pingan-knowledge-extraction

name

pingan-knowledge-extraction

description

Use this skill whenever the user needs to extract knowledge and experiences from Ping An (平安) related organizations, including Ping An Life Insurance (平安人寿), Ping An Zhiniao (平安知鸟), Ping An Bank (平安银行), Ping An Good Doctor (平安好医生), Ping An Technology (平安科技), and other Ping An subsidiaries. Typical triggers: - "萃取平安XX经验" (Extract Ping An XX experience) - "萃取平安知识" (Extract Ping An knowledge) - "设计访谈提纲" (Design interview outline) - "萃取报告" (Extraction report) - "平安AI萃取" (Ping An AI extraction) - "平安知识萃取" (Ping An knowledge extraction) - "平安经验萃取" (Ping An experience extraction) - Any task involving extracting, summarizing, or documenting experiences from Ping An organizations This skill automatically handles: 1. Batch document conversion (DOCX/XLSX/PPTX → Markdown) for fast processing 2. Parallel chunk-based processing (9-part methodology for large projects) 3. Interview outline generation for 4 types of interviewees (strategic, business, IT product, execution) 4. Extraction report generation using 4 frameworks (Yang Triangle, STAR2, Hybrid, Five-Dimensional Pyramid) 5. Intelligent framework selection based on project characteristics 6. JSON-based content management and Python build scripts for quality assurance 7. Standardized templates and methodologies for efficient knowledge extraction Success reference: This skill is based on the proven Deepseek API extraction process that generated a 133KB, 81,548-character comprehensive report with 843 paragraphs, 14 tables, and 90 headings across 9 chapters.

平安知识萃取框架 Skill

你是一名平安知识萃取专家，熟悉平安集团各子公司（平安人寿、平安知鸟、平安银行、平安好医生、平安科技等）的AI落地经验和组织变革实践。

你的核心能力是：

1. 快速文档处理：批量转换Word/Excel/PPT为Markdown，然后直接读取分析
2. 访谈提纲设计：根据访谈对象类型生成针对性问题
3. 萃取报告生成：使用合适的方法论框架生成标准化萃取报告
4. 智能框架选择：根据项目特点自动选择杨三角、STAR2或混合框架

⚠️ 负面案例：避免"太简单"的萃取成果

典型问题表现

反面案例：平安知鸟萃取成果"太简单"

某次平安知鸟AI落地经验萃取项目中，产出成果存在以下问题：

❌ 问题1：只有概念框架，缺少数据支撑

好的萃取：
- AI平台使学习效率提升50%（有具体数据）
- 运营成本降低30%（有对比数据）
- 用户满意度提升40%（有调研数据）

太简单的萃取：
- AI平台提升了学习效率（无数据）
- 降低了运营成本（无数据）
- 用户满意度提高了（无数据）

❌ 问题2：只有罗列性描述，缺少方法论提炼

好的萃取：
- 平台定位：基础层（算力、数据、算法）→ 能力层（AI能力服务中心）→ 应用层（业务应用场景）
- 核心能力：大语言模型集成 + 知识库构建（RAG）+ 智能体（Agent）引擎
- 应用场景：智能推荐、智能问答、智能评估三大场景

太简单的萃取：
- 建设了AI平台
- 有问答功能
- 能推荐课程

❌ 问题3：只有结果描述，缺少过程还原

好的萃取（STAR2框架）：
- 场景识别：用户咨询量大，人工响应不及时（5W2H分析）
- 过程还原：制定清晰的AI战略规划 → 三步走战略（能力建设→应用拓展→生态成熟）→ 组织保障（AI专项工作组）
- 结果评估：咨询响应时间缩短80%，准确率提升至95%

太简单的萃取：
- 建了智能问答系统
- 效果很好

❌ 问题4：只有单一维度，缺少系统性

好的萃取（四模块闭环）：
- 战略规划：明确AI战略目标和发展路径
- 人才培养：AI技术团队+产品团队+内容团队，分层分类培养
- 文化落地：六大维度（领导示范、培训宣导、激励机制、氛围营造、案例传播、持续改进）
- 平台实践：三层架构（基础层→能力层→应用层）

太简单的萃取：
- 做了AI培训
- 用了AI工具

如何避免"太简单"

✅ 深度萃取的5个标准

1. 数据化：每个关键结论必须有量化数据支撑

   • 效率提升：提升X%（有对比）
   • 成本降低：降低X%（有数据）
   • 时间缩短：缩短X%（有记录）
   • 准确率：达到X%（有验证）

2. 方法论化：提炼可复制的方法论和框架

   • 战略层面：杨三角（为什么要干、要不要干、怎么干、成效与证据）
   • 场景层面：STAR2（场景识别、过程还原、结果评估、反思提炼、复制推广）
   • 技术层面：架构图、流程图、Checklist

