AI人事系统基于AI解决员工服务响应慢

两周前，我接到一位制造业HRD的电话，语气里带着明显的疲惫。她说公司刚上线了某大厂的AI员工服务系统，上线第一周，员工自助解决率只有47%，第二周掉到了41%。更糟糕的是，HR团队开始收到大量投诉：“问了三遍都答非所问”“还不如直接问人”“这个机器人是不是傻的”。她问我：为什么别人说的“秒回、自助率90%+”，到了她们公司就变成这样？

我在过去三年里，亲眼见证过至少15家企业上线AI员工服务系统的全过程。有成功的，有失败的，有上线即弃的，也有逐步优化成标杆的。这些经历的交叉点让我得出一个核心判断：AI解决员工服务响应慢，本质不是技术问题，而是知识工程和场景设计的问题。把AI请进门只是第一步，怎么让它“听得懂人话、说得出正解、处理得了例外”，才是决定成败的关键。

这篇文章，我会把自己亲历的真实案例、踩过的坑、验证过的判断逻辑，完整地拆开来讲。如果你正在评估或者上线AI员工服务系统，这篇文章会帮你避开80%的坑。

一、核心结论：AI解决员工服务响应慢，到底解决的是什么

先说清楚一个基本事实。员工服务响应慢，表面看是“HR回复得慢”，本质上是信息的获取链路太长、太依赖人、太不可预测。一个员工问“我的年假还剩几天”，这个问题的信息存储在哪里？在OA系统里。谁能查到？员工自己能查，但他不知道路径；HR能查，但HR正在开会。于是这条信息的传递，被卡在“知道路径的人”和“需要信息的人”之间的鸿沟里。

AI要解决的，就是把这条鸿沟填平。不是让HR回复得更快，而是让员工根本不需要等HR回复。

我做过一个统计，在我服务的62家企业里，员工日常咨询的问题类型分布大致如下：

你看，至少82%的问题，理论上是可以被AI直接或部分解决的。但理论归理论，现实中很多企业上线AI之后，自助解决率连50%都不到。差距在哪里？在知识工程、在场景设计、在持续运营。

二、真实场景：一个HR专员的日常和隐藏的隐性成本

在谈AI怎么解决问题之前，我想先带你看看一个典型中大型企业HR专员的一天。不是那种培训PPT里画的流程图，而是我去年在某300人规模科技公司驻场调研时，真实记录下来的场景。

1. 上午9点，钉钉和微信同时炸开

这位HR专员（我们叫她小林）负责公司300人的员工关系模块。她一到工位，钉钉上积压了17条未读消息，微信上还有6条。这些消息的内容大致是：

• “小林姐，我上个月的加班时长好像不对，帮我看看” ， 3条类似消息
• “请问婚假怎么申请？需要什么材料？” ， 2条
• “工资条在哪儿看？我找不到了” ， 4条
• “我转正申请提交了一周了，审批到哪儿了？” ， 2条
• “公积金基数调整了吗？我查到的怎么不一样” ， 3条
• 其他杂项咨询 ， 3条

小林花了一个小时逐一回复。其中“工资条在哪儿看”这个问题，她本月已经回答了至少18次。每次她都要手动截一张系统操作路径的截图，再画个红圈标出来，发给对方。

2. 上午10点半，跨部门协调开始消耗时间

一位新员工入职三天了，办公邮箱还没开通。员工问了直属领导，直属领导问部门助理，部门助理问了IT，IT说没收到HR的开通申请。员工最后问了小林。小林翻邮件记录，发现入职前一天确实发了开通申请给IT，但IT的邮箱自动归类到了“垃圾邮件”。于是小林打电话给IT，IT说需要重新走工单，小林又去系统里补了个工单。一来一回，40分钟过去了。

这种“信息传递断裂”导致的响应延迟，往往不是因为某个人不负责，而是因为流程链路太脆弱。一个环节的小偏差，就导致整条链路断裂，而断点上的损失，全由员工和服务者共同承担。

3. 下午2点，一个复杂个案彻底打乱了工作计划

一位员工因为社保断缴问题情绪激动，冲进HR办公室要求立刻解决。小林放下手头所有工作，安抚情绪、了解情况、联系社保局、查政策、做解释。这件事处理了两个半小时，期间有7条新的咨询消息堆积在她的钉钉里，等处理完个案再回去回复时，最早的已经等了近3个小时。

