Junemoon
你的 AI
增长伙伴
帮助企业把 AI 贯穿在业务里。
企业 AI 咨询 · 系统落地 · 长期陪跑诊断、落地、陪跑,同一批人。
我们怎么想
把 AI 装进业务,长出新的增长。
以前太贵、太慢、腾不出人做不了的事,现在第一次做得起。
+新的服务入口,更完整的客户跟进,有依据的专业协作。先从一件值得做的事开始。
我们在做的
目前在做的几个项目。
从已有项目里,看具体做法和交付。
01教育出版平台
接住正在运行的系统,持续把它做好。
在教育出版平台的持续开发中,把 PDF 和图片试卷转成可编辑的题目草稿,再由编辑核对、查重、确认入库。
2026 年 7 月 · 功能上线及真实试卷验收记录
- 01上传材料
- 02识别草稿
- 03人工核对
- 04确认入库
交付的功能
材料上传、题目预览与修改、重复题提示、分类检索;已记录支持 6 类题型。
用真实材料复验
验收发现阅读原文遗漏后,修复题组结构;同一份材料复测,原文与 5 道关联小题完整保留。
系统能持续迭代
同一平台的接管工作包含资产盘点、独立发布链、版本对应与回退资料,支持后续维护和开发。
以上为我方参与的工作与历史验收范围;新增题型、扩大使用范围另行验证。
02文档处理 · 专业服务场景
从扫描原件,到能跟进的清单。
识别公司、文件类别和明示日期。经办人对照原件确认后,建立归档副本,另存期限清单;保留原期限、延期历史和人工备注。
2026 年 9 月 · Windows 本地试用版,使用自制文件验证
输入样例:扫描通知输出样例:实际导出的 Excel 清单不确定就待核
有歧义的公司或日期保留原文,不直接写进正式清单。
交付能继续使用
输出文件与八栏 Excel,保留负责人、状态、备注和来源文件名。
项目中的自制测试资料及实际导出结果,均为虚构公司与事项;图片为繁体中文。不是客户真实档案,也不代表客户文件识别率。
试用包已验证;真实客户文件的准确率、处理用时和现有清单对接,留到试点中确认。
03医疗 GEO · AI 搜索可见度
把 AI 搜索中的问题,变成可跟进的工作。
按品牌词、泛需求、费用及到院信息等问题分组,检查模型回答、引用依据和竞品同屏,再形成内容纠错与复测清单。
已有多引擎检测、报告及 CSV 明细导出
检测接入DeepSeek / Kimi / Qwen / Doubao
报告维度
可见性 · 推荐强度 · 事实准确性 · 证据质量 · 专科匹配度
交付明细
问题分类、模型与原始回答、是否提及、竞品、扣分问题及综合说明。
复测方式
固定问题组和引擎范围,记录检测日期;在一致口径下比较结果。
已有检测不等于保证排名或引用。不同批次不能直接相减作为效果;提升幅度需有同口径前后记录。
办公与财务流转
一份申请,从补齐资料到审批办理。
申请与附件、缺件补正、角色待办、审批退回、费用汇总及操作记录,串成一段可追踪的流程。
2026 年 9 月 14 日完成改版演示站发布与验证;正式账号及业务试用另行推进。
用于办公申请和财务流转,不是总账、审计意见或报税系统;专业判断由相应人员负责。
合作之后,具体拿到什么。
交付内容按项目范围约定,能看懂、能验收,也能交接给下一位同事。
01业务判断
场景清单、优先级、资料与权限边界、分期路线图。
02可用的成果
业务原型、系统功能、可使用的文件或报表,以及使用说明。
03验证与交接
样本结果、修改记录、已知限制;涉及开发时提供约定源码、部署与恢复资料。
04持续改进
问题清单、后续负责人、复盘记录与下一阶段的改进范围。
从系统到 AI 到运维,一站做齐。
业务系统、可控 AI、AI 搜索可见度、平台接管,你不用在几家供应商之间来回对接。
业务系统与工作台搭建+
按你实际的流程搭后台系统和团队工作台,把散在表格和人工里的环节固定下来。
可控 AI 接入+
把 AI 接进你现有的系统,讲清它能做什么、边界在哪、出错怎么退回,人始终可复核。
网关→护栏→影子模式→人工出口
按项目配置模型入口、权限、规则检查和复核出口,接入前明确资料范围与调用路径。
AI 搜索可见度(GEO)+
让品牌和内容更容易被 ChatGPT、豆包、DeepSeek 检索和引用。先做可见度诊断,再按范围优化——不承诺必然被引用。
系统接管与持续运维+
接手已有平台,先做结构与风险评估,再负责日常运维和按需的二次开发。
AI 接入,要把这些事做实。
作为项目设计和验收要点,按实际场景落实。
01资料与调用范围
确认哪些资料可以传给模型、在哪里处理与保存;模型入口统一管理,按需设置调用额度和记录。
02权限由系统执行
只开放任务所需的资料和工具;读取、修改、发送分开授权,不能让模型自己判断有没有权限。
03输出能回头核对
保留原件、引用或页码;不确定的字段进入待核清单,关键写入和对外动作经人确认。
04上线前有比较,上线后有退路
用同一批代表样本和失败样例比对,记录质量、修改量及完整处理用时;保留版本、回退和后续复测安排。
设计参考:OWASP · Excessive Agency ↗NIST · AI RMF ↗
诊断、落地、陪跑,同一批人。
01先把事情看清楚
先做一次 AI 可行性诊断:把流程走一遍、把数据盘一盘,再按“值不值得做、风险多大、数据够不够”给每个场景打分,最后给你一份看得懂的路线图。
02一件一件做
选中的场景先在影子模式里跑通、跟人工比对,确认真的靠谱再放开来用。一项一报价,见效了再往下做。
03长期陪着
上线不是终点。日常运维、每月一起复盘、需要时再做二次开发,系统一直有人在管着。
[ ]AI 负责整理,人负责决定。
涉及会员、患者和付款这些高风险的事,我们先想的是边界怎么定,而不是 AI 能做多少。
先立规矩,再接 AI
数据怎么分级、谁能看、存哪里、留多久,接进 AI 之前先定清楚。
来源与缺口一起看
按场景保留原始资料和待核事项。找不到依据时,留下问题交人确认。
系统只打下手
收件、分类、把缺口标出来,剩下的判断交给人。