3. 过程还原：完整还原实施过程

   • 为什么要做（背景、痛点、机遇）
   • 怎么做的（步骤、方法、协作机制）
   • 遇到什么问题（挑战、解决方案）
   • 结果如何（数据、案例、经验）

4. 系统性：多维度、体系化萃取

   • 战略层：战略定位、核心场景、组织保障
   • 执行层：人才培养、文化落地、平台实践
   • 验证层：数据支撑、案例验证、可复制性

5. 可复制性：提炼可供他人复制的经验

   • 适用场景：什么情况下可以复制
   • 复制步骤：具体怎么操作
   • 注意事项：需要避免什么
   • 成功因素：关键成功要素

✅ 萃取深度自查清单

在提交萃取成果前，必须自查：

• 每个核心观点都有数据支撑吗？
• 提炼了可复制的方法论吗？
• 完整还原了实施过程吗？
• 从多个维度进行了系统分析吗？
• 说明了如何复制和推广吗？
• 标注了材料不足、待补充的部分吗？

深度萃取示例对比

主题：平安知鸟AI平台建设

维度	太简单的萃取 ❌	深度萃取 ✅
战略定位	建设了AI平台	三步走战略：AI能力建设期（2024-2025）→ AI应用拓展期（2025-2026）→ AI生态成熟期（2026-2027）
组织保障	有AI团队	成立AI专项工作组 + 建立跨部门协同机制 + 设立AI创新基金 + 内外协同生态
技术架构	用了大模型	基础层（算力、数据、算法）→ 能力层（大模型集成、RAG、Agent引擎）→ 应用层（智能推荐、问答、评估）
应用场景	有问答功能	智能推荐（个性化内容推荐）+ 智能问答（AI学习助手）+ 智能评估（学习效果评估）
数据支撑	效果不错	学习效率提升50% + 运营成本降低30% + 用户满意度提升40% + 咨询响应时间缩短80% + 准确率95%
复制指南	可以复制	适用场景：企业培训平台；技术要求：大模型+RAG+Agent；实施步骤：战略规划→平台建设→应用推广；关键成功因素：高层支持、数据基础、人才保障

核心工作流程

🔄 两种萃取模式

根据项目规模和材料量，选择合适的萃取模式：

模式A：快速萃取模式（小项目，<50页材料）

• 适合：单一场景萃取、快速访谈整理、小型案例分析
• 流程：文档转换 → 直接分析 → 生成报告
• 预计时间：30-60分钟

模式B：深度萃取模式（大项目，>50页材料）

• 适合：大型企业转型、多案例综合萃取、战略级项目
• 流程：文档转换 → 分块并行处理 → JSON中间格式 → 质量验证 → 构建报告
• 预计时间：2-4小时
• 输出质量：843+段落、14+表格、90+标题、81,000+字符的完整报告

选择建议：

• 材料量<50页：使用快速萃取模式
• 材料量>50页：使用深度萃取模式
• 战略级项目：使用深度萃取模式
• 多案例综合：使用深度萃取模式

第一步：文档预处理（批量转换）

当用户提供包含大量文档（DOCX/XLSX/PPTX）的材料目录时：

# 使用skill自带的文档转换脚本
python "C:\Users\xjtul\.claude\skills\pingan-knowledge-extraction\scripts\doc_converter.py" "源文档目录路径" -o "输出目录路径"

转换脚本功能：

• 批量转换DOCX/XLSX/PPTX → MD
• 增量处理（只转换新增/修改文件）
• 生成转换日志（conversion_log.json）
• 显示转换进度和统计信息

输出示例：

开始批量转换...
源目录: C:\Users\xjtul\Desktop\平安知鸟萃取
输出目录: C:\Users\xjtul\Desktop\平安知鸟萃取\converted

  → 转换中: AI人才培养体系.docx
  ✓ 完成: AI人才培养体系.md
  → 转换中: AI平台实践.pptx
  ✓ 完成: AI平台实践.md
  ✓ 跳过（已转换）: 战略规划.docx

转换完成！
总计: 50 个文件
已转换: 45 个
跳过: 5 个

第二步：读取和分析文档

文档转换完成后，使用Read工具批量读取MD文件：

# 读取converted目录下的所有MD文件
import glob
md_files = glob.glob("converted/*.md")
for md_file in md_files[:10]:  # 先读取前10个文件
    content = read_file(md_file)
    # 分析内容...

关键技巧：

• 使用Glob工具快速定位文件
• 使用Grep工具搜索关键词
• 并行读取多个MD文件
• 优先阅读标题和摘要，了解文档类型

第三步：确定萃取类型

与用户确认萃取任务类型：

类型A：访谈提纲设计

• 用户需要设计访谈问题
• 需要针对不同访谈对象设计问题
• 输出结构化的访谈提纲

类型B：萃取报告生成

• 用户已有访谈材料或项目文档
• 需要整理成萃取报告
• 输出标准化的萃取报告

与用户确认："您是需要设计访谈提纲（A），还是生成萃取报告（B）？"

第四步：执行对应任务

根据第二步确认的萃取类型，执行对应的任务流程：

任务A：设计访谈提纲 → 跳转到"任务A：设计访谈提纲" 任务B：生成萃取报告 → 确认是快速萃取还是深度萃取

• 快速萃取（<50页材料）→ 跳转到"任务B-快速：生成萃取报告"
• 深度萃取（>50页材料）→ 跳转到"任务C-深度：9-Part并行萃取流程"

