外部公开案例解读 · 非识度交付项目：本文解读神州控股旗下科捷物流 2026 年 9 月发布的供应链智能体「捷小果」，来源为中国经营报等四家媒体公开报道（均已实读）。科捷物流不是识度客户，文中数字均为厂商披露口径，未经独立验证。
一个仓库每天冒出来的近万个经营问题，订单、仓储、运输系统各答一部分，真能答上来的往往是那个把规则记在脑子里的老师傅。据中国经营报 9 月 30 日报道，科捷物流把资深员工的经验拆开、写清，封成岗位能直接调用的技能。我们的判断是：AI智能体落地最难的一段，不是模型，是那些从来没人写下来的经验。
事件：一间供应链公司想把「老师傅」搬进系统
据经济参考报与上海证券报报道，它分「人格＋技能＋工具」三层：人格定义资深员工的专业背景与思考方式，技能承载管货位、库存预测、合同合规审查、账单核算等岗位能力，工具层再接 ERP 等系统。团队遍历 118 个岗位、梳理 115 项需求，沉淀出 100 余项技能（据其披露）。
为什么上了 ERP、WMS、TMS 还是离不开老师傅？系统沉淀的是标准流程和明确规则，现实业务却不按标准走。账单出现差异时，知道数据是多少，不等于知道为什么会差。
把经验变成技能，他们分了哪三步？
据中国经营报报道，做法不是把制度文件一股脑传进知识库，而是三步：先做场景筛选，挑出最依赖资深判断、又适合 AI 介入的环节；再把经验结构化——账单核算里 30 多种计费规则怎么组合、什么情况要标异常，把这类隐性知识写成显性规则；最后封装成岗位可调用的技能。
顺序值得记住：先挑场景，再写规则，最后才是封装。多数企业跳过第一步直接上工具，然后说不清它为什么答得不对——原因很简单，连自己都没把规则写清楚。
把制度文件搬进知识库，不等于把经验交给了系统。真正的经验，是那一句「什么情况该特殊处理」。
据其披露的数字，哪些能看、哪些要留个心眼？
财务对账说得最完整：据其披露，这项工作原本每月要 50 人以上参与，涉及 30 多种计费规则、百万级订单和 30 多份账单，人工平均对账周期 16 天；引入后效率提升约 60%，单份账单生成从 20 小时降到 15 分钟。客户侧一例：与一家酒类流通企业共建 5 项资金岗技能，原本 2 到 3 天的旬报压到几小时（两处报道表述略有出入）。
另外三个数字要单独说——对账匹配一致性 100%、合同审核风险识别超 95%、订单与库存异动归因超 90%。全部出自厂商自报，无第三方验证，也没交代样本和时间范围。这三个数看看就好，别抄进自己的预期里。对账规则明确、有唯一答案，跑出高准确率不奇怪；没有标准答案的场景就不能照搬。
连厂商自己都划的边界：异常仍然要人拍板
最值得读的一段，是产品负责人的坦白：能力重心仍是标准化经验的复制，规则之外的异常，AI 能识别、能给建议，但最终处置仍要人确认。理由也直接——写错一段文案可以重新生成，算错一笔账、误判一条合同规则，直接是经营损失。我们的判断一致：可控性、可追溯性、责任边界，才是 AI 从内容生成走进生产经营的门槛。
另一个细节：这家公司不靠 58 元/人/月的订阅费当主业，而是强调 FDE 共创——能靠买软件解决的，从来不是最难的部分。
我们的判断：AI智能体落地前，先问三个问题
想把「老师傅」交给 AI 的企业，今天就能自问三句：
- 这件事的规则，你能不能用大白话写下来，并说清什么情况算例外？写不出来，说明还没到交给 AI 的时候。
- 出了错谁拍板、多久能发现？没有异常提示、没有人工终审，先别做。
- 沉淀下来的能力，能不能被别的岗位复用？只有一个人用，你只是给他配了个助手；能被十个岗位调用，才算岗位技能沉淀。
还有一层容易被忽略：案例里跑通的场景，原本就是有业务经验的人在做的一件具体事——对账、审合同、编旬报，不是办公辅助。这决定了 AI 是锦上添花，还是真进了经营。
常见问题
这些数字可信吗？
出自厂商自家大会披露的口径，未经第三方验证，报道也集中在同一批媒体。价值在于「他们愿意把对账这段拆开讲」，不是那些百分比。
中小企业没有 118 个岗位，能借鉴什么？
借方法，不借体量。挑一个最依赖老师傅判断的环节，把他的做法写成大白话的一页规则，再拿它去试 AI。
先做通用聊天助手，还是先做岗位技能？
先做技能。通用助手谁都能用，但谁都不为它负责；岗位技能对应一件事、一个岗位、一个交付物，出问题找得到人。
如果您手上就有一位「他一休假这条线就转不动」的同事，那就是该做经验沉淀的信号。可以预约一次适配沟通，我们先把他脑子里的规则写成一页可执行的判断，再决定哪一段交给 AI。想先看哪一段适合动，用识度的《AI 落地自检清单》勾一遍：打开自检清单。
相关阅读：企业知识库先整理哪些资料？别急着搬文档｜AI 落地卡住，缺的不是工程师，是 FDE｜识度的服务与交付方式
← 返回识度案例