大家好,我是 WeiWill,深耕软件工程一线,专注 AI 应用落地与 Agent 开发。
前段时间参加了一次电力交易培训。给我们培训的不是软件公司的人,而是另一家公司的营销人员。他分享的重点,也不是某个系统怎么点、某个公式怎么套,而是自己平常到底怎么做交易、怎么复盘、怎么把经验变成下一次可以继续使用的判断。
平常工作中,他会把每次交易和复盘积累下来的数据、规则和判断,交给 Kimi Code、DeepSeek Harness 这类 AI 工具,生成热力图和图表,形成日复盘、周复盘;再把已经验证过的步骤做成工具型 Agent,自动处理重复整理、检查和汇报,让自己的工作流逐渐沉淀下来,也让团队成员可以复用。
我真正想记录的,不是又多了几个 AI 工具,而是一个更具体的变化:
DeepSeek Harness 这类工具,正在降低普通业务人员定制工作流的门槛,让他们可以把已经想清楚的工作方法,快速变成自己和团队都能使用的工具。
思维导图

培训现场:看到的不是技术展示
电力交易本身并不轻松。交易人员要面对价格变化、负荷变化、发电侧变化,还要在不同时间段里判断什么时候买、什么时候卖、结果为什么偏离预期。
培训中提到,可以把早高峰、中午、晚高峰等时段拆开观察,再结合每天的交易记录做复盘。过去,这类工作很容易停留在“我感觉今天价格比较高”“最近这个时段可能有规律”这样的经验判断上。
但当数据被做成热力图,情况就不一样了。横轴可以是日期,纵轴可以是交易时段,颜色深浅对应价格、收益、偏差或成交量。某些连续出现的深色区域,可能意味着一个值得关注的高价时段;突然变化的颜色,则可能提示预测偏差、执行异常,或者市场条件发生了变化。
图表没有替交易员做决定,却让大家更容易围绕同一份事实讨论:
- 哪些时段经常出现高价或低价;
- 哪些交易结果与原来的判断不一致;
- 哪些异常是偶然波动,哪些已经形成了重复模式;
- 上周的判断,到了本周是否仍然成立。
这也是这次培训里最值得记住的一点:业务复盘的第一步,不是马上得出结论,而是先把事实看清楚;而把事实看清楚之后,才有可能把判断沉淀成下一次可以重复执行的工作流。
热力图:让数字里藏着的规律浮出来
很多业务工作并不是没有数据,而是数据还没有变成可以快速理解的形状。
一张明细表可能有几千行记录,但业务人员真正想问的,往往只有几个问题:哪里最异常?哪个时段最值得关注?这次结果和过去有什么不同?如果明天再遇到类似情况,应该提前准备什么?
人对数据有敏感度,但对图的敏感度更高。面对一串数字,我们往往要经过筛选、比较和计算,才能意识到某个变化;面对颜色、走势和分布,很多规律会直接跳出来。热力图和趋势图的便利,就在于它们把“查数据”变成了“看模式”。
业务人员不需要逐行翻表,也不必每次都请别人重新做一份报表。只要把数据和关注的问题交给 AI,就可以先得到一个可视化版本,再根据自己的经验调整颜色、分组和指标。原来藏在数字里的异常、周期和聚集,会更早进入人的视线。
这里的关键并不是图做得多漂亮,而是复盘周期变短了。
以前可能一周整理一次,等到看见规律时,机会已经过去;现在可以每天形成一版简报,周末再把几天的结果放在一起比较。日复盘解决“今天发生了什么”,周复盘解决“这几天有什么重复变化”。两个节奏叠在一起,经验才有机会变成方法。
这件事并不只适用于电力交易。销售可以看区域、客户和产品的成交热力图;制造现场可以看设备、班次和缺陷分布;客服团队可以看问题类型和处理时长;项目团队可以看需求变更、缺陷和延期集中在哪些环节。
不同业务使用的指标不一样,但逻辑相同:先把原始记录整理成看得懂的图,再让团队对着图讨论下一步。
DeepSeek Harness 类工具:让业务人员自己定制工作流
这条路径可以概括为“数据—分析—工具—助手”,它表达的是一个逐步积累的过程。
最开始,业务人员只是积累数据;接着,自己做一些分析;再往前一步,把分析方法固定成一个工具;最后,这个工具可以像助手一样,反复帮自己和同事完成同一类工作。
培训中的做法正是这样:先把交易数据、复盘规则和关注指标说清楚,再让 Kimi Code、DeepSeek Harness 帮忙生成图表、整理报告、标记异常。这里最重要的不是“会不会开发”,而是业务人员知道自己的工作应该经过哪些步骤。工具不一定复杂,可能只是一个“上传数据后生成日报”的小页面,也可能是一个“按固定规则检查交易结果”的 Agent。
