最近团队做了一个有趣的工具，实现了团队周报汇总并且以数字人的形式输出，替代了之前的PPT周报开会模式。从提出概念到初步落地，大概用了一周的时间，整个方案使用了Dify+Kodbox网盘+剪映软件的数字人功能。
相信大多数员工和管理者都经历过周报系统，尤其在层级较多的大型企业中。从周五到周一，各部门都在召开每周例会，各种信息在公司内部不断汇总和调整，最终形成可供讨论的材料，在会议中达成决策和行动。
一些协同软件，例如飞书、钉钉和企业微信，将文档与即时通讯和会议系统完美整合，使得总结、汇报和开会不再成为员工的负担。然而，对于需要私有部署的企业来说，由于信息保密需求，核心数据不愿意放在云上，因此无法使用这些SaaS版的协同软件。企业也希望能够灵活使用自己的数据，因此诞生了定制周报系统的需求。
许多大型企业都有过自建周报系统的经历，但这种定制化项目往往“吃力不讨好”。每个企业都有独特的管理风格，各部门的流程和职责差异显著。一个在某公司或部门表现良好的周报系统，换到另一个环境可能就难以适应。另外，周报系统的建设和推广还有其他的难点：
周报日报系统普及难度大。有的团队能够很好把周报系统用起来，但是有的团队的风格很难适应周报这种管理方式，例如那些偏向创造性思维、发散性思维的团队很难保证在固定时间内的工作输出。
团队管理风格差异大。有些管理者喜欢以日历形式总结每天工作任务，而另一些则偏好根据重点项目的进度和里程碑进行总结，系统的建设需要去定制化的适应每个团队不同的风格。
组织架构变动频繁。当一个部门来了新的领导，可能会完全改变之前的工作汇报和开会的方式，这也使得周报系统的变动极其频繁，不同历史版本的数据也很难统一和兼容。
时间维度，与工作的维度不一致。工作可以按照多种维度展开，比如人员、组织、任务类型、时间以及空间等。而“一周”其实只是时间维度中的一个简单单位，未必能够全面反映工作的实际情况和进度。自然界或法律规定的日、周、月、年等时间周期，也未必能够精确匹配实际的工作节奏。有些任务可能在半小时内即可完成，无需额外时间进行总结。而较为复杂的任务可能在一周内没有显著进展，大家为了填满周报，可能会将零碎的工作拼凑进去，这样可能会缺乏战略任务的连续性和深入分解。
很多周报只有“上传”的功能，缺乏“下达”的功能。信息在汇总过程中白压缩后有信息损失，往往在传递1-2级后就消失了，例如某项工作是谁做具体的，管理层很难再基于原始信息进行准确的评价和决策。
周报系统取数据难。许多关键信息如运营数据、财务指标、项目进度等，可能需要从多个系统中提取。员工为了写几百字的周报，可能需要查询大量数据源。有些专业岗位，例如销售，其工作的内容已经在CRM系统里有了总结，但是为了写周报，还得人工的把数据和文字从一个系统搬到周报系统中，人在这里成了系统信息的搬运机器。
周报里汇报的往往是结果，缺乏过程的深度信息。结果可能只是一个简短的总结，比如“项目A完成了初步测试”，“项目B招投标输给了竞争对手”，“销售额增加了5%”。但这些数字背后隐藏的细节和深层原因，却未能得到充分展现。在企业的信息传递中，很多信息可以口头沟通，但是却不方便留痕，例如客户内部的决策过程。
数据泄露风险：周报系统收集了大量的敏感数据，如财务情况、运营数据、项目进度等，如果安全防护不够严密，存在数据泄露的风险；但是如果不做分享，又起不到信息拉通的作用。需要在数据共享和信息透明度之间找到平衡，防止敏感信息的滥用。
我们常见的数字化系统是非常擅长处理结构化数据的，例如ERP，KPI等。在这些系统里，设置好元数据、表结构、管理和业务逻辑关系等，然后就可以把一个企业经营管理的流程固化进去，提升企业的运营效率。
但是，周报系统往往依赖于非结构化数据，如文字、文档和PPT，对信息管理的难度非常大。例如，同一个项目，在一个人的周报中用的是“项目管理系统”，在另一个人的周报中可能写作“禅道”（一个开源版本的项目管理软件）这样的产品术语，无法通过简单的标签和数据标准化进行归一化。
这种多样化的问题不仅限于项目名称，还可能涉及不同的表达风格，如风险评估和进度汇报。一位员工可能用“进展顺利”来描述项目，另一位则可能写“按计划进行”，但两者含义基本相同。不同员工的风险偏好和表达风格也会有很大的差异，一位为员工描述的“项目有风险”，可能是1-10级别里的第7级风险；而另一个员工描述中的“项目有重大风险”，可能也是1-10级别里的第7级风险，管理者需要对团队每个员工的风格非常熟悉，才能识别出其中的差异。管理者在处理这些非结构化数据时，不仅耗时，而且容易遗漏关键信息，从而影响准确的决策。
