制造企业里有大量SOP标准操作规范——设备维护SOP、质量检验SOP、订单处理SOP、应急响应SOP。这些SOP通常以Word或PDF的形式躺在共享盘里每年评审一次平时没人看。SOP没人看是制造业管理的真实困境。一线员工嫌繁琐不看新员工看不懂老员工的经验版老师傅退休时SOP的隐性知识一并流失。AI Agent能不能解决这个问题理论上可以——把SOP封装成Agent Skill让一线员工通过对话获得SOP级别的操作指导。但工程上有个现实障碍SOP是业务人员写的他们不懂代码Agent Skill是程序员写的他们不懂业务。让业务人员直接写Skill不现实让程序员逐个翻译SOP成本又太高。自然语言生成Skill就是为了打破这个障碍——业务人员用自然语言描述SOP系统自动生成Agent Skill的代码骨架业务人员再补充业务参数即可上线。本文讨论这条路径的工程实现和落地经验。一、SOP转Skill的三个工程难题难题一自然语言的歧义性业务人员写SOP时通常用口语化表达接到客户投诉后先看看是不是产品质量问题然后联系生产部门查批次再决定是退货还是换货。“这种描述里看看”、“查查”、决定都是模糊动词AI很难理解具体执行什么操作。更复杂的是SOP里的隐含知识。“先看看是不是产品质量问题”——业务人员知道这指的是查生产批次、查缺陷率、查客户投诉历史但AI不知道。这些隐含知识是业务人员的经验沉淀写SOP时往往默认大家都知道。难题二业务流程的分歧性同一个SOP在不同业务部门可能有不同执行方式。客户服务部处理客户投诉的SOP和质量管理部处理投诉的SOP可能流程类似但细节不同——前者更关注客户满意度后者更关注根因分析。如果SOP转Skill是一刀切的方式所有部门用同一个Skill效果会打折扣。理想做法是每个部门有自己的Skill版本但又共享基础流程框架。难题三异常处理的覆盖度SOP通常只描述正常流程异常处理要么不写要么写得很简单。但实际业务中异常情况比正常情况多——客户联系不上怎么办、生产批次查不到怎么办、退货流程被拒怎么办。AI生成Skill时如果只覆盖正常流程遇到异常情况就会卡死。业务人员又很难提前穷举所有异常。这是个两难——业务人员写不出完整的异常处理AI生成又覆盖不全。二、自然语言生成Skill的四个核心组件解决上述三个难题需要一套完整的工程机制。这套机制由四个核心组件构成。组件一SOP结构化模板要让AI理解SOP首先要让SOP的结构是规整的。结构化模板是基础。模板通常分为几个固定段落触发条件什么情况下执行这个SOP、前置准备执行前需要做什么、执行步骤具体的操作步骤每步有输入输出、异常处理遇到异常情况怎么办、结果交付完成后交付什么。每个段落有固定的字段。例如执行步骤的字段包括步骤编号、操作描述、责任人、预期时长、上下游步骤。异常处理包括异常类型、检测方式、处理动作、升级路径。业务人员填写模板的过程比写自由文本SOP更费事但产出的SOP结构规整AI可以准确解析。这种前期多投入换取后期高自动化的思路是整个方案的工程基础。组件二SOP语义解析器解析器接收结构化SOP输出语义化的Skill定义。解析过程分三步。第一步实体识别。从SOP的步骤描述中识别业务实体。例如查生产批次识别出生产批次实体关联到本体的批次实体类型联系生产部门识别出生产部门实体关联到本体的组织实体类型。第二步动作识别。识别每个步骤的具体动作。动作类型有限——查询query、创建create、更新update、通知notify、审批approve。查生产批次是查询动作联系生产部门是通知动作。第三步依赖关系识别。识别步骤之间的依赖关系——先查批次再决定退货是顺序依赖联系生产部门和通知客户是并行依赖。依赖关系决定Skill执行时的调度顺序。组件三Skill代码生成器生成器根据语义化的Skill定义生成代码骨架。骨架通常包括四个部分。第一部分Skill类定义。包含Skill的名称、描述、版本号、所属业务域、责任人。这些信息来自SOP的元数据。第二部分输入输出参数定义。每个Skill有明确的输入参数触发条件中的变量和输出参数结果交付中的产物。参数有类型、说明、校验规则。第三部分执行步骤定义。把SOP的执行步骤转换为代码里的方法调用序列。每步调用一个或多个原子操作也是Agent工具原子操作之间的参数传递由框架自动处理。第四部分异常处理定义。把SOP的异常处理转换为代码里的try-catch或规则引擎配置。每种异常对应一个处理分支。代码生成器通常基于大模型的代码生成能力但需要严格的Prompt约束——告诉模型有哪些原子操作可用、参数怎么传、异常怎么处理。生成结果不是直接可用的代码而是骨架代码——业务人员需要在关键参数位置填入实际业务值。组件四人工校验关卡人工校验是整个流程的关键质量门。