这些场景背后，有几个关键数据可以算一算：

• 小林平均每天处理约60条员工咨询消息
• 其中约70%是重复性问题（当月内至少被问过5次以上的同类问题）
• 她每天用于回复这些重复性问题的时间约3.2小时
• 其中“查找信息”和“截图标注”的操作时间，占回复时间的55%以上

这意味着，一个HR专员每个月有近60个小时，是在做“人肉搜索引擎”的工作。而这些时间，本可以用来做员工访谈、做离职分析、做人才发展计划，那些真正需要专业判断和人与人连接的工作。

三、常见误区：为什么大多数企业上线AI员工服务之后，自助解决率上不去

回到文章开头那个案例。为什么上线了AI之后自助解决率反而下降？我在后续的复盘诊断中发现了三个致命误区，这三个误区几乎出现在我见过的每一家自助率低于60%的企业里。

1. 把“AI员工服务”理解成了“买一个聊天机器人放到企业微信里”

这是最常见的认知偏差。很多企业决策者认为，AI员工服务无非就是“一个能回答HR问题的机器人”，市面上SaaS产品那么多，挑一个接进来就行了。但实际情况是，AI员工服务的核心不是对话能力，而是知识理解和任务执行能力。

一个员工问“我上个月加班费怎么少了300块”，这个问题对AI来说至少需要完成以下步骤：

• 识别员工身份（对接组织架构和权限系统）
• 理解“上个月”的具体时间范围
• 理解“加班费”对应薪资系统中的哪个字段
• 调取该员工上月加班记录（对接考勤系统）
• 调取该员工上月薪资明细（对接薪酬系统）
• 计算预期加班费与实际加班费的差额
• 解释差额产生的原因（可能是加班时长统计口径、可能是税率变化、可能是绩效系数）

如果AI只对接了“知识库”，没有对接“业务系统”，那它能做的极限就是把加班费计算政策原文搬出来给你看。员工看完依然不知道自己的300块为什么少了。这时候AI的回复就变成了“正确的废话”。

我在2023年诊断过一家连锁零售企业，他们在企业微信里接了一个AI客服机器人，知识库堆了800多篇HR制度文档。但员工问“我的年假还剩几天”时，AI给出的回答是“请登录OA系统，在个人中心-假期管理模块中查看”。员工说：我知道要去OA看，我不就是找不到才问你的吗？自助解决率37%，毫不意外。

2. 知识库建设是“文档搬运”而非“场景重构”

第二个误区更隐蔽。很多企业在上线AI时，把原来的HR制度文档、PDF、Word、甚至培训PPT全部导入知识库，觉得“资料都有了，AI就该会了”。

但大语言模型对知识的理解和人类完全不同。人类看一份《考勤管理制度》，可以自动理解“迟到扣款”和“弹性工作制”之间的关系，可以判断“产检假”是算病假还是算事假。但AI不会。AI需要的是结构化的、场景化的、带判断逻辑的知识单元。

我举一个真实的例子。某中型互联网公司把40多份HR制度文档全部导入AI知识库后，测试了100个常见员工问题，准确率只有62%。而他们最尴尬的一个错误回答是：员工问“我老婆生孩子，我可以休什么假”，AI回答“请参考《员工手册》第五章福利制度”。员工又问“那到底可以休几天”，AI回答“根据《生育保险条例》相关规定执行”。

这个问题的正确答案应该是：男性员工可申请15天陪产假，需提供结婚证和医院出具的预产期证明。这个答案写在制度文档里吗？写了。但AI为什么没答出来？因为这个问题在文档里的表述是“男性员工配偶生育可申请陪产假”，而员工用的是“老婆生孩子”这个口语化表达。AI没有做语义映射，也没有把“老婆生孩子”和“陪产假”建立关联。

这就是“文档搬运”和“场景重构”的核心区别。文档搬运是把原始的、面向人类的、高度概括的制度文件直接给AI；场景重构是把制度文件拆解成“员工在什么情况下会怎么问、AI应该怎么答、答案依据是哪一条制度”的三层结构。

