企业官网建设流程全解析

简介：《2024年中国生成式AI行业最佳应用实践报告》由沙利文联合头豹研究院发布，面向企业高管、技术研发人员、研究人员及政策制定者，帮助读者了解生成式AI在中国各行业的落地现状、选型依据与风险边界。报告先界定生成式AI的定义与研究范围，说明其作为深度学习子集、通过持续模型迭代释放「认知盈余」的运作逻辑，再给出最佳案例评选流程与四维评分标尺：功能价值与适用性、技术性能与创新、落地实施与服务支持、客户体验与满意度反馈。行业篇覆盖游戏文娱、工业制造、医疗健康、金融、信息与通信技术、公共服务、汽车、消费与零售、教育、企业应用十大领域，逐行业拆解场景挑战、潜在应用风险与最佳实践案例，并附应用实践综合图谱与方法论说明，可直接用于对标同业方案、评估技术风险。资源包为单个PDF文件，约8.8MB，目录层级清晰，便于按行业检索定位，已有149人学习。

1. 需求先立住：一份生成式AI行业最佳应用实践报告，难点不在案例数量

做2024年生成式AI行业最佳应用实践报告，最容易翻车的地方不是案例不够多，而是案例没有评分标尺。很多人把十来个行业案例堆在一起，每个都写“降本增效”，答辩时被问一句“凭什么说它是最佳”就卡住。这份报告真正值钱的地方，是把多行业应用、技术评估、风险分析和AI应用实践收进同一套评选流程：先定功能价值与适用性、技术性能与创新、落地实施与服务支持、客户体验与满意度反馈四个维度，再用案例证据逐项赋分，最后把行业潜在风险写进方案边界。它适合正在做毕设、课设或企业应用方案的人，尤其适合需要把“案例汇编”讲成“可评估方案”的读者。你要交的不是案例清单，而是一套能自证的选择逻辑。

2. 评选维度与评分标尺设计：四维十指标怎么变成可打分的表

报告给的评选流程是厂商报名、案例输入、案例赋分、案例交付与发布，真正能抄作业的是中间两步：案例输入要输入什么，案例赋分按什么证据打。很多方案把四个维度写成四段漂亮话，却没有一张能落到证据上的评分表，最后“最佳”两个字只能靠形容词撑。我一般会把报告里的维度拆成“一级维度—二级指标—证据材料—失分点”四列，先保证每个二级指标都能找到一份材料对应，再谈权重和排序。

提示：评分表里每个二级指标后面都要跟一列“证据材料”，没有证据的分数在答辩时会被追问到崩。

2.1 四维框架的权重设计：把场景价值放在第一优先级

报告给出的四个维度分别回答四个问题：方案是否适配真实需求，技术质量与创新是否站得住，落地成本与服务是否可承受，客户从使用视角是否认可。权重并没有必要做成完全平均，我一般会先把“功能价值与适用性”和“客户体验与满意度反馈”放在同一档，因为它们一个决定“有没有用”，一个决定“用了认不认”；“技术性能与创新”单独一档，用来防止方案只会讲故事；“落地实施与服务支持”再单独一档，用来卡住成本和交付可行性。这样排的原因是，行业最佳应用实践不是模型排行榜，模型再强，场景不匹配也进不了最佳案例。

这张表可以直接当目录骨架用：每个维度下面挂二级指标，每个二级指标后面挂证据材料。报告里对成功标尺给了三档判断——三个指标均领先市场平均、达到平均、无法解决实际场景需求。写方案时不要只写“领先”，要写清楚领先在哪个指标、用什么材料证明。比如功能价值里的需求适配性，至少要能看到产品预期目标、正向收益、开发与使用代价、长期战略目标四件事；数据供给专用性要能看到训练数据输入、数据供给方案、数据处理方案、新数据利用；场景功能泛化性要能看到拓展能力、新功能快速封装、多语言支持。没有这些，评分表就是空壳。

2.2 功能价值与适用性：需求适配、数据供给、场景泛化怎么取证

需求适配性最容易被写成“客户很满意”，但报告给的二级要点很具体：产品预期目标、正向收益、开发与使用代价、长期战略目标。我一般要求案例页至少出现一句“客户原来怎么做、现在怎么做、哪一步被替掉”。某云服务商与某制造集团的数字员工案例，报告里的写法是先通过多场深入交流锁定需求，再用大模型构建数字员工，上线财司助手和维修助手，分别服务财务问答和维修知识问答。这个案例能进功能价值维度，不是因为“用了大模型”，而是因为需求目标被拆成了两个具体岗位助手，收益和代价都能对上。

