区域布局
- 左上角排列了大部分功能列表，部分功能折叠，为下方展开列表留出空间。
- 中部标签页类似浏览器任务栏，汇总用户已打开的任务标签，减少频繁进入子界面的操作成本。
- AI 主要工作区：横向布局包含输入框以及历史记录、推荐功能等。输入框支持多模态输入，包括语音、图片、文档等。
00 / 背景
有人参与的人工智能服务，正在成为办公 AI 的必要边界
2026 年颁布的《人工智能拟人化互动服务管理暂行办法》当中，第十三条规定：发现用户正在面临或者已经遭受重大财产损失、明确信息显示用户生命安全或身体健康受到威胁等极端情境的，应当采取提供相应援助等必要措施予以干预，并及时联络用户监护人或者紧急联系人。豆包和千问的智能体功能也于 7 月 15 日下线，进行针对性调整，足以证明即时对于 AI 大厂来说合规性仍然是不小的挑战。
《管理办法》当中相应援助措施也包括人工适时介入，未来 AI 合规建设当中 AI 并不能完全独立于人进行工作，必要情况下需要有人进行介入。当涉及到这一系列问题时，就需要针对性的功能设计帮助用户进行人工智能到人工的转换，同时最大限度地保留用户利益，遵守相关法律法规。
目前阶段的 AI 智能助手或者智能客服依然存在其功能上限，当用户不满足于 AI 的回答或者 AI 判断用户的需求已经超越自己的功能边界时就需要人工介入。这种情况普遍性非常高，例如飞书中的 AI 客服转人工客服、电商 AI 客服转换等。因为成本以及 AI 本身对于共情能力的缺乏，日常使用过程当中用户终究会触及到 AI 的使用边界，作为产品经理就需要考虑边界应该如何转换、转化甚至是从用户层面的消除。
01 / 认识飞书 Aily
Aily 不是单点聊天入口，而是嵌入协作生态的办公 AI Agent
根据飞书帮助中心介绍，Aily 是“深度集成飞书，作为用户的智能办公助手”的智能伙伴，围绕消息处理、文档生成、事项监听、个性化记忆、主动服务、技能扩展与企业级安全展开。它既能辅助用户解读消息、生成回复、撰写文档和制作报告，也能主动监听关键群与关键人、整理未读摘要和待办；同时支持自定义形象与风格，沉淀长期工作记忆，并通过技能库扩展能力。其权限与用户本人保持一致，AI 操作可追溯，敏感操作需人工确认，从而在企业场景中兼顾效率、个性化与安全可信。
飞书 Aily 的产品目标不是提供一个独立聊天机器人，而是在飞书已有的协作生态中建立一层 AI 智能体能力。它通过文档上下文、技能配置、智能伙伴、产物沉淀和失败兜底，把 AI 融入企业用户的真实工作流，降低信息处理成本，并让 AI 输出能够被继续编辑、复用和协作。基于此，本文将 Aily 拆解为一个嵌入企业协作场景、具备主动感知与工具调用能力的办公 AI Agent。
02 / 系统层级
飞书 AI 相关功能系统结构图
从用户可见入口出发，将飞书 AI 相关功能拆成“入口 - 页面 - 功能区 - 末级元素”的层级结构，呈现 Aily 如何嵌入飞书原有工作路径。
03 / 核心任务流
从 AI 回答到人工兜底的主路径
- 01 用户发起问题
- 02 AI 生成回答
- 03 授权文档修改
- 04 AI 修改文档
- 05 查看生成内容
- 06 对产物不满意
- 07 转向客服询问
- 08 AI 客服转人工
- 09 填写表单
- 10 问题解决
04 / 操作流程拆解
从入口、授权、会话、反馈到客服转人工
以下以实际操作路径为主线，保留界面标注、便签和鼠标指针作为观察证据；旁侧文字提炼每一步背后的产品机制与体验判断。
首次激活与权限授权
用户第一次打开智能伙伴功能需要手动统一个人权限授权。右侧还展示了理想的使用场景和结果，继续加强用户心理预设。
首次激活页承担的是“把 AI 变成可信工作伙伴”的预设任务：先说明会做什么，再让用户确认权限边界。
飞书工作台式导航与会话列表区
体现了飞书将 Aily 产品化为“办公流内智能伙伴”的入口策略：通过复用消息列表和全局导航，把 AI 放进用户原有工作路径中，而非新增一个孤立入口，从而提升触达频率和场景连续性。
当第一次使用 AI 时，智能伙伴会询问称呼和语言风格等基础问题，从办公角度快速积累用户基础背景。
