运营助理 FDE 小组 · AI 认知与实战培训方案
核心理念：先画出数据、权限、时间和成本的边界，再让 WorkBuddy 把一件真实的工作送入可审计的执行链。
〇、怎么用这份方案：先建立坐标，再进入现场
这不是一张从第一页走到最后一页的课表。第一章是仪表盘：把 token、API、权限和数据边界放到同一张图上；第二章是轨道图：看清模型、平台和院内底座各自承担什么；第三章是操作舱：把一个真实任务交给 WorkBuddy，观察它如何取数、计算、写回并等待人工确认。
检验标准只有一个：你能否交付一个可回放、可复核的自动化闭环（工作流 / 脚本 / Skill 任选其一），并记录它每月释放的工时与留下的人工节点。
遇到陌生词，先回第一章。任何没有定义边界的名词，都会在真正的数据面前变成延迟和返工。
一、AI基础词汇词典：每个名词都要能落地
这里不先背定义。每个词都从一个本院运营助理会遇到的现场开始，再追问它消耗什么、受什么限制、出了错谁来接管；括号内保留英文原名，便于继续查证。
A. 智能底座与认知 (Base & Intelligence)
1.1 大模型 / LLM Large Language Model
场景：旧软件沿着写死的规则运行；大模型先把你的话拆成意图、资料和下一步动作。你说「算这个科上个月药占比，再和去年同月比较」，它可能读取表格、选择公式、生成结论。
边界：它只是一个概率推断器，不是事实仓库。它能把错误的数字说得很顺，关键口径必须回到原始数据由人核验。
1.5 智能体 Agent
场景：普通 AI 告诉你怎么做报表；Agent 按授权打开文件、拉取数据、运行计算，再把草稿放回指定位置。它不是更会聊天，而是拥有一条执行链。
关键：Agent = 大模型 + 工具调用（取数/计算/写文件）+ 任务拆解 + 权限边界。它可以替你完成动作，但每个动作都应留下日志、失败分支和人工接管点。
1.7 RAG（检索增强生成）
场景：问「专科运营助理职责第 8 条是什么」，通用模型只能凭训练记忆猜。RAG 先在《管理办法》中检索原文，再把证据片段交给模型组织回答。
要点：它把通用推理和本院私有知识库接在一起。医疗场景不只要答案，还要能追溯到版本、页码和生效日期；找不到证据时应明确说不知道。
1.8 私有化部署 / 数据脱敏（安全底线）
私有化部署：模型和数据处理链放在自己的机房，网络边界不跨出医院（基础层使用院内 Qwen 即是这个方向）。它减少外传路径，但不自动消除内部越权。
数据脱敏：姓名、病案号、账号等替换为不可回推的代号，再把最小必要字段送到 API。红线：原始患者明细一律不进公网 AI。
1.12 多模态（Multimodal）
场景：一张纸质报表被拍成照片，模型先定位表格、识别字符，再转成可校验的 Excel；一份 PDF 政策被拆成条款、日期和适用范围。
要点：多模态让非结构化资料进入流程，但识别结果仍可能受光线、版式和遮挡影响，关键字段必须回到原件复核。
B. 通信管线与凭据 (Pipelines & Credentials)
1.2 Token（令牌）★重点
是什么：模型不按「字」感知世界，而是把输入切成 token。中文一个汉字通常约 1~2 个 token；每一次调用，输入和输出都在消耗这条看不见的燃料计。
为什么必懂：① API 按 token 计费；② 上下文窗口也按 token 计量，资料塞满后，最早的内容会被截断。
单次对话量级：普通问答约 800~1500；读 10 页文件约 3000~8000；写月报约 4000~8000；深聊约 1万~3万。1 亿 token 约等于 10 万次问答或 1~2 万份报告，但统计口径必须配合去重和防刷。
怎么省：先压缩长文档；把确定性的搬运和计算交给脚本/工作流，只把需要判断的部分送进模型。
1.3 API（应用程序接口）★重点
是什么：程序之间交换请求和结果的管线。WorkBuddy 或 OpenClaw 不必自己拥有模型，它们把提示、资料和权限送到模型服务，再把返回值接回流程；这段带地址和规则的管线就是 API。
三件套：API Key（身份、权限和计费凭证，不能发群）+ Endpoint（接口地址，如 https://api.deepseek.com/v1/chat/completions）+ Model（模型名，如 deepseek-chat）。少一个，数据就到不了终点。
