跨境电商公司如何从0建立自己的AI知识库？飞书、WorkBuddy、Codex实操指南

假设你是一家跨境电商公司的运营负责人。每天要看店铺销售额、广告ACOS、库存周转，还要跟进新品和竞品。有一天你发现：某个SKU销售额增长了20%，利润却下降了。

销售数据在ERP，广告费用在Amazon后台，头程成本在供应链台账，平台费用在结算报告。几份数据放在一起，往往还需要重新核对币种、日期和核算口径。

对财务负责人来说，平台结算、退款、汇率、回款和费用归集也经常需要跨系统核对。AI可以帮助整理文件、计算数据，却并不了解公司自己的经营流程。

把Word、PDF和Excel全部上传，能够快速尝试AI问答，但未必适合经营分析。旧版平台费用、过期SOP和不同月份的数据混在一起，很容易得到看似合理、实际上口径不一致的结论。

基础知识说明公司经营什么；平台规则明确适用条件和生效日期；内部SOP规定操作方法；历史案例保留原因与结果；AI执行规范约束检索、计算、输出和人工审批。

建议从运营与财务两个岗位出发，建立一个共享的知识管理框架。初期不必覆盖所有部门，先做一个高频场景更容易评估价值。

运营可以使用贡献利润评估SKU，财务必须按适用会计政策编制财务报表。两者可以使用不同口径，但要明确命名和用途，不能混成一个指标。

同一份资料可能存在多种版本。建议重要文档统一记录文档名称、业务部门、适用平台与站点、知识类型、数据来源、责任人、更新日期、审核状态、版本及访问权限。

下面是适合Codex等工具读取的模板。飞书文档也可以使用同样的字段，格式不必完全一致。

在正式投入AI前，要清洗重复文件、标记历史版本，建立数据字段字典。客户信息、银行流水、未公开供应商价格和敏感合同则要先确定访问权限和数据处理边界。

适合已经使用飞书的团队。先建立运营、财务两个知识区域，再通过经审核的共享区域维护指标定义和报表模板。

• 在知识库中创建一、二级目录并配置成员权限。

• 导入现行SOP；用多维表格记录版本、责任人和复核日期。

• 对运营、财务受限资料逐级检查阅读及编辑权限。

• 视账号具备的功能配置AI知识问答，并测试引用。

• 当前经营数据仍应由最新文件或经授权连接提供。

适合大量Excel、PDF和本地文件的场景。运营人员可提供广告报表、销售报表和成本数据，要求AI按已审核SOP整理分析；财务人员可提供结算与回款文件，生成匹配及差异清单。

• 建立“待整理资料”文件夹，只放授权副本。

• 让工具生成分类及资料索引，不直接删除或覆盖原件。

• 人工核对资料有效性及字段定义。

• 小规模测试报告生成与差异识别。

• 确认可靠后，再将重复操作封装为工作流程或Skill。

对于有技术支持或愿意维护结构化文件的企业，Codex更适合处理Markdown、编写分析脚本、检查字段和实现重复任务。项目级工作规范可放入 AGENTS.md，专项流程可以使用 Skill 组织。

• 建立知识文件、SOP、模板、测试数据目录。

• 编写AGENTS.md，规定来源优先级、操作权限和输出标准。

• 先让Codex检查文件命名、字段和版本一致性。

• 开发一个小Skill，如“Amazon广告周报检查”。

• 用经过核对的测试文件验证结果，再逐步扩展。

三款工具并非必需全部购买，也不意味着天然双向同步。跨系统联动需要独立核实接口、管理员授权、数据处理规则及维护成本。

假设某Amazon SKU本月销售额增长20%，广告花费增长35%，采购成本也发生调整。AI应先读取利润计算规则，再检查销售、广告、采购和履约费用的统计周期与币种。