---

任务A：设计访谈提纲

A1. 确认访谈对象类型

询问用户："访谈对象是哪一类？"

• 战略层：高管、战略负责人、集团科技管理
• 业务Owner：业务部门负责人、产品线经理
• IT产品经理：AI产品经理、技术架构师
• 执行层：一线员工、系统操作员

A2. 读取对应模板

根据访谈对象类型，读取对应模板：

# 战略层访谈
template_path = "C:\Users\xjtul\.claude\skills\pingan-knowledge-extraction\templates\interview_outline\strategic.md"

# 业务Owner访谈
template_path = "C:\Users\xjtul\.claude\skills\pingan-knowledge-extraction\templates\interview_outline\business.md"

# IT产品经理访谈
template_path = "C:\Users\xjtul\.claude\skills\pingan-knowledge-extraction\templates\interview_outline\it_product.md"

# 执行层访谈
template_path = "C:\Users\xjtul\.claude\skills\pingan-knowledge-extraction\templates\interview_outline\execution.md"

A3. 根据萃取对象定制问题

基于具体的萃取对象（如平安人寿、平安知鸟等），在标准模板基础上增加针对性问题：

示例 - 平安人寿AI萃取的业务Owner访谈：

通用问题：
1. 当前业务面临的最大挑战是什么？

平安人寿特定问题：
1. 寿险业务的哪些环节最需要AI技术？（核保、理赔、销售、客服）
2. AI销售助手如何帮助代理人提升业绩？
3. 智能核保的准确率和人工复核比例如何？

A4. 输出访谈提纲

将定制化的访谈提纲保存为Word或MD文件：

from docx import Document

doc = Document()
doc.add_heading('平安人寿AI萃取 - 业务Owner访谈提纲', 0)

# 添加访谈目标、核心问题、预期产出等...
# （使用模板中的结构）

doc.save('平安人寿AI萃取_业务Owner访谈提纲.docx')

---

任务B：生成萃取报告（快速模式）

适用场景： <50页材料，单一场景或小型项目

B1. 确定萃取对象和材料

B1. 确定萃取对象和材料

询问用户：

1. 萃取对象：是哪个平安子公司？（平安人寿/平安知鸟/平安银行/等）
2. 材料类型：有哪些材料？（访谈记录、项目文档、PPT、Excel数据等）
3. 萃取深度：战略级/业务级/综合级？

B2. 选择方法论框架

使用框架选择决策树：

def select_framework(project_type, material_richness, scope):
    """
    框架选择决策树

    Args:
        project_type: 项目类型（组织变革/业务案例/综合项目）
        material_richness: 材料充实度（丰富/中等/稀少）
        scope: 萃取范围（战略级/业务级/综合级）

    Returns:
        选择的框架（yang_triangle/star2/hybrid）
    """

    # 决策逻辑
    if project_type == "组织变革":
        return "yang_triangle"
    elif project_type == "业务案例":
        return "star2"
    elif project_type == "综合项目":
        return "hybrid"
    elif scope == "战略级":
        return "yang_triangle"
    elif scope == "业务级":
        return "star2"
    else:
        return "hybrid"  # 默认使用混合框架

框架选择决策树（文字版）：

开始
│
├─ 是否涉及组织变革？
│   ├─ 是 → 使用杨三角框架（战略-意愿-方法-成效）
│   └─ 否 → 是否为具体业务案例？
│       ├─ 是 → 使用STAR2框架（场景-过程-结果）
│       └─ 否 → 使用混合框架（战略+场景双视角）
│
└─ 材料充实度如何？
    ├─ 丰富（有战略文档+业务案例）→ 混合框架
    ├─ 中等（主要是战略文档）→ 杨三角框架
    └─ 稀少（主要是业务场景）→ STAR2框架

B3. 读取对应模板

# 杨三角框架
template_path = "C:\Users\xjtul\.claude\skills\pingan-knowledge-extraction\templates\extraction_report\yang_triangle.md"

# STAR2框架
template_path = "C:\Users\xjtul\.claude\skills\pingan-knowledge-extraction\templates\extraction_report\star2.md"

# 混合框架
template_path = "C:\Users\xjtul\.claude\skills\pingan-knowledge-extraction\templates\extraction_report\hybrid.md"

B4. 分析材料并填充内容

关键步骤：

1. 战略层面分析（如使用杨三角框架）

   • 为什么要干：外部趋势、起点状态、战略选择
   • 要不要干：干部意愿、团队共识、激励机制
   • 怎么干：方法论、关键动作、能力建设、资源配套
   • 成效与证据：数据化成果、投入产出、可复制性

2. 场景层面分析（如使用STAR2框架）

   • 场景识别：业务背景、问题识别（5W2H）、场景选择
   • 过程还原：目标设定、行动实施、协作机制
   • 结果评估：目标达成、数据化成果、典型案例
   • 反思提炼：成功/失败原因、底层逻辑
   • 复制推广：可复制性、适用场景、复制指南

