台车歪了5毫米背后，飞书+豆包工作如何让AI真干活？

现实世界的运行混沌而不规整，把它变成AI读得懂的结构，再把门槛降到一线人员自己就能搭，那么一线的业务人员本身就是最好的FDE。

文｜周享玥 赵艳秋

编｜牛慧

“这套东西，七八成我们都能用，改改就行了。”在2026飞书未来无限大会暨豆包工作开工大会展区，两位医药行业人士站在大北农展台前交流了许久。

9月15日，在北京召开的这场3000多人的大会，是飞书与豆包工作宣布整合后的首次同台。会上，飞书正式发布为适配Agent而系统性重构的8.0版本，同时推出国内首个团队智能体产品“豆包工作伙伴”。

飞书CEO谢欣披露：2026年上半年，飞书ARR增速达到去年同期的2.5倍，创成立以来新高；超九成新增客户同步采购了飞书AI产品，中小企业客户总量同比增长70%。

下午的分论坛上，雅迪、华熙生物、影石、物美、东风奕派等企业代表分享了实战经验。各分论坛和展区挤满不同行业的参会者，他们关心的问题出奇一致——飞书+豆包工作，如何真正进到企业业务里，让AI做到“真干活”？

要回答这个问题，得先从一个台车歪了5毫米的故事说起。

01

台车歪了5毫米

9月9日早上8点，东风奕派武汉工厂涂装车间的设备保全群里弹出一张新工单。发单的是车间自己搭的智能体，厂里人管它叫“设备大师”，由班长确认后派发：喷涂工位CL1的健康指数从96掉到了89，建议去调平台车，避免可能的高压故障。

看到消息的人愣了一下。台车是把车身从一个工位送到下一个工位的铁架子，高压系统是用来喷漆的。在干了十几年的老师傅记忆里，这两件事八竿子打不着。放在过去，维修师傅要翻过去一个月的、前一天的数据，一行行比对，靠的是耐心加眼力。这一次，他们点开了智能体跑出来的分析链路。

诊断分七步，遵循一套国际通用的诊断标准。它先调了五类数据：过去七天的运行数据、前一天的点检记录、高压过程数据、现场异常记录和工位结构信息。接着在人工点检里翻出一条所有人忽略的数字——台车四个角，高度差了5毫米。

5毫米有多厚？差不多三枚硬币摞起来，设备允许的偏差是3毫米。顺着线索，异常范围被锁定在高压链路，可能的问题一条条摊开：控制器老化？线路受潮？枪距过近？排在第一位的是“枪距过近”。

到这里都还算常规操作。真正的分水岭在下一步——仿真验证。过去AI遇到报警，最多把可能的原因列成清单交给工人逐条试，试两次不准就没人再看了。“设备大师”不一样，它对每一条假设都调用机理模型跑一遍演算，相当于在一个孪生世界中，让每种可能性亲自上场演绎一遍。

于是多米诺骨牌一路倒了下去：台车四角差5毫米，不再水平，倾斜1.6°，上面的车身跟着偏，到喷头的距离缩短20毫米，喷距一近，带电的油漆颗粒离车身更近，漏电流增大约4微安，触发60微安限流阈值，控制系统自动把电压从30千伏压到28.9 千伏。

再核对现场实时电压：28.9千伏，一模一样。其余候选被逐个排除。智能体给出的处置方案只有一个，“不要更换高压控制器，去调平台车”。班长确认，工单生成。

东风奕派的人把这一刻形容为“aha 时刻”。AI交出来的不再是“可能是这几种、你自己挑”，而是一条能被现场验证的因果。

关键是那套机理模型，是维修工程师自己搭的。传统数字孪生需要详细的设备数据和设计图纸，那些只有设备厂家手里才有，使用方拿不到。东风奕派的解法叫GBR范式——手上有什么材料，就用什么把现实还原出来：设备手册、运行数据、结构参数，能拿到的全塞进去。

主导这事的设备维护工程师给数智前线打了一个比方：AI擅长写代码，是因为代码有编译器和调试环境，可以反复跑、反复改；给设备问题也造一个这样的环境，AI才能动手验证，而不是靠猜。豆包工作加上飞书，补上了两段过去不存在的能力：一段是分析本身，现在Agent检测到异常会自己往下推演原因；另一段是用来验证的那个仿真环境。

故事有趣的另一面是，武汉工厂已运行18年，没有一名专职算法工程师，也没有厂商派驻的落地团队。设备大师的搭建中，一线业务人员自己就是 FDE。技术栈全是通用工具：豆包工作搭主智能体，负责调用信息、组织分析；飞书则提供知识、现场记录和人员协作，18年的维修经验就沉淀在飞书多维表格、知识库、班组群里。这个车间一共有257类数据，每分钟产生3500多条，过去用来支持人之间的交接和追溯，如今成了AI理解现场的依据。

