数智化营销设计服务

一、设计服务是如何开始的？

这段项目经历来自于我在 2020-2022 在腾讯的工作，角色是项目设计负责人，服务的 KA 客户是一汽大众。

上一篇讲的是第一层：腾讯云小微数据智能增长套件，腾讯自研的 ToB 产品，设计是产设研里的一环——把一堆分散的工具，做成能卖的产品。

这一篇讲第二层：数智化营销设计服务。把设计本身，做成能卖的服务。

1.1 不同设计类型的机会洞察

第一种，是偏数据产品套件中的标准化设计交付，例如可视化指标看板建设。教育行业及部分车厂的可视化看板都属于这类，侧重用组件搭建，交付中产生的新设计还能反哺套件的设计体系。

而车厂的营销服务不一样，它包含在客户自己的 ToC 链路里。我们在客户现场交付汇报时，发现他们的营销链路里还存在着诸多体验问题——这些问题是从客群转化漏斗推出来的，增长套件解决不了。

售前材料，加入 UX 产品体验设计

客户买了套件，数据跑起来了，但潜客转化还是上不去，因为前面那一截是断的。设计服务不是卖产品附送的售后，它是客户买套件真正想解决的那一段。

往深一层说，在客户眼里，我们因此从"卖分析工具的公司"变成了"能帮我解决转化问题的伙伴"。

1.2 突破口为什么是车厂？

车厂买我们的套件，不是因为想要一个分析工具。他们想要的是转化——把潜在客户变成保有客户。

转化漏斗长什么样：前端是看车、留资、到店，落在官网、移动端、展厅；后端是数据沉淀、画像分析、精准运营——那是我们套件在做的事。问题的关键在：漏斗的前端，套件够不到。 它是分析工具，不做面向 C 端的体验。而车厂最缺的，恰恰是最后那一段——获取并保有客户。

另外一层原因是，很多传统车厂的数字化营销都是 4A 外包，更注重视觉的炫酷，忽视体验的转化。

一汽大众用户体验全旅程触点平台地图

ID.Hub 触点概况与转化漏斗

这里有个分法先记住：这整条漏斗，前后是两件事——前面是拉新，把不认识这个品牌的人变成线索；后面是保客，让已经买了车的人愿意回来、愿意活跃。 车厂最缺的是后一段。后面讲一汽大众的两个项目，正好一个管前一段，一个管后一段。

1.3 我的解题思路

先说一句背景。那时候一汽大众正在跟我们签「私域运营一体化」——把增长套件和客户的 C 端平台绑在一起，做用户统一、数据打通、分层运营。我在跟产品老大对齐时提了一句：数据那一段做完了，但 C 端体验这一段没人管，闭环是断的，正好设计可以补上。他同意了，于是我把设计团队打包进售中环节，去给一汽大众做体验优化服务。

阻力当时也是有的：大厂人力这么贵，我带整个设计组，用本来生产标准化产品的产能去给一个客户做定制化服务，这划算吗？

我的解法是向老板争取了这次证明的机会，边做边留痕：服务过程做成 SOP，交付流程标准化，客户反馈收集下来，然后在产品老大和设计老大的汇报上，用这些东西去佐证。

1.4 设计角色的转变

在第一层，设计在产设研链路里，产品定义和方向不由我定；在第二层，这条业务线是我们自己发起的——它怎么卖、怎么交付、怎么定价、怎么沉淀，都得由我来定义。

定义权变了，重心也跟着变：这两年设计执行占四成，设计管理与决策占六成。

落到一线，是我带着团队进客户现场。UX 组一共六个人——我是腾讯唯一的那个，另外五个来自供应商。放大一层看，整个交付团队八十三人，腾讯只有十四个：腾讯十四个人撬动八十三人的交付；设计这一段，是我一个人带着五个人撑起来的。 怎么带着外面的兵把事情做成，是这一层给我的新课题。

