博世用豆包工作：讓工程師少搬運資訊，多解決問題

重复的步骤交给 AI，精力可以回到更重要的事情上。

客户在群里抛出一个问题，到工程师真正坐下来分析故障，中间隔着多少工作？

在博世的某研发事业部，答案曾经是：找齐散落在各个群和私聊里的消息，按多个维度整理成完整描述，凭经验判断该找谁，接着再开会，再把结论写成报告。

故障分析还没开始，大半天已经过去了。

如今，这中间的一大段路，工程师交给了豆包工作和豆包工作伙伴。

博世的尝试：

让 AI 接手沟通之后的工作

汽车产业链企业的研发部门，经常会遇到这样的情况：一个工程师要当三个用：研发细节要盯，还有很多日常重复的活儿需要做。

博世某事业部的工程师，其所在的团队需要对接各家客户，为客户提供系统综合解决方案。面对同一家客户，不同项目会有不同的群，测试、路试、投产任何一个环节出了问题，消息一条条蹦出来：哪个项目、哪个软件、报了什么故障代码、出现什么报错。

工程师收到的问题信息，包含待补齐字段（已脱敏，demo 示意）｜图片来源：豆包工作

他得把这些碎片按不同的数个维度整合起来，所属项目、软件版本、车辆配置、测试工况、报错时间、诊断截图都在其中，再凭经验自己排障，或者转给负责对应模块的研发同学。解释不清的就拉会，双方澄清之后，再出报告发给客户。

让这位工程师下决心改变的，是两件事。

一是知识沉淀靠不住。经验都装在工程师个人脑子里，云文档、知识库不是没有，但每个人的模板和习惯不同，项目一忙，没人顾得上往里放。新问题来了还得先找人，人一走，经验就断档，这个恶性循环一直破不掉。

如果沉淀这件事不再靠自觉，不管是消息还是会议，AI 能在人无感的状态下自动记下来，那就可以节省很多时间精力。

二是客户不会按模板提问。问题是流式发生的，消息不停往外蹦，没人能把故障代码、截图和十四五条字段在一条消息里一次性给齐。碎片攒不齐，后面的分析就迟迟开不了工。

豆包工作和豆包工作伙伴的加入解决了这些问题。

人机协同工作流程示意｜图片来源：豆包工作

在工程师真实的日常工作中，问题通常是从私聊开始的，工程师可以在豆包工作里配置定时任务，巡检自己收到的私聊消息，识别出故障类信息，再以本人身份转发到问题报告专项话题群。

在这个流程里，客户的沟通习惯不用改，工程师少了手动搬运，散落在流程外的事被拉回了流程里。

消息进了专项群，每个问题占一个独立话题，不同任务的材料互不混杂，天然形成「一事一议」的界面。

豆包工作伙伴爬取群里的历史上下文，把流式蹦出来的碎片聚成完整的问题描述，再调用封装好的报告生成技能，按标准模板出初稿，同时登记进飞书多维表格，提醒对应工程师处理。

在一次真实的问题处理记录里，AI 把消息整理成飞书文档，问题状态标为「进行中」；驱动形式、驾驶模式这些没给全的信息，就保留「待补充」，工程师需要做的就是在初稿上核对、补齐，不必从空白文档开始。

生成问题报告，并登记问题状态（已脱敏，demo 示意）｜图片来源：豆包工作

还有些细节只有在开会时才能敲定下来。

工程师可以邀请豆包工作伙伴参加问题沟通会，它全程旁听，散会后直接把会上澄清的信息同步进报告，讨论、记录和报告之间，省掉了人工转述的环节。按工程师自己的估算，AI 初稿能覆盖七八成内容，剩下两成交给人判断；会议结论补完，报告基本齐活，再经人工复核一遍，才发给客户。

会后补全信息，补充报告（已脱敏，demo 示意）｜图片来源：豆包工作

报告同时会归档进团队知识库，状态和进度留在多维表格：表格管跟进，知识库管留存。再遇到相似问题，AI 检索历史材料，先给出初版台账和归因。

它能调用的知识分两类：一类是外部行业知识，比如通用故障码各自代表什么含义；另一类是团队自己的历史沉淀，哪怕是已经离职的老工程师当年处理过的问题，也能被翻出来引用。

这个项目从需求到落地，用了短短一周多时间。事实上，豆包工作伙伴真正上岗的只花了一天，它进群跟工程师工作一天后，项目已经运转了起来，后面一周则用来调优细节，比如哪些报告写得太啰嗦，哪些内容不该放进去，哪些描述不够准确，工程师可以一条条告诉它：下次记住别再这么处理。培养一位 AI 数字员工，和带教一位新同事一样简单。

目前豆包工作伙伴前后跑了五六十份问题报告，已经能够稳定在七八十分的水平。

剩下的二十分留给人来最终把关。故障原因怎么定、验证计划怎么排、对外给什么结论，这些关键工作仍然要由工程师人工审核、补充和确认。

不起眼的工作里，

藏着 AI 的真实价值

引入豆包工作后，工程师可以少搬一遍消息，少重写一份报告，遇到新问题可以从历史工作里查找处理经验，重复的步骤交给 AI，精力可以回到问题分析、验证和客户沟通这些更重要的事情上。

在一个人当三个用的团队里，这些是实打实的产能提高。

对团队来说，更深的变化在信息的流动。过去一次沟通结束，信息散在聊天记录、个人云盘和某个人的脑子里；现在消息自动变成任务、报告和知识库条目，一次次处理留下的记录，从个人文件变成同事可以共同使用的资产。

结合历史知识库和会议输入，形成问题参考（已脱敏，demo 示意）｜图片来源：豆包工作

过去讨论 AI，注意力很容易放在它能不能替人完成复杂的专业任务——能不能写代码、做诊断、出方案。但在真实的知识工作里，专业判断只占时间的一部分，更多时间消耗在沟通之后：整理零散信息、记录会议结论、把问题转给对的人、跟进处理进度、归档留痕。这些事没有技术光环，琐碎、重复，却实实在在地占用人的精力。

就像在博世与豆包工作的合作里，AI 创造价值的位置，并非是工作流里最核心的那一环——把沟通、判断和解决专业问题留给人，把沟通之后的整理、记录和行动尽可能交给 AI，如此一来，工程师就能腾得出手，去做真正需要工程师来做的事。

AI 不一定要做最重要的事，才能创造重要的价值。