对话式触发的三类任务:查询、生成、执行——企业 AI 智能体落地的任务分层法
很多管理者对 AI 助手的失望,来自一次具体的体验:在对话框里问一句"上个月华东区的退货率是多少",它答得头头是道;可当你接着说"把那几个异常订单整理成说明,发给区域负责人",它就开始含糊——要么答非所问,要么把"整理"做成了"复述"。问题不在模型不够聪明,而在于我们把三件难度完全不同的事,塞进了同一句对话里。
这篇文章想讲清一件事:对话式触发的三类任务:查询、生成、执行,它们的判定标准、能力要求、风险等级各不相同。分不清这三类,AI 就只是个会说话的搜索框;分得清,才能把它接进真实的业务流程里。
一、对话式触发的本质:把"意图"翻译成"任务"
先给一个定义:对话式触发,指用户用自然语言表达"我要什么结果",由系统识别意图、拆解步骤、调用相应能力完成任务,而不是要求用户先学会某个系统的菜单结构。它改变的是入口,不是系统本身。
1. 入口变了,系统没变
过去几十年,企业信息化的默认交互方式是"人找系统":找菜单、找报表、找字段、找导出按钮。对话式触发反过来——人只说目标,系统负责找路。这意味着三件事必须同时成立:
- 意图能被听懂:一句"帮我看看这周哪些物料可能缺"里,藏着时间范围、判断条件、数据来源三层信息;
- 能力能被调度:听懂之后,系统要知道该去哪个系统取数、查哪份制度、调哪个技能;
- 结果能被核对:用户要能看到"它基于什么、做了什么、哪些没做",否则不敢用第二次。
在 Soiawork 中,这三件事分别对应意图理解与任务编排、连接器与知识库等能力组件、以及执行过程的记录与回执。
2. 为什么必须分成三类:读、写、动
一句话里常常混着三类任务,但它们的风险完全不在一个量级:
- 查询类:只读取、不改变任何系统状态。做错了,损失是一次错误判断;
- 生成类:产出新内容(文档、报表、台账、话术),但不直接写入业务系统。做错了,损失是一次返工;
- 执行类:改变系统状态或对外发生动作——填表、发消息、上架商品、提交单据。做错了,损失可能是真实的钱和真实的客户。
一句话区分:查询要"准",生成要"可核对",执行要"可回退"。
把这三类混在一起设计,最常见的后果是:查询做得不错,用户就顺手让它去执行,然后出一次事,整个项目被叫停。反过来,按风险分层设计,就能做到"低风险任务先跑通、高风险任务加确认"。
二、查询类任务:难题从来不是"取数慢"
查询类任务的核心问题是:能不能在一个回答里,给出有口径、有来源、有权限边界的答案。多数企业的真实困境不是查不到,而是查到了不敢用。
1. 三个真实的卡点
- 口径没定义:"活跃客户"是按登录算、按订单算还是按回款算?口径不统一,AI 答得越快,争议越大;
- 数据在多个系统:订单在电商后台、库存在两套 ERP、回款在网银,人工核对时靠的是老员工的记忆;
- 权限边界模糊:谁能问、能问到什么颗粒度,往往没有明确规则,最后只能"都不给"。
2. 查询能力在 Soiawork 中如何被承接
- 连接器取数:把业务系统、数据库、电商后台、协同办公平台接进来,让"取数"从人工导出变成一次调用;
- 知识库查依据:口径定义、制度文件、历史结论沉淀在知识库里,回答时一并给出依据,而不是只给一个数字;
- 文件空间承接非结构化材料:合同、回单、报价单这类以文件形态存在的信息,也能被检索和引用;
- 答案带来源:每条结论标注取自哪个系统、哪份文件、哪个时间点,让业务方可以自己复核。
查询做扎实了,才有资格谈后面两类任务——因为生成需要干净输入,执行需要准确判断。
三、生成类任务:AI 出草稿,人下判断
