Ask BrandHub
在做之前
月报读起来比做起来还费时间。
怎么做
一个跑在 BrandHub （在新标签页打开） 自己服务器上的本地 Llama 模型。它拿不到整个数据库，只拿到查询 PostgreSQL 的工具，知道哪张表放了什么，所以能用大白话回答。
我的角色
我在做这个：它能用哪些工具、能读哪些表，以及怎么检查它的回答。
- 问题
- Llama 选一个查询
- PostgreSQL
- 数据返回
- 大白话回答
“上个月哪些租户订了餐巾？”
→ 先找到这个产品
→ 再找租户，再找他们的订单
模拟器就在下面。来吧，试试能不能把它玩坏。
Claude 技能和智能体
已上线之前
准备一个迭代要大约 20 小时，每周都是同样的杂活。
怎么做
我给自己工作里最慢的那几块搭了 Claude 技能和一串智能体：竞品调研、git 和数据模型的影响分析、整理客户文档、起草 Jira 用户故事。Atlassian Rovo 会检查每个故事有没有漏洞。如果你的一周也有这样的环节，或者有个可以更简单的门户流程，这正是我爱解决的问题。
迭代准备从大约 20 小时缩到了大约 6 小时。
我的角色
这些都是我搭的，每个迭代我都在用。
- 客户文档
- 调研智能体
- 影响分析智能体
- 故事草稿
- Rovo 检查
- Jira
迭代准备 ..... 20 小时 → 约 6 小时
从销售电话到报价
已设计之前
现在，一个销售要在电话上花 10 到 15 分钟，边听边记，翻商品目录，再手工建订单。
怎么做
为 BrandHub （在新标签页打开） 做的：AI 记录下单电话，起草订单行。电话是英语或荷兰语。它帮销售卸掉杂事，不是取代他们。
我的角色
我为 BrandHub （在新标签页打开） 设计了流程，写了需求文档。
- 电话
- 实时转录
- 模型提取产品和数量
- 匹配商品目录
- 订单草稿
- 销售核对
- 报价
“我要 500 张餐巾。”
→ 产品：餐巾，数量：500
→ 50 款匹配的餐巾，排好序，让销售挑。
目标 ........ 5 到 6 分钟
购物助手
概念之前
新客户不可能熟悉几千款产品的目录。
怎么做
助手会问：做什么生意、在哪儿、用来干什么、要多少，然后推荐产品。
我的角色
我的构想。目前还在纸上。
- 什么生意？
- 在哪儿？
- 干什么用？
- 要多少？
- 搜索商品目录
- 推荐购物篮
要开餐厅的人，会拿到一张清单：围裙、餐巾、制服和桌上用品。
供应商多发货雷达
概念之前
印刷机经常会多印几件。订 1,000 件，收到 1,050 件，供应商按 1,050 件收钱。
怎么做
一次没关系。仓库每箱都会扫码，所以系统能看出规律：同一个供应商、同一个商品，+7%、+8%、+6%。然后它通知产品管理，由他们去改默认数量、调整容差，或者换个方式跟供应商谈。
我的角色
我的构想。目前还在纸上。
- 扫码入箱
- 匹配到订单行
- 记录差异
- 发现规律
- 提醒
供应商 X · 商品 Y
订单 1 .......... +7%
订单 2 .......... +8%
订单 3 .......... +6%
→ “已经多发了 3 次。要看看吗？”
Ask Metis
已上线之前
每天大约 30 份报告，大部分是问题，不是 bug。
怎么做
档案 03 里的工单助手。一个 LLM 把每份报告和系统的数据模型、git 里的代码对一遍，然后分类：它能回答的问题、真正的 bug，或者放进待办池的想法。
我的角色
我写了需求规格、提示词和输出规则，并主导了上线。
- 报告
- 数据模型 + git
- 问题 / bug / 想法
- 回答或进 Jira
开票平台
在做之前
团队在主系统之外，还得同时应付 Teamleader、Moneybird 这类开票工具。
怎么做
一个平台搞定手工发票和系统生成的发票，从头到尾。
我的角色
我负责定它的 OKR、排它的待办优先级，它是我手上四个产品之一。
- 订单或手工
- 草稿
- 审核
- 已入账
开发中 · 2026
Ask BrandHub在做
之前
月报读起来比做起来还费时间。
怎么做
一个跑在 BrandHub （在新标签页打开） 自己服务器上的本地 Llama 模型。它拿不到整个数据库，只拿到查询 PostgreSQL 的工具，知道哪张表放了什么，所以能用大白话回答。
我的角色
