运维 Copilot
查询设备、计量、环境与告警数据，回答中标明数据来源和时间范围。
先确认业务与数据条件
数据在系统里，判断仍散落在人和页面之间
真正的难点通常不是模型能不能回答，而是设备数据、业务口径、权限和现场动作能否形成安全、可追溯的链路。
设备状态、计量、告警和工单分散，回答一个问题要跨多个系统查找
报告依赖个人经验，口径、时间范围和数据来源难以复核
EMS、IoT、边缘侧与运营后台各自演进，跨系统影响难判断
远程操作、参数调整或升级风险高，缺少明确授权与回滚路径
已经有 AI 原型，但没有接入真实数据和生产责任人
异常诊断可以辅助，但最终处置必须有人工接管和操作留痕
从真实系统开始
让 AI 成为生产系统的一部分，而不是旁边的演示层
先建立数据与工具边界，再用真实样本验证。高风险动作长期保留人工确认，所有输出和变更都能追溯。
数据问答与报告
把跨页面查询组合成结构化分析，并将结果写回现有运营系统。
故障诊断辅助
基于批准的数据和规则给出判断依据；证据不足时停止并交给人。
Agent Workflow
连接工单、审批和报告流程，低风险步骤受控执行，关键动作人工确认。
EMS / IoT 集成
从现有 API、消息与数据模型进入，不为使用 AI 强行替换成熟系统。
边缘与 OTA 治理
把协议、版本、分批升级、授权、审计和回滚一起纳入架构判断。
低风险入口
固定范围 Review：能源 / 工业系统入口
围绕一个明确业务问题，审查现有数据、系统边界、关键动作与生产风险。它共用 AgentKick 的生产就绪审查方法，但不会预设最后一定要做 Agent。
- 时间
- 通常 2 周
- 商务方式
- 固定范围 / 固定价
固定交付物
- 业务问题、责任人和可验收结果
- 现有 EMS / IoT / 数据访问路径
- 权限、人工接管、审计与回滚边界
- P0 / P1 / P2 风险清单
- 分阶段生产路线图与投入判断
- 一次最终 Review 会议
范围确认后提供固定报价。审查结束后，再决定是否进入建设或持续顾问合作。
讨论能源 / 工业场景先把边界讲清楚
关于能源与工业 AI 的常见问题
这里集中回答交付对象、适用场景、上线控制和合作起点。展开问题即可查看完整边界。
不是。入口可以是对话，但交付重点是数据从哪里来、能调用哪些运营工具、结果如何核对，以及异常时如何停止、回滚或交给人。
可以。通常先审查现有 API、数据质量、权限、告警与业务流程，再决定哪些能力以查询、建议、报告或受控动作的方式接入。
优先选择数据来源明确、重复发生、结果可验收且有人负责的工作，例如跨系统查询、运营报告、异常归因辅助或需要人工确认的工作流。
不会。先用固定范围 Review 确认数据路径、系统边界、P0 / P1 / P2 风险和生产路线，再决定是否建设。