数据供给专用性要看三件事：专有数据有没有真正进入训练或知识库，数据处理方案是否覆盖清洗、脱敏、切分、更新，新数据有没有再利用机制。同一个案例里，维修文档等内部资料被用于训练输入，业务数据统一录入数据湖，这才叫数据供给专用性。很多同学写案例时只写“接入了企业知识库”，但知识库怎么更新、谁负责审核、旧文档怎么下线都没写，答辩时一问就露馅。场景功能泛化性则看方案能不能从一个部门扩到多个部门，能不能支持多语言，能不能快速封装新功能。数字员工从财务扩到维修，再通过RAG知识库和大模型Agent连通多部门，这就是泛化性的证据。

功能价值的成功标尺可以按三档写：三个指标都领先市场平均，说明方案高度符合实际场景；三个指标达到平均，说明基本可用；无法解决实际场景需求，就不应该进最佳案例。写的时候不要回避第三档，反而要把它写进排除标准。比如某行业案例只有模型演示、没有业务系统对接、没有使用记录，就可以明确标注“不纳入最佳实践，仅作技术观察”。这种排除动作会让整份报告显得可信，也能帮你在答辩时解释为什么十类行业里只选这些案例。

2.3 技术性能与创新：质量、延迟、合规的三条证据链

技术性能与创新维度不能只写“模型能力强”，报告把它拆成生成内容质量可控性、生成内容推理延迟、生成内容合规安全。质量可控性看模型算法选用及评估、生成内容准确率、生成质量提升方案、生成质量稳定性评估；推理延迟看推理速度、响应延迟降低方案；合规安全看模型合规要求符合度、常态化自动监测、模型安全合规保障措施。我一般把这三条做成三条证据链：质量链放评测集和人工抽检记录，延迟链放分位响应时间和优化前后对比，合规链放敏感词过滤、内容审核、日志留存的截图或说明。

某云厂商与某出行平台的案例，报告里的技术动作比较完整：用SFT精调和RAG知识库提升内容生成质量，针对推理做推理框架性能优化、API与终端网络优化，再用内容安全接口做敏词过滤，完成合法合规备案。另一个办公助手和代码助手案例披露准确率约88%，用户采纳率也被拿来作证据。这里要注意，准确率不是单独一个数字就够，必须写清楚评测集是什么、谁标注、抽检比例多少、失败样本怎么处理。延迟也一样，不能只写“响应快”，要写平均延迟、P95或P99延迟、峰值并发下的表现。合规安全更不能写成免责声明，要写清楚哪些内容会被拦截、拦截后怎么提示、人工复核怎么介入。

注意：报告范围集中在To B企业服务案例，To C娱乐型应用可以作背景，但不要拿来撑“最佳实践”的主结论。

技术性能这一维度的作用，是防止方案被“场景故事”带偏。一个案例可以讲得很热闹，但如果生成内容没有评测、推理延迟没有记录、合规没有动作，它在最佳案例评选里就应该降档。写评分表时，我一般给质量、延迟、合规各留一列“证据等级”：A级是系统日志或第三方评测，B级是客户侧抽检记录，C级是厂商自述。答辩时先讲A级证据，再用B级补充，C级只作为线索。这样处理不会显得材料少，反而显得你知道什么证据更硬。

2.4 实施支持与客户反馈：成本、培训、满意度如何量化

落地实施与服务支持维度最怕“成本一笔带过”。报告把它拆成生成内容推理成本、方案部署成本、方案实施的时间成本、培训与支持。推理成本要看每百万token成本和降低推理成本的持续措施；部署成本要看基础设施成本结构、成本优化方案、容载上限拓展方案；实施时间成本要看功能上线周期、服务稳定性、输入输出合规；培训与支持要看创新功能、创新投入产出、模型迭代更新周期。某云厂商与某终端设备企业的案例里，方案提供不同尺寸的模型满足不同业务场景的性能与成本最优化需求，API扩容不设容载上限，定期安排交流活动同步模型进展，云资源和大模型分别有7×24小时工单支持和分钟级群响应。这些动作比一句“服务好”有用得多。