我在做这个：它能用哪些工具、能读哪些表，以及怎么检查它的回答。
- 问题
- Llama 选一个查询
- PostgreSQL
- 数据返回
- 大白话回答
“上个月哪些租户订了餐巾？”
→ 先找到这个产品
→ 再找租户，再找他们的订单
Claude 技能和智能体已上线
之前
准备一个迭代要大约 20 小时，每周都是同样的杂活。
怎么做
我给自己工作里最慢的那几块搭了 Claude 技能和一串智能体：竞品调研、git 和数据模型的影响分析、整理客户文档、起草 Jira 用户故事。Atlassian Rovo 会检查每个故事有没有漏洞。如果你的一周也有这样的环节，或者有个可以更简单的门户流程，这正是我爱解决的问题。
迭代准备从大约 20 小时缩到了大约 6 小时。
我的角色
这些都是我搭的，每个迭代我都在用。
- 客户文档
- 调研智能体
- 影响分析智能体
- 故事草稿
- Rovo 检查
- Jira
迭代准备 ..... 20 小时 → 约 6 小时
从销售电话到报价已设计
之前
现在，一个销售要在电话上花 10 到 15 分钟，边听边记，翻商品目录，再手工建订单。
怎么做
为 BrandHub （在新标签页打开） 做的：AI 记录下单电话，起草订单行。电话是英语或荷兰语。它帮销售卸掉杂事，不是取代他们。
我的角色
我为 BrandHub （在新标签页打开） 设计了流程，写了需求文档。
- 电话
- 实时转录
- 模型提取产品和数量
- 匹配商品目录
- 订单草稿
- 销售核对
- 报价
“我要 500 张餐巾。”
→ 产品：餐巾，数量：500
→ 50 款匹配的餐巾，排好序，让销售挑。
目标 ........ 5 到 6 分钟
购物助手概念
之前
新客户不可能熟悉几千款产品的目录。
怎么做
助手会问：做什么生意、在哪儿、用来干什么、要多少，然后推荐产品。
我的角色
我的构想。目前还在纸上。
- 什么生意？
- 在哪儿？
- 干什么用？
- 要多少？
- 搜索商品目录
- 推荐购物篮
要开餐厅的人，会拿到一张清单：围裙、餐巾、制服和桌上用品。
供应商多发货雷达概念
之前
印刷机经常会多印几件。订 1,000 件，收到 1,050 件，供应商按 1,050 件收钱。
怎么做
一次没关系。仓库每箱都会扫码，所以系统能看出规律：同一个供应商、同一个商品，+7%、+8%、+6%。然后它通知产品管理，由他们去改默认数量、调整容差，或者换个方式跟供应商谈。
我的角色
我的构想。目前还在纸上。
- 扫码入箱
- 匹配到订单行
- 记录差异
- 发现规律
- 提醒
供应商 X · 商品 Y
订单 1 .......... +7%
订单 2 .......... +8%
订单 3 .......... +6%
→ “已经多发了 3 次。要看看吗？”
Ask Metis已上线
之前
每天大约 30 份报告，大部分是问题，不是 bug。
怎么做
档案 03 里的工单助手。一个 LLM 把每份报告和系统的数据模型、git 里的代码对一遍，然后分类：它能回答的问题、真正的 bug，或者放进待办池的想法。
我的角色
我写了需求规格、提示词和输出规则，并主导了上线。
- 报告
- 数据模型 + git
- 问题 / bug / 想法
- 回答或进 Jira
开票平台在做
之前
团队在主系统之外，还得同时应付 Teamleader、Moneybird 这类开票工具。
怎么做
一个平台搞定手工发票和系统生成的发票，从头到尾。
我的角色
我负责定它的 OKR、排它的待办优先级，它是我手上四个产品之一。
- 订单或手工
- 草稿
- 审核
- 已入账
开发中 · 2026
Peirce在做
需求、设计、数据模型、看板、文档和聊天都放在一处，团队不用再在 Jira、Figma、Confluence 和 Teams 之间来回切。一有改动，AI 会找出还牵连到哪些地方，并帮着一起更新。
我的角色
我的想法。我在设计它，也在开发它。
以实用主义之父命名，我们信奉的就是这个。
peirce.app →Peirce 在做
需求、设计、数据模型、看板、文档和聊天都放在一处，团队不用再在 Jira、Figma、Confluence 和 Teams 之间来回切。一有改动，AI 会找出还牵连到哪些地方，并帮着一起更新。
我的角色
我的想法。我在设计它，也在开发它。
以实用主义之父命名，我们信奉的就是这个。
peirce.app →