计费：单价 × token 数。真正昂贵的不是一次问候，而是把同一份上下文反复跨边界传输。
1.4 给 OpenClaw 这类产品接 API（实操）★重点
场景：科室要用一个 AI 客户端，但模型不在客户端里。你要做的是把一条受控的通信链接上，而不是把密钥散落在聊天记录里。
- 生成凭证：在厂商平台创建 API Key，复制保存（通常只显示一次），并记录它的用途和有效期。
- 进入配置：打开 OpenClaw → 设置/模型配置 → 选择「自定义 API」或「OpenAI 兼容」。
- 填写三项：API 地址 + API Key + 模型名；先给它最小权限，不要默认开放整台机器。
- 做低风险测试：发送「你好」并检查返回、费用和日志；院内敏感数据还须脱敏、签协议并满足等保三级。
WorkBuddy 同理：在模型/MCP 配置中加入 OpenAI 兼容 server，填 base_url / api_key / model，保存后先用无敏感数据回放一遍。
1.6 MCP（模型上下文协议）
场景：没有 MCP 时，你先从 HIS 导出 CSV，再把文件交给 AI；有了 MCP，模型通过统一接口请求 HIS/DRG 的指定数据，你不再充当人工中转站。
要点：MCP 不是「万能通行证」，而是一套描述工具、输入 and 返回值的协议。院内底座要把字段、权限、审计和超时一起暴露，AI 才能在会场里按需取数而不越界。
1.13 上下文窗口 / 会话压缩 / 缓存命中·未命中（深入理解 Token）★重点
这一张卡把 token 看成系统的燃料、内存和缓存：四个概念串起来，才能解释 coding agent 为什么先读后写，也才能为院内底座找到成本和延迟的控制点。
模型一次能看到的最大 token 量（输入+输出）。2026 主流已到 1M token ≈ 75 万汉字，接近一部长篇小说。窗口越大，能同时比较的资料越多，但每次调用的成本和延迟也会随之上升。
Plan Mode 先做只读测绘：仓库摘要、相关文件和需求作为输入，方案作为输出。因此规划期读得多，执行期写得多；计费=输入价×输入+输出价×输出。多数服务输入更便宜，「先读后写」既省钱，也让人在修改发生前看见路径。
每轮都重传系统提示和资料上下文，成本会线性累积。API 的 Prompt Caching 把相同前缀暂存下来，命中约付 1/10 价，未命中仍是全价。稳定的制度、易变的数据应分开排列，缓存才有意义。
对话越长越逼近窗口上限，Agent 会把历史压成摘要腾出空间（OpenClaw 的 Compaction、Claude Code 的 /compact）。代价是细节会丢失，只留下被认为重要的线索。超长任务要主动分段，关键结论落文件，不能只存在聊天里。
C. 业务执行工具 (Execution & Automation)
1.9 工作流 / 自动化（Workflow）
场景：每月 1 号触发取数 → 校验口径 → 运行指标计算 → 生成初稿 → 推送给科主任。人只在异常和高风险节点复核。
要点：Agent 解决一次任务，工作流把任务写进时间和制度。它的价值不在「自动」二字，而在步骤可重放、失败可告警、责任可追溯。哪些活适合，见第三章 3.5。
1.10 脚本 / 代码（Script）
场景：12 张门诊明细表要按病案号合并并计算占比。与其让模型逐行阅读，不如让脚本在本地执行，几秒完成同一套确定性运算。
要点：脚本是一次性或批量的小程序，适合合并表格、算指标、格式转换。几乎不耗 token，但必须固定输入格式、校验异常并保留输出版本。
1.11 Skill（技能，WB 特有）
场景：把《专科运营分析 SOP》的五段结构、指标口径、报告模板和例外处理封装成一个「技能包」。新人加载它，输出仍有边界、有格式、可复核。
要点：Skill 是一份可版本化的岗位手册，不是一句神奇提示词。它应写清输入、步骤、禁止事项 and 验收标准，让老手经验在全组共享时不丢失上下文。
二、AI产业全景：把供应链看成一张轨道图
模型、平台和院内底座并不在同一层。先看谁在提供推理能力、谁在提供执行接口、谁在承受数据和权限的风险，再决定为什么采用「院内基础层 + API 混合架构」。以下观测截至 2026-08-01。
