二四网络
AI 运营白皮书 · 案例 001
我们怎么用 AI
运营一门营销业务
客户：我们自己。24好玩 —— SaaS + 活动定制，跑了 10 年的真实生意
2026 · 随转型进展持续更新
这份白皮书，有两种读法
这是我们咨询业务的
案例 001——客户是自己
真实收入、真实客户、出错自己承担。这里的每个结果都不是演示数据，都可以当面核对。
七个里程碑，就是一张
可对照的转型地图
每一站讲清楚：为什么先做这一步、踩了什么坑、沉淀了什么。对照它，找到你的团队现在在哪一站。
走过一遍，是《行业 AI 落地咨询》全部判断的来源。
这门生意，和它的流程
24好玩 SaaS
500+ 互动玩法开箱即用，客户运营自己配置上线，无需技术支持
活动定制
从策划、开发到上线值守整包交付，小程序、会员系统、券的发放核销
从 2025 年底开始，我们把这六个环节一段一段交给 AI。
不是做实验，是真的在跑——每一段都要对真实客户负责，出错自己承担。
里程碑与路线图
已走四站，第五站进行中——终点：接近 100% AI 驱动的 SaaS 与活动定制业务。
Coding 接管
定制开发交付从以月计变为以周计
多 Session 协作
Agent 撑起完整项目，平均每周上线多次
测试沙盒
变更先在隔离环境验证，可用率稳定在 99.9%
生产自愈
故障分钟级恢复，七成由 Agent 自动完成
客户反馈链路
会话存档接入，Agent 全链路接管客户反馈
客服 Agent 上线
全流程客服 Agent 对外服务，人只接例外
全面 AI 驱动
SaaS 与活动定制接近 100% AI 驱动，人负责判断与例外
顺序本身就是判断——从最耗人、最容易验证的地方切入。
我们踩过的坑
走过一遍才知道哪里会疼——这些学费，你可以不用再交一遍。
坑一 · 先快后稳，代价很大
最初只追交付速度，没有配套验证机制。后来才明白：AI 让交付变快，同时也让错误传播变快。沙盒环境是被逼出来的，不是设计出来的。
坑二 · 人在中间转手，等于没提效
客户的问题由人接、人整理、人再交给 Agent——链路是通的，但团队成了传声筒，效率没有真正释放。上下文不打通，自动化就只是局部的。
坑三 · 最熟练的人，最不想换
抵触最大的不是新人，是最资深的工程师——老办法在他手里本来就快。转变的关键不是培训，是让他先在自己最烦的杂活上尝到甜头。
坑四 · 有的环节，上了 AI 反而更慢
方案初稿曾交给 AI 生成，结果人花在改稿上的时间比自己写还多。后来才想清楚：判断密集的环节要人先定框架，AI 补细节，顺序不能反。
一个仓，和长在上面的经验
真正的复利来自：所有东西在同一个地方，且不用教第二遍。
不是为了整洁，是因为 Agent 需要看到全景才能干活：代码散在几十个项目里，复用只能靠人脑记得；在一个仓里，复用是可执行的。
仓级 Skills，沉淀重复工作流
把团队做过很多遍的事，写成 Agent 可执行的操作规范，随代码一起版本化。每一份包含：触发条件 · 输入与前置检查 · 步骤与校验点 · 反例与坑。
最后一项最值钱。文档写"应该怎么做"，Skill 写"这里踩过坑"。
这才是 AI 转型真正的复利——不是某个环节变快了，是同一件事不用教第二遍，团队的经验不随人走。
AI 工程能力
Agent 的评估、验收与稳定性
Agent 不靠感觉上线——每接管一段业务，都要过同一套关卡。
效果评估有基准
每个 Agent 上线前先定验收基准：任务完成率、一次通过率、人工介入率——和它要替代的人工流程逐项对照，说得清"好多少"。
真实任务回放 + 灰度接管
新 Agent 先在沙盒里重跑真实历史任务，结果与人工基准对照，过线才进生产；再从一小部分业务开始灰度接管，稳定后逐步放量。
监控、回滚与经验回写
生产监控 + ONCALL + 自动回滚兜底；权限有明确边界，高风险操作人工审批；每次失误写回 Skill，同样的错不犯第二遍。
效果按周跟踪，回退就回滚——上线不是终点，是考核的开始。
落到业务流程里的工具
六个 AI 驱动的内部工具，接住从报价到复盘的整条链路。
报价 Agent
需求结构化、对照历史项目自动估算，当天出报价
方案生成流水线
人定框架、AI 补细节，几天内交出完整方案与素材初稿
代码交付工具链
多 Session Agent 并行开发，沙盒验证后进生产，以周计交付
发布与配置分发
多门店、多商场活动一键配置分发，临时加场次不排期
生产自愈系统
监控、告警、Agent 自动修复，大促期间人只处理例外
报告生成 Agent
每场活动、每月效果报告自动出，效果说得清
数据、安全与团队
数据与安全
客户数据全部留在境内，不用于任何模型训练
Agent 操作权限有明确边界，生产变更可审批、可追溯、可回滚
阿里云盾入侵防护 · DDoS 防护 · 安全评测 · GeeTest 2.0 防作弊
应急预案：内部风险识别 → 风险评估 → 风险处置
前沿在硅谷，落地在广州上海
硅谷团队持续跟进 AI 工程一线，第一时间用在自己的流程里；交付、上线、值守由国内团队承担。
模型策略：按场景与合规要求选型，不绑定单一供应商；工程层与模型解耦，可随时切换。
技术底座：Node.js · PHP · Docker · 阿里云弹性部署 · Redis / Memcached · 消息队列 · 数据库分库 · Phaser / PlayCanvas / Vue ｜ 经历过日访问量 1000W 级压力测试
我们正在建的：全流程客服 Agent
在建中 · 尚未上线这是路线图上的第⑤⑥站。不当案例讲——它还没跑，没有结果。放进来是因为：你能从我们怎么设计它，判断我们怎么想问题。
什么必须转人工
涉及报价承诺、投诉、退款与合同条款的，一律转人工。边界划得太窄，AI 形同虚设；划得太宽，一次事故就毁掉信任。
上下文怎么保证完整
片段化的上下文会让 Agent 反复问已经问过的问题，比人工更糟。所以必须打通会话存档，让它拿到完整链路而不是单条消息。
怎么避免团队变成传声筒
如果 AI 只做初筛、人来转述，链路上多了一道手，效率反而下降。自动化要么打通，要么不做。
合规前置
企业认证、员工同意、数据使用范围——这三条不先解决，实施到一半会卡住。
案例 001，是我们自己。
下一个，可以是你。
先做一次行业诊断——半天时间，把现状梳理清楚，
告诉你哪些该做、哪些不该做、从哪一步开始。
二四网络 · 24好玩
上海 · 广州 · 硅谷