AI 写出来的内容不像自己人写的，绝大多数情况下不是模型能力问题，而是模型不知道这家公司怎么干活：有哪些客户、报过什么价、走过哪条线、老板定的规矩是什么。腾讯近期推出的企业级 AI 助手把“打通企业上下文”作为核心卖点（据硅星人 Pro 11 月 2 日报道，见实 10 月 31 日至 11 月 1 日亦有跟踪），反映的正是这一层现实：模型很强，但它不认识你的业务。要解决这个问题，先补企业上下文，再谈提示词工程。
为什么模型强，产出却不像自己人写的
语言模型的能力是通用的，它擅长写出“所有同类公司都会写的句子”。当它缺少企业上下文时，只能依据通用概率补齐细节，于是就出现三类典型输出：把资质说得过满、报价逻辑不符合公司规则、语气在不同时间漂移。这不是模型变笨，是它手上没有任何可用于收窄范围的私有信息。企业上下文的作用，就是把通用概率收窄成符合这家公司实际的做法。
最容易被忽略的三类翻车场景
第一类，过度承诺。某危化品运输企业在首次使用 AI 撰写客户回复时，产出“具备全品类危化品运输资质”，而该公司实际仅覆盖部分品类。模型没有虚构，它只是复述了行业通用话术。
第二类，报价逻辑失配。老客户与新客户是否同价、旺季是否加收附加费、哪些费用必须单列，这些规则长期存在于管理者与资深业务员的经验里，从未文档化，因此 AI 无法引用。
第三类，人员流动导致的知识断裂。资深业务员离职后，其默认规则随之流失，此前 AI 输出为何正确无法复现，新接手者只能重来。
先补三张表，再写提示词
顺序很关键。多数企业的做法是先写几十页提示词模板，效果仍不稳定，原因是缺少可供引用的企业事实。
第一张，客户分层表：客户等级、价格敏感度、时效要求、历史投诉记录。它决定 AI 判断某句话是否可以对某个客户说。
第二张，报价规则表：价格触发条件、必须单列的费项、需要升级审批的情形。它决定 AI 能否代为报价。
第三张，语气样本表：公司公认写得最好的邮件、报价说明与客户回复原文。它决定输出风格是否一致。
三张表不必一次完成。优先做最痛的一张，运行两周，在 AI 出错的位置回补对应段落。这比一次性穷举规则更可行，因为多数企业的规则本身从未被完整书写过。
判断一件事能不能交给 AI 的标准
一个简单的口径：你能不能把这件事的判断标准写下来。写得出来，就可以交给 AI；写不出来，应该先做标准梳理再谈自动化。自己都说不清判据的工作，交给 AI 只会以更快的速度放大混乱。
常见问题
企业用 AI 效果不好，是不是应该换更强的模型？ 通常不是。先检查企业上下文是否完整，模型更换对上下文缺失的改善有限。
企业上下文应该存在哪里？ 优先结构化存储（客户表、规则表），其次才是文档与提示词，结构化数据更容易维护与复用。
三张表由谁维护？ 由业务负责人牵头、一线业务员参与，按周更新；由 IT 单独维护通常很快失效。
小企业也需要做这一步吗？ 需要。规则越依赖个人，越应该先文档化，否则 AI 无稳定参照。