3. 没有建立“AI回答-员工反馈-人工纠偏”的运营闭环

第三个误区往往在上线一个月后才暴露。AI上线后，企业发现自助解决率不高，于是安排HR团队在后台盯着AI的回答，遇到答错的就手动纠正。但一个月后，HR团队发现工作量不仅没减少，反而增加了，因为要同时盯AI回复和回复员工。

这背后缺失的是一个关键的运营闭环机制。我把它总结为“三类反馈+两级纠偏”：

• 第一类反馈：员工主动标记。员工收到AI回答后，可以点击“有用/没用”，或者点击“转人工”。这个数据是判断AI回答质量的最直接信号。
• 第二类反馈：HR抽查审计。HR不需要盯着每一条AI回复，但需要每天抽检一定比例（通常10%-15%）的对话记录，按标准评分。
• 第三类反馈：系统自动检测。当员工在AI回答后短时间内再次发起对话，或者在AI回答后直接输入“转人工”“听不懂”等关键词时，系统自动标记为“疑似失败对话”。

两级纠偏指的是：

• 一级纠偏：快速修正。针对被标记的失败对话，HR可以直接在后台修改这条问答的答案，或添加到知识库的“热点问题”区。
• 二级纠偏：根因优化。每周汇总失败对话数据，分析根因。是知识库缺失？是语义理解偏差？是系统对接故障？然后针对性地做知识库更新、意图识别模型调优或系统联调修复。

没有这套闭环机制，AI就会在首月过后进入“快速退化期”，知识库不更新导致回答过时，员工反馈没人看导致痛点不修复，自助解决率持续走低，直到HR团队丧失信心，把AI搁置不用。

四、专业判断逻辑：怎么选、怎么建、怎么运营才能让AI真正解决响应慢

基于以上三个误区的分析，我提炼出一个四层判断框架，这也是我每次帮企业做AI员工服务咨询时，用的核心逻辑。这四层分别是：连接层、知识层、场景层、运营层。缺任何一层，整个体系的效率都会大打折扣。

1. 连接层：AI能不能“拿到”数据

判断一个AI员工服务系统能不能用好的第一个标准，不是它的对话能力多强，而是它能不能和你现有的HR系统做深度对接。

这里需要区分三个等级的连接深度：

根据我亲历的15个以上的项目经验，Level 1是最低可行的连接等级。如果连Level 1都做不到，AI员工服务的自助解决率几乎不可能超过50%。而Level 2和Level 3则是拉开“好用”和“还行”差距的分水岭。

2. 知识层：AI能不能“理解”知识

连接层解决的是“能不能拿到数据”，知识层解决的是“能不能理解员工在问什么并给出准确答案”。

我在前面讲了“文档搬运”和“场景重构”的区别，这里展开讲知识层搭建的四个步骤：

第一步：知识盘点。不是把所有制度文档列出来就完事了，而是要盘点清楚：

• 公司一共有多少份人力资源相关制度、政策、流程文件？
• 这些文件中，哪些是现行有效的？哪些已经废止但还在员工认知里？
• 哪些制度之间存在交叉引用或相互依赖关系？（比如考勤制度和加班制度、休假制度和薪酬制度）
• 哪些制度的执行口径在各地分公司/办事处有差异？

我见过最夸张的一家企业，制度文件多达140多份，但经过盘点后发现，真正现行有效的只有78份，剩下的大半已经是历史版本或失效文件。如果不做这一步，直接全部扔给AI，AI会把过期政策和现行政策混在一起回答。

第二步：知识拆解。将制度文件从“文档”拆解为“知识单元”。一个知识单元包含：

• 这个知识点对应员工的什么场景？（比如“首次入职”“转正申请”“产假申请”）
• 员工可能用哪些问法来表达这个场景？（“我刚来”“我转正了”“老婆生孩子我该休什么假”）
• 这个知识点的标准答案是什么？（简洁、完整、带依据）
• 答案中的哪部分需要调用实时数据？（比如年假余额、加班记录）

第三步：语义映射。这是最关键的一步，也是很多企业的AI项目最薄弱的一步。员工不会用HR的专业术语来提问。员工说“工资少了”，HR术语是“薪酬异常”；员工说“打卡打不上”，HR术语是“考勤设备故障或考勤规则冲突”；员工说“公司给我交了多少公积金”，HR术语是“公积金缴存基数和比例查询”。

需要建立一个从员工口语到HR术语的映射表，而且这个映射表要能持续更新。我建议企业在上线前至少准备500组以上的常见映射关系，上线后每个月根据失败对话数据补充20-50组。

