阶跃AI智能办公助手在企业内部落地时，最先被感知到的往往不是模型能力，而是说话方式。同一个“报销流程怎么走”的问题，通用回答可能是“非常荣幸为您服务，请您提供相关单据”，但公司内部真正习惯的表达可能是“报销先走OA，发票拍照上传，财务每天下午统一审”。前者没有错，却让员工觉得是个外部客服；后者才像工位旁边的同事。要让AI助手真正融入企业，不只是接入API，而是需要把企业文化中的沟通风格显性化，并写入模型可执行的结构中。
一、为什么默认语气会和企业文化冲突
通用大模型在训练阶段接触了大量公开文本，包括电商客服、售后工单、新闻通稿和营销文案。这些语料的共同特点是表达礼貌、结构完整、风险意识强，因此模型在未定制时，很容易生成类似“非常荣幸为您服务”“感谢您的反馈”这样的官方表达。但企业内部沟通往往更直接，很多团队习惯先给结论，再补充必要背景，甚至会用一些带有部门特色的简称。当一个成熟的企业把阶跃AI智能办公助手接入审批、报销、会议协作等场景时，如果仍然沿用通用语气，员工的第一反应不是“这AI真有用”，而是“它怎么像外包客服”。这种语气错位会直接降低使用意愿，比一两个事实错误更伤体验。
企业文化中的沟通风格大多是隐性知识。员工不会专门写一份文档说“我们公司说话不绕弯”，但大家默认遇到问题应该先找谁、怎么说、哪些词不能碰。例如互联网公司内部普遍使用“同学”“对齐”“拉通”，而传统制造企业可能更接受“师傅”“班组”“车间”。如果AI只学习通用礼仪，就很难理解“亲”在某些公司是极度不专业的表达。因此，风格定制不是简单让AI热情一点或严肃一点，而是要把公司里不成文的沟通规范提炼成机器可读的规则。
风格的稳定性还直接影响员工对AI的信任。一个人如果今天叫同事“王工”，明天叫“尊敬的王先生”，会显得不够可靠；AI也是如此。当回答中的称呼、句长、禁用词每次都能保持一致，员工才会把关键流程交给它。反之，如果今天输出短句，明天又变成长篇客套，员工就只能把AI当作玩具，而不是办公入口。
二、用系统提示词建立风格基线
改变阶跃AI智能办公助手说话风格的第一步，是在调用API时传入一个精心设计的system prompt。很多团队会在这里写一句“请用公司内部语气回答”，但这句话过于模糊，模型不知道公司内部语气具体是什么。更好的做法是列出可检查的规则：称呼是什么、要不要先给结论、哪些话不能说、每句话大概多长。下面是一段可直接运行的Python配置。
import requests
API_URL = "https://api.stepfun.com/v1/chat/completions"
API_KEY = "sk-xxxx"
SYSTEM_PROMPT = """
你是公司内部办公助手，请严格按以下风格回复：
1. 称呼同事为“同学”，不要使用“尊敬的客户”“亲”等称呼。
2. 先给结论，再分点说明原因，原因不超过三条。
3. 禁用“非常荣幸”“感谢您的反馈”“很抱歉给您带来不便”等客套话。
4. 句长控制在40字以内，能用短句就不用长句。
5. 涉及内部制度时，优先使用《员工手册》中的术语，不自行发明。
"""
def ask_ai(question):
messages = [
{"role": "system", "content": SYSTEM_PROMPT},
{"role": "user", "content": question}
]
payload = {
"model": "step-2-16k",
"messages": messages,
"temperature": 0.6
}
headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}
response = requests.post(API_URL, headers=headers, json=payload)
return response.json()["choices"][0]["message"]["content"]
print(ask_ai("项目周报什么时候交？"))
这段配置里的每一条规则都有明确目的。称呼规则是为了解决“同学”还是“您”的问题；结论先行是为了匹配强调执行力的公司文化；禁用客套话是为了避免AI落入客服语体；句长控制可以让回答更像工作消息而不是正式邮件。temperature设置为0.6，在保持风格的同时留有一些自然波动，避免所有回答变得机械。
需要提醒的是，system prompt中的规则不是越多越好。一次性写20条，模型容易出现规则冲突或忽略部分指令。更合理的做法是保留5到8条最核心的规则，其余细节交给少样本示例处理。同时要避免使用“语气温和”“态度亲切”这类主观词，除非把它们拆解成可观察的行为，例如“不催促、不反问、先表示理解”。否则模型仍然不知道具体该怎样说话。
三、用少样本示例固定表达习惯
系统提示词能定下基本框架，但真正让AI“像同事”的，是它能不能模仿公司内部真实对话的节奏。抽象规则解释不了“先别提交”和“请您暂缓提交”的差别，几组高质量示例可以。建议从内部群聊、工单系统或员工培训记录中挑选5到8组高频问答，清洗掉敏感信息后，直接放进API请求的消息列表。
EXAMPLES = [
{"role": "user", "content": "报销发票金额填错了怎么办"},