国外三家
| 公司 | 当前重心（观测） | 对院内系统的推论 |
|---|---|---|
| OpenAI | 2026.7.9 发布 ChatGPT Work（由 GPT-5.6 家族 Sol/Terra/Luna 驱动）：把聊天框变成「数字同事」——跨 app/文件采上下文、连续跑数小时、交付表格/简报/网页；同日关停 Atlas 浏览器（8.9 停）。GPT-5.6 Sol API 定价 $5/百万输入、$30/百万输出 | 把熟悉任务交给 Agent 的范本；院内落地时还要补上数据分级、审批和失败回滚。 |
| Anthropic | Claude Opus 4.8（coding/agentic 提升）；Claude Cowork（1 月推、7.7 扩云端+移动，Agent 化行政同事，后台跑、跨设备、遇敏感决策主动请求介入）；推出 scheduled deployments（cron 调度自主 worker，自己拉凭证自己汇报）；Memory/Multi-agent/Outcomes 转公开 beta；MCP 协议发起者（注：中国已禁 Claude Code） | MCP 可作为 HIS/DRG 的标准接口；「遇敏感主动请求」说明人工接管应是系统状态，不是临时提醒。 |
| Cloud Next 2026 把 Vertex AI 改名 Gemini Enterprise Agent Platform，Agentspace 合并；Workspace Studio 无代码 agent 构建器；A2A 协议 v1.0 生产（150+ 组织）；Gemini Auto Browse / Gemini Spark（7.15 更新，能在 Mac 自动执行多步任务）；Project Mariner 收掉并入 Gemini | 全栈平台与开放协议说明「工具互通」正在成为基础设施；简单搬运应路由给便宜模型，关键判断才占用高价推理。 |
一句话：企业 Agent 的核心指标是安全、可观测、可接管，而不只是模型分数；院内底座要解决的正是这条执行链。
现实校验：OSWorld 2.0 中最强模型完成真实长程任务的比例仍有限，Agentjacking 也曾暴露组织；因此最小权限、人工确认和审计日志必须写进系统，而不是写在口号里。
国内几家（2026 年 7 月密集爆发，7.31 国产模型集体亮相）
| 公司/模型 | 当前重心（观测） | 对院内系统的推论 |
|---|---|---|
| DeepSeek | V4-Flash-0731（7.31 API 公测，Terminal Bench 2.1 拿 82.7、原生 Responses API、适配 Codex）；V4-Pro 旗舰 8 月初（8.10-20 GA 预期）发布 | 脱敏数据走 API 的候选；选择依据应是成本、延迟、合规承诺和可替换性，而不是单次榜单。 |
| 阿里 通义 Qwen | Qwen3.8-Max-Preview（7.19）→ Qwen3.8 正式（8.3 发布），2.4 万亿参数旗舰，编程/Cowork 强；「千问办公」开启公测 | 开源生态友好；院内基础层可评估中等规模量化模型，让算力、延迟和数据边界可控；旗舰参数量不等于适合本地部署。 |
| 腾讯 混元 / WorkBuddy | 混元 Hy3（7.6 发布，MoE 295B/激活 21B，256K 上下文，多档思考，幻觉率 5.4%），已在 WorkBuddy/CodeBuddy 落地；7.23 成立「基础模型部」（多模态+大语言合并） | 办公 Agent 的落地载体；WB 的价值在于把模型、工具、权限和人工确认串在一个工作面上。 |
| 字节 豆包 / Coze | 豆包月活 3.82 亿、年化营收超 40 亿美元；7.30 豆包整合飞书产品团队（飞书产品并入豆包，原生集成飞书办公场景）；Seedance 2.5 视频模型 7.31 发布 | 低代码 Agent 进入企业工作流；院内借鉴时要先拆清可自动动作与不可委托的医疗判断。 |