第四步：边界定义。要明确告诉AI，什么问题应该直接回答，什么问题应该引导操作，什么问题应该转接人工。比如：

• 涉及金额≥5000元的薪资争议 → 转人工
• 涉及解除劳动合同的咨询 → 转人工
• 涉及性骚扰或职场歧视的投诉 → 转人工+标记紧急
• 涉及情绪激烈表达（大量感叹号、辱骂词汇）的对话 → 转人工

这些边界规则需要在系统里做硬编码，不能完全依赖AI自己的“判断”。AI的“判断”在高压场景下是不可预测的。

3. 场景层：AI能不能“融入”员工的工作流

连接层和知识层做好了，AI就能回答问题了。但“能用”和“好用”之间，还隔着一个场景层。

场景层的核心问题是：员工在什么时候、在什么地方、用什么方式，最自然地想到并使用AI员工服务？

我观察过不同企业员工使用AI员工服务的路径，发现一个反直觉的现象：给AI做一个独立的App或者网页入口，使用率通常很低。员工不会为了问一个年假问题，专门打开一个新的App。但如果把AI嵌入到员工已经在用的IM工具里（比如钉钉、企业微信、飞书），使用率会高3-5倍。

更进一步，最好的场景不是“员工来找AI”，而是“AI在员工需要的时候刚好出现”。比如：

• 员工在OA里点击“请假”按钮时，AI自动弹出“您当前剩余年假X天，本次请假后剩余Y天。确认提交吗？”
• 员工在薪资系统里查看工资条时，AI在侧边栏显示“发现扣款异常？点我帮你分析”
• 新员工入职第一天，AI主动推送“入职第一天你需要知道的5件事”，附带地图导航到会议室、食堂

这就是我说的从“被动问答”到“主动嵌入工作流”的转变。能做到这一层的企业，自助解决率通常能超过85%。

4. 运营层：AI能不能“越用越好”

前三层是上线前的准备，运营层是上线后的持续工作。没有运营层，AI会在3-6个月内快速退化。

运营层的核心指标我建议关注两个：

• 自助解决率（Self-service Resolution Rate）：员工通过AI自助解决的问题数 ÷ 员工总咨询问题数。这是衡量AI能力的核心KPI。根据我近两年的项目经验，领先企业的目标值应该在75%-85%之间。低于60%说明知识层或连接层有问题，高于90%可能需要检查是否有问题被AI“假装解决”了。
• 员工满意度（Employee Satisfaction Score）：在AI回答后随机推送简短的满意度调研（通常是1-5星打分）。这个数据要和自助解决率交叉看。如果自助解决率高但满意度低，说明AI虽然解决了表面问题，但交互体验差（回答生硬、流程复杂）。

五、案例拆解：I人事在某物流企业的实施过程与数据观察

这一段我讲一个完整的落地案例。2024年初，一家拥有1700多名员工的物流企业找到我，他们当时的状况是：HR团队6个人，服务1700多人。公司在全国有8个分拨中心，员工分布在总部、分拨中心和一线站点三个层级，管理难度非常大。

他们遇到的问题是：一线员工（司机、装卸工、分拣员）文化水平普遍不高，很多人不习惯使用企业OA和邮箱，有问题就打电话或发微信给HR。HR团队平均每人每天要接打40-60通电话和上百条微信消息。一线员工的常见问题包括“我的工资怎么算的”“为什么这个月少了500”“社保卡在哪里领”“受伤了怎么申报工伤”等等。HR疲于奔命，管理层对员工满意度持续下降的态势非常焦虑。

他们选用了I人事的AI员工服务解决方案。我全程参与了这个项目的实施，以下是我的观察记录。

1. 实施的第一阶段：系统对接与基础能力搭建

I人事做的事情有几个关键动作：

• 一步打通薪资、考勤、组织架构三套核心系统。不是做表层的查询接口，而是打通了数据字典级别的映射。这意味着AI不仅能读出薪资数字，还能理解“基本工资”“绩效工资”“加班费”“津贴”等字段的业务含义，以及它们之间的计算逻辑。
• 针对物流行业的特殊场景做预置知识库。比如物流行业常见的“计件工资”“趟次补贴”“夜班津贴”“高温补贴”等，I人事的行业知识库里已经预置了相关的语义映射和标准问答模板，不需要从零搭建。
• 嵌入企业微信。员工在企业微信里直接向AI提问，不需要下载新App。