下面先深挖「一汽大众IDHub、超级App、云展厅」这三个Case。

二、一汽大众：ID.Hub 与超级 App

设计服务分两类。第一类叫体验优化：客户通过增长套件分析洞察出数据问题，如果问题落在设计体验层面，设计团队就介入优化，并且监控反馈结果。

这一章讲两个项目。同一家客户、同一套方法，但生意上的出发点完全不同——一个拉新，一个保客。

ID.Hub 是拉新。 它是一汽大众纯电车系的官网，Web 和手机浏览器两个端都算它，来的人绝大多数不认识这个品牌。它的任务只有一个：把潜客高效地转成线索和订单。

超级 App 是保客。 它是装在手机里的统一入口，用户里车主占大头。它的任务不是拉新，是让已经买了车的人愿意回来、愿意活跃。

出发点不同，设计决策就完全不同：前者每一刀都砍在转化漏斗上，砍完能数出数；后者没法用漏斗算，得靠内容运营和视觉焕新，去撬动一群已经在你手里的人。

2.1 分析诊断：把"效果不好"翻译成可排序的问题清单

这一节讲我怎么介入。客户甩过来一句结论——"ID.Hub 体验不好"，但没人说得出不好在哪。我的任务不是直接改，是先把这句话翻译成一份能排优先级的问题清单。方法上分四步，先给地图：先用业务漏斗做初步定位，再用一套评估体系把问题诊断透，然后把诊断落成报告向客户汇报，最后用飞轮模型指导优化真正落地。

首先，通过客户业务的漏斗模型初步定位问题：先看介入前的盘面。ID.Hub 是一汽大众纯电车系的官网，承担从营销、看车到下单的全链路。浏览 2,399,625 人，最终订购 1,677 人——最终转化率只有万分之六。这个数字客户自己看得到，但问题出在哪一段、卡在哪个环节，谁也说不清。漏斗模型的作用就在这里：把整条链路按吸引关注、上手浏览、决策交易、留存传播拆开，一眼看出哪一段在漏。这一步不急着下结论，只是先把"大概烂在哪"框出来。

漏斗分析，初步定位问题

其次，通过用户体验评估分析体系（包含「对内评估模型」和「对外竞品分析」）把问题诊断透：初步定位之后，得有一把能逐条打分的尺子。这套评估体系有两件东西：一件是评估模型——体验策略、信息传达、视觉表现、可/易用性四个维度；另一件是评价量表——五个档位的量化评分标准，从"体验堪忧"到"超出预期"。两个合起来，四维度过一遍整条链路，把模糊的"不好"逐条量化、排优先级，最终诊断出 94 个体验问题，其中 53 个是 PO 级。

光有向内的尺子还不够。客户真正在意的不是"我们自认为好不好"，而是"我们跟蔚来比怎么样"。所以我另外造了一把向外的尺子——十个功能模块乘以三个维度的公共标尺，对「 特斯拉、新势力、上汽大众 」逐个打分。这把尺子的意义不在分数本身，是让"好"这件事变成可以讨论的东西：在此之前"不够好"只是一种感觉，打完分，它变成一张可以逐行对的表，拉齐客户和我们的共识，这点很重要。

然后，产出《诊断分析与体验升级路径报告》向客户汇报：94 个问题不是直接甩给客户，而是落成一份"诊断分析 + 体验提升路径"的报告。汇报本身是多轮的——我们省掉了来回拉扯的过程，只讲最后拍板那一步。报告的意义，是把内部诊断翻译成客户能认领、能排期的语言：他看的不是 94 个问题，是一张可以签字推进的路线图。

后续，通过「数字化触点的飞轮模型」指导开展体验设计优化工作的实施：报告定了，真正的体验设计优化才刚开始。飞轮模型——吸引关注、上手浏览、决策交易、留存传播——在这里的作用是定位每个优化点落在漏斗哪一段、改动会撬动哪一段的转化，把"问题清单"变成可执行的实施顺序。94 个问题最终落成 66 个设计优化点：注册登录导航 10 个、首页 12 个、车辆详情 20 个、预定支付 24 个。清单和方案之间，隔着一个排序——下一段（2.2）就讲这四个模块具体怎么改。