| 智谱 / Kimi / MiniMax | Kimi K3（7.17，2.8 万亿参数、100 万 token 上下文，全球最大开源权重模型，Artificial Analysis 排名第三）；GLM-5.2（744B）、GLM Coding Plan 7.31 恢复订阅推团队版；MiniMax H3（7.31 全模态） | 长上下文和开源权重扩大了可选空间；长文档不等于自动正确，仍要靠检索、分段和证据回收。 |
2.3 各家 Coding Plan（规划模式）现状 · 为什么和我们有关
2026 年主流 coding agent 逐渐收敛到「1M 上下文 + MCP + 自主 edit」。但真正决定能否进入院内环境的，不是它会不会写，而是它能否在先只读分析、提出方案、不碰文件的阶段被人审查。Plan Mode 把这段缓冲区固定下来：先看见路径，再批准执行。下面是当前各家形态（数据 2026 年中）：
| 工具 | Plan 形态 | 默认模型 | 个人价（约） | 开源 |
|---|---|---|---|---|
| Claude Code Anthropic（中国已禁） | Plan Mode；opusplan：Opus 规划 + Sonnet 执行（贵模型管判断、快模型管打字） | Opus 4.8 | $20 / $100 / $200 | 否 |
| Gemini CLI → Antigravity | v0.34 引入 Plan Mode；6.18 关源 Gemini CLI 转 Antigravity CLI | Gemini 3.1 Pro / Flash 自动路由 | 免费层收紧→$20 起 | 原开源现闭源 |
| Codex CLI OpenAI | /plan 进入只读规划 | gpt-5.5 | 含 ChatGPT 免费层；token 计费 | 是（Apache-2.0） |
| Cursor | Plan Mode（IDE 内规划） | 多模型托管 | Pro $20；Teams $32/席 | 否 |
| Qwen Code / Kimi Code 阿里 / 月之暗面 | plan 模式（只读研究）；Shift+Tab 切换 | Qwen3 / Kimi K3 | 免费层（Qwen3-Coder） | 是 |
| OpenClaw 开源 Agent 平台 | 非 coding 专用；Agent Loop 自带 Compaction 压缩；可配 coding 模型做规划 | 多模型（Claude/GPT/DeepSeek/本地） | MIT 开源，BYOK 自付推理 | 是 |
三、WorkBuddy 实战：把一次请求送进执行链
WorkBuddy（WB）不是更大的聊天框，而是一座工作台：对话负责理解，脚本负责确定性计算，工作流负责按时运行，Agent 负责调度，Skill 负责把经验固定下来。你要观察的不是它说得多漂亮，而是每一步拿到什么、改变什么、留下什么。
A. WB 工具箱 (WB Toolkit)
3.1 WB 都能干什么：从输入到交付
3.2 VibeCoding 一个小应用：先让结果可见
场景：做一个「指标计算器」网页，输入药费、耗材费和医疗服务收入，自动算出三个占比。它是一个低风险的观测舱：输入、公式、输出都能被看见。
做法：在 WB 描述字段、公式、异常提示和界面约束，生成单文件 HTML，再用几组已知数据回放。零代码不是免检验，先用可计算的结果验证模型。
3.3 用 HTML 做 PPT / 汇报：让每个数字有来处
做法：把大纲、数据来源、口径和版式约束交给 WB，让它生成带导航、图表 and 动画的单文件汇报页。投影前逐项核对原始数据和更新时间；可见的图表只是结果，来源才是证据。
3.4 用 Agent 做数据分析：把人留在异常节点
做法：把脱敏后的 HIS/DRG 数据交给 WB，明确口径、时间窗和异常阈值，让 Agent 依次取数、计算、对标并生成报告初稿。我们的 MVP 演示就是这个：自动化负责重复路径，人负责复核异常、解释原因和批准发布。
B. 自动化三大约束 (Three Constraints)
3.5 工作流 / 脚本 / Skill：三种不同的约束
① 工作流 Workflow → 周期性、固定步骤、可串联
定义：把多个步骤写进一条带触发器、超时和告警的流水线。它可以无人值守地运行，但不应无人负责。
运营助理场景举例：
| 场景 | 说明 |
