上一篇我说，企业 AI 落地真正的生死线是准确率。这一篇我把最狠的那个案例完整拆开——包括技术上到底做对了什么。
先说结果：**三个专业团队接力干了一年，最好成绩 60 分。我用三天，做到 98 分。**用客户自己拿来的、我从没见过的新数据，在他们办公室里现场测的。
这道题到底难在哪
客户是广东一家环保检测公司。
它的业务是这样的：东莞一带的各类工厂——面粉厂、文具厂，什么厂都有——排放废气废水，国家要求它们必须在全国排污许可证信息管理平台上填报数据。检测公司负责去厂里装设备、取数、出报告。厂子拿着报告，自己上政府平台填表。
这个表有多难填？
**一个格子里的一个数字，背后是几十份 PDF 检测报告里的十来个数值。**而且不是简单相加——要算浓度、算流量、算瞬时速率、算平均值，一整套运算。
一个熟手填一个公司的表，从早干到晚，要一整天。
而且填错要担责任。政府会抽查，你填的数和检测报告上的数对不上，是要被查的。
所以这件事的门槛不只是“提取数字”。它是：在几百页非结构化的 PDF 里，找到正确的那十个数值，用正确的公式算出来，填进正确的格子，并且要让人敢签字。
顺便说一句，PDF 里的表格是所有文档类型里最难处理的。几百个文件、每份二三十页、几百个数字，全在里面。
三份失败的答卷
**第一家是某知名 RPA 厂商。**收了客户将近十万块的 POC 费用，做完之后跟客户说：你要能保证每一份报表的字段永远固定、政府网站永远不更新，我可以做到 60% 的准确率。
客户当场就懵了——我怎么可能保证表格永远不变？政府那个网站全国的供应商都在用，怎么可能不更新？
POC 的钱打了水漂。
**第二家是一家专业做 AI 软件的团队。**做了一段时间，没做出来，效果很差。
**第三家是某高校一位博导带的博士团队。**客户给了钱，觉得博士总该行了吧。干了四五个月，准确率还是 60% 左右。
三家，一年，最好 60 分。
这里要多说一句：60 分不是“差一点”，60 分是“完全不能用”。
因为 60 分意味着人还得全部复核一遍。他们此前的经历就是这样——为了给供应商评估准确率，客户自己要花大半天时间去挑错、打分。人工核对的成本，已经快赶上自己从头填了。
60 分的 AI 是玩具，95 分以上才是生产力。差的那一点点，就是“每天在用”和“吃灰落灰”的区别。
我做对了什么
客户团队里有人听过我的分享，找到我。我看了一眼这个题目，判断能做，就说：我不收 POC 的钱，我先给你做。
前后花了三四天。这三四天里，我把整个算法架构推翻重来了十几版——每一版的浏览器插件都不一样，每一版对 AI 的约束尺度都不一样。
下面是真正起作用的四件事。
一、不用工作流，用 Agent Harness
上一代做这类任务的标准解法是低代码工作流编排：把流程拆成节点，一个一个接起来。
**这个东西非常脆弱。**你写二十个节点、两百个节点都没用，稍微遇到一点新情况就跑不动。RPA 厂商为什么要求“格式永远不变、网站永远不更新”？因为他们的技术路线只能承受这个前提。
我用的是 Agent Harness：底层是一个行动力极强的 coding agent，给它配 bash、配代码、配 MCP 工具、配 skill，让它自己判断该怎么做——该看全局还是局部，该不该放大，该调用哪个工具。
它自己会想办法，所以格式变了、网站改版了，它不会立刻瘫痪。
二、让 AI 自己先校验一遍
这一步是准确率能上 90 分的关键。
AI 每填完一个格子，会为这个格子单独写一段代码，回头去原始 PDF 里把这个数字的来源再撞一次——确认它真的出现在那一页。
而且这个撞法要能应付各种写法。同一个数值，文档里可能写成 4.69，也可能写成 44×10⁻²。这些情况它都得能验出来。
**机器先自检一遍，人再审核。**这个过程的精密程度，完全不亚于写代码——本质上就是给每一个结果做单元测试。
三、把审核直接做进结果页
这是我认为整套方案里最巧的一步，而且它解决的是一个信任问题，不是技术问题。