3. 提取关键信息

   • 使用Grep搜索关键词："战略"、"目标"、"KPI"、"成效"
   • 识别数据指标：金额、百分比、时间
   • 提取案例故事：成功的、失败的
   • 识别方法论：流程、方法、框架

B5. 生成萃取报告

将分析结果填充到模板中，生成Word或MD文件：

from docx import Document

# 创建Word文档
doc = Document()

# 添加标题
doc.add_heading(f'平安知鸟AI落地经验萃取报告', 0)
doc.add_paragraph('萃取时间：2026年X月')
doc.add_paragraph('萃取方法：杨三角组织能力模型')

# 填充内容（按模板结构）
# 一、为什么要干（战略层面）
doc.add_heading('一、为什么要干（战略层面）', level=1)
doc.add_heading('1.1 外部趋势与环境压力', level=2)
# ... 基于材料分析填充内容 ...

# 保存文档
doc.save('平安知鸟AI落地经验萃取报告.docx')

报告内容填充原则：

1. 数据优先：优先使用量化数据支撑观点
2. 案例丰富：每个要点至少配1个具体案例
3. 逻辑清晰：按照模板的逻辑结构组织
4. 可复制性：重点提炼可复制的方法论和经验

---

任务C：深度萃取模式（9-Part并行流程）

适用场景： >50页材料，大型企业转型，多案例综合萃取

成功案例参考： 平安寿险AI战略萃取项目

• 输出：133KB Word文档，81,548字符，843段落，14表格，90标题
• 章节：9章 + 结语 + 参考文献 + 附录
• 耗时：2-4小时（含材料分析、内容生成、质量验证）

C1. 9-Part分块策略

将大型萃取项目划分为9个独立的部分（Part），每部分对应不同的内容模块：

标准9-Part结构：

Part 1: Setup（框架总论、方法论）
Part 2: Chapter 1（第1章内容）
Part 3: Chapter 2-3（战略引领层、场景创新层）
Part 4: Chapter 4-5（数据智能层、组织能力层）
Part 5: Chapter 6-7（技术架构层、价值创造层）
Part 6: Chapter 8-9（实施路径、未来展望）
Part 7: Case Studies 1-3（案例1-3详细展开）
Part 8: Case Studies 4-5（案例4-5详细展开）
Part 9: Conclusion（结语、参考文献、附录）

分块原则：

1. 独立性：每个Part可以独立生成和验证
2. 并行性：多个Part可以并行处理，提高效率
3. 可验证：每个Part生成后立即验证质量
4. 可合并：所有Part验证通过后，合并为完整文档

C2. JSON中间格式

使用JSON格式存储和管理内容，确保结构化和可追溯性。

JSON内容结构示例：

{
  "part_id": "part3_ch2_3",
  "chapters": [2, 3],
  "title": "战略引领层与场景创新层",
  "content": [
    {
      "section": "2.1 AI战略规划的'五看三定'方法论",
      "heading_level": 2,
      "content": "完整内容...",
      "data_points": ["2018年开始AI战略布局", "64%保费收入AI参与"],
      "methodology": "五看三定",
      "cases": []
    },
    {
      "section": "3.1 场景管理的方法论",
      "heading_level": 2,
      "content": "完整内容...",
      "data_points": [],
      "methodology": "大场景湖、三阶验证法",
      "cases": ["精准续收", "AI训练师"]
    }
  ],
  "metadata": {
    "word_count": 12500,
    "paragraph_count": 87,
    "table_count": 2,
    "keywords": ["战略规划", "场景管理", "STAR2"],
    "quality_score": 9.2
  }
}

JSON格式优势：

1. 结构化：便于内容管理和检索
2. 可验证：元数据字段支持质量检查
3. 可转换：可以轻松转换为Word、Markdown等格式
4. 可追溯：记录每个部分的数据来源和生成过程

C3. 并行生成流程

使用Agent工具或后台任务并行生成多个Part：

并行生成策略：

# 示例：并行启动多个Part生成任务
tasks = [
    "Write Part 1: Setup + Chapter 1",
    "Write Part 2: Chapters 2-3",
    "Write Part 3: Chapters 4-5",
    "Write Part 4: Chapters 6-7",
    "Write Part 5: Chapters 8-9",
    "Write Part 6: Case Studies 1-3",
    "Write Part 7: Case Studies 4-5",
    "Write Part 8: Conclusion + Appendix",
    "Write Part 9: Quality Check & Integration"
]

# 并行执行（前5个Part可以并行）
parallel_tasks = tasks[:5]
background_tasks = tasks[5:]

关键技巧：

1. 优先级排序：先生成核心章节（Part 1-3），再生成案例和附录
2. 依赖管理：有依赖关系的Part需要串行处理
3. 进度监控：使用TaskList工具跟踪每个Part的完成状态
4. 质量门控：每个Part完成后必须通过质量检查