|---|---|
| 每月运营分析流水线 | 定时从 HIS/DRG 拉数 → 校验版本 → 算指标 → 四层对标 → 标异常 → 生成初稿 → 推送企业微信；人只复核。 |
| 季度病种报告 | 每季度初自动运行，产出前十病种 / CMI 分层，并保留口径快照。 |
| 会议纪要 → 待办 | 文字/录音 → 提取待办、责任人和时限 → 建跟踪表；不确定的归属进入人工确认。 |
| 数据质量巡检 | 每天检查各系统取数是否到位、口径是否漂移；异常只告警，不擅自修正。 |
| 新人入职 SOP 引导 | 按固定步骤派发任务和检查，并把未完成节点留给负责人。 |
不适合：需要临场判断、依赖未结构化信息或只发生一次的活。流程越长，越要先定义停机条件。
② 脚本 Script → 一次性、批量、纯计算
定义：一段可重复运行的小程序，把输入映射到确定的输出，解决具体脏活。它不替你做业务判断。
| 场景 | 说明 |
|---|---|
| CSV 合并清洗 | 多个门诊明细表按病案号合并，并记录缺失键。 |
| 指标批量计算 | 套用药占比 / 耗占比 / CMI 公式，几万行秒级完成并输出校验样本。 |
| Excel 公式批量生成 / 报表格式转换 | 批量产出公式、统一格式，保留原文件副本。 |
| 历史数据回填、缺失值补全 | 一次性补齐缺口，但把推断值和原始值分开标记。 |
| 几十份 Word 转统一摘要 | 批量提取字段，无法识别的段落进入待复核队列。 |
优势：几乎不耗 token，纯计算交给它最省钱。不适合：需要多系统联动、定时持续运行或依赖业务判断的任务。
③ Skill（技能）→ 可复用的方法论、专业知识 and 验收标准
定义：把某类工作的标准做法、例外、禁区和验收标准封装成可版本化的包。WB 加载后按同一套方法运行，新人复用的是经过说明的经验，而不是一句口令。
| 场景 | 说明 |
|---|---|
| 专科运营分析 SOP Skill | 固化五段结构、指标口径、报告模板和异常处理，任何人加载都能产出可核对的报告。 |
| 数据脱敏 Skill | 统一脱敏规则和字段白名单，避免每人手写而漏脱敏。 |
| 病种 CMI 分析 / 院内取数 / 报告生成 Skill | 把门道拆成输入、步骤、证据和验收，全组复用。 |
| FDE 工作方法 Skill | 沉淀本组经验，并用版本号记录哪些判断已经改变。 |
不适合：纯一次性杂活用脚本；需要多系统定时跑的用工作流。Skill 负责方法，不负责替你拥有权限。
三者关系（记这张图）
零基础速判法
3.7 Token 消耗实战认知：让燃料花在判断上
日常单次问答约 1k token，一个月几万 token 通常不是问题；但让 AI 读整本资料并写长报告，消耗会迅速上升。因此把重体力计算交给脚本/工作流，把需要理解的判断交给模型，同时用摘要、分段和缓存控制输入。更深入的 token 机制见 1.13。
C. API 部署与网络 (Deployment & Integration)
3.6 实操：给 WB / OpenClaw 接 API（把边界写进配置）
WB：设置 → 模型 / MCP 配置 → 加一个 OpenAI 兼容 server（base_url 填 endpoint、api_key 填密钥、model 填模型名）→ 保存 → 用无敏感样例测试，并核对日志和费用。只有在脱敏和授权成立时，WB 才能调用院外模型做重推理。
OpenClaw 等同类：按 1.4 的通用四步接入，先验证权限，再扩大任务范围。
3.8 通过 WB 部署 OpenClaw：让 Agent 在边界内行动
OpenClaw 是什么：它是常驻的 Node.js Agent 网关/运行时，可接多个消息平台、多模型、MCP 和 Skill。与只写代码的终端工具不同，它能发消息、控浏览器、执行命令、管日程，因此每个工具都必须有权限、超时和审计边界。AGENTS.md / SOUL.md / TOOLS.md 等文件相当于可读的运行规约。
为什么和我们有关：常驻、多平台、本地/私有部署和内网模型接入，正好对应「院内 Agent 底座」的方向；但它越有手脚，越需要把默认动作改成只读、先方案后执行。
通过 WB 怎么部署（WB 只负责驱动命令，部署结果仍需人工检查）：