通过「 营销转化飞轮模型 」指导开展体验优化实施

2.2 潜客的命题，用设计流程转化

诊断出来的问题归到漏斗上看，正好是三层：落地页吸引力差，新用户流失高；试驾留资成本高，留资率低；定车流程冗长，转化率低。 三个动作，一个对一个。

一是留住新用户，提升停留时长。 用营销思维重新提炼首屏卖点，一共梳理出十二个，感性理性分列，再按潜客的决策顺序重排首页楼层——先权益亮点，再核心价值，最后用车主体验打消顾虑。上线后停留时长提升 154%，跳出率下降 19%。

二是降低留资成本，提升留资量。 原来预约试驾的入口很弱，点进去还有一张冗长的表单。我们把入口提到首页强曝光，表单砍到必要字段，再接上微信快捷留资。留资量提升 115.6%。

三是缩短下订流程，提升下订转化率。 数据分析报告里的原文是：3 个页面跳转、13 个操作步骤、至少点击 20 余次；从完成选装到支付定金，流失 81.16%。但同一个预订页的跳出率是 70.17%，低于整站的 86.05%——进来的人比别处的更有意愿，是流程杀死了他们，不是落地页没吸引力。这一刀该砍在流程上，不在页面上。我们把十三步压到五步，并引导用户用微信支付。定车量提升 339.1%，是三个动作里收益最大的一个。

三个动作之外还剩一条：视觉。这一条没有标准答案——步骤多不多、信息顺不顺都能量出来，什么叫好看量不出来。首页我们出了两版，一个保守贴着大众既有风格，一个激进全屏沉浸，让客户挑。

视觉细节提升品质感 重新设计的「 ID. 购车助手 」入口，精准传达信息的同时，2D 图形与真实场景的叠加融合，营造出年轻、新潮、时尚的品牌调性

不过 ID.Hub 的任务是拉新，视觉只要不拖后腿就够了。真正要靠视觉去撬动用户的，是另一个项目——一汽大众超级 App，它的任务恰恰相反。

2.3 保客的命题，用设计规则激活

ID.Hub 还在跑的时候，客户又提出一个需求，App 端也要一起改。这是一汽大众的官方车主 App，服务、社区、商城都装在一起，日活的大头是已经买车的车主。

客户当下的痛点是：

1、原来的 App 视觉相当陈旧，且不符合大众全新品牌风格（彼时大众正往年轻化转型）；

2、运营每天发的内容品质不可控，没有新鲜感。

App 的用户群和 Web 正好相反——保客占大头，客户要的不是拉新，是让车主愿意回来、愿意活跃。一个潜客，一个保客，用户不同，解法自然不同。

客户把 App 也交给我们，说明 ID.Hub 的改版被认可。但摸底后才知道这是烫手山芋——历史架构缠了太多业务线，彻底治理是长期仗。此刻做什么、不做什么比别处更重要，我用二八原则先聚焦两件事：

一是挖掘品牌基因，打造年轻化感受——品牌基因决定用户第一眼 80% 的感知，解决的是"看起来像不像大众"；

二是模块化设计思维，建立运营设计规则——解决的是"交给谁接着做，都还是大众的味道"。所以要交付的不是多少个页面，而是一套可持续运转的规则：后面接手的人、供应商、运营都照它做，内容品质始终在同一个水准上；玩法和车主权益的深耕，得踩在这个底子上才立得住。

第一件，把品牌特征挖出来。 一汽大众最有辨识度的资产是律动线，但线上产品里没人用它——行业通用的做法是一张图配一行字，撑不起大众该有的质感。我们把律动线和粗细分明的字重做成版式骨架，同一张卡片，通用做法和差异化做法并排一放，差距不用解释。