客户体验与满意度反馈维度则要回到客户视角：场景价值满意度、体验和定制化满意度、性能与创新满意度。某AI企业与某证券机构的案例里，智能问答、代码助手被写进客户需求预期，客户负责人还表达了继续推动业务流程、交互变革与数智化系统重构的合作意愿。这类“长期合作意愿”比单一满意度分数更有说服力。我一般要求案例页放三类客户证据：使用频次或采纳率、脱敏后的客户原话、后续扩展或续约意向。没有这三类，至少要有其中两类，否则客户反馈就只是问卷截取。

这一章的核心不是把四个维度写全，而是让每个维度都能被证据顶住。评分表一旦有了证据列，后面写行业案例、技术映射和风险分析就不会散，因为每写一个案例，你都知道它要往哪一栏放、缺哪一栏材料。

3. 多行业应用拆解：十类场景的机会点图谱怎么画

报告把生成式AI的应用实践放在游戏文娱、工业制造、医疗健康、金融、信息与通信技术、公共服务、汽车、消费与零售、教育、企业应用十类行业里看。这个覆盖面很容易被写成“行业大赏”，真正有用的是把每个行业拆到流程节点：产品研发设计、生产作业提效、流程优化、供应链管理、运营与决策、风险管理、客户运营服务与销售。行业只是横轴，流程是纵轴，机会点落在交叉格子里，图谱才不会空。

3.1 行业选择依据：数据密度、技术接受度、提效诉求

报告的关键判断是，生成式AI率先在消费、金融、医疗健康等数据密集型或高科技行业展开应用，而且现阶段更集中在企业工作效率提升。这个判断背后有三个选择依据：行业有没有足够的数据可用于训练或知识库，企业对新技术有没有接受度，企业当前的首要诉求是不是提效。数据密度高，RAG和精调才有材料；技术接受度高，试点才容易推进；提效诉求强，预算和验收口径才容易谈。写方案时不要平均给十个行业分配篇幅，而要按“需求显著、需求较突出、需求存在”分档，把显著需求的行业写厚，把存在需求的行业写成观察点。

这张表不是让你照着填十段，而是让你在每一类行业里找到“流程节点—生成内容形态—证据指标”三件事。比如游戏文娱的美术资源超分，内容形态是图像，证据指标是美术制作周期和成本；工业制造的设备检测，内容形态是异常检测结果，证据指标是重构误差和误报率；金融的智能问答，内容形态是文本，证据指标是准确率、采纳率和合规拦截记录。图谱画到这一层，案例才不会变成行业名词堆叠。

3.2 游戏文娱与工业制造：创作降本和异常检测两条线

游戏文娱的传统痛点很具体：美术制作成本高、游戏体验同质化、运营工作杂、营销转化弱。报告里的生成式AI机会点沿着开发流程铺开：探索与原型阶段做市场分析、玩家行为分析、产品定位和方案策划；开发阶段做剧情设计辅助、场景设计辅助、原画设计辅助、3D建模生成、用户界面设计、程序代码编写助手；测试阶段做自动化测试、缺陷预测、NPC交互测试、版权合规检测；上线与应用阶段做玩家行为预测、智能客服、动态内容更新、社区管理、内容推荐。技术动作包括语音驱动嘴型动画、风格化头部模型生成、资源超分、自动捏脸、语言交互、舞蹈生成、游戏环境监控、外挂打击、换脸营销。这些点能写进方案，是因为每一个都能对上成本或体验指标。

工业制造更适合用“异常检测+知识复用”两条线写。报告提到VAEs在制造业中的设备检测应用，通过比较重构误差识别与训练数据显著不同的异常样本；同时，维修文档等专有数据可以进入知识库，做维修助手和智能问答。前者是生产作业提效，后者是流程优化和知识复用。写案例时要把数据条件写清楚：设备传感器数据是否连续、标注样本够不够、异常样本比例多少、误报后谁复核。工业场景最怕“模型说异常就停机”，所以方案边界里必须有人工复核和阈值调整机制。

游戏文娱的风险则集中在版权和内容质量。报告提到，大量依赖相关技术的短平快内容可能降低行业门槛，挤占优质资源空间；版权问题可以用生成式AI做检测与分析，但检测本身也需要证据链。写方案时可以加一条“生成内容版权溯源”：训练数据来源、生成记录、相似度检测、人工复核。这样风险分析就不是附注，而是方案的一部分。