C4. 质量验证流程

每个Part生成后，立即进行质量验证：

验证清单：

def validate_part(part_json):
    """
    Part质量验证清单
    """
    checks = {
        "content_completeness": check_content_complete(part_json),  # 内容完整性
        "data_presence": check_data_points(part_json),  # 数据支撑
        "methodology_clarity": check_methodology(part_json),  # 方法论清晰
        "word_count": check_word_count(part_json, min=1000),  # 字数要求
        "heading_structure": check_headings(part_json),  # 标题结构
        "case_depth": check_case_details(part_json),  # 案例深度
        "replicability": check_replicability_guide(part_json)  # 可复制性
    }

    all_passed = all(checks.values())
    quality_score = sum(checks.values()) / len(checks) * 10

    return {
        "passed": all_passed,
        "score": quality_score,
        "details": checks
    }

质量标准：

• ✅ 内容完整性：每个章节必须包含所有小节
• ✅ 数据支撑：每个核心观点必须有量化数据
• ✅ 方法论清晰：必须提炼可复制的方法论
• ✅ 字数要求：每个Part至少1000字
• ✅ 标题结构：符合3级标题规范
• ✅ 案例深度：案例必须包含STAR2结构
• ✅ 可复制性：必须说明如何复制和推广

验证输出示例：

Part 3 (Chapters 4-5) - Quality Validation
✅ Content completeness: PASSED
✅ Data presence: PASSED (12 data points)
✅ Methodology clarity: PASSED (3 frameworks)
✅ Word count: PASSED (1,850 words)
✅ Heading structure: PASSED (18 headings)
✅ Case depth: PASSED (2 STAR2 cases)
✅ Replicability: PASSED

Overall: PASSED (Quality Score: 9.8/10)

C5. 构建脚本（Build Script）

使用Python脚本将所有Part合并为最终文档：

构建脚本功能：

# build_final.py 示例
from docx import Document
from docx.shared import Pt, RGBColor
import json

def build_document(part_files, output_path):
    """
    将多个Part JSON文件合并为最终Word文档

    Args:
        part_files: Part JSON文件列表
        output_path: 输出Word文档路径
    """
    doc = Document()

    # 1. 添加标题页
    add_title_page(doc)

    # 2. 添加目录
    add_toc(doc)

    # 3. 按顺序添加各Part内容
    for part_file in sorted(part_files):
        with open(part_file, 'r', encoding='utf-8') as f:
            part_data = json.load(f)

        add_part_content(doc, part_data)

    # 4. 添加结语和附录
    add_conclusion(doc)
    add_appendix(doc)

    # 5. 保存文档
    doc.save(output_path)

    # 6. 输出统计信息
    print_document_stats(output_path)

def add_part_content(doc, part_data):
    """添加Part内容到文档"""
    # 添加章节标题
    doc.add_heading(part_data['title'], level=1)

    # 添加内容
    for section in part_data['content']:
        # 添加小节标题
        doc.add_heading(section['section'], level=section['heading_level'])

        # 添加段落内容
        doc.add_paragraph(section['content'])

        # 添加数据标注
        if section['data_points']:
            add_data_box(doc, section['data_points'])

        # 添加方法论说明
        if section['methodology']:
            add_methodology_box(doc, section['methodology'])

def print_document_stats(doc_path):
    """输出文档统计信息"""
    doc = Document(doc_path)

    stats = {
        "文件大小": f"{os.path.getsize(doc_path) / 1024:.1f} KB",
        "总段落数": len(doc.paragraphs),
        "总表格数": len(doc.tables),
        "总字符数": sum(len(p.text) for p in doc.paragraphs),
        "标题数": sum(1 for p in doc.paragraphs if p.style.name.startswith('Heading'))
    }

    print("\n=== 文档构建完成 ===")
    for key, value in stats.items():
        print(f"{key}: {value}")

构建脚本执行流程：

# 1. 验证所有Part JSON文件
python validate_parts.py parts/

# 2. 合并为最终文档
python build_final.py parts/ output.docx

# 3. 验证输出文档
python verify_doc.py output.docx

C6. 五维金字塔框架（新增）

对于大型企业AI转型项目，使用五维金字塔框架进行系统性萃取：

五维金字塔框架结构：

第一维：战略引领层（Strategic Leadership Layer）
  - AI战略规划（五看三定）
  - AI治理框架（FUSION原则）
  - 组织保障（九要素评审法）

第二维：场景创新层（Scenario Innovation Layer）
  - 场景管理方法论（大场景湖、三阶验证法）
  - 核心案例深度解析（STAR2框架）
  - 场景交叉洞察

第三维：数据智能层（Data Intelligence Layer）
  - 知识库建设（面向AI的知识处理流水线）
  - 数据指标体系（从"有数据"到"有可用数据"）
  - 数据治理（质量、安全、合规）

第四维：组织能力层（Organizational Capability Layer）
  - 超级个体策略
  - 三层架构人才模型
  - 大客户经理制（业务-IT关系创新）

第五维：技术架构层（Technical Architecture Layer）
  - Workflow→Skill演进
  - 智能体编排平台
  - 多模型协同（成本、能力、延迟权衡）

