多数人用 AI 的方式还停留在「打开对话框问一句」。聊天能省几分钟,工作流才能省几小时,甚至替代掉一段重复劳动。区别不在模型多强,而在你有没有把任务拆成固定的输入—处理—输出链路。下面这套方法可以直接照做,不需要写太多代码。

一、聊天式的三个天花板

只要任务重复出现,聊天式的三个问题就会暴露:

  • 记不住:每次都要重新贴背景、贴格式要求、贴示例。
  • 不稳定:同一句话,两次输出的结构和风格不一样,没法直接交付。
  • 接不上:结果停在对话框里,不会自动进表格、邮件或数据库。

工作流恰好解决这三件事:把上下文固化、把输出结构化、把结果接到下游。它不是更聪明的模型,而是更可靠的流程。

二、先分清三层:提示词、工作流、智能体

按 Anthropic 的工程实践,常见做法可以分成两类:workflow 是用预定义的代码路径编排多次模型调用,agent 是让模型自己决定用什么工具、走多少步。前者可控、便宜、好调试;后者灵活,但成本和不确定性都更高。

层级是什么什么时候用
提示词一段固定指令加当次输入一次性、低风险的任务
工作流固定步骤串起多个模型与工具调用重复、流程明确、要求输出稳定
智能体模型自主规划并调用工具步骤不确定、需要探索的任务

大多数业务任务属于第二层。先把工作流做稳,别一上来就做 agent——调试成本会翻几倍,而且很难解释它为什么失败。

三、按环节选工具,不按名气选

  • 通用推理与写作:主流大模型的网页版或 API。用同一个任务对比输出质量,别只看排行榜。
  • 资料检索:搜索 API、浏览器自动化、RSS。注意来源可信度与版权。
  • 文档解析:PDF / OCR 工具。扫描件和复杂表格是难点,先抽样验证准确率。
  • 编排执行:n8n、Zapier 或自己写脚本加定时任务。逻辑简单时,脚本更可控、更容易排查。
  • 工具连接:MCP(Model Context Protocol)等标准协议,让模型访问本地文件、数据库和 SaaS 服务。
  • 本地与私有:Ollama、LM Studio 等本地运行方案,数据敏感时优先考虑。

组合原则:能用一个工具解决的,不加第二个;能在本地处理的,不上传云端;能用确定性代码判断的,不交给模型猜。

免费额度、模型名称、接口参数变化很快,教程里的具体按钮位置不要当圣经。动手前先查该工具的官方文档,确认当前版本的正确用法。

四、实战:每周资讯简报工作流

用一个几乎人人都需要的任务演示:每周整理一份行业简报。

  1. 定义交付物:每周一早上要什么?例如「500 字、5 条新闻、每条带一句点评和原文链接」。
  2. 固定来源:5–10 个 RSS 或站点写进一个文本文件,方便增删。
  3. 抓取与去重:脚本拉取本周新文章,按标题加链接去重,保留标题、链接、时间和正文前 800 字。
  4. 初筛:先用关键词规则过滤,再让模型按相关性和信息量打 1–5 分,只留前 20 条。
  5. 成稿:按固定模板生成简报,要求每条都附可点击的原文链接。
  6. 人工复核:检查事实与出处,删掉空话,再发布。

其中最关键的是把提示词模板固定下来。示例:

你是科技媒体编辑。下面是本周候选新闻列表(JSON 数组,含 title、url、published、excerpt)。
任务:选出与「AI 与机器人」最相关的 5 条,按信息量排序。
对每条输出:
- summary:不超过 80 字,只写事实,不评价
- why:一句话说明对读者的价值
- source:原文链接
要求:不得编造未出现在原文中的数字或引语;信息不足时在 why 中标注「信息有限」。
输出 JSON 数组,不要输出其他文字。

注意:抓取要遵守网站条款与 robots 规则,转载或引用要注明来源。

五、质量与成本:三个必做动作

  1. 建评测集:收集 20–30 条真实输入并固定下来。每次改提示词或换模型,跑同一套,记录通过率和失败类型。没有评测集,「感觉变好了」不可信。
  2. 结构化加校验:要求 JSON 输出,用代码校验字段和类型;解析失败就重试一次或转人工,不要悄悄丢弃。
  3. 控成本:记录每次调用的 token、耗时和费用;长文档先切分;能用小模型的任务不要用大模型。先小规模跑一周,再谈规模化。

三条红线:不把未脱敏的客户数据传给不明平台;不让 AI 直接对外发邮件或动钱;不把 AI 生成内容当事实来源,尤其是数字、法规和引用。

六、7 天上手清单

每天 30–60 分钟(经验值):

  • 第 1 天:列出你每周重复 3 次以上的任务,挑一个最烦的。
  • 第 2 天:写下它的输入、步骤和输出格式,画成 5 个方框。
  • 第 3 天:只做中间最核心的一步,验证模型能否稳定输出。
  • 第 4 天:把输出改成结构化格式,写 3 条校验规则。
  • 第 5 天:串起前后步骤,先用半自动方式(人工复制)跑一遍。
  • 第 6 天:收集 20 条测试输入,记录失败案例。
  • 第 7 天:改成全自动或定时触发,保留人工复核节点。

判断一个 AI 工作流值不值得做,不看它多酷,看它一周能替你省下多少重复操作,以及出错时你能不能一眼发现。

参考与延伸阅读

外链内容由对应网站负责,访问以实际可用性为准。