Appearance
行业 AI 调研方法论
版本：v1.0 | 2026-06-21 定位：所有行业调研必须遵循的技术分层与判断标准
0. 为什么需要这个方法论？
AI 行业调研中最常见的错误：把信息化问题包装成 AI 问题，把 AI 问题包装成 LLM 问题。
结果：
- 浪费 LLM 算力去做数据库查询就能做的事
- 方案过度设计，落地成本高、周期长
- 客户期望被拉高后落空，信任受损
本方法论的唯一目标：在每个行业调研中，准确回答"这到底需要什么层级的技术"。
1. 技术分层模型
┌─────────────────────┐
│ 🧠 LLM 层 │
│ 语义理解·内容生成 │
│ 推理·翻译·对话 │
├─────────────────────┤
│ 🤖 AI/ML 层 │
│ 图像识别·预测·分类 │
│ 异常检测·推荐 │
├─────────────────────┤
│ 📊 信息化层 │
│ 数据库·流程·可视化 │
│ API·权限·日志 │
└─────────────────────┘各层定义与判断标准
| 层级 | 一句话定义 | 典型能力 | 典型技术 | 成本 |
|---|---|---|---|---|
| 📊 信息化 | 把纸质/人脑的工作变成系统 | 数据存储、流程流转、报表展示 | 数据库、API、BI 工具、工作流引擎 | 低 |
| 🤖 AI/ML | 让系统从数据中学出规律 | 图像分类、数值预测、异常检测、聚类 | CNN、XGBoost、时序模型、规则引擎 | 中 |
| 🧠 LLM | 让系统理解并生成人类语言 | 语义检索、文本生成、翻译、推理、对话 | RAG、Agent、Prompt Engineering | 高 |
核心原则（铁律）
- 能用信息化解决的，不上 AI/ML。
- 能用传统 AI/ML 解决的，不上 LLM。
- LLM 只用于处理"非结构化语言"问题。
- 信息化是 AI 和 LLM 的前提——没有高质量数据，AI/LLM 都是空谈。
2. 决策框架：如何判断一个场景需要什么技术？
2.1 判断流程
2.2 快速判断表（按输入/输出分类）
| 输入类型 | 输出类型 | 适合技术 | 示例 |
|---|---|---|---|
| 纸质/Excel 数据 | 线上可查可用 | 📊 信息化 | 育种数据入库、合同电子化 |
| 结构化数据 | 报表/仪表盘 | 📊 信息化 | 销售统计、库存管理 |
| 结构化数据 | 数值预测 | 🤖 AI/ML | 产量预测、价格预测 |
| 图像/视频 | 分类/检测 | 🤖 AI/ML | 病虫害识别、表型测量 |
| 结构化数据 | 分类/聚类 | 🤖 AI/ML | 客户分群、品种适宜区划 |
| 非结构化文本 | 检索/问答 | 🧠 LLM | 育种笔记搜索、合同条款问答 |
| 非结构化文本+数据 | 自然语言报告 | 🧠 LLM | 试验总结、审核意见生成 |
| 自然语言问题 | 自然语言回答 | 🧠 LLM | 农户咨询、员工知识问答 |
| 多格式文档 | 结构化摘要 | 🧠 LLM + 🤖 | PDF 招标文件 → 关键信息提取 |
3. LLM 的不可替代价值
以下能力是 LLM 独特拥有的，传统信息化和 AI/ML 无法替代：
3.1 三大核心能力
| 能力 | 说明 | 反例（为什么其他技术不行） |
|---|---|---|
| 非结构化理解 | 从自由文本中提取语义 | 关键词搜索找不到"那个叶子发黄的品种"——只有语义检索能理解"叶子发黄"= 缺素症状 |
| 内容生成 | 按特定风格/格式生成文本 | 模板填充只能替换变量，无法写出"基于三年数据，该品种在中等肥力条件下表现优异"这样的定性结论 |
| 自然语言交互 | 口语化问答、多轮对话 | 表单查询需要培训，农户不会用；自然语言提问零门槛 |
3.2 LLM 真正发挥价值的场景特征
如果一个场景同时具备以下特征，LLM 是最佳选择：
- ✅ 输入是非结构化文本（笔记、报告、合同、聊天记录）
- ✅ 输出需要自然语言（报告、回答、摘要、建议）
- ✅ 需要领域知识推理（不是简单的 if-else）
- ✅ 用户需要口语化交互（不是填表/点按钮）