往下是给选项不给结论：版式三种（图文结合、图为主、色块加 icon），插画三种（插画卡片、渐变加卡片、纯色加卡片），都在"像大众"的范围里，让客户挑。

这些可选项不是随手画的。在那之前我先做了一件事：把大众已有的品牌资产拆成七个可组合的设计变量——变量是字典，怎么搭是语法。

第二件，用规则管住运营内容。 视觉规范只管得到我们自己画的页面，覆盖不到运营每天发的东西。所以又做了一层：话题、图文、插画、卡片都给到可复用的样式，运营照着套，内容品质就始终在同一个水准上。

每种组合配一条 Do、一条 Don't：左边是真实产出，右边就是规则本身——供应商不用再猜怎么搭。

最后是四个页面落地：首页、我的、发现，加上文创商城。首页金刚区给了两种呈现方式让客户挑，我的页面按车辆绑定和未绑定两种状态分别设计，发现页重做信息层级。商城是顺带做的，一笔带过。

我想强调的是：视觉没有正确答案，但有正确答案的产生方式。 我既没有替客户做判断，也没有甩一堆方案让他挑——先把范围收窄到"像大众"，再在这个范围里给可选项。他选完，共识就成立了。这条逻辑后来在柳汽又用了一次，那次更极端——客户自己都定不下来。

再补一句这套规则在今天的意义。它是三、四年前写的，当时只想让运营每天发的内容始终在同一个水准上；到了 AI 时代，它恰好是 AI 最需要的东西——七个变量就是可以直接取用的组件库，"六种组合怎么选、各自的 Do 与 Don't"就是判断流程，品牌调性五大属性就是校验条件，模块 A / B 就是产出模板。同一个语法，换一个执行者，水准依然成立：过去照它做的人是运营，现在照它做的是 AI。

2.4 回到 ID.Hub：定性、定量，和用实验说话

超级 App 的账要靠活跃度去算，说回 ID.Hub——它的账只能用漏斗算。上线三十天，验证做了三轮：主观一轮、客观一轮，还有一类问题两轮都回答不了，只能靠实验。

定性加定量的依据是 Google 的 HEART 模型：愉悦度看主观感受，参与度看停留和互动，接受度看新用户，任务完成度看漏斗。

定性：招募五位电动车主，新旧版对照，五分制打分。内容阅读性 2.9 升到 4.2，视觉美观度 3.7 升到 4.1，点击欲望 2.2 升到 3.7——最后一项提升最大，也最说明问题：用户不是觉得好看了，是想点了。

定量：埋点数据上线前后三十天对比。跳出率从 73% 降到 59%，线索转化率提升 119.8%，整条漏斗的最终转化率提升 139.6%。

埋点数据监测营销漏斗转化率 - 数据来源上线 30 天前后对比

实验：我们利用AB实验平台，解决转化漏斗首层「引发用户兴趣」的课题。首屏模棱两可的时候到底应该选哪个？十二个卖点搭配哪一组广告图更有效？不是我拍的，上 AB 实验——跑的就是增长套件里自带的 AB 实验平台，客户自己也能开。同样的位置，换配图、换文案、换按钮，看"预约试驾"的转化率。一组 57%，一组 43%，差十四个百分点。ID.Hub 上还有两组同类的实验：首页轮播改单图、详情页引流小程序。实验回答的是"选哪个"，不是"我猜得对不对"——后者靠埋点数据就够了。

一汽大众 ID. 系列营销亮点 Figma Jam 头脑风暴

首页轮播图营销效果转化实验

客户那一侧也有回音。一汽大众的人在微信上说："hub 的首页跳出率，在 1 月 1 号发版之后显著下降，由 12 月的 73% 下降到 1 月的 60%，不错。"感谢信里还有一个更长期的数字：客服线索累计提升 776%，对比的是上线前后十七个月。