那么什么样的工具适合处理这些非结构数据呢，那肯定是AI大模型了。AI大模型对文字的处理方式非常像人类的大脑，尤其是在信息的压缩上。如果人类的大脑可以很好的处理企业中的信息沟通难题，那么AI大模型大概率也可以做的还不错。
《企业管理与大模型：向上沟通是”压缩“，向下沟通是”扩散“》
Dify周报工作流
今天我们来看一看，怎样用一周的时间，在尽量不写代码的情况下搭建一套适合各个团队的周报管理系统。这样每个团队都可以更简单地自定义自己的沟通和协同方式了。
Dify是一个开放源代码的大语言模型应用开发平台，集成了知识库和多种大语言模型，旨在简化复杂任务的处理。其核心特性包括将复杂任务分解为更容易管理的小任务，从而降低使用门槛，并通过工作流设计提高任务处理的效率和稳定性。Dify使新手用户也能轻松创建功能强大的AI助手，无需深入掌握复杂的提示词编写技巧。类似平台如字节的Coze、FastGPT和Zapier也在采用这种工作流设计方法，显示了其在AI应用落地中的广泛认可和应用可行性。
利用Dify来搭建周报系统的大概流程如下：
整个交互体系做成IM或者邮件里的智能助理，智能助理来调用Dify工作流完成大部分的工作。因为IM占据了企业流量的入口，大家不需要再多点两下进入一个单独的系统。
智能助理提示员工写周报，并提供跟其岗位和工作匹配的模板，一些数据和信息也可以通过接口从其他系统自动抓取，帮助填好初始的信息。
员工填写周报，填写后AI可以根据预设的提示词来进行文字的自动优化，例如在出差路上的口语化的段落转化为较为正式的文字。
AI周报系统根据每个团队的提示词，提示词中可能包含该团队的KPI、OKR，岗位职能和最近的重点等，汇总团队每个员工的周报，例如将十个团队成员每人200字的周报汇总并压缩成一份1000字的团队周报。
团队负责人对AI总结的周报进行点评，修改，并加上自己的工作总结。
更上一级的团队的周报继续根据团队的“提示词”，结合其他系统提取出来的数据，AI对这些信息进行整理和汇总。
每个团队的汇总周报通过数字人的工作流，形成短视频和直播风格的工作汇报内容。
在专项汇报方面，例如月度工作总结、季度工作总结、年度工作总结，以及针对内部团队和客户的报告，可以通过专门的工作流进行优化，以提高汇报的效率和质量。
通过这一系列流程，员工和管理者能够迅速借鉴并沉淀自身的工作风格和管理经验，将其转化为AI的“提示词”。人类在使用自己的母语输出时候最为轻松，思维也能够聚焦在真正的深度思考上；而使用其他的语言时，需要耗费大量的脑力在非母语的实时转换上，需要消费大量的脑力。通过AI大模型，员工可以用自己最熟悉和舒适的原生思维方式进行输出，而AI大模型在这里充当一个翻译器，帮助大家在企业里与不同人、不同部门进行有效的沟通。对于那些语言加工能力不是很强的理工科从业者，这样的工具应该挺好用。
《GPT-4的诞生，堪比人类语言的出现时刻》
下面我们简单介绍一下Dify里一些模块的流程：
例如点评周报的功能可以分为下面几个步骤：
根据用户指令获取周报日期、用户所属部门等相关信息。
从网盘中读取AI汇总的周报内容，并获取用户自定义的点评周报提示词。
如果用户未提供自定义的点评周报提示词，将自动从网盘中读取默认提示词，并将此提示词与AI汇总的周报内容一起输入到大模型中进行处理。
将大模型生成的点评周报内容存储到网盘，并生成AI汇总周报文件的分享链接，方便用户进行比对和查阅。
Kodbox网盘的结构树
Kodbox是一个开源的网盘软件，虽然在Github上的Star没有另外几个网盘产品那么多，但是由于其UI的风格很像Windows的操作系统，用户上手起来比较容易。Kodbox提供了基本的文件操作功能，如浏览、上传、下载、删除、重命名、复制、剪切和粘贴等，另外也内置了强大的文件预览和编辑功能，支持多种文件格式，如文本文件、Office 文件、图片、视频和音频等。这些功能就可以使得开发团队不用去写任何的前端界面了，通过一个网盘的界面就可以实现类似数据库和调试的功能。
https://kodcloud.com/product/kodbox/
