视觉检测公司的核心工作天然包含大量图片、缺陷规则、客户沟通、工程配置、现场问题和交付文档。AI 的价值不是替代所有判断，而是帮助你更快整理信息、更清楚表达规则、更稳定复用经验。
客户常说“这里要检出来”“这个不能误判太多”。AI 可以帮助你把这些话拆成缺陷类型、检测区域、误检漏检标准、样本需求和待确认问题。
视觉检测项目通常涉及相机、光源、算法、PLC、MES、前端界面和部署脚本。Codex 可以辅助读项目、定位问题、生成测试和说明。
每次现场调试、客户验收、售后问题都可以变成复盘模板、问题库、检查清单和下一次项目的风险提示。
如果你还不熟悉提示词、上下文、幻觉、Codex、Agent、Skill、MCP，可以先读通用基础课。行业案例会用到这些概念。
同一家公司里，管理层、研发、产品、行政、交付和售后的 AI 任务并不一样。你不需要学所有工具的所有功能，你需要先把自己的高频工作练熟。
用 AI 梳理客户行业、竞品方案、项目利润风险、交付瓶颈和组织能力缺口。重点不是生成漂亮文字，而是帮助你看清“哪里能提效，哪里必须人工把关”。
把过去 10 个项目的延期原因整理给 AI，让它归类为需求不清、样本不足、算法不稳定、现场条件变化、交付资源不足，并输出管理动作。
研发要把 Codex 当成工程协作者，而不是聊天工具。给它代码仓库、问题日志、期望行为和验证方式，让它先定位，再计划，再修改。
给 Codex 一段相机采图失败日志，让它定位可能的配置、网络、SDK 调用或异常处理问题，并生成排查清单。
产品可以用 AI 整理客户访谈、PRD、验收标准、竞品功能和用户培训材料。重点是把“客户说法”转成团队能执行的结构。
把客户提出的检测需求整理成：检测对象、缺陷类型、样本要求、现场约束、验收指标、需要客户补充的信息。
行政和运营可以从会议纪要、流程制度、培训通知、设备借用、出差安排、项目资料归档开始练。AI 适合整理，不适合替你做最终审批。
给 AI 一份项目启动会议记录，让它输出待办清单、负责人、截止时间、资料缺口和需要同步给客户的问题。
交付现场经常有光源变化、样本批次差异、设备安装偏差、网络和 PLC 对接问题。AI 可以帮助你把过程记录成客户能理解、研发能继续处理的材料。
把现场调试记录整理成：问题现象、已检查项、临时处理、未解决风险、需要研发支持的证据。
售后可以用 AI 整理常见问题、客户回复模板、远程排查步骤和升级研发的标准。每一次问题处理都应该留下可复用记录。
根据客户反馈“最近误检变多”，生成一份远程排查问题清单：光源、相机、镜头、产品批次、模型版本、阈值配置。
日常工作类的重点，是知道该调用什么工具：文档、表格、PPT、邮件、搜索、转写、知识库和客户资料。代码类工作才是 Codex 的重点：先理解程序基本逻辑、模块关系和数据流，再设计架构、修改代码、验证结果。
例如整理客户会议、生成需求澄清表、做售前 PPT、写客户邮件、转写现场记录、查询竞品资料。关键是选对工具，而不是只聊天。
例如读取采图模块、理解算法服务和前端界面的关系，设计异常提示方案，修改代码后再用测试、日志和页面行为验证。
适合管理、产品、行政、交付、售后高频使用。核心能力是判断该用文档、表格、PPT、邮件、搜索、转写还是知识库。
请先判断这个任务适合用文档、表格还是 PPT 输出。只根据以下项目会议记录，整理视觉检测项目需求。输出字段：检测对象、缺陷类型、现场条件、验收标准、客户未说明的信息、我们下一步要问的问题。无法判断的地方写“需要确认”。
适合算法、软件、嵌入式、测试、运维研发使用。核心不是让 Codex 直接改，而是先让它理解程序结构。