AI生成的Skill代码不能直接上线必须经过业务人员校验。校验内容包括三个层面。第一层参数正确性。检查每个输入输出参数是否准确反映SOP意图。例如SOP说订单金额超过10万需要经理审批参数定义里就要有金额阈值和审批人角色两个参数。第二层流程完整性。检查执行步骤是否覆盖SOP的所有正常路径。例如SOP说先A后B最后C代码里就要有三个对应的步骤调用缺一不可。第三层异常覆盖度。检查异常处理是否覆盖常见情况。校验人员根据经验判断哪些异常情况SOP没写但实际会发生补充到异常处理里。人工校验的工程化设计是把校验过程拆解成 checklist每项 checklist 对应SOP的一个段落。校验人员逐项打勾所有项目打勾后Skill才能进入测试环境。三、SOP转Skill的典型场景案例场景客户投诉处理某装备制造企业的客户投诉处理SOP原本是一份12页的Word文档包含12个步骤、4种异常处理方式。让AI生成Skill的过程是这样的业务人员先用结构化模板填写SOP。模板自动提示填写触发条件“收到客户投诉后”、前置准备“准备好客户档案、订单档案、生产档案的查询权限”、执行步骤12步、异常处理4种、结果交付“投诉处理记录 客户回访”。解析器识别出23个业务实体、12个执行步骤、4种异常类型。实体类型包括客户、订单、产品、批次、缺陷记录等。动作类型包括查询8次、创建3次、通知3次、审批2次。生成器根据语义化定义生成Skill代码骨架。骨架包含输入参数投诉ID、客户ID、输出参数处理结果、回访状态、执行步骤12个步骤的方法调用序列、异常处理4种异常的catch分支。业务人员校验后补充几个关键参数投诉分类阈值“重复投诉3次升级到大客户经理”、金额阈值“投诉金额超过5万升级到法务”、处理时限“24小时内首次响应72小时内给出处理方案”。Skill上线后客服人员不再需要翻12页SOP文档只需要告诉Agent客户张先生投诉昨天收到的产品有划痕Agent自动按照SOP流程处理——查客户档案、查订单、查生产批次、判断是否产品质量问题、给出处理建议、生成投诉处理记录。场景效果这个场景的实际效果有三项可衡量指标。指标一处理时效。原来客服处理一个投诉平均需要45分钟翻SOP、查多个系统、协调多个部门。现在平均需要8分钟对话确认。处理时效提升约5倍。指标二处理一致性。原来不同客服处理同一类投诉的结果差异较大有的退货、有的换货、有的维修。Skill化后处理流程标准化不同客服的处理结果差异显著降低。指标三新人培训成本。原来新人需要2-3周熟悉SOP才能独立处理投诉。现在新人入职第一天就能通过对话处理大部分投诉SOP学习成本大幅下降。四、自然语言生成Skill的三个落地建议建议一从高频SOP开始不要贪多业务团队通常有几十甚至上百个SOP建议从高频SOP开始——每个月执行超过50次的SOP先做每季度才执行一次的低频SOP后做。高频SOP生成Skill后立即产生价值业务团队能看到效果愿意继续配合。低频SOP即使做了Skill使用频率低边际收益不明显。建议二原子操作库要先行建设Skill生成依赖原子操作库——Skill里的每个执行步骤都对应一个原子操作也是Agent工具。如果原子操作库不健全Skill生成时模型找不到对应的操作生成的代码就要靠业务人员手工补充大量自定义逻辑反而增加工作量。建议在SOP转Skill项目启动前先盘点原子操作库。常见业务的原子操作查询客户、查询订单、创建工单、发送通知等应该已经有对应的Agent工具。冷门业务的原子操作需要先开发。建议三异常处理要先生存后完善异常处理不要追求一步到位。建议先用保底策略——所有异常统一进入人工处理流程保证Skill能跑起来。然后再逐步补充具体的异常处理分支。这种先生存后完善的策略让Skill快速上线产生价值而不是等到异常处理设计完善再上线。业务人员在实际使用中遇到异常情况会主动反馈反馈本身就是异常处理设计的输入。总结自然语言生成Skill解决的是业务知识和工程能力之间的鸿沟问题。业务人员懂SOP不懂代码程序员懂代码不懂业务。这套机制让两者各司其职——业务人员用自然语言描述SOPAI生成Skill代码骨架业务人员校验关键参数。向量空间JBoltAI V5.0把这套机制工程化为四个组件——SOP结构化模板、语义解析器、Skill代码生成器、人工校验关卡。四个组件配合工作把SOP从静态文档变成可执行Agent能力。这条路线的核心价值不是用AI替代业务人员而是让业务人员的经验沉淀为可复用的Agent能力。老师傅退休时不再担心SOP流失——Skill已经封装好新人通过对话就能获得老师傅级别的操作指导。制造业的SOP管理从文档时代走向Skill时代是AI在工业落地的一个重要里程碑——AI不再只是回答问题的工具而是承载和传承企业核心业务能力的基础设施。