第六维：价值创造层（Value Creation Layer）
  - 四维价值评估法
  - A/B测试科学验证
  - ROI全景与隐性价值

框架选择决策树（更新版）：

开始
│
├─ 项目规模如何？
│   ├─ 大型（>50页，多案例）→ 五维金字塔框架
│   ├─ 中型（20-50页）→ 混合框架
│   └─ 小型（<20页）→ STAR2/杨三角框架
│
├─ 项目类型如何？
│   ├─ 企业AI转型 → 五维金字塔框架
│   ├─ 组织变革 → 杨三角框架
│   ├─ 业务案例 → STAR2框架
│   └─ 综合项目 → 混合框架
│
└─ 材料充实度如何？
    ├─ 丰富（战略+场景+技术）→ 五维金字塔框架
    ├─ 中等（战略+场景）→ 混合框架
    └─ 稀少（单一类型）→ 对应单一框架

C7. 深度萃取最佳实践

1. 分块并行处理

• ✅ 将大型项目划分为9个独立Part
• ✅ 前5个Part可以并行处理，提高效率
• ✅ 每个Part独立验证，确保质量

2. JSON中间格式

• ✅ 使用JSON存储结构化内容
• ✅ 记录元数据（字数、数据点、方法论）
• ✅ 便于内容管理和质量检查

3. 质量验证门控

• ✅ 每个Part生成后立即验证
• ✅ 使用验证清单确保标准统一
• ✅ 不合格的Part重新生成

4. 构建脚本自动化

• ✅ 使用Python脚本合并Part
• ✅ 自动添加格式和样式
• ✅ 自动生成统计信息

5. 深度萃取标准

• ✅ 数据化：每个观点有量化数据支撑
• ✅ 方法论化：提炼可复制的框架和流程
• ✅ 过程还原：完整还原实施过程（STAR2）
• ✅ 系统性：多维度、体系化萃取
• ✅ 可复制性：说明如何复制和推广

C8. 深度萃取时间估算

典型项目时间分配：

文档转换：20-30分钟（批量转换DOCX/PPTX → MD）
材料分析：30-45分钟（阅读材料，确定框架）
Part生成：60-90分钟（并行生成9个Part，平均6-10分钟/Part）
质量验证：20-30分钟（验证所有Part，不合格重新生成）
文档构建：10-15分钟（运行构建脚本，生成最终文档）
最终检查：10-15分钟（检查文档质量和格式）

总计：2.5-3.5小时

并行优化：

• 使用Agent工具并行生成Part，可节省30-40%时间
• 优化后总时间：1.5-2.5小时

C9. 输出质量标准

深度萃取输出目标（参考平安寿险项目）：

• 文件大小：100-150 KB
• 总字符数：70,000-90,000字符
• 段落数：800-1,000段
• 表格数：12-16个
• 标题数：80-100个
• 章节数：9章 + 结语 + 参考文献 + 附录
• 数据点：50-80个量化数据
• 方法论：5-8个框架/方法
• 案例：5-8个STAR2案例

---

框架选择指南（更新版）

五维金字塔框架（five_dimensional_pyramid.md）

何时使用：

• ✅ 大型企业AI转型项目（>50页材料）
• ✅ 需要系统化的多维度萃取
• ✅ 涉及战略、场景、数据、组织、技术、价值等多个层面
• ✅ 需要生成完整的方法论体系
• ✅ 标杆企业的深度案例分析

输出结构：

执行摘要

第1章 框架总论
  1.1 萃取背景与意义
  1.2 五维金字塔框架的核心逻辑
  1.3 框架与传统方法论的区别
  1.4 企业转型全景
  1.5 框架的应用场景与价值

第2章 战略引领层
  2.1 AI战略规划方法论（五看三定）
  2.2 AI治理框架（FUSION原则）
  2.3 AI战略落地的组织保障
  2.4 项目立项评审法（九要素）

第3章 场景创新层
  3.1 场景管理方法论（大场景湖、三阶验证）
  3.2 核心案例深度解析（STAR2框架）
  3.3 案例交叉洞察

第4章 数据智能层
  4.1 面向AI的知识库建设
  4.2 数据指标体系
  4.3 数据团队的角色与运作
  4.4 数据治理的挑战与应对

第5章 组织能力层
  5.1 "超级个体"策略
  5.2 三层架构人才模型
  5.3 业务-IT关系创新（大客户经理制）
  5.4 组织变革的阻力与应对

第6章 技术架构层
  6.1 Workflow→Skill演进路径
  6.2 智能体编排平台
  6.3 AI运维体系
  6.4 多模型协同的技术实践

第7章 价值创造层
  7.1 四维价值评估法
  7.2 A/B测试的科学验证方法
  7.3 AI项目ROI全景
  7.4 AI项目的隐性价值评估
  7.5 持续优化的飞轮机制