生成类任务的定义是:基于已有信息产出新的结构化内容。它的价值不在于"写得像人",而在于把"拼材料"的时间省下来,把判断的时间留出来。
1. 生成的上限由输入决定
一段提示词写不出准确的周报,原因通常不是文笔,而是输入不全:数据是上周的、口径是别人定的、异常原因没人填。因此生成类任务的设计重点在三处:
- 输入要固定:哪些字段必须取到、缺了是否要停下来问人;
- 规则要显性:判断逻辑写成可查阅的规则,而不是藏在某个老员工脑子里;
- 产出要留痕:生成了什么、跳过了什么、为什么跳过,逐条可查。
2. 一个已复现的场景:从收付款回单到凭证台账
在场景库中,有一个已完成复现验证的财务场景,能说明生成类任务的完整链路:从邮箱取件(34 份三种形态的回单)→ 读取业务类型、金额、摘要、关联单号 → 确定口径(12 条映射规则 + 12 个科目表)→ 逐笔判定(已生成 27 笔、挂起 7 笔)→ 生成凭证台账与看板 → 挂起清单按责任方发出。
这个场景里最值得注意的不是"生成了 27 笔",而是"挂起了 7 笔",并且逐笔给出原因与差额(18,000.00、1,000.00);没有对应科目的,不硬编。这属于复现验证环境下的结果,不能等同于任何具体客户的成效,但它清楚地展示了生成类任务应有的姿态:能生成的生成,不能生成的举手,而不是猜一个看起来合理的答案。
需要说明的是,凭证的最终确认与入账仍由财务责任人完成,AI 交付的是草稿、台账与异常清单。
四、执行类任务:从"说出来"到"做下去"
执行类任务是三类里唯一会改变外部世界的一类:点击、填写、发送、提交、上架、对账核销。它的技术门槛最高,责任边界也最需要提前说清。
1. 执行的三个前提
- 身份:用谁的账号执行?权限范围是什么?这决定了"能不能做";
- 边界:做到哪一步必须停下来问人?通常包括金额阈值、对外发送、身份不确定三种情形;
- 回执:做完留什么证据?执行日志、会话原文、写入记录,缺一不可。
2. 一个已复现的执行场景:达人信息采集与触达
场景库中有一个已完成复现验证的市场运营场景:运营只在对话页丢进关键词,剩下的搜索、进主页、取字段、判定 KOL 还是 KOC、去重入表、筛候选、核验账号、关注加私信、回写进度,全部交给智能体完成。
验证记录显示:一轮新增 298 条记录(其中 26 条有效),按主页链接去重跳过 125 条,失败 0 条,分 10 批写完;742 条初表筛出 13 条候选,核验后 5 个确认同一人并完成触达,另 5 个"宁可不动也不认错人"。该结果为复现验证环境下的记录,不构成客户成效承诺。其中"未确认身份不做动作"这条规则,正是执行类任务最该被复用的设计。
3. 执行能力的两块拼图:设备与技能
- 设备(Soia Worker):很多业务软件没有开放接口,只能靠界面操作。设备让 AI 在本机软件上完成点击、录入、读取,把"没有 API 的系统"也纳入可执行范围;
- 技能:把一次成功的操作方法固定下来,下次直接复用,避免每次从零摸索。同一套"下载回单→读字段→判定→回写"的方法,换个业务类型也能复用。
顺带一提,实在智能自 2018 年起投入 AI 与自动化,其产品在 OSWorld 测试中的任务成功率为 90.2%(2026 年 7 月,实在智能产品)——这类指标衡量的是操作类任务的完成能力,不等于任何具体业务场景的准确率。
五、把三类任务串成一条链
真实业务很少只含一类任务。一次"月底对账"可能是:查询回款与订单(查询)→ 生成差异说明(生成)→ 在系统里标记挂起并通知责任人(执行)。
1. 工作流固定步骤,技能沉淀方法
- 工作流负责把顺序固定下来:先取数、再判定、后写回,避免每次执行顺序不同导致结果不可比;
