企业数字化转型新引擎：飞书aily开启企业智能体应用新阶段

一、认识飞书aily

飞书 aily 是飞书开发套件中的企业级 Agent 平台，提供可快速上线的通用 Agent，和企业 Agent 定制能力，打造融合企业知识和业务系统、技能丰富的工作 Agent，带来 AI 时代的工作方式。 飞书aily围绕大语言模型（LLM）构建，提供 AI 技能编排、知识数据处理、效果调优与持续运营能力，帮助企业高效构建专业智能应用。借助 aily，企业可以从轻量的助手使用场景快速起步，也可以逐步拓展为复杂业务系统中的 AI 中枢。
如果你希望让员工在工作中更快用上agent，提高生产力，那么飞书aily将是你的绝妙选择。

二、飞书aily功能

1、aily工作助手

Agent，让能力的规模化复制成为可能，Agent 落地的公司，业务效率也将有机会获得十倍甚至百倍的提升。
飞书 aily 提供了企业可快速上线的通用 Agent——【aily 工作助手】
开箱即用、零配置门槛，可广泛适用于企业 AI 应用中的高频场景，如知识检索、第三方工具调用、内容生成与分析等，帮助企业快速体验 AI 驱动下的效率提升。 点击进入飞书「aily 工作助手」案例实操 ➡️

开箱即用能力：

• 丰富技能： 内置了智能文档理解、数据分析、豆包大模型多模态能力、飞书协同工具 MCP 等

• 任务规划能力：能够自主的拆解和执行任务，处理复杂需求

• 智能检索能力：支持边想边搜，动态调整策略，更智能的检索到所需的内外网知识。

• 多种形态输出：支持了图片、流程、页面等多种内容的生成和展示，呈现更直观友好

企业定制能力：

• 业务系统调用（MCP）： 通过mcp协议、快速对接业务系统，让 Agent 能操作系统，解锁更多能力

• 自定义企业知识：支持关联企业专属知识，包括飞书云文档、知识库，和 PDF、PPT、Excel、Word 等多种本地知识；

• 企业自定义形象：企业可以定制通用 Agent 的形象和 AI 工作台，打造企业专属的 AI 门户。

相比于其它智能助手，aily工作助手的优势在于：
知识输入更高效：飞书全站知识可便捷作为AI的知识库且做好权限管控

1. 飞书全站知识均可天然作为知识来源

2. 飞书知识权限同样应用于智能助手的权限。

用户体验更友好：入口友好、体验友好、效果友好

1. 适用对象丰富：既可用于内部员工咨询，也可用于合作商答疑，也可为企业外部用户提供咨询

2. 载体丰富：支持服务台、飞书机器人、网页等多种载体，满足不同用户群体的使用诉求

使用案例： 输入：请分析上传的测试数据，生成一份测试报告，包括1. 测试的关键指标趋势（可以用图表呈现）2. 数据异常点分析 3. 给出改进建议（结合汽车零部件研发背景）

2、自定义智能体

aily 升级了 agent 的开发方式，只需要简单几步，配置人设（指令）、接入企业知识、添加业务系统 MCP，就可以打造自己专属或业务专属的 Agent； 点击进入自定义智能体案例实操 ➡️ 相比以前的工作流的开发方式，新升级的 aily，定制 Agent 的过程更简洁、Agent 功能更强大。 当企业需要为智能体配置专属的工作规划 Prompt 或接入特定的业务知识库，超出 aily 工作助手所能覆盖的通用场景时，可通过自定义智能体功能进行灵活配置，打造高度契合业务的智能客服或其他专属 AI 应用。 适用业务诉求：有垂类领域的AI助理，高效、准确解答垂类领域的问题。

• 自定义角色人设与 Prompt

• 配置知识空间，接入结构化与非结构化内容

• 接入工具与 API，实现复杂任务执行

• 配置工作规划体系，定义行为路径与边界

写好Prompt是训练智能体、获取理想回答的重要因素。 点击查看课程「大模型和提示词的艺术」 ➡️

提示词可以包含以下任意要素：

• 上下文（Context）：提供必要的背景信息，使模型能够更好地理解问题或任务。

• 指令（Instruction）：明确告知模型需要执行的操作或回答的问题。

• 示例（Examples）：提供一些示例输入和输出，帮助模型理解预期的格式和内容。

• 角色（Role）：指定模型的身份或角色，以便模型能够以特定的视角生成响应。

• 限制条件（Constraints）：设置一些限制条件，如字数限制、格式要求等

3、工作流应用

一句话概括工作流应用：通过对有序流程的编排，来串联每一个功能步骤，最后得到我们想要的结果。 点击查看详细介绍「认识工作流应用」 ➡️ 对于流程逻辑复杂、节点控制严格的业务需求，例如 AI 审批、AI 质检等，推荐使用工作流应用进行图形化流程搭建，低门槛实现业务自动化。适合如下特点的场景：

