「把老师傅的经验数字化」是很多企业的愿望,也是失败率最高的一类项目。失败的原因通常不是技术,而是方法错了——直接问,问不出来。
第一,人对自己熟练的事情说不清楚。骑自行车的人讲不出如何保持平衡,老师傅同样讲不清他为什么一眼就看出这批料有问题。
第二,被问的时候人会不自觉地给标准答案。他会背出培训手册上的流程,而不是他实际的做法。这两者经常差很远。
第三,有些判断依据说出来「不体面」——比如「这家供应商送的货我一向多看两眼」。这类经验最有价值,也最不会主动说。
第一步让他做。在真实场景里观察完整操作,记录每一个停顿、每一次回头看、每一处犹豫。犹豫的地方就是判断发生的地方。
第二步让他讲。针对刚才观察到的具体动作追问:刚才为什么在这里停了一下?你看的是哪个数?如果这个数是另一个值你会怎么做?针对具体动作追问,比泛泛而谈有效十倍。
第三步让他挑错。把整理出来的规则写成初版提示词,跑一批真实案例,把结果拿给老师傅看。他会立刻指出哪几个判断得不对,这时候他反而说得出为什么。纠错比表述容易得多。
做 观察真实操作 | 讲 针对动作追问 | 挑错 用结果反推规则 |
记录要用原话。老师傅说「这批料发闷」,就原样记下来,别自作聪明改成「湿度偏高」。原话里藏着后面才能理解的信息。
反例比正例重要。收集二十个「本来会判错但其实是对的」案例,比收集两百个常规案例更有价值。边界才定义规则。
要给老师傅回报。这件事对他没有直接好处,反而可能让他担心自己被替代。明确告诉他这套东西是用来带新人的、他会成为规则的署名者,配合度会完全不同。
让老师傅评判 AI 的答案,比让他描述自己的方法容易一百倍。这是经验萃取最省力的杠杆。
我们做这类项目时,会把最终的规则文档署上老师傅的名字,并且在交付会上当着领导的面说清楚这套东西来自谁。这不是客套,是让他从被替代者变成规则制定者。
这一个动作带来的配合度提升,往往比多花两周做技术优化更有效。隐性知识的萃取从来不只是技术问题,它首先是人的问题。
隐性知识不是问出来的,是看出来、试出来、被纠正出来的。这条路没有捷径,但有正确的顺序。