为什么企业 80% 最有价值的信息，都散落在聊天记录里？

被忽略的企业知识

做了这么多年产品研发和项目交付，我们发现了一个几乎所有企业都会遇到的问题。

企业最有价值的信息，其实并没有沉淀在文档或知识库里，而是散落在各种聊天工具中。

在国内，大多数跨团队、跨公司的沟通仍然以微信为主；即便有飞书、钉钉等工具存在，也很难完全替代。而在海外项目中，则往往还会涉及 WhatsApp、Slack、Teams 等不同的 IM 软件。

无论是哪种工具，客户反馈、研发讨论、Bug 排查、临时决策、经验分享……这些真正有价值的信息，几乎都是在聊天过程中产生的。

但聊天结束之后，这些信息也就随之散落在一条条聊天记录中。

每个研发团队都经历过这一幕

相信很多研发团队都经历过这样的一个下午。

线上突然出现一个问题，团队里的同事看了一眼，说：

“这个问题我们以前解决过。”

于是，大家开始翻聊天记录、搜关键词、找截图，甚至到处找当时发过的文档。

翻了十几分钟，终于找到了一段聊天记录。

可最关键的那张截图，已经过期打不开了。

“谁还有当时那个截图？”

“你那边聊天记录还在吗？”

没人确定。

最后，大家只能重新分析、重新排查、重新讨论，仿佛这个问题从来没有发生过一样。

真正丢失的，不只是聊天记录

后来我们发现，这并不是某一个团队的问题，而是几乎所有企业都会遇到的问题。

真正有价值的信息，并不是在写文档的时候产生的，而是在讨论问题、分析问题、解决问题的过程中自然产生的。

客户的一句反馈、研发的一次讨论、一张截图、一次 Bug 排查……这些零散的信息，恰恰构成了企业最宝贵的知识。

可随着聊天结束，它们也一起留在了聊天记录里，慢慢被新的消息淹没，再也没有机会真正沉淀下来。

我们重新拆解了这个问题

后来，我们重新梳理了一遍整个问题，发现真正需要解决的，并不是聊天记录本身，而是整个信息流转过程。

首先，是如何收集。

不同团队使用着不同的聊天工具，微信、WhatsApp、Slack、Teams……信息入口五花八门，我们需要一种统一的信息入口，而不是为每个平台维护一套完全不同的接入方案。

其次，是如何理解。

研发过程中，大量关键信息其实并不是文字，而是一张张截图。报错信息、日志、页面、配置……很多时候，一张图片所包含的信息远比几段文字更多。因此，AI 不仅需要理解文字，也需要理解图片，让这些碎片化的信息真正形成完整的上下文。

然后，是如何标准化。

同一个问题，不同人的表达方式、总结能力和信息完整度都不一样。有的人只发一句话，有的人发一堆截图，有的人遗漏了关键背景。最终，研发团队往往还需要花大量时间重新整理、补充和确认这些信息。

我们希望 AI 能够完成这一步，把零散的信息整理成统一、完整、准确的问题描述，让每一个人提交的问题都能够达到相对一致的质量，而不是依赖个人的表达能力。

最后，是如何进入企业流程。

对于企业来说，最终目的并不是生成一篇总结，而是能够按照现有的研发管理流程继续流转。无论是 Bug、需求还是任务，都应该自动进入企业已有的管理系统，继续跟踪、继续迭代，让这些原本散落在聊天记录里的信息，真正成为企业持续积累和持续改进的一部分。