• 多步骤判断与条件执行

• 多系统数据集成与响应

• 严格的流程治理和权限控制

• 多渠道可用，可发布为飞书机器人、API调用、飞书服务台等

一个工作流应用包含多个可配置的「工作流」。 可以将多个工作流添加到实际对话中使用，模型会根据工作流的名称和描述，选择其中一个帮助用户解决问题。 相比传统基于对话的被动交互，aily 的工作流支持多种主动触发方式，极大拓展了应用边界：

• 定时触发

• 自定义触发（通过 Webhook 接收外部调用）

• 飞书消息触发（如关键词唤起、@触发）

• 群组事件触发（如成员加入、退出等）

aily工作流应用可以做什么

领域	场景	使用客户
产研领域	AI辅助知识沉淀	蔚来汽车
	AI产品反馈	绫致时装
	AI辅助需求管理	飞书
	AI辅助标准规范	城建设计院
销售门店领域	门店AI问答助手	公牛, 海底捞, 美宜佳
	门店AI练货	绫致时装, 赫基集团
	门店AI质检	益禾堂
	AI试衣/商品广告	绫致时装
生产制造领域	工厂AI安全检查	高能环境
服务领域	AI客户VOC	影石创新
办公通用领域	AI群总结洞察	盛泰集团
行政人事领域	HR/IT智能服务台	字节跳动, 德赛西威, 雅迪, 凤图

4、MCP能力

在 MCP 出现之前，智能体虽然能够理解和回答问题，但本质上只是长了一张“嘴”，更像是一个比较聪明的搜索引擎，只能进行知识检索和信息总结。缺乏与外部系统的交互能力，智能体难以真正参与业务流程。

如查询自研 CRM 系统中的客户信息 | 提交表单，向多维表格等数据系统中添加记录

MCP（模型上下文协议）是由美国的 Claude 团队提出的一种全球通用协议，用于将外部系统的功能抽象成统一的描述，供智能体消费。它类似秦始皇的“书同文、车同轨”—— 通过建立统一的标准，极大提升了全球开发者的协作效率，从而显著加快了智能体应用的开发与落地。 MCP的出现，让智能体拥有了“手脚”。通过 MCP，智能体不仅能获取信息，还能直接调用外部业务系统的能力与数据，实现与实际业务的无缝协作。

aily 为企业提供了丰富的 MCP 市场，可以直接调用官方服务，同时企业也可自行开发 MCP 服务，详细了解可查看：《认识 MCP》 开启「工具/MCP 服务」： 使用更多 AI 能力时，即可点击工具开启使用，例如：生成页面、豆包图片生成、飞书妙计、飞书云文档等；你的添加仅对自己生效。 添加工具/MCP 服务： 点击「添加」按钮，即可进入「服务市场」查看并添加需要的 MCP 服务工具；你的添加仅对自己生效。 点击查看飞书aily提供的官方MCP服务 ➡️ 企业创建的 MCP 服务，包含个人创建的 MCP 会根据可用范围显示在使用者工具中， 点击「新增服务」即可创建更多 MCP 服务，详情可查看：《添加和使用 MCP》、《「集成平台」生成 MCP 服务》

可以通过以下图表再次认识aily工作助手、aily智能体、aily工作流应用的区别。

三、飞书aily在企业内落地的路径

1、企业都在解决什么问题

场景，决定了AI应用的价值。 以下是企业内常见的AI应用场景。

2、建设数据-决定AI应用的效果

很多企业在推动AI落地时，发现模型效果不理想，根源往往不是算法问题，而是数据本身存在缺口：数据不全、口径不一致、冗余、缺乏清洗。
解决方案是，在AI开发前，建立统一的数据标准和数据治理机制，需要注重以下因素：