最后，交付的终点也不是改完就走。我们用套件里的 DataTalk 给客户搭了私域一体化运营的管理层驾驶舱——线索量、OTD 成交量、私域用户量、活跃度、文创利润额一屏可见，还能按渠道、车型、商品下钻。

这一节的价值不在数字，在它跑通了一件事：设计介入的起点是数据，不是主观判断；交付的终点有反馈监控，不是改完就走。 量化是它后面能被定价的前提。顺带一提，诊断、实验、看板用的都是同一套增长套件，链条是闭合的。

拉新这一段，账算完了。保客那一段怎么解，是云展厅要回答的。

三、一汽大众云展厅：从零到一，把保客做进产品里

第二类服务是从 0 到 1 的设计服务。一汽大众云展厅，还有配套的 NFT 数字藏品项目，都属于这一类。这一章我按四层讲：背景、策略、执行、结果。

虚拟展厅 X 数字人
首款融合产品

随着新技术的发展，为更好的满足用户线上体验的需求，以疫情为契机，
在线上打造元宇宙第一家「 一汽大众 4S 展厅 」，进一步促进留资转化。

3.1 背景：一个不得不做的线上 4S 店

项目有个具体的时代背景：疫情，线下 4S 店去不了。彼时正好赶上元宇宙概念的萌芽期，客户想要一个线上的虚拟 4S 店——能逛、有讲解、有互动。它不是网页，是元宇宙场景加数字人的沉浸式交互，完全颠覆了原来的网站开发方式。

技术选型也在变革：原来靠 WebGL 加精细 3D 建模，项目大难加载，能做的场景有限；这次利用腾讯云端实时云渲染技术加多终端，边缘节点就近接入，延时压到 60 到 80 毫秒。数字人那一段靠多模态技术——听得清是 ASR，听得懂是 NLP，会表达是 TTS。

产品定位落在这一句上：首款「虚拟展厅 × 数智人」的融合产品，基于"人、车、场"三位一体，创造一个用户乐于探索、互动、传播的 3D 数智化触点。

设计定位是"元宇宙第一家一汽大众 4S 店"，关键词是游戏化和互动性。商业化诉求有两层：潜客留资转化，和车企新车发布。

3.2 设计策略：展厅给谁逛、每个人带走什么

设计在这个项目里有一个关键的策略判断：一个展厅做出来，给谁逛、让每个人带走什么。

我们把人群分成三类——访客，用探索式的体验吸引他逛下去，提升好感度；潜客，用互动式体验引导留资；保客，让他们买文创周边、抽惊喜盲盒，让已经买了车的人愿意回来。

这个三分法直接对应车厂的漏斗：吸引、转化、保客——尤其第三段，那是车厂最缺的一段。所以云展厅不是一个炫技的展厅，是保客闭环被做进产品里的样子。

风格怎么定，这是一场想象力驱动的展陈设计实践，它有一条清楚的推导链。我们对当时元宇宙前沿公司 Meta 开发的 Decentraland 进行了深入探索，研习并借鉴。

首先是基于现实，虚拟云展厅在遵循一汽大众 Space 设计规范基础上进行创新，预留充足的虚拟运营位置，以满足未来不同类型车辆的营销与运营，以及用户与空间的交互。

然后，需要找到能把"元宇宙"落地的具象锚点，来超越现实。我们的定义这里是一个充满想象力的 4S 空间，韦伯天文望远镜、星空顶、悬浮星球、钢琴步道、虚拟商店、数字藏品，都是从这一个锚点长出来的。

