Day 1 的议题看起来有点散：欧盟生态设计法规、简化英语、AI智能体、开源文档、消费品文档……
但坐下来听完，有一条线串起了所有东西：文档工作者，正在从“内容生产者”变成“知识运营者”。而且这个转变，比小编想的快得多。
下面是小编觉得最值得记下来的几个片段。
一、AI 智能体在交付文档的探索
ZTE 的实践是多智能体协同框架：Planner + Executors，覆盖规划、执行、质控、翻译、发布五个阶段。
最值得关注的是她提出的四个对抗幻觉的文档生成技术：
这和华为蒋诗玥的锚点策略有异曲同工之处——两个来自不同公司的演讲者，却都得出了相似的结论：AI 应用的核心挑战不是能力，而是可控性。
她还提到了文档范式的三阶段演进：
目前大多数团队处于第一到第二阶段的过渡期，第三阶段是方向，但需要解决可控性问题才能真正落地。
实际效果：写作时间减少 60%，提交 PR 前可发现问题，减少反复修改。
但让小编印象更深的是她对开源文档体系的整体设计思路：根据用户旅程（认知 → 初步使用 → 深入参与 → 贡献 → 布道）分层设计文档类型，每一层对应不同的用户需求和内容标准。
比如”认知阶段”需要的是 README、版本说明、架构白皮书；”初步使用”需要安装指南、用户指南、API 参考；”贡献阶段”需要贡献指南、代码规范、PR 模板……这个框架不只适用于开源项目，对任何面向开发者的文档体系都有参考价值。
这些问题的根源不是模型”不够聪明”，而是缺乏现实锚点。
她提出的解法是锚点策略 + 硬约束，分三层：
她还分享了一个很实用的框架：不同类型的技术文档，需要不同的锚点来源：
这个分类方式可以直接拿来用。
核心洞察：幻觉问题的本质是”模型在没有约束的情况下自由发挥”。解法不是更好的 Prompt，而是更严格的工程约束。
最让小编惊讶的是编程辅助的对比：传统方式要111行代码，SmartBot一句话描述需求就能生成。
但 Elsie 特别强调了一点，小编单独记下来：
“AI 是辅助，不是替代。文档结构清晰、信息一致、层次清楚，才是 AI 能发挥作用的前提。”
这句话不是客套话。SmartBot 的知识来源是用户文档、热线支持文档和案例库——如果这些底层内容质量差，AI 助手再聪明也没用。文档质量是 AI 能力的上限，这个逻辑在这里再次得到了验证。
第三个方向尤其有意思。AI就从“审校工具”升级成“协作伙伴”了，TW 的工作方式会有根本性的变化。
在压力下，人会快速解读，而模糊的语言会被解读成错误的行动。
STE 的核心原则：一个词，一种词性，一个含义。53 条写作规则，覆盖词汇选择、句子结构、程序写作、安全说明……
这个标准在 AI 时代有了新的意义：结构清晰、语义明确的内容，不只是人类读者需要，也是 AI 系统能够正确理解和调用的前提。
小结
薛静和蒋诗玥的分享都在强调同一件事：AI 智能体的挑战不是”会不会”，而是”能不能被管住”。硬约束、锚点策略、事实核查——这些都是在给 AI 加”护栏”，而不是给它更多自由。
主线三：TW 的角色在向”工程师”迁移
从”写文档”到”构建让 AI 能正确理解和调用内容的知识架构”，从”审校内容”到”训练和管理模型”——这个迁移不是未来时，是现在进行时。
过去，这四个“Right”靠人的判断：TW决定写什么、写多深、什么格式、发到哪。
现在，这些判断越来越多地由AI模型和底层知识架构来完成——模型根据用户意图检索内容、生成回答、动态适配渠道。
她给了一个非常清晰的对比：
华为云的实践是建立知识飞轮，三个维度的升级：
效率数据很实在：工单分析从 3人天/1000单 优化到 1小时/1000单。
但最让小编印象深刻的是这张幻灯片的标题：
“AI 消费文档：文档质量的提升促进云宝助手指标持续向好”
华为云的数据显示，通过知识模板化、知识质量提升、Bad Case 持续分析优化，云宝助手的问题自助解决率、答准率、知识完备率都在持续提升。
这验证了一个关键假设：文档质量是 AI 助手能力的上限。你的知识库有多好，你的 AI 助手就有多好。
为什么会幻觉？ 解释很清晰：LLM预测的是“最可能的”下一个token，而“最可能”由训练数据定义，不是由事实定义。模型被训练成“自信地猜测”——在训练里，“我不知道”得0分，自信的错误答案也得0分，自信的正确答案得1分。数学期望告诉模型：不知道的时候，永远猜。
他给出了一个最小幻觉工作流：
他的结论是：验证者是最后一道防线——这是你在使用 LLM 时的新角色。
根源在于：AI 正在接管”找资料、做方案、寻找答案”的工作，把决策的最后责任交还给人。但人还在用旧模式处理新问题——在 AI 划好的框架里思考”选哪个方案更好”，而不是站在框架之外处理”为什么值得选”的新问题。
她给出了一个可落地的 5% 决策框架，对任何迟迟定不下来的 AI 相关项目，回答三个问题：
这件事真正决定结果的 5% 是什么？（聚焦）
这次最该优先保护的是什么？（速度、质量、风险、成本、用户体验，还是长期价值？）
最后，谁来判断并承担结果？（责任归属）
这三个问题的价值在于它们强迫决策者穿透表面的执行细节，直达真正的优先级和责任归属。
从静态手册到富媒体服务。交付物从文字手册扩展到视频、交互式内容等富媒体形式。但更重要的是，团队不只是交付内容本身，还交付能加速富媒体内容生产的工具。这是一个从”内容供应商”到”内容能力供应商”的跃迁。
第三步破局：走向 AI 原生
自下而上搭建 AI 驱动的内容生成线。他们用了一个很生动的比喻：从手电模式到自然光模式。手电模式是用 AI 工具照亮某个具体的暗处；自然光模式是 AI 成为整个工作环境的基础照明，无处不在、无需刻意开启。
具体成果：写作工具集成插件、跨平台高度集成（自动对接写作平台、翻译平台、飞书），效率提升 90%。
Multi-Agent 编排：生成 Agent + 审校 Agent + 翻译 Agent，由 Orchestrator 统一调度，每个节点输入输出可追溯。
效果：从“开发手写、人工翻译、中文先行外语滞后”，到“提交一行raw_message，全链路自动生成+翻译，多语种同步发布”。
她的结论让小编印象深刻：
“错误码不应只是异常时留下的数字残骸，而应是产品知识体系的一个精准切面。”
从”写错误码”到”沉淀产品知识”——这是文档工程的下一步。
风景长新，前路可期。期待下一次相遇，再话技术传播的新篇章！
微信公众号：