客户此前给供应商提的需求是：另外复刻一个网页，在复刻的页面里审核，审完再用浏览器自动填回政府网站。
问题来了：你怎么证明中间那一步审核过的数字，和最后填进去的是同一个？
多引入一个环节，就多一层不可信。而这是要向政府提交、要担责任的东西。
我受沉浸式翻译的启发——它能直接往网页里注入内容——干脆把审核做进政府网站那个真实页面本身：
- 在页面右上角注入一个“审核”按钮
- 点开是一个侧边栏
- 每一个数字点一下，直接跳回它来自哪份 PDF 的哪一页
- 觉得不对，可以当场在原文里搜关键词比对
人原来是怎么干的？搜“挥发性有机物”这个词，在十个文档里逐个找，把数值抄到 Excel 里，套公式算，再填回去。我把这一整套动作，压缩进了一个侧边栏。
审核和填报在同一个页面完成，那个信任死结就不存在了。
顺便说一个很多人没意识到的事实：**Codex、WorkBuddy 这类通用产品，标准界面里是没有审核能力的。**它给你干完一件事，你怎么知道对错？
这就是通用工具在核心业务上永远赢不了的地方。只要 AI 能做到九十多分，剩下那百分之十，我有办法让人补上——这样就一定能赢。
四、让它越用越聪明
第一版准确率如果没到 95%，我照样先交给客户用。
但我会要求他们：审核时凡是发现错的，直接在界面上写清楚——错在哪、应该填什么。这些反馈结构化地存进后台。
攒够足够多的 case 之后，我再让一个 agent 去抽象这些错误，回头改 skill 里的经验描述，或者改掉某一段校验代码。
这里有个必须守住的分寸：**不能来一个错误就改一次代码。**那样改，模型的灵活性和通用性就被你改没了。整件事一直在两个方向上找平衡——既要让它保持自由发挥的空间，又不许它乱来。
这就是评测驱动的自进化。我交付的不是一次性软件，是一个越用越聪明的 agent。
反过来说也成立：你必须给客户一个闭环。否则交付一个 80% 的东西扔在那儿，让客户自己去应对剩下的 20%——客户是不会接受的。
现场那一天
我带着 demo 去东莞，在他们办公室里，他们拿自己的真实数据往里面怼。
他们特意换了几家我没见过的公司的表来试。几百个数值，只错了一两个。
他们比我还兴奋，一直说：再换一个，再换一个公司试试行不行。
他们说了一句让我印象很深的话：以前跟那些软件公司合作，每天帮他们做测试、给他们挑错、打分，一个准确率我要评估大半天；在你这里我花十分钟审核就完了。
原来一个人从早填到晚的活，现在 AI 跑十几分钟，人审核二三十分钟。
然后发生了一件我没料到的事
客户老板的关注点，当场就不在这个表上了。
他开始跟我聊全国扩张。
这个行业以前地域性极强——样品要寄回实验室，有保质期，所以做检测的公司很难跨省。但如果他能做到“同行出一份报告要一个月，我一个星期甚至一天”，那这就不是效率问题了，这是他走出广东、走向全国的武器。
他还讲到了以此为节点去筹划上市。
然后他说了一句话，我一直记着：
“以前我对信息化、智能化也有愿景，我也想这么干。但供应商一直做不出来，那些愿景都落不了地。”
这句话说透了一件事：过去几年老板的愿景落不了地，不是他想错了，是供应商的水平兜不住他的想象力。效果不行，视野就不敢打开。
所以我现在跟老板的分工特别简单：
你负责商业，我负责 AI。你想自动化哪个环节，我就把哪个环节的准确率做到极致。
当落地不再有后顾之忧，老板的商业想象力才真正开始值钱。
最后
这个案例讲完，我最想说的其实不是“我多厉害”。
我想说的是：我做出来的这个准确率，本来就是今天的 AI 应该能达到的水平。我只是把今天该有的水平，用一个更好的解决方案和产品形态发挥了出来。
今天 AI 已经把程序员的工作替代了 99%。做应用开发本身就是件高难度的事。那么——你们行业请的环保专家、医疗专家、物流专家，工资比程序员更高吗？
AI 都能把程序员的活干到 99%，凭什么你的行业核心业务做不到？
如果你手里也有一个“所有供应商都说做不了”的活，或者一个已经做砸了的 AI 项目——欢迎拿来考我们。我最好的几个客户，都是这么开始的。