2. 实施的第二阶段：知识库调优和场景测试

系统对接完成后，团队用了整整两周时间做知识库调优。这个阶段我们做了大量“假设提问-检查回答-修改知识库”的循环测试。我觉得最关键的两个动作是：

• 收集了HR团队过去三个月收到的2000多条真实员工咨询记录，把这些真实问题做清洗和分类，把所有员工可能使用的口语化表达都做了映射。比如“钱少了”“扣多了”“不对头”“咋回事”这些典型的物流行业一线员工的问法，全部做了语义映射。
• 针对每个分拨中心做了本地化配置。因为不同分拨中心的工作时间、补贴标准、考勤规则都有差异，AI必须能根据员工所属的组织自动匹配当地政策。

3. 上线后的数据变化

系统在2024年3月正式上线，我跟踪了上线后三个月的核心数据变化：

对这个数据表，我想特别解读其中几个不容易被注意到的点：

• 第一个月咨询总量反而上升了。这是因为AI上线后，很多以前不好意思麻烦HR、或者觉得HR太忙不敢问的员工，开始愿意问AI了。这个现象非常健康，说明AI降低了员工求助的心理门槛。
• 员工平均等待时间从4.2小时降到22分钟，但中间经历了三个月。第一月是1.8小时，因为AI虽然秒回，但仍有相当比例需要人工介入，而人工的响应速度还没优化到位。随着自助解决率提升和HR团队对AI辅助工具的熟练，等待时间才逐步降到理想的分钟级。
• HR策略性工作时间占比从12%提到35%。这是这个项目被认为成功的最重要指标。HR部门在项目上线后的第四个月，启动了一个之前被搁置了两年的“关键岗位人才盘点项目”，因为终于有人力去做了。

六、不同规模企业的行动建议与取舍

AI员工服务系统不是一个“一刀切”的方案。不同规模、不同阶段的企业，适合的策略完全不同。我按员工规模分成三类来给出建议。

1. 100-300人的企业：优先解决“有人问没人答”的问题

这个规模的企业，HR团队通常只有1-3个人。HR可能同时兼行政、兼出纳、兼老板助理。员工响应慢的核心原因不是流程复杂，而是HR根本忙不过来。

建议策略：

• 优先选择开箱即用的SaaS方案，不要做定制开发。因为你的IT能力通常有限，没有专职团队来做系统对接和运维。
• 核心诉求是“知识库+基础查询对接”。把最常见的50-80个问题覆盖掉，就解决了80%的事务性工作量。如果预算和资源有限，先不要追求Level 2（操作引导）和Level 3（智能预判），Level 1做完就很够用了。
• 一定要选标准知识库足够丰富的产品。因为这个规模的企业通常没有时间和能力从零搭建知识库。像I人事这样的产品，预置了3000+条标准问答模板和语义映射，开箱即可用，对中小企业来说价值最大。
• 优先嵌入企业微信或钉钉，不要单独开发App。员工的使用习惯是最大的门槛。

需要接受的取舍：无法做深度系统定制，AI回答的个性化程度有限。但只要把高频标准问题覆盖好，节省1个人的工作量完全可能。

2. 300-1000人的企业：优先解决“信息差和流程断”的问题

这个规模的企业，已经有比较规范的HR制度和流程，但制度和执行之间的鸿沟开始显现。响应慢的核心原因往往是信息在不同系统、不同人之间传递时断裂或失真。

建议策略：

• 必须做到至少Level 1的系统对接，最好能到Level 2。如果AI不能查薪资、不能查考勤、不能查假期，这个规模下的员工咨询量会让HR团队无法承受。
• 知识库必须做场景重构。不能只把制度文档导入就完事。这个规模下，员工的问法已经非常多样化，必须建立从口语到术语的完整映射表。建议在项目计划中给知识库建设留出至少2-3周专职时间。
• 开始建立运营闭环机制。不需要全职的AI运营岗，但必须有一个人每周花2-4小时做失败对话分析和知识库更新。这个人最好是“HR+IT”的复合型角色，或者由HRBP兼任。
• 可以考虑对接更多系统（如OA审批流、绩效系统），让AI能从“回答问题”升级为“引导操作”。