收费模式、免费次数设置与成本控制
Aily 的计费设计没有直接向用户暴露 token 成本，而是将复杂的模型调用、多模态处理和长上下文成本抽象为“体验次数”。这种方式降低了办公用户的理解门槛，也方便飞书进行免费试用、邀请奖励和套餐转化。
考虑到图片、PPT 等任务的真实推理成本显著高于普通文本对话，飞书通过 20 次奖励用于覆盖一轮较完整的办公 AI 体验，帮助用户在真实工作流中形成价值感知；200 次上限则用于控制模型成本外溢、防止滥用，并为后续企业 AI 权益包、团队套餐或用量包转化预留空间。
完成对话后推荐问题机制的目的与风险
- 回答控制，预防失败用户输入前，系统有没有降低误用概率。
- 任务流推进把用户从“信息提取”自然引导到风险梳理等后续任务。
- 上下文收敛推荐问题都围绕复盘材料，减少用户问偏或 AI 幻觉扩散。
- 引导用户使用生成 PPT 等更高阶功能来展示产品性能和吸引用户。
- 加速免费提问次数消耗，引导购买流程。
风险：主要包括 AI 结果风险和追问推荐本身的产品风险
- 信任错觉风险：推荐追问提升了任务连续性，但也可能降低用户的警觉性。文档还有可能在缺失关键信息的情况下推进到了方案生成。
- 责任边界风险：在协作文档场景中，AI 生成内容一旦进入正文，就会获得类似“正式记录”的地位。如果系统没有区分 AI 建议、用户确认内容和原始文档事实，责任边界会变模糊。
- 认知懒惰风险：用户直接点推荐问题，不再主动判断真正需要问什么。
追问：为什么是三个问题？
本质是对“主动引导”和“用户控制感”的平衡。相比单一推荐，三个问题能覆盖理解补充、行动拆解和产物生成三类典型办公后续；相比更多推荐，它又能控制界面噪音、降低错误引导和认知负担。
回答之后：从满意度反馈到数据授权的轻反馈闭环
从体验上看，它将 AI 评价从单纯的“好/不好”拆解为更具体的任务维度，例如是否准确理解问题、是否完成复杂任务、内容是否有深度等。这种结构化反馈有助于平台持续优化 AI 能力。
但在企业办公场景中，数据授权的解释不够清晰。用户需要知道哪些内容会被使用、是否可撤回，以及是否会影响企业文档安全。对于办公 AI 来说，反馈机制不只是产品优化工具，也是信任机制的一部分。
05 / AI 与人工边界
飞书智能客服的转人工路径
当用户的问题超出 AI 能力边界时，系统并不是立即接入人工，而是通过引导、表单和群聊承接进行分流。
转人工的“阻力”设置
飞书通过帮助文档、AI 引导提问、针对性 AI 阻拦的方式来帮助真人客服团队分流。当用户仅提出要转人工但是不明确提出问题时，AI 会尝试进行介入帮助用户解决潜在问题，客服 AI 也通过 RAG 训练内置了大量的帮助文档在合适的时候输出给用户。
询前表单的风险
- 咨询表单语言偏客服系统，用户理解有难度，用户自己也不清楚是什么模块出现问题。
- 用户选择错误模块会导致错误分流。
- 紧急程度选择交给用户，用户永远会选择非常紧急，无法有效分层。
- 总体流程涉及客服 AI 转换到机器人加客服群组的转换，用户与 AI 交流的上下文会因为这个转换而丢失。
寻找平衡点：用户的需求和有限的客服资源
客服本身也是平台的一种有限资源，随着用户数量的增长，不可避免的会产生更多需要人工介入的问题，此时就需要对用户的问题进行预判断、分流、信息预收集以及问题的自我消化等。
飞书通过帮助文档、AI 引导提问、针对性 AI 阻拦的方式来帮助真人客服团队分流。当用户仅提出要转人工但是不明确提出问题时 AI 会尝试进行介入帮助用户解决潜在问题，客服 AI 也通过 RAG 训练内置了大量的帮助文档在合适的时候输出给用户。
从 AI 转向工单再转向人工的信息压缩
从 AI 转向工单再转向人工的过程当中，每一步都有信息的压缩、掺杂了噪声，极易使得用户产生不耐烦，影响满意度。
从用户评论看：转人工机制的体验断点
在可见评论中，用户反馈明显集中在“转人工困难”“机器人无法解决问题”“排队时间长”“问题没有被有效承接”等方向。需要注意的是，这类评论本身存在样本偏差：会进入客服/评论区表达的人，通常已经处在问题未解决或情绪不满的状态，因此不能直接代表整体用户满意度。但这些反馈仍然有价值，因为它们暴露了 AI 客服系统在失败兜底、人工可达性和情绪安抚上的体验缺口。
