一个没有技术背景的人，为什么能在医院里“带”一支数字团队？听听飞书企业 AI 架构师训练营创始班学员 Veronica 的故事。

 

 

在医院，AI 不是一种可以轻易推进的新技术。

它牵涉的不只是效率，也不只是系统接入，而是谁来判断、谁来负责、出了问题谁来兜底。越是高风险、强协作的场景，AI 越难直接落地。

按常理说，在这样的地方推进 AI，站在前面的应该是算法团队或者信息化部门。但在和睦家医疗北京区，同时推进多个 AI 项目的人，却是一位学社会学和经济学出身、负责战略管理的非技术背景管理者——Veronica Zan。

她不会写代码，平时处理的事情是医院里难以被看见的复杂性：谁参与，谁审核，流程走到哪里，信息流向哪里，出了问题由谁接住。

过去半年里，她用 AI 推进的项目已经排到了第 10 号。科室自动化排班、客服问答、销售支持、临床协同…… 这些项目看起来分属不同场景，难点却很相似：流程长，角色多，责任边界敏感，很多关键经验长期停留在 “大家都知道，但没人完整写下来” 的状态里。

01 一个“非做不可”的流程

2025 年，北京和睦家中西医结合医院开始逐步接入医保支付业务。

表面上看，这只是原有 “商业保险 + 自付” 之外，多了一种支付方式；但对医院来说，它意味着一整套协作关系都得重新搭起来。医生能不能接诊、患者如何报销、异常情况由谁处理、病案和财务怎么闭环，几乎每个环节都要重新确认。

在这之前，院内不少流程靠的是 “信息跟着人跑”。一线同事拿着材料去找不同部门，每到一个环节，都要重新解释背景、补充信息。谁该接手、缺了什么、卡在哪一步，很多时候都要靠人追着问。医保接入之后，这种协作方式的问题被进一步放大，因为一旦准入信息填错，影响的就不只是内部效率，还可能波及后续的报销与结算环节。

她很快意识到，这不是靠多加几个人、多开几次会就能补上的问题。真正要调整的，是流程本身。

刚好这时，飞书被引入和睦家。Veronica 本就有经济学与社会学交叉的组织研究背景，也在团队里做过不少协作工具的探索。飞书的出现，让她非常兴奋：“简直就是瞌睡来了递枕头，飞书就是那个枕头。”

在探索和推广飞书的过程里，她找到了一个非常“医院”的比喻：在住院病房里，患者不动，病历不动，轮到谁处理，谁就到床边来。她想把这种逻辑搬到协作流程里 ——信息不再跟着人跑，而是沉淀在同一个地方；到了节点，系统提醒对应的人处理。

围绕这个思路，她用飞书多维表格把医保资质准入流程重新搭了一遍。科室只需要提交一次关键信息，医生代码、工号、身份、账号等信息就能自动联动；流程走到某个节点，飞书会自动通知负责人；住院患者结账时，也不再靠人工临时协调，而是通过飞书一键拉群、集中处理。

 

 

Veronica 制作的医保资质准入流程示意图

这张表改变的不只是 “把流程线上化”，而是把原来分散在不同人手里的信息、动作和责任，收回到同一个结构里。谁提交了什么，卡在哪一步，接下来轮到谁处理，都能被看见。

她想做的，其实不是一个更复杂的系统，而是一个门槛更低的流程：把规则尽可能前置，让人只需要在自己的节点完成判断和处理，剩下的信息流转交给系统。

医保专项跑通之后，她确认了一件事。“在医院里，很多后来被称作 ‘AI 落地’ 的事情，前面其实先是流程重构。”

02 那些没人写下来的规则

接下来找上门来的，是排班。

起初，这件事看上去并不复杂。医保门诊准备正式开放，但各科室一直各排各的班，格式不同，也没有一张总表能清楚看出当天到底有多少医生出诊。一线同事最担心的是，大家各自排的时候都没问题，汇总后才发现门诊数量超过了诊室容量，现场就会很难协调。

Veronica Zan 很快用飞书多维表格做出了一个集成视图，把不同科室的排班汇总到一起。

但科室很快反馈，真正让人头疼的，是最开始那张班表怎么排出来。问题于是从 “怎么把排班看清楚”，变成了 “怎么把班排出来”。

她决定先从提出需求的麻醉科开始。麻醉科的排班要同时满足安全、合规、公平和效率：什么资质对应什么班型，夜班后休息多久，谁请假了谁来补，谁能跨院区支援，哪几种组合看上去能排、实际却行不通——每排一次班，都像在解一组彼此牵连的条件。

更麻烦的是，这些规则并不都写在纸面上，而是沉淀在科室的经验里：哪些岗位必须由特定资质的人值守，临时请假后谁补位更稳妥……这些“约定俗成”的知识，过去靠人记、靠人传、靠人兜底。

“人类有很多默会知识（指难以通过语言和文字明确表达的知识），是 AI 的盲盒”，她总结道。

所以她没有一上来就让 AI 写排班脚本。她先做的，是把这些原本散在不同人脑子里的经验，一条条往外拿。

她把排班拆成了几张基础表：班型表写清班次要求，人员表放医生资质和可排班范围，需求表对应不同时间段的排班需求，请假和例外情况再单独列出。原来靠口头确认和经验默认的东西，开始变成可核对的数据。

这些表搭起来之后，Agent 才开始介入。它会写出可反复运行的排班算法脚本，根据需求和人员条件生成初版排班脚本，再自动检查快照、资质、工时、夜班均衡和特殊限制。哪一步出了问题，也会有诊断脚本去追原因。

