样本AI化是把厂家选型样本拆成结构化字段表，再搭成能 @一下调用的智能体，翻几百页变几秒。

先说它不是什么

样本AI化不是把样本做成网页，也不是把 PDF 丢给 AI 让它自己读。

四样东西都能看到参数，但都回答不了同一个问题：客户报一个工况，该推哪个型号。

• 能不能问——样本AI化：能，@一下就出结果；纸质样本：只能翻；PDF 电子版：只能搜关键词；样本放上官网：只能自己点

• 输出什么——样本AI化：结构化选型结果；纸质样本：一段参数；PDF 电子版：一段参数；样本放上官网：一段参数

• 会不会漏维度——样本AI化：按表匹配，不漏；纸质样本：靠人记；PDF 电子版：靠人搜；样本放上官网：靠人找

• 换人要不要重学——样本AI化：不用；纸质样本：要；PDF 电子版：要；样本放上官网：要

• 数据归谁——样本AI化：厂家自己保管；纸质样本：厂家；PDF 电子版：厂家；样本放上官网：官网后台

纸质样本、电子样本、官网样本，做的都是同一件事：把纸搬个地方。人还是得读、得查、得理解。

样本AI化换的是另一件事：把"给人读的样本"变成"给机器查的表"。

这套方法对做轮胎装备的备件厂家一样成立——适配机型、接口尺寸、材质、替代关系，同样是几十项参数、上百种组合。样本越厚，收益越大。

一本样本拆成三张表

样本AI化是把厂家选型样本拆成结构化字段表，再搭成能 @一下调用的智能体，翻几百页变几秒。

拆之前先做一件事：把整本样本里出现过的参数项，全部捞出来。不分系列、不分型号，先扫全文。

一本计量泵样本捞出来 34 项参数：系列代码、流量、压力、功率、重量、接口尺寸、电压、密封材质、泵头材质、适用介质、外控方式、触点控制、适配管径、阀弹簧、附件配置……

参数捞齐了，才归到三张表里。

• 系列主表——装什么：每个系列的共性：驱动方式、显示方式、标配功能；客户问什么时就查它："这几个系列有什么不一样"

• 型号参数表——装什么：每个流量代码的性能参数：流量、压力、功率、重量；客户问什么时就查它："这个型号多大流量、多重"

• 选型规则表——装什么：所有选配维度的可选值：外控、密封、泵头、管径、电压、阀弹簧；客户问什么时就查它："什么介质配什么泵头"

三张表在飞书多维表格里用系列代码互相关联。点开一个系列，能看到下面所有型号；点开一个型号，能看到它的全部参数。

数据从散落的点，变成了一张能查的网。

那本样本的规模是这样：5 大系列、32 个流量代码、36 条选型规则，最后落在 72 行结构化数据上。

四步三天

• 1 拆参数——做什么：通读整本样本，把出现的参数项全部捞出来，先扫全文不做分类；产出：原始参数清单（34 项）

• 2 建结构——做什么：把参数归到三张表，用系列代码关联；产出：结构化底座（72 行）

• 3 配智能体——做什么：在飞书多维表格里建智能体，写一段工作指令：数据来源是三张表、能干什么、不许编；产出：可对话能力

• 4 发布——做什么：发出去，拿到一个链接；产出：销售点开就能问，客户扫码就能查

整个过程 3 天。飞书的多维表格和智能体都是现成的工具，第 3、4 步不难。

难的是第 1 步，而且难在一个你想不到的地方：

那本样本第 2 页有一个"阀弹簧"的配置选项，图里的字模糊得看不清，交付的人翻遍前后文，才确认 0 和 1 两个代码分别是什么意思。

如果漏掉这一项，表里就少一列。之后客户问"阀弹簧有和没有分别怎么选"，智能体永远答不上来——因为它压根不知道有这个维度。

这就是样本AI化真正的门槛：不是会不会用工具，是看不看得懂一份工业样本。哪些是参数、哪些是描述、哪些是选配规则，这个判断力，工具替不了。

厂家能得到什么

五样东西，都由同一个变化带来——参数不用翻，问就有：

• 销售报方案前自己先问一遍。查一个参数从 3–10 分钟变成 2 秒，不用等技术排期，也不用翻微信聊天记录。

• 客户自助查。智能体链接做成二维码印在包装上，客户扫码自己查，不用打电话问销售。

• 新人不用背手册。新来的销售直接问"这个系列的软管规格和接口是多少"，秒回，不用师傅带。

• 能做智能选型。客户说"我要流量 10L/h、压力 3Bar 以上"，直接筛出匹配的几款并给出推荐。

• 数据在自己手里。拆出来的表放在厂家自己的飞书里，不放在第三方平台。

一位厂家销售的反馈是这样的：

“销售查参数不用翻手册了，客户扫码就能自助查产品了。”

