很多企业第一次接触数字员工时的期待是：「给我接一个能干的 AI」。但真实研发现场的工作不是「一个聪明大脑通吃」，而是「很多个明确岗位各管一摊」——审 BOM 的、评估器件的、准备验证的。数字员工的构建逻辑，是从岗位出发，而不是从模型出发。
为什么是岗位，不是通用助手
通用助手在企业里的天花板很低，原因有三：它没有明确的任务边界，什么都接等于什么都接不好；它没有岗位上下文，每次对话都从清零开始；它的输出没有责任主体，没人能对一段聊天签核。岗位化恰好解决这三个问题：任务边界由岗位定义，上下文由岗位沉淀，输出由岗位背书、工程师签核。
岗位能力包的四个组成部分
1. 任务定义：这个岗位接什么活
清晰的任务边界是岗位能力的根基。「审查 BOM」太模糊，「对输入的 BOM 执行格式核对与降额初判，输出分级风险清单」才是一个可派工的任务定义。边界还包括不做什么：降额检查岗不做替代决策，那是工程师的权力。
2. 规则集：这个岗位按什么标准干活
老师傅的审查经验需要外化成显式规则：降额阈值、优选器件库、必查参数项、判级标准。规则集是企业的核心资产——同一个「BOM 审查岗」，在不同企业里是截然不同的两个岗位，差别就在规则集。
3. 工作对象：这个岗位操作什么数据
岗位的工作对象是工程数据：BOM 表、规格书、图纸版本、测试记录、历史案例。岗位能力包含「怎么读懂这些对象」——不是把文件塞进上下文窗口，而是理解对象之间的关联：这个 BOM 行对应那个位号，那个位号在图纸的哪个网络。
4. 成果模板：这个岗位交付什么
每个岗位的输出物有固定形态：审查报告的三段式、评估结论的参数对照表、验证清单的结构化条目。模板化输出的意义是「可复核」——工程师知道该看什么、去哪看，签核动作才能发生。
上岗的三个阶段
| 阶段 | 做什么 | 标志 |
|---|---|---|
| 见习 | 跟着历史案例学习：用过往的审查记录、评估报告训练与校准 | 输出与老师傅结论一致率达标 |
| 试用 | 接真实任务，人工全程复核，修正回流 | 修正率持续下降并稳定 |
| 上岗 | 独立承接任务，工程师抽检签核 | 复核从「重做」变成「确认」 |
上岗的判定标准不是「AI 很聪明」，而是「工程师的复核成本降到了可接受的水平」——这才是岗位创造价值的定义。
常见误区
- 期望一个岗位包打天下：岗位要拆得足够细，边界越清晰，可靠性越高
- 只训不养：岗位上岗后，工程师的每次修正都应该回流，否则能力会漂移
- 忽视冷启动数据：历史案例的质量决定岗位下限，整理旧文档不是杂活，是训练
说到底，数字员工的上岗过程，是把企业隐性的工程经验显性化的过程。就算不引入任何 AI 系统，把岗位拆开、把规则写清、把模板统一，本身就是一次值得的流程梳理——AI 只是把这套梳理的结果放大了。
ZAOWUTAN / 造物潭
这些方法论的完整版，就是小潭子数字员工的日常工作。