这样一来，排班不再只是靠 Agent 临时生成答案，而是变成一套低成本、稳定、可复用的自动化流程。

但这不是一个一蹴而就的过程。

很多排班规则一开始是模糊的，有些甚至彼此矛盾。她拿着历史排班一轮轮反推：为什么那个月这么排？这两个班为什么不能连着值？这个人为什么在那周被单独调班？只要系统结果和历史经验对不上，她就回到科室，和一线同事一起把规则重新捋清楚。

有些规则，也是在这样的反复讨论里，才第一次被真正说清楚。

她还把同一套系统写成两套说明书：一套给人看，尽量直接，让同事能理解；一套给 Agent 看，把字段、逻辑和校验关系写清楚，让系统先读懂规则，再开始执行。

 

 

给 Agent 看的说明书

 

 

给人看的说明书

飞书妙搭是项目的下一站。繁忙的医护人员需要的是简明界面查看科室和自己的班表，而不是到陌生表格里晕头转向。于是，她又推动妙搭界面的生产和内测，让大家一眼看懂排班，还能直接提交请假或预排班需求。

 

 

用飞书妙搭制作的自动化排班平台

（数据与形式均为模拟）

这套排班系统沉淀的代码行数接近 6 万行。到最后，过去要花几天时间反复协调的排班，可以在 10 分钟内生成初版；系统会同时列出校验清单，计算每个人的工时和完成度，把藏在经验里的不平衡和例外，一项项摊到明面上。

今年 4 月内部分享时，只有 2 个科室跑通这套排班。如今已在 5 个科室/部门（含行政部门）落地，还有 20 个在接入的路上。在 Agent 和治理架构的支撑下，这套体系不再依赖某一个人——即便项目经理只有一位，也能稳定、可持续地运转。

但在她看来，最重要的变化还不是“几天变几分钟”，而是那套原本只能靠少数人记住、经验兜住的规则，第一次被拆开、写下、放进系统里。

03 在医院里 “带” 一支数字团队

随着项目越来越多，Veronica Zan 面对的问题也变了。

每个项目内容不同，但拆到最后，总会落到几件相似的事上：定义问题，拆开流程，讲明规则，找出例外，再决定哪些步骤交给系统，哪些判断留给人。

这些事情她已经越来越熟练，但人的时间总有上限。等项目排到第 10 号，再沿用原来的方式，就很难继续往前推。她开始意识到，真正稀缺的不是某个工具，也不是某段代码，而是那套“先把规则说清楚，再决定交给谁”的方法本身。

于是，她尝试把自己的工作方式拆开：哪些事情需要先定义问题，哪些适合先搭表、搭字段、搭自动化，哪些地方要专门挑错、反证，哪些环节必须盯住权限、合规和可持续性，哪些知识需要及时沉淀。她把这些原本连在一起的动作慢慢拆成不同工作流，放进 Harness，用系统的治理架构来“一步驱动”。

但复杂的项目，仍然需要 Agent 的“专岗专编”。沿着排班项目的思路，她开始给 Agent 分工，组织了一支“女娲团队”。

 

 

Veronica Zan 的女娲团队

这支团队通过飞书 CLI 串联。Logos 负责定义问题和抽取规律，Pragma 负责把想法落到表格、字段、步骤、代码和自动化动作上，Krisis 负责批判和用证据说话，Nomos 负责提醒权限、安全、合规和可持续性，Mneme 负责沉淀知识，避免项目因为某个人离开或会议结束又重新归零。

在这支“女娲团队”的支持下，排班、客服这些项目，也逐渐长出了自己的专属 Agent。

它们不再只是一个个临时被调用的工具，而是被放进了各自熟悉的业务现场里：排班 Agent更懂规则和约束，客服 Agent 更懂问题和话术。每个 Agent 负责一块更具体的事情，能力也因此变得更聚焦、更稳定。

Veronica 并不把它们当成“万能助手”，反而更像在管理一支边界清楚的团队。每个 Agent 都知道自己擅长什么，也知道什么时候该把任务交回给别人。她真正做的，不是把任务一股脑扔出去，而是像带真人团队一样，分工、协作、审核、复盘。

这也是这些 Agent 未来更有价值的地方：一个流程跑通之后，里面的方法、规则和经验可以被沉淀下来，再迁移到新的项目里。AI 不只是帮她完成眼前的任务，也在帮组织把一套可复制、可调整、可持续运转的方法慢慢搭起来。

从今年 4 月开始，同时进行的项目最高峰达到 8 个，她开始给正在推进的 AI 项目逐一编号，如今已经排到 10 号。对她来说，编号不是为了整齐，而是因为这些项目开始像一个持续运行的系统，而不再是一件件零散冒出来的事。

她很清楚，如果没有 Agent 的参与，这些项目不可能同时往前推进。

但她也始终提醒自己，AI 可以执行、校验、提醒、沉淀，却不能替代人去承担业务里的最终判断：哪些规则不能突破，哪些风险必须被看见，哪些结果需要人来兜底，最后仍然要由人负责。

04 尾声

回过头看，她过去一年做的事情，并不是简单地把飞书和 AI 引入业务流程，而是先把那些原本依赖经验维持的流程重新说清楚，再决定哪一部分可以交给系统。

某种意义上，AI 进入医院，不只是一次技术接入，也像一次对组织本身的追问：哪些规则从来没有被完整写下，哪些经验一直掌握在少数人手里，哪些流程看似在运转，实际上靠的是不断返工和人工兜底。复杂场景只是把这些问题放大了，也让它们更早暴露出来。

同时，它也让人和 AI 的关系变得格外清楚。

很多人以为，AI 会让人从流程里慢慢退场；在医院这样的地方，事情恰恰相反。AI 进入得越深，谁来定义规则、谁来处理例外、谁来承担最后的责任，就越不能含糊。

AI 没有让人消失。相反，它让人第一次不得不更清楚地出现。