这句话背后，是销售查参数的时间从 3–10 分钟压到 2 秒。

它凭什么不乱答

十题九准。

用真实样本拟 10 道题，答对 9 道才算交付，准确率 ≥95%。错一处，改一处，不糊弄过去。

做到这一点靠两条纪律：

1. 只基于厂家原始样本做匹配，不做推测。参数冲突时，以厂家最新版样本为准。

2. 不硬猜。遇到信息不够的工况，它输出的是"请补充介质 / 温度 / 压力"，而不是随便挑一个型号给你。

第二条第 01 篇也提过——一个会硬猜的智能体，比没有智能体更危险：它让你在不知不觉中报错型号。

边界它不做什么

• 只基于厂家提供的原始样本。参数有冲突时以厂家最新版样本为准，不做第三方数据补全。

• 非标定制工况不在覆盖范围。这类要回原厂确认，样本里没有的结构，不能凭空生成。

• 样本数据归厂家自己保管。我们不编、不改、不留副本。你的样本还是你的。

• 交付后的保鲜由归属方自担。厂家更新了参数，表也要跟着更新，这一步在厂家手里。

• 轻量版只做文本参数。图片识别、视频描述不在这一版里。

• 样本本身错了，拆出来也会带着错。比如样本上印错的参数，会原样进入表里。这一步只能靠厂家核对，我们只能保证"不漏、不编"，保证不了"厂家原文一定对"。

• 它替代不了技术判断。特殊工况、复合介质、安全攸关场合，仍然要人拍板。

五个问题表格答不了

Q1 一句话说清样本AI化是什么？

样本AI化是把厂家选型样本拆成结构化字段表，再搭成能 @一下调用的智能体，翻几百页变几秒。

另外四问，是上面那些表格答不了的。

Q2 我的样本是 PDF 或者纸质书，能做吗？

能。PDF、网页、纸质扫描，走的是同一条路：拆参数 → 建三张表 → 配智能体 → 发布。纸质书多一步扫描，不影响结果。

Q3 样本里有很多图、很多表格，AI 能读懂吗？

先扫全文捞参数这一步是人工做的，图里模糊的字也是人工前后文对照确认的——上一条"阀弹簧"就是这个情况。所以准确性来自人在这步的功夫，不来自 AI 读图能力。

Q4 做完之后，我自己能维护吗？

能。三张表在飞书里，加一行、改一个参数都是表操作，不需要开发。但谁改、什么时候改，要有个人管，否则表会和样本脱节。

Q5 和小卡片是什么关系？

两个产品，一个上、一个下。样本AI化面向上游厂家，从厂家的选型样本起；小卡片面向下游轮胎厂，从设备铭牌照片起。共同点是同一套逻辑：把锁在人脑子里的东西，翻成能被问得出来的结构。

顺带说一句：小卡片放在下游，第三层数据就是设备铭牌照片，这也是为什么铭牌拍不清的时候，整条线都会卡住。

这篇公开了什么留了什么

有人问过我：三张表、四步流程都写出来，不怕被抄走吗。

不怕。因为样本AI化难的地方，从来不在流程，在拆。

润富德一直用一条原则：公开地图，不公开航线。

地图我全给了，看完这篇你就能用——样本AI化的定义、三张表各装什么、四步流程、验收标准、边界在哪。

航线我留着，这些是要一起动手才能交付的部分——参数项怎么扫才能不漏、选型规则表怎么定、工作指令（Prompt）怎么写、飞书智能体怎么配、多系列样本怎么关联。

一句话讲明白：公开到"表 + 流程"，保留到"怎么拆"。

看懂这套框架，大约 10 分钟。但把它变成一份真能问的样本，多数人要走一次完整实操——卡住人的从来不是不会建表，是那一步"看不看得懂样本"。

接着可以看这几篇

同一个主题，一篇只讲一件事：

• 为什么厂家把样本发出去 客户还是问个不停

• 几百页的选型样本 怎么拆成能问的表

• 客户问参数能不能用 怎么不翻样本就答上来

润富德经验资产化，帮轮胎行业一线主管把经验变成可登记、可复用、可变现的数据资产。三个交付物：小卡片、样本AI化、故障库。

样本翻不到、客户问参数要等半天、销售报方案前先翻半小时——这些坑，拆一次就能填。