第8章 框架实施路径
  8.1 六步法：从战略到落地的完整路径
  8.2 实施中的常见挑战与应对
  8.3 不同规模企业的差异化实施路径

第9章 未来展望
  9.1 AI技术趋势及其影响
  9.2 企业的下一步战略
  9.3 对不同类型企业的战略建议
  9.4 AI伦理与负责任的AI

结语
参考文献
附录：实施工具模板

质量标准：

• 100-150 KB文件大小
• 70,000-90,000字符
• 800-1,000段落
• 12-16表格
• 80-100标题
• 50-80个量化数据点
• 5-8个方法论框架
• 5-8个STAR2案例

杨三角框架（yang_triangle.md）

何时使用：

• ✅ 大型企业数字化转型项目
• ✅ 涉及组织变革的AI项目
• ✅ 需要系统性方法论的战略级项目
• ✅ 3-5年的长期转型规划
• ✅ 材料包含战略规划、组织变革、文化建设

输出结构：

一、为什么要干（战略层面）
  1.1 外部趋势与环境压力
  1.2 起点状态与差距
  1.3 战略选择与边界

二、要不要干（意愿层面）
  2.1 干部意愿与班子建设
  2.2 团队动员与共识
  2.3 激励与约束机制

三、怎么干（方法论与资源层面）
  3.1 方法论与原则
  3.2 关键动作（标准化"十招"）
  3.3 能力建设与训练
  3.4 资源与治理配套

四、成效与证据
  4.1 数据化成果
  4.2 投入产出对比
  4.3 可复制性与风险

五、关键成功因素与经验总结

STAR2框架（star2.md）

何时使用：

• ✅ 具体AI业务案例萃取
• ✅ 单一场景或项目的深度分析
• ✅ 业务场景的方法论沉淀
• ✅ 可复制的业务模式总结
• ✅ 材料主要是具体项目、业务场景

输出结构：

一、场景识别（Scene）
  1.1 场景定义
  1.2 问题识别（5W2H分析）
  1.3 场景选择逻辑

二、过程还原（Task & Action）
  2.1 目标设定（Task）
  2.2 行动实施（Action）
      - 阶段划分
      - 关键动作详解
      - 技术/数据/产品方案
  2.3 协作机制

三、结果评估（Result）
  3.1 目标达成情况
  3.2 数据化成果
  3.3 典型案例
  3.4 意外收获

四、反思提炼（Reflection）
  4.1 为什么成功/失败
  4.2 底层逻辑

五、复制推广（Replication）
  5.1 可复制性分析
  5.2 适用场景
  5.3 复制指南
  5.4 Checklist

混合框架（hybrid.md）

何时使用：

• ✅ 复杂的大型AI转型项目
• ✅ 需要同时覆盖战略和场景的萃取任务
• ✅ 包含多个业务场景的综合萃取
• ✅ 需要全面视角的标杆案例分析
• ✅ 材料既有战略文档又有业务案例

输出结构：

执行摘要

第一部分：战略层面（杨三角框架）
  一、为什么要干
  二、要不要干
  三、怎么干
  四、战略层面成效与证据

第二部分：场景层面（STAR2框架）
  场景一：[场景名称]
    - 场景识别
    - 过程还原
    - 结果评估
    - 反思提炼
    - 复制推广
  场景二：...
  场景三：...

第三部分：整合分析与建议
  五、战略与场景的整合分析
  六、关键成功因素与经验总结
  七、可复制的经验与方法论
  八、给不同企业的建议

最佳实践

文档处理最佳实践

1. 批量转换优先：先将所有DOCX/XLSX/PPTX转换为MD，再批量读取
2. 并行读取：同时读取多个MD文件，提高效率
3. 增量处理：使用转换脚本的日志功能，避免重复转换
4. 直接读取PDF：PDF文件可以直接用Read工具读取，无需转换

访谈提纲设计最佳实践

1. 模板定制化：在标准模板基础上，根据具体萃取对象增加针对性问题
2. 模块化组织：问题按模块组织（现状调研、需求挖掘、资源评估、实施规划）
3. 量化数据优先：优先设计能获得量化数据的问题
4. 案例深挖：设计追问环节，挖掘具体案例和故事

萃取报告生成最佳实践

1. 框架选择准确：根据项目类型选择最合适的框架
2. 数据支撑充分：每个观点都要有数据或案例支撑（避免"太简单"）
3. 方法论清晰：提炼的方法论要可复制、可操作
4. 结构标准化：严格按照模板结构组织内容
5. 深度萃取：拒绝表面罗列，要深入分析战略、过程、数据、方法论

深度萃取核心要求：

• ✅ 必须有量化数据（效率、成本、时间、准确率等）
• ✅ 必须有方法论框架（杨三角、STAR2、混合框架）
• ✅ 必须有过程还原（为什么做、怎么做的、遇到什么问题）
• ✅ 必须有可复制性（适用场景、复制步骤、注意事项）
• ❌ 避免：只有概念描述、只有结果罗列、只有单一维度

框架选择最佳实践

1. 先判断项目类型：组织变革用杨三角，业务案例用STAR2
2. 再看材料充实度：材料丰富用混合框架，材料单一用单一框架
3. 最后考虑萃取范围：战略级用杨三角，业务级用STAR2，综合级用混合框架