- 装运行环境：在 WB 终端执行
npm install -g openclaw（或采用 Docker），先记录版本和来源。 - 配置模型：优先指向院内 Qwen；只有脱敏、授权和协议齐全时才接 DeepSeek API（见 3.9）。
- 启动 Gateway：
openclaw gateway start，默认监听localhost:18789，不要直接暴露公网。 - 接院内通道：配置企业微信/飞书，并把「查询」与「写入」权限分开，让科主任先获得只读结果。
- 写岗位手册：用
AGENTS.md明确「只读脱敏数据、先出方案再执行、敏感操作请求人确认、失败立即告警」。
安全红线：网关只跑在内网/本地；接公网模型必须脱敏、签协议并满足等保三级；默认最小权限，敏感操作加人工确认，日志不可缺席。
3.9 购买并接入 API（以 DeepSeek 为例）：先建立可撤销的链路
接 API 前先建立一条可计费、可撤销、可审计的链路。以下以 DeepSeek 为例，具体价格和页面以厂商当前文档为准：
- 注册：打开
platform.deepseek.com→ 手机号注册 - 充值：首次只充小额额度，先用低风险样例观测消耗，再决定是否扩大；价格随时间变化。
- 建密钥：左侧「API Keys」→ 创建 → 复制保存（只显示一次！），并给密钥设置用途、限额和可撤销时间。
- 看文档：找到 endpoint（
https://api.deepseek.com/v1/chat/completions）和模型名（deepseek-chat/deepseek-reasoner） - 接入 WB / OpenClaw：按 1.4 / 3.6 填 base_url + api_key + model → 用「你好」等无敏感请求测试，再检查日志和账单。
计费与省钱：单价 × token（见 1.2 / 1.13）；让稳定前缀命中 Prompt Caching，把长文档分段。院内批量使用要谈企业协议、脱敏和等保三级，不以个人小额试用替代制度。
安全：api_key 视同密码，不发群、不硬编码进脚本、不提交仓库；使用环境变量或 WB 的密钥管理，并保留轮换记录。
3.10 自动化实践：先用低风险任务验证工作流
场景：以领取公开优惠券为练习，观察一个定时任务如何打开页面、定位入口、点击并回传截图。它不涉及院内数据，适合先验证触发、失败和告警。
怎么做（与月度运营流水线同构）：
- 选工具：定时 + 固定步骤 + 操作界面 → 工作流（见 3.5）。
- 写脚本/提示：让 WB 用浏览器自动化或 RPA 定位入口，明确找不到按钮时立即停止。
- 设触发：每天 12:00 定时运行，并限制可访问的页面 and 账号。
- 闭环：成功 → 截图和时间戳；失败 → 告警，人介入，不无限重试。
迁移到工作：把「美团」替换成「HIS 月度取数」「DRG 报表下载」「企业微信推送报告」，流程骨架仍是触发、执行、校验、回传。平移前重新做权限、数据和责任评估，不能把生活账号的假设直接带进医疗系统防灾。
四、自主学习路径：沿着一条可观测的轨道推进
- 先校准第一章词汇：尤其是 API、token 和接 API 实操；先知道数据从哪里进、在哪里计费、在哪里留下痕迹。
- 3.2 VibeCoding：跑通指标计算器，用已知样例验证输入、公式和输出，确认 AI 不只会聊天。
- 3.4 用 Agent 分析一份脱敏数据：让 WB 产出指标和异常清单，同时记录它调用了哪些工具、哪些地方需要复核。
- 3.5 把一个固定活做成工作流：挑每月必干的一件事，定义触发、停机、告警和人工放行。
- 封装一个 Skill：把最熟的那块活写成输入、步骤、禁区、验收和版本号，沉淀成可复用包。
- 日常渗透：用 WB 写通知、整理会议纪要、润色报告；每次都保留原文、修改痕迹和最终责任人。
资源：WB 自带帮助和示例；线上课程可按提示词、AI 办公自动化、Agent 搭建、AI+数据分析、医疗运营应用分层。组内共享的不只是词汇卡，还应包括失败样例和复核记录。
五、AI学习焚诀：给操作者的行为协议
下面几条不是口号，而是面对陌生系统时的操作顺序：先让问题变得可观察，再让模型参与；先保留证据，再把决定交给人。零基础不是风险，未经验证的习惯才是。