深空之眼 数字藏品 赛博隧道 虚拟商店 悬浮星球 星空穹顶

子展厅的体验上着重四点：Zoom in 沉浸式看车、360 度看车、拍照互动（为了引发自传播），还有对话空间 UX，把智能客服融进售前场景。

360°全景看车 数字人讲解

在一汽大众数字藏品设计上，我们提出将五行概念与大众新品相结合，利用腾讯云链上技术，生成独一无二的NFT藏品，并在“幻核”平台发布。

3.3 执行：真正的难题是推动客户决策，和把控产出

三维场景加数字人，靠内部团队做不出来，必须引入供应商。引入之后真正的难题不是找人，是管住产出。我的做法是三件事：审美判断要在方案阶段就给出去，不能等做完了再推翻；把"感觉不对"翻译成可验收的设计标准，让供应商知道做到什么程度算交付；把复杂度远超常规的事，拆成可交付、可验收、可按期的节点。

数字人 Ida 定妆设计介入前后投票对比 32% vs 68%

有个具体的例子。数字人 Ida 的定妆，供应商自己做的版本背离了大众的品牌预期，投票率只有 32%，拿到客户那边几次都通不过。我介入后做了两件事：一是重新定义风格研习的方向——大众，还是亚文化、新浪潮？性格上定成"中德混血"，风格上提"新、潮、酷"，对齐大众 2022 的定妆风格；二是汇报由我去做。新方案投票率做到 68%，客户一期就选了它。

这件事说明的不是我会做数字人，是：当交付物超出常规边界的时候，判断力、验收标准和汇报能力，决定这事能不能成。

虚实共生 - 虚拟人真车结合拍摄

3.4 结果反馈

上线后用户平均停留 1286 秒，目标是 150 秒，达成率 857%。留资率上线初期只有 0.12%，离 1.5% 的目标还有距离——它是靠后续的功能迭代和运营活动，一步步推上去，最后达成的。

春节的数字藏品营销活动「元梦送藏品」，曝光超过一亿，私域新增八万三千人，央视财经频道做了报道。私域这个数字我放在曝光后面讲——车厂真正缺的是保客，不是流量。曝光是过程，沉淀才是结果。

数据我不做归因：那是产品、技术、研发一起交付的综合结果，不是设计的功劳。我只说能说的：它上线了，客户按合理的价格付了款，没有负面舆情。

四、标准化沉淀：方法论、链路、SOP、定价、供应链

三个案例讲完，收一下：这套东西到底沉淀成了什么。

4.1 设计服务的方法论沉淀

我们通过服务 KA 客户，把经验总结成一套具备普适性的方法，用在售前、售中的客户宣讲上——就是下面这十六张图。

设计作品只能证明「做得好看」，模型方法才能证明「想得清楚」，一个项目还没出成果的时候，客户也要能知道：自己现在在哪，我们要帮他干什么、怎么干、最后拿到什么。

具备良好体验的客户旅程的「终点」，是下一段旅程的「起点」；客户买的不是一张页面，是他的用户能不能走进下一段旅程。

4.2 设计服务的标准化 SOP

结合腾讯自身优势，我们把这条业务线整理成设计服务链路：客户需求沟通、体验问题诊断、设计风格提案、设计方案提案、设计迭代实施、设计价值验证、维护客情关系，另有供应商甄选贯穿全程。每个动作标注三个属性——可复制、可外包、可标准化。标注本身就是设计：哪些必须自己人上，哪些放给供应链，哪些固化成模板，一张图说清楚。

4.3 设计服务的定价与上架

KA 客户的案例跑通后，我决定将设计服务在腾讯云定价并上架，这有利于设计价值在企业中被进一步量化。在设计的价值象限中：横轴项目完整度，纵轴为设计交付的类型，越靠右上角价值越高。定价的依据因此拆解为两层。

第一层，是一次性报价，适用于偏设计战略咨询、诊断等方法论输出。以一汽大众运营一体化项目为例，假设项目整体预算约两千万，设计咨询占比约百分之二，那么《 设计咨询加诊断报告 》的总报价就是四十万。

