。
💡 先用一个 “尖刀” 产品建立信任，再逐步扩展成一个 “产品矩阵”，这是 OPC 在 B 端市场最稳妥的扩张路径。