{"role": "assistant", "content": "先别提交。在OA里撤回这笔单子，改完金额重新发起。财务还没审就不用重新打印。"},
{"role": "user", "content": "明天临时请假找谁批"},
{"role": "assistant", "content": "找直属主管批。半天假在钉钉上提，一天以上同步给HR备案。"},
{"role": "user", "content": "会议室投影连不上"},
{"role": "assistant", "content": "先重启墙上面板，HDMI线重新插一下。还不行就报IT，工单号发群里。"}
]
def build_messages(question):
messages = [{"role": "system", "content": SYSTEM_PROMPT}]
messages.extend(EXAMPLES)
messages.append({"role": "user", "content": question})
return messages
这些示例的共同点是动词开头、句长短、不铺垫。例如“先别提交”“找直属主管批”“先重启墙上面板”，直接告诉员工下一步动作。同时示例中出现了OA、钉钉、IT、工单号等公司内部常用词，模型后续回答时会自然延续这些术语。相比单纯在规则里写“使用内部术语”，示例更能让模型学会术语出现的语境。
示例数量不宜过多。5到8组已经足够覆盖报销、请假、设备报修等主要场景；如果扩展到30组，不仅会挤占上下文窗口，还可能让模型过度拟合示例中过时的流程。更有效的方式是每两周检查一次示例，发现某些流程已经变化就及时替换。过时的少样本示例比没有示例更危险，因为它会让AI自信地给出错误操作路径。
四、结合企业知识库与检索增强，让风格落到具体语境
很多企业文化不是一条条规则，而是分散在《员工手册》、制度通知、会议纪要和培训材料中。比如公司把报销统称为“报账”，新员工入职叫“入学”，这些表达很难通过几条提示词穷尽。这时可以引入检索增强：把企业文档切块后建立索引，在用户提问时先检索相关片段，再把片段和风格规则一起注入到system prompt。这样AI既知道“怎么说话”，也知道“根据内部制度该说什么”。
def build_prompt(question, retrieved_docs):
context = "\n".join(doc["content"] for doc in retrieved_docs)
system_prompt = SYSTEM_PROMPT + "\n\n相关内部资料：\n" + context
messages = [{"role": "system", "content": system_prompt}]
messages.extend(EXAMPLES)
messages.append({"role": "user", "content": question})
return messages
检索增强还有助于提升回答的可信度。如果内部制度规定调休必须在加班后3天内发起，AI检索到该条款后，回答会直接给出“3天内提交调休申请”，而不是笼统地说“请按公司规定办理”。同时，片段中的专有名词会自然进入回答，避免AI发明一个公司里根本不存在的说法。对员工来说，这种细节恰恰是“自己人”和“外部工具”的分界线。
企业知识库不需要一开始就做得很大。可以从报销、考勤、差旅、设备报修这四类高频制度切入，把每个文档清洗后按300到500字切片。检索时取相似度最高的前3到5条，不要塞入太多片段，否则模型会抓不住重点。等这些场景跑通后，再逐步扩展到绩效、采购、安全规范等领域。
五、评估与迭代：把风格从能用到好用
风格定制不是一次性部署就结束。建议准备20个内部常见问题作为固定测试集，每次调整提示词、示例或知识库后，都跑一遍并人工打分。评估维度可以包括：称呼是否准确、是否出现禁用词、是否结论先行、句长是否合适、术语是否符合公司习惯。每个维度0到2分，总分10分，低于6分说明需要回查规则设计。
| 评估维度 | 检查点 | 权重 |
|---|---|---|
| 称呼准确 | 是否使用公司约定称呼，不混用“您”“亲” | 20% |
| 禁用词控制 | 是否避免客套话和外部客服表达 | 25% |
| 结论先行 | 第一句是否直接回答，不铺垫背景 | 25% |
| 句长节奏 | 是否以短句为主，便于快速阅读 | 15% |
| 术语一致 | 是否使用内部流程名称和专有词汇 | 15% |
迭代时不要只盯着平均分，要看低分案例的共性。比如员工反馈AI总用“您”，就在system prompt中增加一条禁用“您”，并替换一批示例；如果发现AI反复给出过时流程，就要优先更新知识库源文档，而不是在提示词里堆更多规则。风格问题通常不是模型能力不足，而是规则和语料没有同步。
对于风格稳定性要求极高、数据积累也较多的团队，可以考虑轻量微调。但微调不是起点。先把系统提示词、少样本示例和检索增强做好，往往能解决80%的风格问题。阶跃AI智能办公的开放接口已经提供足够的定制空间，关键是团队愿意把原本只存在于员工直觉里的文化，逐条写清楚、测出来、迭代下去。AI说话风格最终不是技术参数，而是企业沟通文化的镜子。