面壁智能联合东北大学-面壁智能数据智能联合实验室、清华大学 THUNLP 实验室、OpenBMB 与 AI9Stars 开源了数字员工全流程构建与管理平台 StaffDeck。

根据介绍，StaffDeck 不只让 AI 承接重复性沟通与标准化任务，更试图将分散在人员、文档和业务系统中的知识、方法与流程，转化为 可维护、可复用、可持续优化的组织能力。

StaffDeck 的设计思路是：将每一个 AI Agent 视为企业里的正式员工，而非一个等待着被唤醒的「解题机器」。

在 StaffDeck 的世界里，每一个 Agent 都拥有自己的名字、岗位、工号、能力边界、工作记录，甚至「绩效数据」。它们像每一个普通职员一样，需要遵循 SOP（标准作业程序），需要依赖企业知识库支撑决策，更需要在日常工作中接受反馈、修正行为。

另一方面，管理者能够查看 Agent 掌握的 SOP、知识和工具，也可以结合真实工作反馈继续调整相关能力。

如此，StaffDeck 帮助企业从三个维度进行了 Agent 时代的组织升级与进化：

• 从「工具」到「员工」：AI 不再只是被动等待提问的工具，而是认领了岗位的「数字替身」，开始主动承接具体的业务流。

• 从「静态发布」到「持续运营」：Agent 的上线不再是一锤子买卖；真实的对话、用户的差评、业务的边界案例等等，都可以成为后续调整 Agent 知识与流程的依据。

• 从「个人经验」到「组织资产」：熟悉业务的员工可以将已经梳理的政策知识、判断标准、办理流程等封装进 Agent 化身的数字员工，发布至员工广场、供组织内部其他成员使用，成为企业资产的一部分。

StaffDeck 还独创了状态机驱动的流程型技能，将 SOP 以技能方式接入数字员工，同时使用状态机管理工作流，每个 SOP 对应一个确定性的状态机。数字员工可以在多个 SOP 之间切换，并在切换过程中保留上下文。

以及引入了开放知识规范 OKF（Open Knowledge Format），给企业知识资产做了等级划分，划分结结果如下：

配合知识分桶管理和检索调试工具，管理员可以在后台清晰地看到每一次回答命中了哪份文件的哪一个章节、相关度得分是多少，确保 AI Agent 的每次回答都可溯源、都有来处。

StaffDeck 还建立了一条由「全链路 Trace + 用户反馈 + 人工兜底」构成的进化闭环。数字员工说的每句话、调用的每个 API，都会被结构化地记录下来。当用户点了一个差评，系统会自动分类（如「工具调用超时」），并直接给管理员指出 SOP 的修改方向。

配合以人工兜底机制。遇到制度里没有写明的灰色地带（如「跨境差旅的汇率折算口径」），AI Agent 不会硬编答案，而是保留当前任务状态，向业务创建者发出求助。人工搞定后，创建者可以顺手把这条经验手动补充到知识库中、或优化 SOP。下次遇到同类问题时，它就已经是一名掌握该答案的「熟手」。