焚诀一 · 先把问题送进可观察的回路
工作卡壳、材料没有结构、Excel 公式不会写时，可以先问 AI，但要同时给出目标、样例、限制和验收方式。把它当随身的测量仪，而不是替你承担责任的黑箱。
焚诀二 · 让 AI 解释自己的边界
报错、提示词和模型能力都可以交给 AI 做第一轮解释。把完整错误、输入和预期结果一起贴给 WB，让它指出假设、可能原因和验证步骤；不要只接受一段听起来合理的修复。
焚诀三 · 先问 AI，但把人留在决策链
AI 适合快速拆题、给出候选路径；人负责权限、口径、风险和最终放行。把「问人」留给需要拍板的地方，同时把你已经验证过的证据带上，减少打断和重复劳动。
焚诀四 · 三轮验证后仍不确定，就升级给人
换说法、给例子、拆细任务，连续三轮仍无法得到可验证结果，说明你撞上了模型的边界，或任务需要真人判断、权限和院内数据。升级时带上前三轮输入、输出和失败证据，别人可以从断点继续，而不是重新猜。
焚诀五 · 低风险任务现在就跑一遍
当前 WorkBuddy 里的 混元 Hy3 模型是免费的，可以用通知、占比计算、会议纪要这样的非敏感小活做回放。先观察输入、调用、输出和复核点，再把通过验证的路径迁移到更重要的工作；免费只降低试错成本，不降低安全要求。
六、模型能力怎么分：先看输入和输出的边界
不同模型承受的输入、输出和错误代价不同。挑工具前先确认任务的主要约束：需要理解多种资料，还是需要生成一种媒介？大致可分为多模态模型与创作类模型，但边界正在移动。
多模态模型（Multimodal）
是什么：它能同时接收文字、图片、文件和语音，先把不同媒介映射到同一上下文，再给出解释、计算或下一步动作。它适合对话、分析、读报表、写方案，但每种输入都可能有独立的识别误差。
代表：GPT-5.6 家族、Gemini（含生图）、腾讯混元 Hy3、Qwen-VL、Claude 等。日常取数、数据分析和搭工作流通常从这一类开始，并在关键字段处回到原件。
创作类模型（Generative / Creative）
是什么：把文字、参考图或分镜约束转换成图、视频、音乐或 3D 资产。它像一条内容生产线，输出速度快，但事实准确性、版权和医疗表述仍需人工把关。
代表（截至 2026-08-01 观测）：见下方清单。医疗场景可用于科普短视频、健康宣教图和科室物料，但不得把生成结果当作临床证据。
最新创作类模型速览（2026-08-01 口径）
| 类型 | 最新代表模型 | 说明 |
|---|---|---|
| 文生视频 | 豆包 Seedance 2.5（字节，7.31 发布）、Google Veo 3.1、OpenAI Sora 2、快手可灵 Kling 3.0、Runway Gen-4.5、MiniMax H3 | Seedance 2.5 国产第一梯队（30秒 / 4K / 50 份多模态参考 / 可区域编辑）；Veo 3.1 电影质感 + 原生音频；Sora 2 真实感强；可灵 3.0 运动控制强、成本低 |
| 文生图像 | Midjourney v7、即梦（字节）、可灵图像、Flux、Stable Diffusion 系列 | 海报 / 宣教图 / 头像主力；即梦国产易用 |
| 文生音乐 | Suno v4、Udio | 科室口号、短视频 BGM 可一键生成 |
| 文生 3D | Tripo、Meshy | 科普动画 / 器械演示可用 |
附、课程方向清单：把认知变成可验证的训练
| # | 方向 | 适合人群 | 学时 |
|---|---|---|---|
| 1 | 大模型基础认知与 AI 通识（含合规红线、API/token 基础） | 全员必修 | 2–4 |
| 2 | 提示词工程实战 | 全员核心必修 | 4–8 |
| 3 | AI 文案与文档写作 | 行政/运营/护理 | 3–6 |
| 4 | AI+Excel / 表格与数据分析 | 有 Excel 基础者 | 4–8 |
| 5 | AI 办公自动化与工作流 | 骨干/进阶 | 6–10 |
| 6 | Agent / 智能体搭建入门（Coze / Dify / WB） | 骨干/底座种子 | 8–12 |
| 7 | AI + 医疗运营场景应用 | 医疗运营岗 | 4–6 |