为什么我们最后选择了邮件？

当把问题拆解后，思路反而更清晰。

我们尝试过多种收集方式，也研究过不同聊天平台的接口，但各个平台都有自己的生态、安全机制和限制，很难成为长期稳定的方案。

于是，我们重新关注了一个被忽略的能力——邮件。

虽然大家通常只在非紧急情况下使用邮件沟通，但几乎所有聊天工具都支持“转发到邮件”。它不依赖平台接口，也不受策略变化影响，反而成为最稳定的通用入口。

因此，我们将邮件作为统一的信息入口。

并非不想自动收集所有聊天记录，而是在现有条件下难以实现。相比之下，人工转发更现实，也更可控。

因为真正值得沉淀的信息，本来就只占很小一部分。

当你认为某段聊天值得保留时，只需花几秒转发邮件，后续的信息整理、内容理解、图片识别、问题提炼和流转，都交给 AI 自动完成。

这种方式既过滤了大量无效信息，也最大程度保留了团队原有习惯，以最低成本沉淀真正有价值的信息。

我们对企业智能体的一点思考

在真正实现整个系统之后，我们最大的变化，其实不是技术，而是对企业 AI 的理解。

过去，我们一直把这些聊天记录当成数据，希望能够把它们保存下来。

后来才慢慢发现，仅仅拥有数据，并不会直接产生价值。

真正的价值，在于这些数据能够持续进入企业流程，并成为企业智能体可以理解、可以执行、可以持续迭代的基础。

今天，越来越多企业开始建设自己的 AI 智能体。

但很多智能体真正落地时都会遇到同一个问题：模型越来越强，工作流越来越丰富，却始终缺少持续、真实、高质量的数据来源。

没有数据，再好的智能体也只能停留在演示阶段。

而当企业每天产生的聊天记录、问题、讨论和经验，能够持续沉淀、持续标准化，并持续进入企业现有的研发流程之后，这些数据就不仅仅是历史记录，而会成为企业智能体不断学习、不断协作、不断创造价值的基础。

这也是我们最终开源 Devify 的原因。

我们希望它不仅仅是一个聊天记录整理工具，更能够成为企业智能体时代的数据入口，让企业每天产生的真实信息，持续转化为真正能够驱动 AI 的能力。

如何体验 Devify

Devify 已在 GitHub 开源（https://github.com/cloud2ai/devify）。如果你想快速体验，我们提供两种方式。

方式一：SaaS 直接体验

打开 https://aimychats.com 注册即用，无需部署，适合个人开发者或小团队快速验证整个链路。整体链路：聊天工具（微信 / WhatsApp / Slack）→ 转发邮件 → Devify 自动处理 → 结构化结果（Bug / ToDo / 任务 / 总结）→ 同步到 Jira、飞书多维表格等系统。

方式二：本地 / 企业私有部署（推荐）

适合对数据安全和系统集成有要求的团队。Devify 支持完全本地化部署，最简单的方式是 Docker：

git clone https://github.com/cloud2ai/devify.git
cd devify
cp env.sample .env   # 复制模板，按需修改
docker compose up -d

⚠️ 仓库提供的是模板 env.sample，而 Docker Compose 默认读取 .env。启动前务必先执行 cp env.sample .env 并填好配置，否则服务无法启动。

启动后用浏览器打开 Devify 界面，注册并登录管理员账号。之后所有配置都在网页中完成，无需再碰命令行，只需两步即可跑通：

第一步 · 接入 AI 模型： 进入「管理控制台 → 模型配置」，添加模型（填写服务商 API Key、接口地址、模型名称），并在应用设置中设为默认。支持 OpenAI、通义千问、OpenRouter 等主流服务商，也支持本地模型。Devify 至少需要一个多模态模型来识别图片、理解意图，初期用一个聚合平台账号统一接入会更省事。

第二步 · 配置邮件接收（IMAP）： 进入「设置 → 邮件」，选择 IMAP 拉取方式，填写企业邮箱的服务器地址、账号、密码、SSL 端口和收件文件夹。之后 Devify 会定时拉取邮件并自动处理。

两步完成后整条链路即打通：聊天工具 → 转发到企业邮箱 → Devify 通过 IMAP 拉取 → AI 处理 → 结构化结果。 后续可按需扩展，例如接入通知渠道、调整处理规则或配置团队成员。

适合谁使用？

Devify 不聊天，只是聊天记录的智能管理者，更适合那些每天被大量碎片化沟通包围的人。

这种需求并不局限于研发团队，几乎所有依赖聊天工作的角色都会遇到：

• 律师：需要从沟通中整理案件信息、证据线索和关键结论
• 医生：需要记录问诊过程、患者反馈和诊疗要点
• 学生：需要整理讨论内容、学习笔记和任务安排
• 以及任何需要从聊天中提取信息、沉淀内容的人

本质上，只要你的工作依赖聊天，而这些聊天内容又具有“可复用价值”，就会遇到同一个问题：

信息产生了，但没有被沉淀。

我们开源 Devify，并不是为了再做一个新的工具。

而是希望解决一个更底层的问题：

企业每天产生的最有价值的信息，不应该消失在聊天结束之后。

如果 Devify 能帮你把这一部分重新接回来，那它的价值就已经成立了。