认识 VINCIS GPT:企业 AI 团队的新工作方式
了解 VINCIS GPT 如何让 AI 深度融入团队日常工作,帮助企业提升效率、加速协作并持续创造价值。
一项工作的完整记录:Work 说明目标,Evidence 提供可回读的凭据,Outcome 是系统据此得出的结论——包括「无法确认」。
大多数团队接触 AI 的方式,是打开一个对话框、提出一个问题、复制一段回答。这条路径很短,也很有用,但它止步于个人。当一项工作需要多人协作、需要留下记录、需要有人负责,对话框就不够了。
VINCIS GPT 想解决的是后半段问题:把 AI 从"一个能回答问题的工具",变成"一个能参与工作、留下证据、接受监督的协作方"。这篇文章介绍它的基本结构,以及一个团队通常如何把它接入日常。
核心要点
- 工作被建模成三个对象:Work(要做什么)、Evidence(凭什么说做了)、Outcome(系统据此判断的结果)。
- AI Employee 拥有执行能力,但不拥有批准权——两者在系统中是分开的。
- "没有找到数据"与"读取失败"是两种状态,系统不会把后者当成前者。
- 对话内容不会自动成为企业知识,正式事实需要来源、上下文和确认依据。
为什么"用 AI"和"让 AI 参与工作"不是一回事
用 AI 的门槛很低:你提问,它回答,你判断有没有用。整个过程的责任边界很清楚——判断在你手上,风险也在你手上。
但当 AI 开始代替你做事——发一封邮件、更新一条记录、调用一个外部服务——责任边界就模糊了。谁授权的?做成了吗?凭什么说做成了?出了问题谁负责?这些问题在对话框里没有答案,因为对话框只有文字,没有状态。
模型说"已经完成",和这件事真的完成了,是两条不同的信息。
VINCIS GPT 的设计前提是:模型的自我陈述不构成执行证明。一项工作是否完成,取决于系统能否取得独立的、可回读的证据,而不是取决于回答里的措辞。这个前提听起来保守,但它决定了整个系统的结构。
三个核心对象
为了让"工作"成为可以被追踪的东西,VINCIS GPT 用三个对象来描述它。
Outcome 只有四种取值,而且刻意保留了"不知道"这一档:
| 状态 | 含义 | 系统行为 |
|---|---|---|
SUCCESS | 存在充分证据证明目标已完成 | 记录证据来源,结束该 Work |
FAILED | 存在证据证明执行失败 | 保留失败现场,等待处理 |
UNKNOWN | 现有资料不足以确认成功或失败 | 停下并要求核对,不重复执行 |
NOT_CONNECTED | 相关执行或验证能力尚未连接 | 明确告知缺口,不使用模拟数据 |
大多数系统会把"读取超时"归入失败,或者干脆当作没有异常。这两种做法都会产生错误的确定性。保留 UNKNOWN 意味着系统承认自己不知道,代价是多一次人工核对,收益是不会基于错误结论继续往下走。
AI Employee 如何加入团队
AI Employee 是被分配了职责和能力的执行主体。它可以接收任务、拆解问题、提出计划、在允许范围内调用工具、执行已经获得授权的工作,并记录整个过程。
它不能做的事同样明确,而且这些限制不是提示词层面的约定,是系统层面的约束:
- 不能冒充真人,也不能以真人身份作出批准;
- 不能为自己创造更高权限,或为自己批准任务;
- 不能把模型输出直接写成企业事实;
- 不能在没有有效证据的情况下宣布任务成功。
换句话说,AI Employee 的能力边界和权限边界是两套独立的东西。能调用某个工具,不等于有权决定什么时候该调用它。
权限与批准:谁能决定什么
系统区分四个概念,它们经常被混为一谈:
- 执行能力——能使用哪些工具、处理哪类任务。
- 请求权限——能不能提出某项请求。提出请求不等于批准请求。
- Owner 权限——只来自系统正式任命并验证的身份记录。
- 批准决定——必须来自真实的、经过验证的、有权作此决定的人。
特别值得强调的一点:电子邮箱、显示名称、职位名称、角色标签、组织名称,这些都不产生权限。它们是联系方式和展示信息,不是授权凭据。一个把自己命名为 admin@ 的账号,和权限系统里的 Owner 记录之间没有任何关系。
# 权限判断的顺序,简化表示 verify identity → 系统中经过验证的身份记录 check capability → 该主体能否执行这类操作 check authorization → 该操作是否已获有效授权 require approval → 高风险动作需真人确认 record evidence → 执行结果必须可回读 # 任一环节无法确认 → 拒绝或暂停,而不是继续
涉及外部发布、发送信息、付款、权限变更或敏感资料处理时,系统会要求确认或批准。未取得有效授权时,它会拒绝执行——这不是故障,是设计。
企业知识不是聊天记录
团队用得越久,越会产生一个问题:哪些内容算数?
VINCIS GPT 的处理方式是把二者分开。对话内容、模型推测、AI 生成文本,默认都不是企业事实。要成为正式知识,一条信息需要有明确来源、可还原的上下文,以及适当的确认依据。无法确认的信息保持未知状态,不会被自动补全成看起来完整的答案。
这条规则的实际效果是:知识库不会因为用得多而变脏。它增长得更慢,但增长的部分是可以引用的。
从试用到日常:一个可行的节奏
大部分团队不需要一开始就全面接入。比较稳的推进方式是分三步:
- 先做只读的事。研究、检索、整理、分析——这些任务没有外部副作用,出错的成本只是重做一遍,适合用来建立对输出质量的判断。
- 再接入一到两个连接器。选择你能验证结果的系统,确认授权范围、操作目标和可能的副作用,然后观察 Evidence 是否真的能回读。
- 最后才是自动化。只有在前两步的记录足够多、足够可信之后,再讨论哪些环节可以减少人工确认。
不要让 AI 单独作出可能严重影响个人生命、健康、重大权益或法律地位的决定。涉及法律、医疗、财务、税务、安全或人事的判断,请由具备相应资格的人复核。
常见误区
"输出看起来很专业,应该没问题。"流畅度和准确度是两件事。语言模型在不确定时也会给出结构完整的回答,这正是需要核对的原因。
"它说调用成功了。"请查看 Evidence 和 Outcome。系统提供的执行证明,和模型对执行的描述,不是同一个东西。
"这个功能是本地运行的吧。"除非明确标记为仅本地处理,否则不要假设。具体边界取决于你使用的功能、部署方式和调用的服务。
把 AI 接入工作,难的从来不是让它开口,而是让它的话可以被检验。VINCIS GPT 做的大部分设计,都是围绕这一件事。