请先读取项目说明和采图相关代码，定位为什么相机断线后界面没有提示。先给修改计划，不要改无关模块。修改后说明验证方式，并列出仍需人工确认的硬件条件。
| 应该写清楚 | 视觉检测项目里的例子 | 为什么重要 |
|---|---|---|
| 项目入口 | 前端界面、算法服务、采图服务、设备通信模块分别在哪里 | 避免 Codex 改错层 |
| 运行方式 | 本地如何启动相机模拟、算法服务、测试数据 | 让 Codex 能验证结果 |
| 禁止修改 | 生产配置、客户数据、设备标定参数、模型权重 | 避免误改关键资产 |
| 验收方式 | 单元测试、样本回放、接口检查、UI 操作路径 | 让每次修改有证据 |
只会提问还不够。真正进入企业工作时，你会遇到持续执行、复用流程、连接系统的问题，这时就要理解 Agent、Skill 和 MCP。
例如让 Agent 检查项目文档、读取代码、定位日志问题、提出修复计划、修改后再跑验证。适合研发和交付联合排查。
“排查某客户现场误检率升高的问题，先整理客户反馈，再检查最近模型版本、阈值配置和日志异常。”
Skill 可以把“项目复盘”“客户验收报告”“售后问题升级”“样本标注规范检查”做成固定流程，让不同员工输出一致。
安装或编写一个“客户验收报告 Skill”，输入现场记录和指标，输出报告结构、证据清单和待确认项。
当 AI 需要读取 Drive 文档、GitHub 仓库、Gmail 邮件、工单系统或内部知识库时，就需要 MCP。登录时要确认权限范围。
连接项目资料库后，让 AI 汇总某客户历次验收记录、问题单和版本说明，生成项目复盘。
如果只需要某个客户项目资料，就不要授权整个公司云盘。
能删除、能发送、能改生产数据的权限必须谨慎，优先让 AI 生成建议，由人执行。
客户邮件、合同承诺、模型上线、生产配置修改都不能直接自动执行。
这些案例不是展示 AI 很厉害，而是帮助你把真实工作拆成输入、工具、输出和复核。
项目计划、延期记录、验收记录、客户反馈、成本数据。
文档整理、表格归类、必要时通过 MCP 读取项目文件夹。
风险分类、重复问题、责任边界、下次项目检查清单。
不能让 AI 推断责任归属，关键结论要回到项目原始记录。
客户访谈、样品照片描述、缺陷类别、现场节拍、误检漏检要求。
ChatGPT 做需求结构化，表格工具输出验收字段。
检测对象、缺陷类型、检测区域、样本量、验收指标、待确认问题。
客户没有明确说的指标必须标“需要确认”，不能替客户承诺。
错误日志、采图模块、前端告警组件、设备通信说明。
Codex 规划模式读代码，执行模式小步修改，最后跑验证。
问题定位、修改方案、异常提示、测试或模拟验证结果。
硬件现场条件、真实相机 SDK 行为和生产配置需要人工确认。
看懂页面只是第一步。真正学会，是你能拿自己的会议记录、日志、需求、售后问题，让 AI 产出可以被团队复核的结果。
输入一段客户沟通记录，输出检测对象、缺陷类别、样本要求、现场条件、验收标准和待确认问题。
输入一段采图、算法或部署日志，让 Codex 列出可能原因、排查顺序和需要补充的证据。
输入一次售后处理记录，输出问题现象、处理过程、根因假设、客户回复、内部改进项。
| 模板 | 适用场景 | 核心字段 |
|---|---|---|
| 视觉检测需求澄清表 | 售前、产品、项目启动 | 检测对象、缺陷类型、样本量、现场条件、误检漏检要求、验收方式 |
| 现场问题排查表 | 交付、售后、研发协同 | 问题现象、复现条件、已检查项、日志证据、临时方案、升级对象 |
| 项目复盘表 | 项目结束、客户验收后 | 目标达成、延期原因、返工原因、客户反馈、可复用经验、下次风险 |