客户案例 / 新能源企业 AI 转型
Chengyue Energy× Lynx AI
01AI 转型首先缺少什么
企业真正的工作方法， 还没有交给 AI。
Chengyue Energy 需要让 AI 理解员工实际怎样完成工作：流程是什么，哪里会卡住，遇到例外如何处理。系统保存了业务数据，流程文档却很少覆盖这些每天都在使用的经验。
- 专业工作流跨越多个软件和工具，链路长、依赖复杂；一旦涉及老旧业务系统，更难实现端到端自动化。
- 文档写了标准步骤，实际顺序、依赖条件和判断依据往往没有完整留下。
- 等待、返工和例外处理藏在日常操作里，员工习以为常，也难以一次口述清楚。
- 每个 Agent 项目都重新访谈专家、梳理流程，工作方法难以持续积累和复用。
02先接入，再观察真实工作
保留原有工作方式， 记录每天发生的工作。
在企业内部完成部署与授权后，Context Infra 即可中立地理解所有软件与老旧业务系统，无需逐个接入。员工照常工作，Lynx 持续关联跨软件的业务对象、操作与结果，沉淀业务 Trace。
- 1即插即用部署，接入企业原有环境
通过 Open Compute 在企业自己的设备或内网服务器上部署 Lynx，完成授权即可使用。
- 2观察日常工作，持续形成 Trace
员工照常使用现有软件。Context Infra 将跨软件的业务对象、操作、文件与结果关联到同一项任务，保留处理过程与判断依据。
03Know-How 提取
员工照常工作， Lynx 提取 Know-How。
不要求员工先画流程图、补写 SOP 或更换软件。Lynx 从实际工作中提取没有被明确写下来的方法：工作怎样推进，选择基于什么，遇到卡点怎样处理。提取结果保留原始依据，供业务人员核对和纠正。
- 实际的工作流
- 任务如何开始，步骤怎样衔接，依赖哪些资料和软件，以及何时算完成。
- 判断依据与适用条件
- 什么信息影响选择，哪些条件必须满足，遇到例外时如何调整处理方式。
- 卡点与纠正方法
- 哪里容易等待、返工或出错，员工如何排查、处理和纠正。有效做法与失败经验一起保留。
- 企业专家数据回流
- 将专家的操作过程、判断依据与人工纠正整理为训练样本，回流企业，用于私有专家模型的后训练。
04让提取出的经验被使用
把企业的方法， 交给工具和 Agent 执行。
以提取出的 Know-How 为依据，生成可调用工具，通过 Agent Infra 交付企业 Agent。模型获得实际步骤、判断条件与处理边界，执行不再只依赖员工临时口述的一段指令。
- Lynx 的 Agent Infra 中立地理解并操作所有软件，包括老旧业务系统，实现跨软件、跨工具的全链路 Agentic 化。
- 基于 Open Compute 在企业内部署工具与应用，并提供内部 Skills Hub 和私有企业应用 App Store，供员工与 Agent 按需使用。
- 企业自己的模型或已有 Agent 可以复用这些经验，Trace 也可用于训练与评估。
- 保留关键操作的人工审核，执行结果与人工纠正继续回流，更新下一次使用的经验。
05试点结果
减少人工指导， 缩短业务上手时间。
提取出的 Know-How 既能供员工查阅，也能被企业模型和 Agent 调用。已有方法与例外处理不必反复口述，人工指导和流程上手成本随之减少，后续执行继续复用同一套经验。