AI 与人工边界：飞书智能客服的转人工逻辑
06 / 原型
AI 转人工流程改良原型
通过可交互原型演示从 AI 客服到人工客服接入的优化路径，重点呈现问题预收集、信息承接和人工介入前的轻阻力设计。
可交互微 Demo：可以直接点击原型中的按钮，体验从 AI 排查到人工接入的完整链路。
07 / 未来经验复盘
方案亮点：AI 与人工客服协同接入优化
基于前面的转人工链路与交互原型，方案目标是让 AI 在失败前先整理上下文、收集关键信息，并把更完整的问题状态交给人工客服。
- 同场协作链路：将用户、AI 客服与人工客服放在同一会话中，人工接入后可直接查看 AI 前序判断、用户原始描述与结构化问题信息，减少用户重复说明，降低信息在多次转述中的压缩与丢失。
- AI 先整理，人工再接手：用户提出转人工前，AI 先基于对话尝试给出排查建议；当用户仍需人工协助时，AI 自动生成问题确认表，用户只需确认和补充关键信息，避免从零填写传统工单。
- 用户视角的信息表达：将表单字段从后台分类语言改为用户更容易理解的表达，例如“原本希望得到什么结果”“实际发生了什么”“影响范围”，降低用户理解成本。
- 轻阻力控制接入质量：通过必填星号、灰色不可提交按钮、信息确认表等方式，在进入人工前建立明确信息完备的门槛；相比单纯“转人工”按钮，可减少低信息量请求，提高客服接手效率。
- 减少客服二次追问：表单信息会在人工接入后沉淀为客服可见的问题摘要，帮助客服快速判断优先级、影响范围和处理方向。
08 / 写在最后
一些观察与想法
从飞书 Aily 到钉钉悟空，再到 Salesforce 在 Dreamforce 中强化 Agentforce 与 Slack 的协作入口定位，办公 AI 的竞争已经不只是某个功能点的实现，而是围绕“谁能成为企业 AI 第一入口”的争夺。各个平台都在依托自身的协作生态抢占位置：飞书强调文档、知识与智能伙伴，钉钉强调企业级 AI 工作平台，Kimi 等模型公司也在通过文档、表格、Slides、Agent 等能力探索 AI 的未来形态。
但办公 Agent 仍处在早期爆发期。真正困难的地方不只是模型会不会回答，而是它能否稳定完成长链路任务，能否理解企业上下文，能否正确处理权限、数据边界和失败后的恢复路径。企业协作平台天然拥有平台内文件、消息、组织关系和权限体系，这是它们相比通用模型产品的重要壁垒；但一旦涉及外部文件、跨系统数据和敏感操作，隐私、合规和信任问题仍然非常棘手。
进一步看，人工介入也不只是“AI 回答不了时的客服兜底”。当用户表达极端言论，或问题涉及未成年人、老人、违法犯罪、自伤风险等高敏场景时，产品需要把人工介入设计成一种安全分流机制：让 AI 先识别风险、降低误伤和扩散，再把需要判断、安抚或处置的部分交给真人。这类机制本质上是在模型能力之外，为办公 AI 补上合规、责任和情绪承接的边界。
因此，我认为现阶段办公 AI 的关键不只是继续提高模型能力，而是用产品设计把用户控制、权限边界、失败兜底和信任机制做清楚。只有当用户知道 AI 能做什么、不能做什么、做错后如何恢复、什么时候会转交人工，企业才更可能接受并为这类产品买单。这也是我在这次飞书 Aily 拆解中最关注的问题。
办公 AI 的核心不是聊天入口，而是工作流入口
真正的机会在于让 AI 嵌入文档、消息、表格和协作链路，而不是让用户额外打开一个聊天机器人。
AI 失败不可避免，关键是失败后如何保持控制感
当模型输出不可靠时，产品要提供解释、反馈、撤回、转人工和上下文承接，让用户知道下一步能做什么。
权限、反馈、人工兜底是企业 AI 信任机制的一部分
企业用户关心的不只是效率提升，也包括数据会不会被用、谁能看见、谁为结果负责，以及高风险场景下是否有人能及时介入。
好的 Agent 产品要同时设计模型能力、用户预期和人工边界
模型能力决定上限，用户预期决定接受度，人工边界决定失败时是否还能维持体验。