⚠️ 如果场景只满足其中 1 个，请重新审视是否真的需要 LLM。
4. LLM 如何提升信息化？
LLM 不是替代信息化，而是在信息化基础上叠加"语言智能"层。
4.1 叠加模式
| 信息化基础 | + LLM 叠加 | = 体验升级 |
|---|---|---|
| 数据库存储了历史项目 | + RAG 语义检索 | = 自然语言查找历史经验 |
| CRM 记录了客户沟通 | + LLM 自动总结 | = 一键生成客户跟进报告 |
| BI 看板展示数据 | + LLM 自然语言查询 | = "上个月哪个品种退货最多？"直接回答 |
| 工单系统记录问题 | + LLM 分类+建议方案 | = 自动归类 + 推荐解决方案 |
| 文档管理系统 | + LLM 摘要+问答 | = 不用翻文档，直接问"XX 项目的关键风险是什么" |
4.2 判断标准
问：现有信息化系统，用户是不是仍然需要大量阅读、大量写作、大量翻找？
如果答案是"是"→ LLM 有叠加价值。 如果答案是"否"→ 信息化已经够用，不要为了 LLM 而 LLM。
5. 常见反模式（必读）
❌ 反模式 1：把数据库查询包装成 AI
错误表述：AI 智能查询平台，输入品种编号秒出全部历史数据
正确定位：📊 信息化 — 品种数据管理平台（数据库 + 搜索 + 展示）❌ 反模式 2：把规则引擎包装成 LLM
错误表述：AI 智能审核，自动检测造价清单异常
正确定位：🤖 AI/ML — 基于规则 + 统计模型的异常检测
（LLM 可以做审核意见的自然语言说明，但异常检测本身不需要 LLM）❌ 反模式 3：把 BI 报表包装成 AI
错误表述：AI 驱动的销售决策平台
正确定位：📊 信息化 — BI 看板 + 数据可视化
（LLM 可以做自然语言查询看板，但核心是 BI）❌ 反模式 4：所有场景无差别上 LLM
错误表述：全场景 AI 平台，覆盖育种、生产、销售全链路
正确定位：分场景分层——
育种知识库 = 🧠 LLM
病虫害识别 = 🤖 CV
质量追溯 = 📊 信息化6. 行业调研文档规范
所有行业调研文档（{行业名}/index.md）的「AI 机会地图」章节，必须包含以下三部分：
6.1 技术分层总览（必选）
用表格快速展示该行业各场景的技术归属：
| 场景 | 技术层级 | 理由 |
|---|---|---|
| XX 场景 | 📊 / 🤖 / 🧠 | 一句话说明为什么是这个层级 |
6.2 LLM 场景深挖（按需）
只对标记为 🧠 的场景展开详细分析，回答：
- 为什么非 LLM 不可？（对标信息化/传统 ML 的不足）
- 输入是什么？输出是什么？
- 需要哪些数据？（数据就绪度评估）
6.3 信息化前置清单（必选）
列出 AI/LLM 落地前必须先完成的信息化工作：
- [ ] 数据电子化入库
- [ ] 系统对接打通
- [ ] ...
7. 附录：行业速查表
7.1 按行业环节速查
| 行业环节 | 常见场景 | 技术层级 |
|---|---|---|
| 数据录入/电子化 | 纸质记录→系统 | 📊 信息化 |
| 流程审批 | 多级审批流转 | 📊 信息化 |
| 报表/看板 | 数据可视化 | 📊 信息化 |
| 库存/物流管理 | 出入库、追溯 | 📊 信息化 |
| 图像识别 | 质检、病虫害、表型 | 🤖 AI/ML |
| 数值预测 | 产量、价格、需求 | 🤖 AI/ML |
| 异常检测 | 造价审核、质量异常 | 🤖 AI/ML |
| 文档理解 | 合同、报告、论文 | 🧠 LLM |
| 报告生成 | 审核报告、试验总结 | 🧠 LLM |
| 知识问答 | 经验检索、农户咨询 | 🧠 LLM |
| 多轮对话 | 客服、培训、面试 | 🧠 LLM |
7.2 自查清单
在完成一个行业的 AI 机会地图后，逐条核对：
- [ ] 每个场景都标记了 📊 / 🤖 / 🧠 层级？
- [ ] 标记为 🧠 的场景，是否给出了"为什么非 LLM 不可"的理由？
- [ ] 是否有场景可以用 📊 信息化解决却被标成了 AI？
- [ ] 是否有场景可以用 🤖 传统 ML 解决却被标成了 LLM？
- [ ] 是否列出了信息化前置条件清单？
- [ ] LLM 场景的数据就绪度是否评估过？