3.3 医疗、金融、信息通信：高合规场景的证据门槛

医疗健康的机会点集中在医学成像数据增强、文档问答、知识库和流程提效。报告提到GANs在医学成像的应用，通过新生成的数据样本增强训练数据集；VAEs也可用于图像生成和数据降维。医疗场景写方案时，证据门槛要比其他行业高：数据脱敏怎么做、生成样本是否经过专业复核、模型输出是辅助还是建议、误判责任怎么界定。不要把“生成医学图像”写成“替代医生判断”，这两个说法在答辩时差别很大。

金融行业的机会点更偏智能问答、代码助手、合规审核和内部效率。某AI企业与某证券机构的案例里，智能问答和代码助手被写进客户需求预期，客户还表达了继续推动业务流程和交互变革的意愿。金融场景的关键证据是准确率、采纳率、合规拦截记录和人工复核机制。报告里提到用内容安全接口做敏词过滤、完成合规备案，这类动作要写进技术性能与创新维度，而不是只放在风险页。金融案例最容易被问“幻觉怎么办”，答案不能是“模型很准”，而要有检索增强、答案引用、低置信度转人工、日志可追溯。

信息与通信技术行业的机会点包括代码生成、客服、运维和内部知识库。代码助手的证据要看采纳率、编译通过率、漏洞扫描结果和人工 review 比例；客服要看首次解决率、转人工率和用户满意度；运维要看告警压缩率、根因定位时间和误报率。这个行业技术接受度高，但也最容易把Demo当生产系统。写方案时要把“生成”和“上线”之间的门禁写出来：代码必须过扫描，客服答案必须过知识库校验，运维动作必须有人确认。

3.4 公共服务、汽车、消费零售、教育、企业应用：把机会点落到流程节点

公共服务可以写文档问答、窗口辅助、内容审核和信息公开问答，但要注意内容安全、公平性和人工兜底。汽车行业可以写设计辅助、座舱语音交互、售后知识库、质检文档分析，风险点在功能安全和误触发；消费与零售可以写营销素材生成、客服、选品分析、门店运营问答，风险点在虚假宣传和品牌一致性；教育可以写备课辅助、题库生成、个性化练习、内容审核，风险点在内容适龄和答案准确性；企业应用可以写办公助手、代码助手、知识库和流程自动化，风险点在权限和数据边界。每一类都不要只写“可应用”，要写清楚落在哪个流程节点、生成什么内容、用什么指标验收。

图谱画到这里，十类行业就不是十个大标题，而是几十个可验证的流程节点。写报告时可以先放一张“行业—流程—机会点”总图，再挑三到四个行业写厚，其余行业写成观察点。这样既覆盖多行业应用，又不会因为每个行业都浅尝辄止而失去可信度。

4. 技术到落地：从GANs、VAEs、Transformer到案例证据编排

报告的技术部分不是模型科普，而是把核心技术映射到内容形态和行业场景：GANs常用于图像生成、数据增强和艺术创作；VAEs常用于图像生成、数据降维和异常检测；自回归模型常用于自然语言处理、语音生成和图像生成；Transformers在自然语言处理、计算机视觉和跨模态生成里都有应用。写方案时不要把模型名当装饰，而要写清楚“这类模型生成什么内容、在哪个流程节点用、用什么指标验收”。

4.1 核心技术映射：四类模型各管什么内容形态

GANs的优势在图像生成质量和细节处理，报告里提到它可用于逼真人脸图像生成、医学成像数据增强和艺术创作。游戏文娱的人脸、原画、资源重制，医疗的影像数据增强，都可以放进这条线。VAEs在逼真数据分布、数据压缩去噪和异常检测上更突出，工业制造设备检测就是典型场景。自回归模型按上下文逐字生成，适合机器翻译、文本生成、语音合成与识别。Transformers基于注意力机制，适合对话系统、代码生成、图像分类和跨模态生成。把这四类模型和内容形态对齐，技术选型才不会变成“哪个火用哪个”。

表格里的“content 形态”可以统一写成“内容形态”，不要中英混用。技术映射之后，还要把报告里的运作流程接上：模型训练、模型选择、内容生成评估、模型再调整。很多方案只写训练和生成，不写评估和再调整，导致上线后没有迭代机制。生成式AI的运作是持续迭代过程，评估环节要包括内容质量与合规，再调整要包括微调、RAG知识库更新和提示词工程。把这条流程画成文字架构，就是“数据层—模型层—生成评估层—应用编排层—运维监控层”。

