Soiawork 正式发布：从一个任务开始，轻松构建 AI 组织

上周，我们留下了三个问题：

系统没有接口，AI 就没有入口？

会做事的 AI，怎样按企业的规矩办事？

同一个任务，如何让团队成员和 AI 快速对齐？

今天，答案来了。

Soiawork（树芽工作），由实在智能推出的企业级 AI 智能体平台，正式发布。

通过连接器与电脑操作能力，Soiawork 帮助 AI 触达真实业务；通过知识库、Skill 与 Workflow，让企业知识和工作方法持续复用；通过共享工作空间，让团队成员和 AI 在共同背景下开展任务。

在此基础上，企业还可以通过权限、审批、审计及用量与成本管理，让 AI 的使用有边界、投入有记录，为评估业务价值提供依据。

从一个任务开始，让 AI 进入业务，让有效经验成为组织能力。

•链接

让AI的业务触达，

不止于开放接口

AI 能理解任务，还需要获取相关信息、调用工具，才能把工作往下推进。

企业的日常业务分布在办公平台、CRM、ERP，以及各种行业软件中。其中一些提供开放接口，另一些仍需要员工打开界面、查询记录、填写信息。

Soiawork 用两类能力连接这些业务现场。

对于提供 API、MCP 等开放接口的软件，Soia 可以通过连接器，在授权范围内调用受支持的查询、创建、更新等操作。

对于缺少可用接口、需要通过界面操作的系统，Soia 可以调用安装在执行设备上的 Worker，结合 RPA 与 Computer Use Agent 能力完成适配范围内的任务。（该能力在 OSWorld 基准测试中取得了 90.2% 的任务成功率，排名全球第一）

此外，用户可以通过和 Soia 对话的方式创建自定义的连接器，企业版还提供专属的软件自学习能力，轻松完成复杂系统的高度适配。

连接器与 Worker 两类能力相互补充，让更多存量业务系统有机会参与 AI 任务。

目前，Soiawork 的连接器主要面向制造业、国内电商和跨境电商等业务场景，覆盖 MES、ERP、CRM、SRM、办公协作、企业信息查询及相关业务工具。

企业可以在连接器目录中查找已有连接方式，也可以根据自身系统和任务需求配置自定义连接器。

连接后的具体操作范围，由连接器支持的能力、系统适配情况和有效授权共同决定。

• 用一个招聘任务，看 AI 怎样进入业务现场

招聘专员拿到岗位 JD 后，需要梳理人才画像、查看候选人简历、筛选符合要求的人选，再准备个性化沟通内容。

这些步骤既需要理解业务要求，也需要实际操作招聘平台。

以 BOSS 直聘的界面操作场景为例，Soiawork 可以结合 Worker，辅助完成人才画像分析、候选人筛选、简历查看和个性化打招呼，并按岗位整理沟通记录。招聘专员可以中止执行，并保留最终审核权。

这个例子展示的，是 AI 如何把理解任务、获取信息、操作软件和整理结果衔接起来。

业务系统的触达能力，是企业 AI 执行能力的重要边界。Soiawork 把这条边界向真实业务再推进一步。

•沉淀

让企业经验留下来，

让流程规则执行起来

企业里，一项工作怎么做，往往包含三类积累：

有哪些业务资料可以参考，有什么经过验证的方法，以及哪些步骤和规则必须遵循。

Soiawork 通过知识库、Skill 与 Workflow，将这些积累与实际任务联系起来。

• 知识库：找到资料，也找到依据

产品手册、规章制度、历史文档和常见问题，可以整理为可检索的知识内容。员工通过对话提问，获取相关信息及来源依据。

文件空间支持上传文件，也支持从钉钉、飞书导入文档；任务中产生的资料可以继续保留，供后续使用。

创建知识库也可以从一次对话开始。Soiawork 会结合已有资料和用户说明的用途，协助确定资料范围与整理方式。资料更新后，可在完成同步处理后参与后续检索。

• Skill：把做成一件事的方法，留给下一次

电商运营每周都要整理经营数据、筛选异常商品，再生成待处理清单。这项工作有固定的数据口径、筛选规则、处理步骤和交付格式。

这些要求可以沉淀为 Skill（技能），供后续任务调用。

Skill 可以承载任务步骤、业务规则、脚本、模板和参考资料。企业可以通过自然语言整理方法，也可以从有效任务中提取步骤，经确认后保存，再持续测试、改进和共享。

一次任务做得好，值得留下的不只有结果，还有做出这个结果的方法。

• Workflow：把关键步骤与条件，落实到执行中

当任务包含多个环节、判断条件和输入输出要求时，可以通过 Workflow（工作流）组织执行。

例如，一项经营分析工作可以依次获取数据、清洗明细、判断异常、生成结果，再输出待处理清单。不同输入按设定条件进入相应路径，异常情况按配置处理。

Soiawork 支持通过自然语言生成或调整工作流，并进行测试、发布和重复运行。资料处理、数据加工、知识检索，以及受支持的连接器和电脑操作，都可以成为流程中的环节。