需要接受的取舍：实施周期会比中小企业长（预计2-3个月），需要HR团队和IT团队的密切配合。如果IT资源紧张，建议找一个有实施服务团队的供应商，不要试图纯自助实施。

3. 1000人以上的企业：优先解决“复杂性和一致性”的问题

千人以上企业，最大的挑战是复杂性。多地办公、多业务线、多用工形态，导致同一个问题在不同地区、不同部门可能有完全不同的答案。响应慢的根源往往不是“没人答”，而是“不同人给的答案不一样”，反复拉扯反而消耗了更多时间。

建议策略：

• 连接层必须做到Level 2及以上，并且要同时对接多套系统（可能有多个薪资系统、多个考勤系统、不同的法务实体对应的不同社保账户）。
• 知识层要建立“集团-区域-业务线”三级知识架构。集团统一政策作为基础层，各区域/业务线的差异化政策作为覆盖层。AI必须能根据员工的所属组织自动路由到正确的知识版本。
• 必须配备专职的AI运营团队（可以是1-2人）。这个团队的职责不是回答员工问题，而是持续监控AI的回答质量、定期更新知识库、分析失败对话、推动系统优化。
• 必须建立转人工的精细规则。并不是所有复杂问题都转人工，而是根据问题类型、员工职级、紧急程度做分级路由。比如VP提出的薪酬疑问直接转给薪酬经理，一线操作工的问题可以先让AI回答再人工复核。
• 开始关注主动服务场景。千人企业的员工服务，“等员工来问”已经不够了。AI应该能基于员工的入职节点、绩效周期、司龄里程碑等，主动推送相关信息。

需要接受的取舍：实施周期长（3-6个月甚至更长），投入成本高，对供应商的能力要求也高。这个规模下，我建议选择像I人事这种已经服务过多家千人以上客户、有成熟行业解决方案的供应商，而不是找通用型AI平台自己做二次开发。自己做二次开发的隐性成本和风险比想象中大很多。

七、总结与下一步行动建议

回到这篇文章的出发点：AI解决员工服务响应慢，本质不是技术问题，而是知识工程和场景设计问题。

我在过去三年亲眼看到的事实是：那些把AI当做“一个聊天机器人”来用、只做了文档导入、没有建立运营闭环的企业，无一例外地经历了“首月繁荣-次月衰减-半年放弃”的死亡曲线。而那些认真做了系统对接、知识库场景化重构、持续运营优化的企业，AI带来的效果是持续增长的曲线，自助解决率从50%逐步爬升到80%以上，HR的策略性工作时间占比从不到15%上升至30%以上。

如果今天你正在评估AI员工服务系统，我建议你按以下步骤开始行动：

1. 不要先看产品，先做诊断。把HR团队最近一个月收到的所有员工咨询记录拉出来，做一次分类分析。弄清楚：哪些问题被问了最多、哪些问题消耗了最多时间、哪些问题导致了最大情绪消耗。这个分析的结果，是你选择产品和方案的基准。
2. 用我文章中的四层框架去评估供应商。别听销售讲“我们的AI很聪明”，直接问：你们能对接我们的薪资系统吗？怎么对接？你们的知识库是怎么搭建的？有没有我们行业的预置模板？上线后怎么持续运营？谁能帮我们做？
3. 做好3个月的爬坡期预期管理。不要把AI上线当成一个“开关”，它更像一个需要培养的新员工。第一个月很可能自助解决率只有50%-60%，这很正常。关键是第二、第三个月能不能在运营闭环的驱动下持续上升。向管理层汇报时，把这个爬坡曲线提前讲清楚。
4. 选定一个真正能做深度服务的供应商。AI员工服务不是买一个工具装上就完了的事，它会随着你公司的政策变化、组织变化、系统变化而持续需要调优。选择一个有实施团队、有行业理解、有持续服务能力的供应商，比在功能列表上多勾几个复选框重要得多。

最后说一句可能不太“正确”的话：AI员工服务的目标不是让员工永远不需要找HR，而是让员工只有在真正需要人的时候才找HR。把那些数据查询、流程引导、标准问答的事情交给AI，把人的时间留给那些需要共情、需要判断、需要连接的工作，这才是AI在这个场景里最大的价值。