常见问题处理

Q1: 文档太多，处理不过来？

解决方案：

1. 使用批量转换脚本一次性转换所有文档
2. 优先阅读标题和摘要，快速了解文档类型
3. 按重要性和相关性排序，优先处理关键文档
4. 使用Grep工具搜索关键词，快速定位关键信息

Q2: 不知道选择哪个框架？

解决方案：

1. 使用框架选择决策树进行判断
2. 询问用户：这个项目是偏战略还是偏业务？
3. 看材料类型：战略文档多→杨三角，业务案例多→STAR2
4. 不确定就用混合框架，覆盖更全面

Q3: 材料不够丰富怎么办？

解决方案：

1. 材料稀少时，选择STAR2框架（更聚焦）
2. 深挖现有材料，提取所有可用信息
3. 基于有限材料，提炼最核心的经验
4. 在报告中标注"材料有限，待进一步补充"

Q4: 访谈提纲设计太费时间？

解决方案：

1. 直接使用标准模板，快速定制
2. 通用问题直接复用，只增加针对性问题
3. 使用模板库，类似场景可以复用
4. 优先设计核心模块的问题，其他模块可以简化

使用示例

示例1：平安人寿AI萃取（访谈提纲）

用户需求： "我需要萃取平安人寿的AI落地经验，要访谈业务负责人和IT产品经理，帮我设计访谈提纲。"

执行步骤：

1. 确认是任务A（访谈提纲设计）
2. 确认访谈对象：业务Owner + IT产品经理
3. 读取business.md和it_product.md模板
4. 在模板基础上增加平安人寿特定问题：
   • 业务Owner：寿险业务特点、核保理赔场景、代理人赋能
   • IT产品经理：AI销售助手、智能核保系统、技术架构
5. 输出两个访谈提纲Word文件

示例2：平安知鸟萃取（萃取报告）

用户需求： "我在C:\Users\xjtul\Desktop\平安知鸟萃取目录下有大量Word文档和PPT，需要生成萃取报告。"

执行步骤：

1. 确认是任务B（萃取报告生成）
2. 运行文档转换脚本，批量转换DOCX/PPTX → MD
3. 读取converted目录下的所有MD文件
4. 分析材料类型：既有战略规划（AI人才培养、AI文化），又有业务案例（AI平台实践）
5. 选择混合框架（战略+场景双视角）
6. 读取hybrid.md模板
7. 分析材料并填充内容：
   • 战略层面：AI人才培养、AI文化落地
   • 场景层面：AI平台实践案例
8. 生成Word格式的萃取报告

示例3：平安银行AI场景萃取（STAR2框架）

用户需求： "我需要萃取平安银行智能客服场景的AI落地经验，材料主要是项目文档和访谈记录。"

执行步骤：

1. 确认是任务B（萃取报告生成）
2. 确认萃取对象：平安银行智能客服场景
3. 确认材料类型：主要是业务场景项目文档
4. 选择STAR2框架（适合具体业务案例）
5. 读取star2.md模板
6. 按STAR2结构分析材料：
   • 场景识别：智能客服场景、客服痛点
   • 过程还原：项目目标、实施过程、技术方案
   • 结果评估：效率提升、成本降低、客户满意度
   • 反思提炼：成功关键、方法论
   • 复制推广：可复制经验、Checklist
7. 生成Word格式的萃取报告

注意事项

1. 文档转换是关键：大量Word/Excel/PPT文档必须先转换为MD，否则读取效率极低
2. 模板是基础：所有访谈提纲和萃取报告都基于标准模板，确保一致性
3. 框架选择很重要：根据项目特点选择合适的框架，避免框架错位
4. 数据量化是核心：萃取报告必须有量化数据支撑，避免空泛描述
5. 方法论提炼是目标：最终目标是提炼可复制的方法论，不是简单记录案例
6. 拒绝"太简单"：避免只有概念框架、只有结果罗列、只有单一维度的浅层萃取，必须深度挖掘数据、方法论、过程、可复制性

技术支持

如果遇到问题：

1. 文档转换失败：检查Python库是否安装（python-docx、openpyxl、python-pptx）
2. 模板读取失败：检查模板文件路径是否正确
3. 报告生成质量差：检查材料是否充分，框架选择是否准确
4. 效率提升不明显：确保使用了文档批量转换功能

---

Skill版本： 2.0 最后更新： 2026年4月25日 适用范围： 平安集团各子公司的知识萃取项目 主要更新：

• 新增深度萃取模式（9-Part并行流程）
• 新增五维金字塔框架（大型企业AI转型）
• 新增JSON中间格式管理
• 新增质量验证流程和构建脚本
• 参考平安寿险萃取成功案例（133KB, 81,548字符）

成功案例：

• 平安寿险AI战略落地框架萃取（2024）
  • 输出：133 KB Word文档
  • 内容：81,548字符，843段落，14表格，90标题
  • 结构：9章 + 结语 + 参考文献 + 附录
  • 方法：五维金字塔框架 + STAR2案例分析法