第二层，按产出物类型分档，按人天报价，这是设计执行时价值的主要计算形式。改版、体验优化、从零到一的定制开发，同样可以回归到价值象限中。例如：在 ID.Hub 体验优化项目中，Web 端、H5 端，实际包含车辆详情页、引流页、360全景页、订单支付页，2 期共计 30 多个页面，60多种情况；因此我们会先拆到页面级，按照项目节奏计算出需要 3 个人 58 天交付。再参考腾讯云业务 L3（资深）的人天成本对客报价。

设计服务价值评估象限

4.4 资源配置与供应链管控

人怎么配、任务怎么跑、质量怎么判——三件事，对应三套机制。

配 · 人怎么配。 主力设计师和设计管理者单价高、人数少——腾讯 L3 的人天成本摆在那里。所以价值象限里可标准化、可复制的那一段交给供应链，核心产能留给需要强判断的活。落到一汽大众，编制是十三个人：腾讯侧四个，含我；供应链侧九个，分布在三个并行项目——ID.Hub 两个、超级 App 三个、云展厅四个。四个人的核心判断，撬动九个人的规模化执行——什么活必须自己人上，决定了这十三个人能接多大的活。九个人要和我这四个人是一支队伍，靠的是 UX 虚拟组织：几个外包团队的人编进同一个序列，按同一套分工对接。

跑 · 任务怎么跑。 人凑齐了，任务还得是同一套走法。UX 标准任务流程统一了五个节点——接到需求、产品原型、交互设计、视觉设计、方案准出，每个节点挂排期、评审、修改、纪要，任务走到哪一步，状态就是确定的；生产协同工具同步统一，所有人用同一套文件和同一套规范产出。并行的还有一条运营设计线：超级 App 的运营需求全部上 TAPD，由一名核心设计师做运营 UX 接口人，划分优先级、审核产出，单月吞吐三十七个需求，更接近工厂。

判 · 质量怎么判。 交出去之后怎么保证不走样，是这件事真正的难点。判据先立住，评审才有得评——可/易用性、视觉表现、信息传达，三组标准写下来，供应商先对照自查。然后是两道闸：先过他们自己的内部评审，把量产问题拦在他们那边；再过腾讯评审，把判断问题拦在我这里。两道都过才准出，任一道不过，退回对应节点重做。

五、柳汽：可复制的设计服务

柳汽是这套方法论复制的第二个客户——东风柳汽「AI 风行」App 整体改版。它本来就是腾讯存量客户，看到一汽大众的效果，回头看看自己的 App 确实陈旧，几方一撮合就成了。它不是找来的活，是第一单的成功自己长出来的第二单。

一汽大众证明的是"能交付"，柳汽要证明的是"能复制"。第一单可以靠投入，第二单必须靠方法——而方法确实搬过去了：同一套"先诊断、再开方"的流程，连竞品打分那把尺子都直接拿过来用，蔚来 4.6、上汽大众 4.2。推动客户决策那一层，难度更上一个台阶：客户两派定不下来，回了五条自相矛盾的建议，我们把它们翻成一套自洽的方案，让他签字。

我离开腾讯之后，供应商团队还在跟柳汽合作，腾讯也还在跟柳汽合作。我建的不是一次性的项目，是一套能自己运转的体系。

六、将设计服务经验蒸馏成 Skill

前面讲的方法论、七步链路、定价依据、供应链协作和准出机制，我把它蒸馏成了一份 skill——一份能被 Agent 直接读取执行的文件：诊断先问什么、提案怎么收窄再给选项、什么活必须自己人上、什么可以交出去、准出要过哪两道关，都写在里面。它已经装进我的 WorkBuddy，也开源在 GitHub 上。下一个商业伙伴进来时，跑的还是这套被验证过的流程。

从交给外包，到交给机器，其实是同一件事的下一级：把我脑子里的判断外化成可执行的规则，让它离开我也能跑。规则谁都能写，难的是哪些判断值得被写下来——那部分只能从真正做过的项目里长出来。