- 技能负责把方法沉淀下来:判断规则、话术模板、字段映射,改一次、处处生效。
2. 自动任务:让"对话"变成日常运行
自动任务把持续性工作从"手动催促"变成"无人值守"。在 Soiawork 中:
- 三种触发形态:定时任务(指定未来某一时间点)、周期执行(按天/周/月循环)、延迟执行(等待一段时间后再触发);
- 自然语言创建:说清"什么时候做什么",系统自动理解时间规律、提取目标、组装输入并预填执行计划,创建前展示确认卡片,核对后一键启用;
- 会话直接沉淀:刚在对话里跑通的任务,可以直接说"以后每天早上按这个帮我跑一次",系统带入本次引用的知识库、工具与提示词;
- 监控通知:任务完成、异常或需人工确认时,通过钉钉、企业微信、飞书或邮件提醒,运行记录里可查看用时、模式与执行过程。
场景库中的制造行业"异常通知与待办推送"场景就是这条链的典型形态:确定检查项与阈值 → 定时或按变化触发检查 → 生成异常说明(发生了什么、影响什么、需要谁做什么)→ 按责任分工推送并留存,附处理入口与回执。
六、边界与责任:哪些任务不该被自动执行
讲完能力,必须讲清边界,否则前面所有设计都会在一次事故里归零。
- 不替代专业判断:处方审核、法务意见、财务入账的最终确认,仍由具备资质的责任人决定,AI 交付的是材料与提示;
- 不确定就不动作:身份未确认、口径未定义、金额超阈值,一律转为人工确认,宁可少做一步;
- 异常要有出口:挂起清单、失败重试记录、责任人分派,让"没做成"也有明确去处;
- 口径与规则可修改:映射规则、阈值、话术都应作为可维护配置存在,而不是写死在一次性脚本里。
写在最后
对话式触发的价值,不在于让 AI 多说几句话,而在于把"查询、生成、执行"三类任务按风险分层,各自配上合适的确认机制。对多数企业而言,更稳妥的路径是:从一项高频、低风险、结果可核对的重复工作开始试跑,比如每周固定取一次数、生成一份差异说明;跑通后核对结果与异常,确认口径与回执都站得住,再决定是否扩大范围、是否交由自动任务按时运行。Soiawork 想做的,是让这条路径不必每次都从零开始——把跑通的做法沉淀成技能与工作流,让每家企业都能轻松构建自己的 AI 组织。
常见问题解答
1. 用对话式触发,是不是要先改造现有系统?
通常不需要。查询类任务通过连接器接入现有系统的数据接口;没有接口的系统,可以由设备(Soia Worker)在界面上完成操作。改造的是交互入口与任务编排方式,底层系统保持原样即可,这也降低了试跑成本。
2. 数据和权限怎么控制?
三条线:一是取数范围由连接器与账号权限决定,AI 不越过已有权限;二是口径与制度沉淀在知识库中,谁能查什么按工作空间划分;三是执行类任务设置金额阈值、对外发送、身份不确定等停机点,触发即转人工确认。
3. AI 做错了谁负责?
责任仍在业务责任人。系统能做的是把"错在哪"变得可查:执行日志、会话原文、挂起原因、差额明细都留存。因此建议把"是否可核对"作为选择试跑场景的第一标准,而不是先追求覆盖多少流程。
4. 应该从哪一类任务开始?
建议顺序是查询 → 生成 → 执行。查询见效快、风险低,同时能暴露口径问题;生成能在口径清晰后立刻省下拼材料的时间;执行放到最后,且先做内部动作、后做对外动作,先做单步、后做多步。
5. 和现有 RPA、BI 是什么关系?
不冲突,位置不同。BI 解决"看"的问题,RPA 解决"固定路径重复操作"的问题;对话式触发解决的是"任务由人临时提出、路径不完全固定"的问题,并且能把查询、生成、执行串在一条链上。已有 RPA 脚本可以继续用,作为执行环节的一个动作被调用。