完成一致性检查后，分析收入与各项费用对利润的影响，生成需要运营复核的广告活动、关键词或成本项目。是否调价或削减预算，仍由运营结合库存和增长目标决定。

财务按内部对账规则读取平台结算报告、退款调整记录及银行回款流水。AI可以初步匹配交易、汇总差异并列出未核对项目，但不得把所有未匹配金额认定为平台扣费错误。

尤其要区分平台结算与会计收入确认。正式账务处理应由财务人员根据适用政策和完整证据审核。

以上数字是试点管理目标，而非工具性能承诺。对税务、正式财务和资金操作仍需更严格的人工复核。建议保留错误记录表，记下问题、回答、引用来源、正确结果及责任人。

运营团队有广告复盘、补货经验与Listing优化方法；财务团队有成本口径、对账规则和异常记录。过去它们可能散落在ERP、Excel和聊天记录里，换人之后又要重新解释一次。

企业可以从一份广告周报或月度平台对账表开始，整理SOP、明确数据口径，再选择飞书、WorkBuddy或Codex做小规模试点。只要资料准确、权限清楚、审核可追溯，就有条件逐步扩大应用。

飞书知识库与权限说明：飞书帮助中心；腾讯WorkBuddy：官方网站；OpenAI Codex：官方开发者文档。具体功能以企业账号、产品版本和官方最新说明为准。

写在最后：先把经验变成知识，再让AI学会做事

如果你有10年跨境运营经验，不妨先想一想：过去这些年，你积累下来的经验，有多少真正留在了企业里？

比如，一款新品值不值得做，你可能看一眼市场容量、竞争格局、利润空间和供应链情况，就能判断个大概。

一份广告报表哪里不对，你可能凭经验很快就能发现问题。

但换一个新员工来做，同样的事情可能需要花费几倍的时间，甚至踩一遍你曾经踩过的坑。

这些积累多年的判断方法，其实就是企业最值得整理的知识。

而建立AI知识库，就是把原本存在于个人经验、Excel表格、业务文档和日常沟通中的知识，逐步转化成能够被团队共享、被AI检索和引用的内容。

当知识库建立起来，我们才有更好的基础去封装Skill。

比如，把老运营分析广告的思路整理成标准SOP，明确需要读取哪些数据、分析哪些指标、如何判断异常、什么情况下需要人工介入。

再把这些规则、流程和模板封装成Skill，让AI能够按照相对稳定的方法重复执行。

如果后续再接入经过授权的业务数据和相应工具，就可以进一步探索AI Agent，让它在限定范围内完成多步骤任务。

这也是我越来越明确的一条实践路径：

个人经验 → 企业知识库 → 标准化SOP → Skill → AI Agent → 业务反馈与持续优化。

当然，并不是所有Skill都必须依赖完整的企业知识库。一个简单的文件处理Skill也可以独立运行。但对于需要长期使用企业经验、处理复杂经营问题的AI Agent来说，经过整理和审核的知识库，可以让执行过程更可靠，也更容易维护。

我也越来越觉得，下一阶段真正拉开差距的，可能不是谁掌握了更多AI工具，而是谁能更早地把企业过去积累的经验、数据和工作流程，转化成AI能够理解、调用、执行，并在反馈中持续优化的工作方法。

对亚马逊卖家来说，这件事未必需要从一套复杂的系统开始。

也许，今天手上的一张Excel表格，就是最好的起点。

可以从一份广告报表开始，整理老运营分析异常数据的判断逻辑。

也可以从一份SKU利润表开始，把财务负责人核对费用、识别遗漏项的方法写成标准流程。

或者从一次新品评估开始，梳理团队长期使用的市场调研、利润测算和风险判断标准。

先把这些经验整理成知识，再选择一个重复性高、容易验证的任务封装成Skill。

用真实业务数据反复测试，发现问题后修订知识和执行流程。确认结果可靠，再逐步扩大应用范围。

这可能比一开始就追求功能完整的AI系统更加务实。

我也很期待，未来能和更多跨境电商卖家一起，围绕真实的运营场景，交流经验、整理知识库、测试Skill，探索AI Agent在日常经营中的应用。

不急着追逐每一个新工具，也不急着证明AI能够替代多少人。

我们可以从一个具体问题、一份真实数据、一次实际测试开始，看看AI究竟能为业务带来哪些改变。

让个人经验成为企业知识，让企业知识变成可复用的Skill，再让AI Agent把这些能力带入真实业务。

这也是我接下来最想持续探索和分享的方向。