• 信息来源的权威性与完整性

• 知识格式与结构化

• 元数据与标签管理

• 权限与合规控制

• 持续优化与反馈回路

推荐的建设与维护流程是：

1. 梳理知识源 → 找到企业内所有知识载体（FAQ、产品手册、SOP、内部Wiki）。

2. 清洗与规范化 → 去掉无效内容、统一格式。

3. 存入检索系统（aily 知识空间）。

4. 加元数据标签 → 支持过滤和权限控制。

5. 上线前测试 → 用真实用户问题进行验证和微调。

6. 上线后迭代 → 收集日志，不断优化。

3、开发落地-解决AI在企业落地的陷阱

3.1业务与技术脱节

挑战： AI项目常常陷入“技术做得很炫，但业务部门用不起来”的困境。原因在于业务场景理解不足，或目标定义过于模糊。
案例： 某制造业企业尝试用AI优化生产排程，但研发团队基于“算法最优解”开发，未考虑到生产车间的实际操作限制（设备维护周期、工人排班习惯），导致排程结果落地率不到30%。
解决实践： 项目初期引入 双向共创机制：业务方明确痛点与目标，技术方评估可行性与限制。 采用 MVP（最小可行产品）迭代模式，先在局部试点验证，再逐步推广。 在落地过程中设立“业务翻译官”（如数据产品经理），负责打通业务需求与AI方案的语言鸿沟。

3.2忽视持续迭代与效果跟踪

挑战： AI不是“一次性交付”的IT项目，而是一个 持续学习、持续优化 的过程。如果上线后缺乏反馈机制，模型效果很快会因业务变化而下降。
案例： 某银行推出智能客服机器人，初期解答率超过80%。但随着新政策、新产品上线，机器人知识库未能及时更新，半年后准确率跌至50%，客户满意度反而下降。
解决实践： 建立 模型监控与反馈机制，定期追踪模型的准确率、召回率、用户满意度。 结合 RAG（检索增强生成） 架构，让模型在调用时动态检索最新知识库，避免“过时答案”。 高层可通过 效果Dashboard 实时查看AI业务价值，帮助推动持续投入。

3.3高层与一线视角的差异

挑战： 企业在AI落地时，常常存在“高层看战略，一线看工具”的落差：高层关注ROI与战略意义，一线关注是否真的能提升工作便利。若不能兼顾，项目推进阻力大。
案例： 某快消品公司引入AI销售预测系统，高层希望优化全国市场投放预算，而一线销售只关心“能否快速生成我的区域报表”。结果初版系统过于宏观，一线人员使用意愿不高。
解决实践： 双层价值对齐：设计方案时既要有战略KPI（如降低库存率），也要有一线痛点解决（如自动生成报表）。 开展 分层培训与宣讲：高层侧重战略启发，一线侧重工具使用，让不同人群都能看到价值。 在项目试点中邀请不同层级代表参与评估，增强认同感。

4、运营调优-决定了AI应用的增长

Agent 的上线只是“种子”，真正的投入来自于持续运营，通过监控、优化和知识更新，让它不断进化，真正成为“企业大脑”。

4.1效果监控与数据采集

日志监控：记录用户输入、检索结果、模型输出、用户反馈。

关键指标（KPI）：

  命中率（是否找到相关知识）   准确率（回答是否正确）   覆盖率（能否回答用户关心的问题）   用户满意度（Thumbs up/down、CSAT）

实时告警：回答失败率、未命中率异常升高时触发。

4.2知识库维护

定期更新：新产品上线、政策调整时，第一时间更新知识库。 过期清理：定期检查并下架已失效内容。 补充优化：通过日志挖掘未命中的问题，补充 FAQ 或资料。

4.3模型与提示词优化

提示词调优：针对不理想的回答，优化系统提示词或者数据输入。

输出调优：

  增加格式规范（如 Markdown、表格）   控制回答长度和风格。

4.4用户反馈闭环

在用户端提供 反馈入口（点赞/点踩、补充问题、人工升级）。 建立 人工接管机制：复杂或失败场景能流转到人工支持。 定期回顾反馈，形成知识库更新或 Prompt 优化任务。

4.5运营与推广

用户教育：告诉员工/客户怎么提问效果最好。 版本迭代：定期发布“Agent 更新日志”，增强用户信任感。 场景扩展：逐步增加新的功能或数据源，提升使用价值。

4.6安全与合规

定期进行 安全审计：检查是否泄露敏感信息。 设置 权限与范围：确保不同角色只能看到合法内容。 关注隐私法规（GDPR、中国个人信息保护法等）。

四、扩展学习与交流平台

飞书 aily 的价值不止于提供一款 AI 工具，更在于重构了企业内 “人与 AI 协作” 的范式 —— 它让每一位员工都能低成本拥抱 AI 效率，让每一项业务都能借助 AI 实现流程革新，让每一家企业都能在 AI 时代找到属于自己的数字化增长密码。
未来，随着 AI 技术的持续迭代与企业需求的不断演进，飞书 aily 也将持续进化，成为企业在智能化浪潮中破浪前行的坚实伙伴，助力更多组织在 AI 驱动的新商业时代中，实现效率跃迁与价值倍增。 点击前往飞书aily AI社区 ➡️