知识库提供业务依据，Skill 封装专业方法，Workflow 组织执行步骤与条件。三者可以结合使用，让企业积累更容易进入日常工作。

以亚马逊运营为例，团队可以将 Listing 质量检查的方法整理为 Skill，明确检查指标、评分依据和报告格式，再结合已接入的数据与适用流程，生成检查结果和优化建议。

经过核验的方法可以继续复用，并随着业务变化持续改进。下一次遇到同类任务，团队便有了可以沿用的基础。

•协同

让团队和 AI

从共同的工作背景出发

项目群里有人反馈：“这个功能用不了，帮忙看一下。”

接下来，团队可能需要补充问题信息、查询产品资料和历史记录、登记工单，再由相关人员跟进处理。

不同成员和 AI 参与同一类工作时，需要理解共同的背景，也需要使用相应的资料、方法和工具。

Soiawork 的工作空间，可以把这些共用信息和资源集中组织起来。

团队可以在空间说明中记录业务背景、工作要求与执行边界，按需关联文件、知识库、Skill、Workflow、连接器，以及安装了 Worker 的共享设备，并配置相应的使用权限。

例如，针对项目问题处理，团队可以建立专门的工作空间，放入处理规范、产品文档和历史资料，关联所需的技能、流程与系统连接器。

成员在空间中发起相关任务时，Soia 就可以基于已有背景和获授权的资源开展工作，减少重复说明和资源配置。

工作空间的创建与配置，也可以通过对话逐步完成。Soia 协助梳理背景和所需资源，由用户确认、完善，并随业务变化继续调整。

一个团队共用的背景，不必每次重新整理；已经验证的方法，也可以让更多成员在权限范围内复用。

这为人与 AI 持续开展协作提供了共同基础。

•治理

让 AI 的投入有记录，

让业务价值有据可评

当 AI 从个人尝试走向团队应用，企业还需要回答第四个问题：AI 用在了哪里，花了多少，这些投入是否值得持续？

Soiawork 的企业管理后台，帮助企业看清使用情况，并管理成员、资源与执行过程。

• 看清消耗，为投入产出评估提供依据

企业可以查看组织积分余额、有效期及相关流水，并按任务、执行主体和计费项目分析使用量与消耗情况。

管理者由此能够了解 AI 资源主要用于哪些任务，为费用核对、资源安排和投入产出评估提供参考。

将这些记录与企业实际的任务完成情况、处理时长和返工情况等业务结果结合，才能进一步判断：哪些任务值得持续投入，哪些方法适合推广，哪些环节还需要改进。

• 明确权限，让能力在授权范围内使用

管理员可以管理组织成员、角色、部门与成员组，按职责配置权限，并通过受支持的企业身份接入方式管理登录与组织访问。

连接器、技能、自动任务和共享设备等资源，也可以按需配置查看、使用或管理权限。

需要确认或审批的操作，可按配置进入相应环节，让 AI 在明确的权限与操作边界内开展工作。

• 记录过程，让执行可以核查

通过组织任务监控，管理员可以查询运行情况，查看相关执行事件、结果文件和失败原因，帮助定位问题、复核结果并改进流程。操作审计则为相关行为的追溯提供记录。

企业可以据此建立重要任务的核验要求，让每次尝试成为下一次改进的依据。

让 AI 的使用有边界、过程可追溯、投入有记录，企业才更有依据决定如何扩大应用。

•Soiawork

从一个任务开始，

轻松构建 AI 组织

Soia 的命名源于对 AIOS（AI Operating System，企业级 AI 操作系统）的思考，也凝聚了实在智能 8 年来服务企业 AI 与自动化过程中，对 AI 组织的思考与沉淀。

Soiawork 由实在智能推出，是面向企业 AI 组织建设的独立产品。它与实在 Agent 的定位与能力体系有所不同，企业可以根据实际需求选择。

实在智能成立于 2018 年，长期深耕 AI 与自动化领域，累计服务 6000 多家企业。这些行业实践，为 Soiawork 深入企业业务提供了经验基础。

我们所说的 AI 组织，是让人与 AI 围绕业务任务，共享可用的知识、方法和工具，在明确的权限与管理机制下协作，并持续评估这些工作的价值。

这条路，可以从一个具体任务开始：选择一项正在发生的工作，明确目标、所需资源和验收标准；在实际执行中核验结果、记录消耗，把有效的方法留下来，再逐步扩展到更多任务与团队。

连接一个业务系统，沉淀一套有效方法，让一位同事也能用起来。

让企业的 AI 能力，在真实工作中逐步生长。

现在，带上一个真实的业务任务，开始体验 Soiawork。

文章来自于"实在智能"，作者 "实在智能"。