这个智能体从上线到跑出只用了四个月。早期版本已使设备故障率下降60%，每年为工厂节省179 万元。目前3.0版本在迭代，通过对接工控机，变频器、工艺参数这类容错较大的环节已能自动调整，不用人去现场，但关键动作仍由人授权。

台车歪了 5 毫米，听着微不足道。可它的价值在于，AI的结论第一次从“一串罗列的建议”，变成能被物理现实复核的因果，最后落进一张能执行的工单。现实世界的运行混沌而不规整，把它变成AI读得懂的结构，再把门槛降到一线人员自己就能搭，那么一线的业务人员本身就是最好的FDE。

02

从工厂到全行业：AI真干活的三大能力

东风奕派的实践说明，AI已经能在具体业务节点上“真干活”了。过去一年，大模型能力持续提升，但落到企业级复杂场景时，大量项目仍频频“卡壳”。缺的不是智商，是上下文。AI拿不到企业实时的业务数据、沉淀的know-how、工作流，再强的模型也只能在业务外面打转。

另外一批企业也已经跑通这条路径。从造相机的影石Insta360、造芯片的睿创微纳，到卖饲料的大北农，再到造车的蔚来，AI已分别进入研发流程、测试报告交付、销售一线和整车研发。场景各不相同，但拆开看，能跑通的都满足了三个条件：AI知道企业正在做什么、能调用工具执行，并把结果交回实际业务流程。

第一，AI要干活，先得拿到企业完整的业务上下文。这既包含沉淀的知识，也包含工作此刻推进的状态。

影石的研发团队对此感受颇深。一台相机上千个零部件，横跨硬件、结构、芯片、光学、软件、算法，硬件需要按节点冻结，软件却要持续迭代，多条产品线同时并行。过去这些上下文散落在文档、群聊和会议里，协同全靠人记、靠开会。如何才能实现规模化敏捷研发？

影石的答案是“先标准化，再智能化”，把分散的硬件流、软件流、需求和版本收进飞书项目分层组织，再结合飞书项目原生AI能力，以及通过飞书项目CLI、MCP开放接口自建的部分AI能力，进入缺陷分析、风险推送、需求评审与待办补全等流程节点。当需求、版本、缺陷和里程碑留在同一平台，AI才知道现在在哪个节点、该读什么、该交付什么。这些上下文不是专门为AI整理的，而是日常工作本身就在飞书里持续沉淀。目前，其AI缺陷分析覆盖率达65%（统计数字经过模糊处理），产品交付周期持续缩短。

第二，读懂了还得能“动手”执行。AI不能只给建议，必须能全链路调用工具完成从分析到交付的闭环。

睿创微纳的芯片测试报告生成就是一条完整链路。测试数据来源、格式五花八门，过去工程师要花2-4小时手动转格式、抄数值。现在，借助豆包工作，AI自动识读、统一转成标准数据，再“看懂”曲线图，提取关键指标生成结论，按模板图文排版，最后自动归档。工程师只需复核，报告制作缩短到约30分钟，准确率100%。这套方法已沉淀进企业内部Skill Hub，可复用于各类数据格式杂、重图文的场景。

大北农的销售现场同样如此：过去销售老师给农户做完棚舍量测，要发回第三方设计公司出图纸，再翻译成农户能听懂的话，一来一回至少 10 天；现在现场用多维表格收集数据，连接豆包工作生成 3D 改造方案，农户当场就能看效果，流程压缩到1小时以内，系统上线两周后识别出72家价值客户、508吨售卖潜力，直接促成2家客户成交40余万元。支撑这些链条的，是豆包工作组织多步操作的能力，加上飞书通过 CLI 等开放接口提供的消息、文档、多维表格、审批和项目流程等工具。

第三，动完手，产出还得能“接回”业务流程。AI干完活，成果得有人接着往下推，结合权限管理、操作追溯和人工接管机制，确保业务安全可控。

在东风奕派，AI的维修分析，后续能直接进入派单。蔚来的研发则展示了更大规模的协作闭环：软件基线三年要翻两倍、维护车型要翻四倍，一个问题横跨产品、架构、软硬件、测试、质量多个角色。蔚来把这些环节放进飞书项目一条可配置的流程里，把专家经验沉淀成Skill，长出专业Agent接进流程节点：AI 建票、做方案、改代码并验证，产出回写工作项，人在关键节点决定通过、退回还是调整，一个Bug的处理周期从约3天压缩到约2小时。

知道、能做、能接回，环环相扣，缺了任何一环，AI都只能停在“演示”里。

03

Agent时代，协同办公的新标准变了

当“真干活”成为现实，协同办公的评判标准随之改变。上一代竞争围绕“人的效率”展开，Agent时代的关键是：能否把真实业务信息交给AI，让Agent和团队一起安全、可靠、高效地完成工作。于是问题变成了：谁能成为Agent的工作平台。