我们自己开发了一个Dify跟网盘的API接口，这样工作流就可以无缝的跟网盘集成起来了。网盘里的内容可以自动按照公司的组织架构来展开，在每个部门每个员工的目录下，会有按照日期的目录。每个周报会对应几个版本：原始版本，AI汇总版本，和最终的修订版本。
每个员工的周报模板、周报汇总和优化提示词，也可以Markdown的格式直接存在网盘的目录中，方便Dify工作流来做查询和修改。如果希望修改某些模板和提示词，也可以直接登录网盘里“暴力修改”，不会写代码的产品经理也可以用这种方式来做产品的调试。
数字人周报：
为啥有了文字版本的周报，还得折腾数字人版本的输出呢？首先是短视频的方式能够更多的调动人大脑的各种神经单元，很容易让听众聚焦，把枯燥的工作汇报听完。另外除了文字以外，合适的语音和肢体动作也能够帮助不同的听众更好地吸收内容，数字人可以通过参数调整快速输出成不同风格的内容。例如，有的同学平时在工作汇报工作中过于严肃，笑不出来，但是数字人可以帮你转化为一个嘻哈风格的，让你很容易的放松下来，真正做到千人千面，让每个听众都看到你不同的一面。
在数字人的输出过程中，需要先用AI大模型把文字版本的精炼风格的周报转化为转换为口播文案，中间加了很多口语化的词语和上下文转折。AI大模型生成的文案逻辑清晰、语言简练，完全符合口播需求，极大地节省了手动编写口播稿的时间和精力。大家可以看下两种风格的对比：
原始周报风格：
“ 一、专项进展
1. 容器平台优化：完成v1.25.2升级，支持k8s1.30，排查并解决tke集群自动更新kube-proxy问题。
2. 大数据集群迁移：HDFS存量数据同步完成，增量同步脚本开发测试完成。
3. 问答数据集生成与大模型评测：完成开源项目文件整理，umami本地部署数据收集正常。”
口播风格：
“ 容器平台优化：我们刚升级到v1.25.2，现在支持k8s1.30版本，还解决了TKE集群自动更新kube-proxy的问题。 大数据集群迁移：HDFS存量数据已经同步完毕，增量同步的脚本也开发测试完成了。 问答数据集生成与大模型评测：开源项目文件已经整理好，umami的本地部署和数据收集运行得很顺利。 ”
通过RPA的工具，将生成的口播文案自动输入剪映的数字人中。剪映的数字人功能让用户可以通过照片和视频生成虚拟形象，定制外观和动作，并实现表情捕捉和口型同步。用户还能为数字人配音，选择不同场景应用于各种视频创作，如教育、宣传和社交媒体内容。操作简单且不需要专业技术背景，隐私也得到保障。通过结合AI大模型和剪映的数字人功能制作视频版周报，不仅节省大量时间和人力成本，还真正做到了“千人千面”。
更多的思考：
语言在我们社会的组织、生产和生活中发挥着至关重要的沟通作用，但是大部分基于语言的信息却无法很好被保存记录与使用。目前，企业数字化的重点更多集中在业务系统上，例如ERP、CRM和电商系统等，通过这些系统记录的那些冰冷的数据，我们能够有效地监控企业的业务状况。然而，许多其他重要的信息，例如团队间的互动、个人与组织之间的沟通以及各种决策过程，都未被有效记录。这意味着一个企业的动态的发展过程，进化过程，这些关键“人性”的数据却没有被记录。
我们现有的数字化程度远远不够。大模型的智能仍然有限，因为用于训练的数据量和数据深度都不足。很多人误以为互联网上的数据已经被充分利用，大模型的发展已经触及天花板。实际上，互联网上的数据只是社会数据的一部分，且多为简单信息，而富含推理和决策逻辑的“灰度数据”大量未被保存。这些数据往往来自于人的潜意识的思考，以及组织之间的沟通互动。
大模型现在还不够聪明，是因为我们目前训练它的数据还不够多，不够深度。以当前热门的股市为例，即使有充分信息披露的上市公司，这些信息可能也可能反映不了整体信息的万分之一。
大模型现在还不够聪明，是因为我们目前训练它的数据还不够多，不够深度。就拿现在火热的股市为例，即使是一个有较多信息披露的上市公司，这些信息可能也只占所有信息的万分之一都不到。
未来，随着AI Agent+API+RPA体系的成熟，人工智能能够帮助企业充分利用大量非结构化数据，越来越多的有深度有逻辑的“灰度数据”将会被重视并记录下来。当这些数据逐渐累积，大模型会变得更加聪明，精通各个垂直行业，能够深入理解企业的运作模式、组织结构的运转以及个人的具体需求。
