在百度智能云 Agent 大会北京站，词元映射创始人张梦飞用 19 分 46 秒，分享了我们陪伴企业把 AI 接入真实业务的实践。从钻石画生产到房产服务，再到商场里的拍照设备，这些项目都从一项具体工作开始，逐步连接到完整的业务流程。
本文根据 2026 年 2 月 10 日发布的公众号成稿整理，项目进展与效率数据沿用当时的分享记录。
先找到业务里的那个小切口
过去两年，我们和各行各业的先行者一起，尝试用 AI 改进已有业务。一路做下来，我们越来越重视一个问题，究竟该从哪个环节开始。
一个企业的业务往往庞大而复杂。模型能推理、能生图、能调用工具，只有找到适合它参与的具体环节，这些能力才能转化为实际产出。人工最耗时的地方、限制产能的地方、客户反复等待的地方，都值得逐一拆开来看。
在这次分享中，我们选择了三个已经开展的项目。它们分别涉及制造业的生产流程、房产服务的交互方式，以及存量拍照设备的体验更新。
钻石画，从用户照片到可生产的工艺文件
蒂彩工艺长期从事钻石画业务，产品销往欧美、东南亚和中东等地区。钻石画的做法很直观，把对应颜色的小钻逐颗贴到指定位置，最后拼成一幅画。定制业务则要把用户自己的照片变成可以生产的图案。
难处出现在照片与工厂之间。一张照片进入生产前，要经过转像素、修杂色、匹配钻号和数量，再处理切割刀线、白墨图层、刮胶雕线与生产排版。尤其是像素底图，过去需要设计师在电脑前逐点修改，产量直接受人手限制。
我们和蒂彩梳理整条流程后，把第一阶段的目标定为钻石画底图生产自动化。先用 AI 的图像参考能力结合视觉算法脚本，完成原图到工程底图的转换，让系统处理色差并匹配库存钻号。
按这次分享中的项目记录，原来约需设计师 3 小时完成的底图处理，缩短到了约 30 秒。用户也可以自行提交照片、生成定制图案。这里的时间对应这一项底图处理工作，生产交付仍有后续工序。
底图生成稳定后，我们继续接通钻号与用量、切割刀线、白墨和排版等步骤。原来需要十几人设计团队支撑的定制产能，调整为运营人员处理订单、设计师复核结果的协作方式。
这项能力也进入了面向消费者的定制业务。原文展示了小红书 Doo crafts 旗舰店，用户从店铺发起定制，背后连接的是同一套图案处理和生产流程。
房产服务，把自然语言需求连接到真实房源
第二个项目来自一家西南地区的直营房产经纪企业。按照公开分享时的介绍，这家企业拥有约 8000 名经纪人，自 2024 年底开始尝试 AI，并在 2025 年初与我们展开深度合作。
买房人的要求很难用几个筛选项表达完整。价格、面积、户型可以勾选，窗外视野、装修偏好、周边学校与生活便利程度，往往需要逐套查看。经纪人同样要花大量时间，判断筛出的房源究竟适不适合客户。
我们的起点是把搜索框改成对话框。用户用自然语言说出需求，系统继续追问不明确的条件，再把需求连接到房源检索与推理流程。
例如，用户想在观音桥附近找一套约 150 平方米、三室的二手房，希望周边有商圈和学校，还要比较性价比。我们把这些要求拆开，在房源数据中检索并比较，最后给出候选房源及推荐理由。深度思考模式会进一步比较更多房源和信息维度。
找房之外，用户还会追问政策、学区、金融和新盘信息。其中一部分资料不在房源数据库里，更新也很频繁。我们在这一环节接入百度千帆的 AI 搜索与深度研究 API，补充外部信息，并将查询和研究结果组织成可供沟通的材料。
等到这个环节稳定，我们继续连接前后步骤。用户画像和推荐报告交给经纪人，后续关注新房源、跟进需求和发送市场报告，也进入同一条服务流程。经纪人可以带着已经整理好的信息，继续完成沟通与服务。
拍照设备，保留硬件再扩展照片体验
第三个项目是商场和景区里常见的大头贴机器。机器已经能拍照，但背景和效果比较固定。对经营者来说，同一个位置的客流有限，用户拍过一次后，需要新的理由再来体验。
我们保留原有硬件，在云端部署生图工作流。用户仍按熟悉的方式拍摄，随后把照片送入新的处理步骤，生成不同的影棚风格、文旅场景或节日主题效果。
原文展示了同一位用户的多组照片。一次拍摄可以继续尝试不同风格，设备的可选内容也能随着云端工作流更新，不必每增加一个主题就换一套机器。
在这个项目里，我们把图像生成能力放进了现有的拍摄与交付环节。用户得到更多照片选择，经营者也能围绕新的主题继续运营这台设备。
从一个环节开始，再向上下游延伸
三个项目有一个共同起点，都有已经存在的业务需求和人工流程。我们先把流程看清，再判断模型适合承担哪一段工作。张梦飞在分享中把这个过程概括为拆解、诊断与替换。
拆解，把每一步的输入和输出写清楚
以钻石画为例，用户照片先变成带色号的像素底图，像素底图再对应到钻号图。每一步处理什么、交给下一步什么，都需要明确。只有把这些关系写出来，才能判断模型要做的工作，也才能检查输出能否继续用于生产。
诊断，找到限制业务的具体步骤
沿着流程继续看，哪些步骤最耗人力，哪些步骤让上下游反复等待，哪些步骤使订单增加后无法及时处理。把这些问题记下来，再选择最值得先验证的一项。蒂彩的底图处理、房产项目的检索与咨询，都是这样找到的。
替换，验证能力与成本后再接入
接下来要判断当前模型能否覆盖这一环节，以及调用成本与人工方式相比是否合适。需要外部信息时，可以接入成熟的搜索和研究服务；需要图像处理时，再组合视觉模型与业务脚本。先把一个节点做稳，再考虑向上下游扩展。
SOP 在先，把精力留给业务本身
我们在分享中反复强调，SOP 在先，Agent 在后。人工还跑不通的业务，应先用较低成本验证需求和流程。流程成熟之后，再把其中合适的工作交给模型与工具，减少重复操作。
技术选择也需要回到业务目标。在这些项目里，我们倾向于利用成熟的云模型与工具服务，把团队的研发精力放在业务规则、系统连接和具体使用体验上。模型能力继续进步时，已有应用也能评估并接入新的能力。
公众号成稿在演讲之外，还记录了大会开放工具能力的消息。百度千帆把 AI 搜索、地图、网盘、OCR 和语音识别等能力，通过 MCP Server 与 Skills 等形式提供给开发者。对业务团队来说，这意味着可以直接连接更多现成工具，减少重复封装，把时间留给自己的业务流程。
从底图生成到房源检索，再到拍摄后的图像处理，起点都很具体。先确认一项工作能稳定交付，再继续连接前后环节，这是我们从这些项目中反复验证的实施顺序。
本文依据梦飞 AI 公众号的大会分享成稿整理。完整演讲与项目演示可在原文查看。