“飞书加上原生融合的企业级Agent豆包工作，将是AI时代工作的最佳选择。”谢欣透露，2026年以来新增客户中超九成同步采购AI产品，超过40%新客户将“Agent原生支持能力”作为选型核心考量，上汽、星巴克、古茗、国航等头部客户正基于AI新标准转向飞书。

这背后，是飞书+豆包工作为Agent时代提供的一套系统性解法。

第一，解决“知道”，做企业最好的“上下文容器”。

很多企业为让AI进入工作流，需要专门维护一套“企业副本”，定期把业务数据、流程、文档同步进AI能读的库里，组织越大越难维护，最终往往和实际工作脱节。飞书+豆包工作的逻辑不一样：一线沉淀的业务数据、流程、会议记录，自然接给AI，AI获取的背景就是真实工作本身。

东风奕派武汉工厂设备保全室主任汤俊打了个比方：大模型很牛，但不了解现场，得给它加一双“眼睛”。一只看向物理世界，设备数据原本就在，接入飞书多维表格，额外投入为零；另一只看向企业内部，群聊、点检工单、知识库手册里的记录，全部接进来。故障定位从半小时缩短到两秒。

更关键的是，这些上下文不是一次性导入，而是每天都在生长。中小企业甚至在飞书上用豆包工作直接搭轻量级应用，取代以前需单独采购的小软件，这些应用产生的数据持续沉淀，形成良性循环。上下文越用越厚，AI越用越准。

第二，解决“能做”，从“配钥匙”到“办入职”，让AI更好用。

“围绕如何成为一个对Agent友好的平台，我们进行了重新设计。”谢欣说。这是飞书8.0的核心：让Agent在飞书里“像人一样”。

飞书先解决了让AI“接得进来”。3 月，飞书开源CLI，让任何Agent都能调用飞书里的每项能力。这背后是飞书长期积累的开放技术与丰富的接口能力，开放颗粒度极细，连点赞的能力都可以让Agent调用。上线至今，CLI覆盖的功能点已从247个增至767个，调用成功率从78%提升到95%。GitHub上，飞书CLI收获约1.7万star，是其他同类产品的近6倍。

但这只是第一步，其他工具也能通过CLI外接飞书，但那更像“给AI配了把钥匙”，每次还得告诉它去哪个群、查哪份文档。豆包工作与飞书的底层原生适配，才是让Agent真正“入职成了自己人”：账号打通，企业数据不跳出组织边界；集成更深，上下文检索更高效；随处可用，群聊、文档、搜索里随时唤醒。

这背后是为数字员工搭建的完整工作环境：协作上，支持像添加同事一样把Agent拉进群聊，多个Agent互相@接力，文档评论区@Agent，它能直接回答并改写内容；能力上，收发消息、撰写文档、操作多维表格、安排日程、发起会议，人能用的功能，Agent基本都能用，甚至用得更出色，如飞书画板，Agent一句话就能画出元素均可编辑的元素周期表。

第三，解决“能接回”，管理清晰可控，企业才敢放心交出权限。

AI越能干，企业越关心边界。过去安全管控围绕人、应用和数据展开，今天管理边界需要延伸到Agent：Agent权限与调用者完全一致，员工看不到的信息，Agent也无法获取。所有操作、工具调用、资源访问全程留痕，可审计追溯；管理员可以统一查看所有Agent的创建者、使用人群、活跃度与风险，还能设定AI用量上限。精细到什么程度？AI生成的内容涉及企业内部身份证号、薪资信息，有同事没察觉，随手对外转发，系统在转发时就会自动拦截撤回。

当AI能安全接入企业，价值的检验就回到了真实任务上：东风康明斯的AI连杆视觉质检准确率达99.5%，全年算力费用不到1000元；雅迪六周孵化447个Agent，赛力斯半年涌现174个一线AI场景。

海信AI先锋李亚雄则展示了更深一层的变化。面对连锁咖啡、餐饮客户几十城同步开店的交付压力，他用多维表格和工作流把多年安装服务经验固化为业务流程，新项目提报后，系统10秒内自动完成派单、建群、背景同步，每月同时服务140多个项目。后来他成为集团内训师，做了8场培训覆盖700多人，“让一个人的Know-how，变成整个组织的生产力。”

这才是Agent时代协同平台真正要回答的问题：不只是让AI进入工作流，而是让AI和工作流一起，沉淀为组织能力。当企业不再为“AI 的能力”买单，只为“AI 完成的任务”买单。下一阶段的协同办公之争，争的就是这条路径上的真实交付。