案例的价值不在于证明“AI 很强”，而在于让别人判断：这套方法是否适合自己的条件。
一、背景与问题
说明行业、角色、团队规模和原流程。尽量量化问题：
- 每周发生多少次；
- 原来耗时多久；
- 错误或返工集中在哪里；
- 为什么现在需要改变。
二、目标与边界
写出成功标准，以及明确不解决什么。例如：目标是把整理时间从 90 分钟降到 30 分钟，但最终发布仍需人工审核。
三、方案与工具
列出工具、模型、版本、数据来源和关键配置。说明为什么选择它们，以及有哪些替代方案。
四、实施过程
按时间或步骤记录：
- 输入如何准备；
- AI 在哪里参与；
- 哪些环节使用确定性规则；
- 人工在哪里审核；
- 输出如何进入下游；
- 异常如何处理。
如果可以，附脱敏后的样本或流程图。
五、结果
同时记录效率与质量：
- 前后耗时；
- 成功率或错误率；
- 人工复核时间；
- 单次成本；
- 用户或团队反馈；
- 观察周期和样本量。
不要只展示最好的一次。
六、失败与调整
最有价值的部分常常是：
- 第一个方案为什么失败；
- 哪个假设被证伪；
- 哪些输入最容易出错；
- 为稳定运行增加了什么检查；
- 哪些任务最后决定不自动化。
七、限制与风险
说明适用场景、不可迁移条件、隐私与版权风险、供应商依赖、维护成本和退出方案。
八、复用建议
给出最小起步版本、需要的能力、预计投入和第一周验证指标。让读者知道下一步该做什么。
案例摘要模板
原问题：
目标：
方案：
样本与周期：
前后指标：
最大失败：
当前限制：
复用条件：
下一步：
真实、可验证、有边界的案例，才会随着时间积累成社区的知识资产。