4.2 案例证据链：问题-方案-指标-收益四段式

最佳应用实践的案例页，我一般强制四段式：问题、方案、指标、收益。问题段写行业传统挑战和具体流程节点；方案段写数据、模型、应用和部署；指标段写功能价值、技术性能、实施支持、客户反馈；收益段只写可验证方向，不硬编数字。某制造集团的维修助手可以这样拆：问题是维修文档分散、老师傅经验难复用；方案是把维修文档等专有数据接入知识库，用大模型做维修问答，业务数据统一入湖；指标是问答准确率、响应时间、覆盖部门数、人工复核比例；收益是减少重复咨询、缩短新员工上手时间。没有公开数字就写验收口径，不要拍脑袋写百分比。

四段式的好处是，案例不会写成厂商宣传页。某云厂商与某出行平台的案例，问题段可以写出行场景的知识问答和研发提效需求，方案段写SFT精调、RAG知识库、推理框架优化、API与终端网络优化、内容安全接口敏词过滤，指标段写准确率、响应延迟、合规拦截，收益段写业务效率和用户体验。每一段都能在评分表里找到对应列，答辩时也能顺着讲。

4.3 从单点Demo到可交付方案：三层架构与部署边界

单点Demo和可交付方案的区别，不在模型大小，而在架构边界。我一般用三层描述：第一层是场景应用层，放办公助手、维修助手、客服、代码助手等入口；第二层是能力编排层，放RAG检索、Agent任务分解、提示词模板、内容审核、低置信度转人工；第三层是模型与数据层，放基础模型、精调模型、向量库、业务数据湖和日志。三层之外还要有运维监控，负责可观测性、内容质量抽检、成本统计和权限审计。这个架构不用画得多花，文字说清楚每层职责和接口，答辩时就能讲明白。

部署边界要写四件事：数据能不能出域，模型用公有云API还是私有化部署，容载上限怎么扩，故障时怎么降级。报告里的案例提到不同尺寸模型满足不同业务场景的性能与成本最优化需求，API扩容不设容载上限，这类信息要写进实施支持维度。方案里还要写“不适用场景”：数据未脱敏不进模型，高风险决策不直接由模型给出结论，生成内容未审核不对外发布，代码未扫描不上线。把这些边界写出来，比多写十个功能点更能让评审相信方案可落地。

4.4 风险分析与合规边界：把潜在风险写进方案而不是附注

报告给每个行业都留了潜在应用风险的位置，这部分最容易被写成免责声明。游戏文娱要关注版权和内容低质化，工业制造要关注数据质量和设备安全，医疗健康要关注隐私和误判责任，金融要关注幻觉和合规边界，信息与通信技术要关注代码漏洞和数据泄露，公共服务要关注内容安全和公平性，汽车要关注功能安全和误触发，消费与零售要关注虚假宣传，教育要关注内容适龄和答案准确性，企业应用要关注权限和数据边界。风险分析要写成“触发点—缓解动作—验收证据”三列，而不是一句“存在风险”。

风险条目写进方案后，还要在验收里留证据。比如金融案例的合规安全，不能只写“已备案”，要写敏词过滤规则、拦截日志、人工复核比例；医疗案例的隐私，不能只写“已脱敏”，要写脱敏字段、访问权限和审计记录。风险分析做到这一步，答辩时被问“出了事怎么办”才有答案。

5. 落地避坑与排查：五类最容易翻车的评分与案例问题

这一类方案我见过不少踩坑现场，最常见的问题不是内容少，而是内容之间对不上：评分表说一套，案例页写一套，风险页又是另一套。下面五条按“现象—原因—解决”拆开写，基本覆盖从评分到答辩的高频问题。

5.1 指标有定义没证据：评分表变成空壳

现象：每个二级指标都打四星，证据栏写“厂商反馈良好”或“客户认可”，翻到案例页却找不到对应记录。原因：先有结论后找材料，评审维度被当成填空题，而不是证据清单。解决：一个二级指标至少对应一份证据，证据分三类——文档类（方案说明、数据清单、成本表）、系统类（日志、截图、评测报告）、访谈类（客户原话、使用记录）。评分表加一列“证据等级”，A级是系统日志或第三方评测，B级是客户侧抽检，C级是厂商自述。答辩时先讲A级，再用B级补充，C级只作线索。这样即使材料不完美，也能让评审看到你的证据意识。

