结论先行：垂直行业智能体的门槛从来不在模型，而在三段——原始数据、专家校验、真实产线回流；一个人做不了全部三段，但能在每一段旁边找到能收钱的活。
11 月 6 日，云南网报道了一个听起来有点反常识的东西：全国第一个专门做滇味的食品 AI 智能体。它不是某个大厂的产品，是昆明理工大学食品科学与工程学院依托省里的高原特色食品智能制造实验室，从 2019 年开始做专项科研攻关，一步步搭出来的。
这个团队做的事很具体：系统梳理云南本土食材的风味特性，收录了 638 种云南特色食材的核心数据和 7.4 万余篇食品科研论文，再基于大语言模型优化算法，搭出这个智能体。它能捕捉企业和研发人员的需求，把一个模糊的想法转成结构化、可落地的方案——原料配比、工艺参数、标准化操作流程，还能生成风味轮廓图谱、产品概念设计图和感官评价雷达图。
一个高校团队，为什么要做一件听起来像企业该做的事？这篇复盘想回答的就是这个问题。
把报道里那些看起来是「科研突破」的部分拆开，会发现它其实是一个标准的工业闭环，只是每一环都很难单独凑齐：
三段缺一段，这个东西就是个大号的配方生成器；三段齐了，它才敢叫「可落地、可量产」。
接下来的规划也很说明问题：团队要把它从单一的产品配方研发，拓展到食品工业全流程的智能规划。也就是说，它打算继续往「更靠近产线」的方向走，而不是停在实验室里。
先说第一段。整理 638 种食材的数据和 7.4 万篇论文，听起来是体力活，其实是最需要行业知识、也最容易被外行做废的一段。
为什么？因为同一份资料，外行整理出来是一堆文字，行业里干过的人整理出来是能直接喂给机器的结构化条目。哪些字段要留、哪些是同义重复、哪些看起来重要但实际不影响配方结果、哪些看着琐碎却是决定成败的关键——这些判断没法从资料本身推导出来，只能从做过这件事的经验里来。
这带来一个反直觉的结论：在一个垂直行业 AI 项目里，「整理数据」这个看起来最卑微的环节，是最贵的环节，也是最能体现行业门槛的环节。
而它恰恰是最适合一个人干的活——你不需要有实验室，不需要有算力，你只需要在那行待过，并且愿意把「哪些能省、哪些不能省」写下来。一份好的结构化数据交付物，本质上是把隐性经验显性化，这是个人能卖、也最不容易被替代的东西。
第二段是专家校验。报道里写得很轻——「联合资深烹饪大师对 AI 生成的产品配方、风味方案逐一验证校对」，但这句话背后的工作量比想象中大得多。
一位老师傅判断一份配方靠的是什么？不是公式，是感觉：香气在什么温度下出来、回甘在什么时候挂住、这个配比在什么条件下会发苦。这些东西如果只写成「适量」「少许」，谁都对不上；但如果写成可勾选、可打分的条目——比如某种香气指标对应到某个区间的处理时间和温度——它就能变成一个可复核的清单。
于是这一段的可交付物其实非常明确：一张校验规则表，加一份每批次比对报告。前者把老师傅的手感翻译成机器能读的标准，后者证明这条标准被认真执行过。
这里有个值得注意的商业模式特征：这一段的收入是持续的，不是项目制的。数据整理是一次性的，配方生成是一次性的，但「每一批新方案都要过一遍老师傅的手」这个动作，只要产品还在迭代就一直存在。
第三段最容易被忽略，但对一个真正要落地的产品来说，它才是生死线。
前两段产出的东西，本质上是一张纸上的方案。方案对不对，只有进产线才知道。而产线反馈回来的东西——实际的口感偏差、设备适配问题、成本变化、量产时的稳定表现——才是让下一版变好的燃料。
这就是为什么第三段不能省：没有产线回流，前面两段做出来的是一个永远停在实验室的模型；有了回流，它才是一个能被迭代的产品。
对一人公司来说，第三段里有一块特别值得注意：试制记录本身就是高度非结构化的原始资料。生产工单、口感反馈单、批次异常说明、老师傅在群里随手发的一句话——这些是真实场景里最真实的数据，也是最没人愿意整理的部分。把它结构化成能回流、能对比、能定位的格式，是一件具体、枯燥、但确实有人愿意付钱的事。
完整的三段你做不了，但每一段旁边都有一块能独立收钱的活。按进入难度从低到高排：
三个位置的共同点是：你交付的不是「一个 AI 系统」，而是「让这个系统值得信」的那部分。系统是别人搭的，但系统能不能被客户接受，取决于你整理的数据干不干净、你的校验表有没有被执行、你的台账能不能对上产线的真实情况。
这篇复盘最想留下的一句话是：在垂直行业里，AI 的门槛从来不在模型，而在于有谁能把行业知识变成机器能读、专家能认、客户能验的东西。这三件事里没有一件需要模型天才，但每一件都需要一个真正懂那一行、并且愿意把脑子里的东西写下来的人。
写下来这件事比想象中费时间。把手里的调研笔记、访谈记录、原料清单整理成一份结构清晰、对方一看就能用的图文，选题、成稿、排版一条龙走完，本站公众号图文工具就是干这件事的，省下来的时间正好用来多整理一批原始材料。