它至少可以承担几类重复工作:
- 把不同来源的数据整理成统一格式;
- 按早高峰、中午、晚高峰等时段生成图表;
- 找出超过阈值的价格、收益或偏差;
- 自动形成日复盘和周复盘初稿;
- 按团队约定的模板,提醒成员补充原因和后续动作。
这些工作看起来不“高科技”,却最容易产生实际收益。因为业务人员每天浪费的时间,往往不是浪费在最难的判断上,而是浪费在复制、粘贴、筛选、改格式和重复说明上。
当一个小工具把这些环节接住,业务人员就可以把时间放回更需要经验的地方:判断市场变化、和客户沟通、核对风险、复盘决策。
更重要的是,工具会把个人经验留下来。过去,一个人知道“看到这种颜色变化要重点检查”,但新人很难学会;现在,可以把这条经验写进检查规则,变成团队都能使用的步骤。工作流每运行一次,就多积累一份可复用的经验,重复劳动也会随之减少。
为什么这会让人觉得 IT 跟不上
这次培训还让我重新理解了“传统 IT 跟不上业务想法”这句话。
它不一定是在说 IT 能力不行。更多时候,是业务问题变化得太快,而 IT 的交付流程需要先收集需求、评估范围、排期开发、测试上线。等系统真正交付时,业务人员关注的重点可能已经变了。
业务人员自己用 AI 做一个小工具,缩短的是这段等待,也降低了定制工作流的门槛。
他不需要先把一个模糊想法写成完整需求文档,而是可以边做边试:先让 AI 生成一个能用的版本,发现指标不对就改,发现流程缺一步就补,再拿真实数据跑几次。这个过程更像业务复盘,而不是传统的软件项目。
不过,这不代表企业不需要 IT。个人或小团队使用的工具,和正式生产系统不是一回事。只要涉及客户数据、交易权限、财务结果、跨系统写入,就需要 IT 介入安全、权限、审计、稳定性和后续维护。
更合理的分工是:
- 业务人员负责提出问题、定义判断标准、验证结果;
- AI 负责把想法快速变成原型和重复执行的工具;
- IT 负责把经过验证的工具接入正式系统,并守住安全和稳定边界。
这样一来,IT 不再是所有小需求的排队窗口,而是把真正有价值、需要长期维护的业务能力沉淀下来。
从一个重复问题开始
如果业务人员想尝试,不需要先学习一套完整的技术知识。可以从一个每周都会发生、又总要重复处理的问题开始。
第一步,先记录问题,而不是先挑工具。比如“每周一要花两个小时整理交易复盘”,比“我想做一个 Agent”更适合作为起点。
第二步,把输入和输出写清楚。输入是哪些数据,输出要回答哪些问题,哪些判断必须由人确认,哪些步骤可以自动完成。边界越清楚,AI 越容易帮上忙。
第三步,先做一个能跑通的版本。它可以只完成数据整理和一张热力图,不必一开始就追求完整系统。业务人员自己试过,才知道真正需要什么。
第四步,用问答、反馈、学习的方式持续调整。这就是最朴素的改进闭环:问得具体一点,结果就清楚一点;反馈及时一点,工具就更贴近业务一点。
最后,把个人工具变成团队约定。把指标定义、复盘模板、异常阈值和人工确认点记录下来,团队成员才能复用,工具也不会因为某个人离开就失效。
总结:AI 让业务更接近执行
这次电力交易培训给我的启发,不是“业务人员也要去学编程”,而是 Harness 类工具让普通业务人员第一次有机会绕过漫长的工具等待,直接验证自己的工作方法。
他们知道什么数据有用,知道什么变化值得关注,也知道一份复盘最终要支持什么决策。AI 做的,是把这些经验更快地变成图表、流程和助手。
所以,AI 给业务人员带来的便利,可以归纳成三件事:
- 用图表让数字里的规律和问题更早暴露;
- 把个人经验和重复步骤积累成可以复用的工作流;
- 让普通业务人员也能更快把“想到”变成“做到”。
真正值得推动的,不是每个人都做一个复杂 Agent,而是让每个团队都找到一两个最烦、最重复、最值得标准化的问题,然后用 AI 先把它解决掉。
这才是 AI 落地业务的起点:不是展示技术,而是减少等待,减少重复,帮助业务人员把判断真正执行下去。
我是 WeiWill,深耕软件工程一线,专注 AI 应用落地与 Agent 开发。