5.2 案例只写收益不写边界：答辩一问就露馅

现象：案例页全是“效率提升、成本下降、体验优化”，没有适用条件，也没有不适用场景。原因：把案例当宣传页写，忽略了最佳应用实践的评选前提是“可复现、可解释”。解决：每个案例补四句话——数据条件是什么，部署方式是什么，模型能力上限在哪里，人工兜底怎么设。再补一句“不适用场景”，比如数据未脱敏不接入、高风险决策不直接输出、生成内容未审核不对外。边界写清楚，收益反而更可信。答辩时被问“换个企业能不能用”，你可以直接指着边界说“满足这三条就能试点，不满足就先做数据治理”。

5.3 行业风险写成免责声明：没有对应缓解动作

现象：风险页写“存在数据安全风险、存在合规风险”，然后就没有然后了。原因：风险分析和方案设计两张皮，写风险的人不负责方案，写方案的人不负责风险。解决：每条风险必须配触发点、缓解动作、验收证据和虚拟责任人。触发点写什么情况下风险会发生，缓解动作写系统里哪个环节拦截，验收证据写日志或记录在哪里，责任人写角色不写真实人名。比如“幻觉风险”对应“知识库无答案仍生成”，缓解动作是检索增强、引用来源、低置信度转人工，验收证据是引用率和转人工率。风险页做到这一层，才不会被认为是凑字数。

5.4 成本口径不统一：推理成本与部署成本混算

现象：总成本一栏把每百万token成本、前期部署费、实施时间成本混在一起，最后得出一个“成本下降”的结论。原因：财务口径和技术口径没有对齐，统计周期也不一致。解决：成本拆三栏——推理成本按每百万token或每千次调用统计，部署成本按基础设施和容载扩展统计，实施成本按人天和上线周期统计。每栏写清统计周期、假设条件和优化措施。模型分级、缓存、批量调用、低峰调度这些降本动作要单独列，不要塞进总成本。答辩时被问“为什么这个案例便宜”，你能拆开讲，而不是只说“用了小模型”。

5.5 客户反馈只放满意度分数：没有场景原话和扩展证据

现象：客户满意度95分，但没有任何使用频次、采纳率、原话或扩展意向。原因：问卷截取最省事，但也最容易被追问。解决：客户反馈至少放两类证据——使用类和态度类。使用类包括活跃用户数、调用频次、采纳率、转人工率；态度类包括脱敏原话、扩展部门意愿、续约或继续合作意向。某证券机构的案例里，客户负责人表达继续推动业务流程和交互变革的意愿，这种长期合作意愿比单一分数更有分量。没有原话就放使用记录，没有使用记录就放验收签字，总之不要只放一个分数。

6. 验收与答辩：用一张评分自检表把方案讲圆

答辩前我一般不做“再补十页案例”这种事，而是把评分表拿出来逐行自检。自检顺序是：先看每个二级指标有没有证据，再看每个案例能不能放进四段式，最后看每条风险有没有缓解动作。三件事都过一遍，方案基本就圆了。下面这张表可以直接当答辩前检查清单用。

6.1 答辩前48小时的自检顺序

先查评分表，把只有C级证据的指标标黄，能补日志就补日志，补不了就在答辩时主动说明“这是厂商自述，后续用试点验证”。再查案例页，每个案例只留一条主线，删掉和评分指标无关的功能罗列。最后查风险页，把“存在风险”改成“触发点—缓解动作—验收证据”。这三步做完，再去做PPT。顺序反过来，先做PPT再补证据，通常会返工。

6.2 三页答辩稿：评分表、证据链、风险闭环

三页就够：第一页放评分表和权重，讲清楚为什么最佳案例是这几个；第二页放一条案例证据链，从问题到方案到指标到收益，中间穿插客户原话或使用记录；第三页放风险闭环和边界，讲清楚什么场景能用、什么场景不能用、出了事怎么兜。三页之外的内容放附录，评审问到再翻。这样讲的好处是，评委先看到你的判断标准，再看到案例，最后看到边界，不会被案例数量带跑。

从那以后我每次交同类方案，都强制先把评分表填满证据列，再写案例故事；顺序反过来，十有八九会被问住。希望帮到你。

本文还有配套的精品资源，点击获取