场景库
AI Agent 真实落地场景，从营销到编程，从研究到效率工具，附推荐工具组合和实现步骤
8
营销
27
编程
7
研究
15
效率
9
垂直行业
财务报告异常检测
将公司财务数据接入 AI Agent，自动对比历史趋势和行业标准，识别异常指标（如应收账款暴增、毛利率骤降），并生成风险预警报告，辅助财务分析师决策。
实现步骤
- 1.连接 PostgreSQL 数据库存储财务数据
- 2.配置历史对比和行业基准阈值
- 3.AI 自动计算关键财务比率
推荐工具
法律合同关键条款自动审查
上传合同 PDF，AI 自动识别风险条款、不平等条款、缺失的关键保护性条款，输出标注报告，帮助法务人员提升合同审查效率 3-5 倍。
实现步骤
- 1.配置 filesystem MCP 读取 PDF 合同
- 2.编写专业的合同审查提示词
- 3.Claude 逐条分析关键条款
推荐工具
财务数据可视化报告自动生成
连接 Excel 或数据库，让 AI Agent 自动生成月度财务分析报告：收入趋势、成本结构、利润分析、异常预警，并以可视化图表呈现。
实现步骤
- 1.配置数据库 MCP 连接财务系统
- 2.定义报告模板和分析维度
- 3.AI 自动生成 SQL 查询并分析数据
推荐工具
医疗文献综述自动生成
临床研究人员输入研究问题，AI 自动检索 PubMed/arXiv，筛选高质量文献，提取研究方法和结论，生成符合 PRISMA 规范的系统综述框架，大幅加速科研初期工作。
实现步骤
- 1.输入 PICO 格式的研究问题
- 2.AI 搜索 PubMed 和 arXiv 相关论文
- 3.按纳入/排除标准筛选文献
推荐工具
AI 驱动的客户成功工作流：自动计算健康度分数 + 个性化续费预警
整合 CRM 数据、产品使用日志和客户沟通记录，用 AI Agent 自动计算客户健康分数（Health Score），识别高流失风险账户，并为 CSM 生成个性化干预建议和外联邮件草稿，将客户流失率降低 20-30%。 ## 直接回答 **这套工作流解决什么问题？** B2B SaaS 最常见的两个痛点： 1. CSM 管理 50+ 客户，不知道该优先关注谁 2. 客户即将流失时才发现，已经错过干预时机 **AI 能做什么？** - 每日自动计算每个账户的健康分数（0-100） - 识别健康分下降趋势（连续2周下降 → 预警） - 为高风险账户生成个性化干预建议 - 起草外联邮件草稿（引用客户具体使用数据） ## 健康分计算模型 ```python def calculate_health_score(account_data): score = 100 # 登录频率（最大扣30分） login_days = account_data['login_days_last_30'] if login_days < 5: score -= 30 elif login_days < 15: score -= 15 # 核心功能使用（最大扣25分） adoption = account_data['feature_adoption_rate'] if adoption < 0.3: score -= 25 elif adoption < 0.6: score -= 10 # 支持工单数（多=满意度低，最大扣20分） tickets = account_data['support_tickets_last_30'] if tickets > 10: score -= 20 elif tickets > 5: score -= 10 # 合同到期临近（最大扣15分） days_to_renewal = account_data['days_to_renewal'] if days_to_renewal < 30: score -= 15 return max(0, score) ``` ## n8n 工作流 ``` 每日 08:00 触发 ↓ HubSpot API → 拉取所有活跃账户 ↓ postgres MCP → 查询最近30天产品使用数据 ↓ AI Agent（Claude）→ 计算健康分 + 生成风险标签 ↓ 筛选健康分 < 60 的账户 ↓ AI Agent → 为每个风险账户生成干预建议 + 邮件草稿 ↓ 写入 CRM + 发 Slack 通知 CSM ``` ## 实测效果（某50人 SaaS 公司，3个月） - 高风险客户识别提前率：从「续费前2周」提前到「续费前8周」 - CSM 日均处理客户数：45 → 70（同等人力） - 季度净留存率（NRR）提升：从 98% → 103%
实现步骤
- 1.梳理客户健康度指标：登录频率、功能使用率、工单数量、合同到期时间
- 2.在 n8n 配置 HubSpot Trigger，每日拉取账户数据
- 3.用 postgres MCP 接入产品使用日志数据库
推荐工具
金融场景AI Agent实时风险预警系统落地
在金融科技平台中，海量口语化用户原声是故障预警的敏锐信号，但极易引发高误报与告警疲劳。本方案基于蚂蚁集团开源的TingIS系统，通过语义蒸馏、级联路由、事件同一化、记忆管理及多维降噪五大模块，实现端到端流式风险预警。系统在>2000条/分钟吞吐下达成P90延迟≤10分钟、分发准确率90%+，并抑制超94%无效告警，高效实现故障提前预警。
实现步骤
- 1.部署TingIS系统，配置数据采集层实时捕获用户投诉原声流。
- 2.在语义蒸馏模块中利用LLM将原始投诉压缩为标准化短摘要并脱敏PII。
- 3.搭建级联路由机制，以关键词匹配保障核心业务精度，以多路向量检索兜底长尾场景。
推荐工具
构建企业级RAG 2.0系统
本场景介绍如何基于RAG 2.0架构构建企业级问答系统，解决大模型幻觉、知识更新慢和数据安全问题。通过分层模块化设计，集成文档解析、混合检索、重排序和生成组件，实现“搜得更全、排得更好、回答更准”。使用RAGFlow进行文档智能解析，结合向量数据库和Elasticsearch实现混合检索，最终提升问答准确性和可解释性。
实现步骤
- 1.部署RAGFlow并配置DeepDoc模块，支持PDF、DOCX等多格式文档的智能解析与知识切片。
- 2.搭建向量数据库（如Infinity）和Elasticsearch，构建文本索引与向量索引，实现混合检索。
- 3.设计离线入库流程：文档解析→切片→向量化→索引构建，确保知识覆盖全面。
推荐工具