X 笔记
AIX 文章·

从人工流程到AI工作流:四步法让AI真正帮你干活

模型能力已经够强了,但很多人还是觉得AI表现不佳。问题不在模型,也不在提示词,而是你根本不会把任务拆成AI能执行的小任务。

01|为什么AI明明很聪明,却总让你觉得不靠谱

其实现在的模型能力绝对已经够强了,能胜任绝大多数任务。但还是有很多人觉得模型表现不佳、产出不靠谱。根据我过往的咨询案例,大多数人只是不知道——怎么把一个大任务拆成AI可以执行的小任务。

这件事听起来有点无聊、有点简单,但相信我:如果你是技术人员,好的任务拆解能力可以帮你构建一个更稳定的系统;如果你是非技术人员,你更要知道怎么把自己的日常工作拆小一点,然后委派给AI,而不是一大包丢进去导致AI根本消化不了。


02|三个名词先分清楚:人工流程文档、AI技能包、智能工作流

很多人会把这三个东西搞混,但它们的层级和功能完全不一样。

人工流程文档(Human SOP)

就是写给人看的流程文件。

告诉你第一步做什么、第二步做什么、遇到例外怎么处理,旁边还有一堆小提醒和经验谈。

这类文件给人类看完全没问题,因为你的脑中会自动补进一堆上下文,会自己判断哪一步可以偷懒、哪一步一定要做。

比如流程里写到:

申请完之后送主管签核。

看到这句话后,你可能有能力判断:

如果是两百块以内的小金额,主管宁愿你不要去烦他;

但如果金额超过五千块,你就得照着规矩来。

这些判断可以被写进流程文件里,但需要花时间去把例外状况列出来。

更何况很少人真的热爱维护文件,口头提醒一下新同事永远比维护文件更方便。

这种状况在中小企业更是经常发生。

但这样的流程文件对AI来说,就是一坨非结构化文字,理解成本高、执行时容易忘东忘西。

只要你没有明确写出来,AI不会知道:

  • 为什么200块跟5000块不一样
  • 哪一步可以省略
  • 哪一步必须执行
  • 遇到例外时应该继续做还是停下来问人

AI技能包(Skill)

本质上就是把做事的方法论、判断标准、踩过的坑,打包成一个文件夹交给AI。

里面通常有三个东西:

1. Skill.md

人类写给AI的操作规范与经验总结。

也是整个技能包的核心。

2. References(参考资料)

存放额外资料。

例如:

  • 范例输出
  • 术语表
  • 常见错误
  • 历史案例
  • 踩坑记录

3. Scripts(脚本)

可以直接执行的程序。

负责那些确定性的操作。

例如:

  • 文件解析
  • 数据转换
  • 格式整理
  • 自动上传

一个AI技能包对应的是单一任务,不是整条工作流。

例如:

weekly-report-drafting
pdf-processing
invoice-categorization

看名字就知道:什么时候触发、解决什么问题。

设计技能包时最重要的是范围控制。

范围太大:什么都能做,什么都做不好。
范围太小:每一步都要读取技能包、效率反而下降。

智能工作流(Agentic Workflow)

这是第三层,也是最重要的一层,因为智能工作流不是一个提示词,而是一条完整的生产线。

里面可能包含:

  • 多个AI
  • 多个技能包
  • 多种工具
  • 数据库
  • API
  • 自动化脚本
有人负责理解问题。
有人负责查资料。
有人负责执行动作。
有人负责检查结果。
有人负责生成报告。
整个过程像一间工厂。
只不过里面工作的都是AI。

快速总结

人工流程文档=给人看的操作流程

AI技能包=给AI执行的单项能力

智能工作流=把多个技能包和工具串起来的一条生产线

当整条生产线跑完,任务也就完成了。

而本文真正要讲的是:如何把原本给人看的流程文件,改造成AI能够长期稳定执行的智能工作流。

03|为什么不要万能AI,而要任务拆解

很多人第一次接触AI自动化,直觉都是:找最强模型、把任务整包丢进去,让它从头做到尾。这就是所谓的:万能AI。

比如你告诉它:

帮我优化整个开发流程。

它一定会做点什么出来。

可能:

写一份几十页建议书
改一堆配置文件
重构你根本不想动的模块
顺手新增一堆功能

但问题是:你根本不知道它到底做了什么。

哪一步判断正确。
哪一步判断错误。
哪一步调用工具失败。
哪一步纯属自己幻想。
全部都看不见。

就像:

任务丢进去

↓

结果吐出来

↓

中间发生什么没人知道

这就是典型黑箱,我看过太多新手卡在这里、他们的第一反应永远是:

再换一个更强模型。

或者:

再写一个更长的提示词。

但其实问题既不在模型,也不在提示词。而是:任务太大、太模糊,所以每次执行都像买彩票。


反过来,如果把任务拆成很多小任务,情况会完全不一样。

例如:同样是处理客户请求。你可以拆成四个独立AI:

  • AI一:分类

只负责判断问题类型。

  • AI二:查资料

只负责查询历史记录。

  • AI三:写回复

只负责起草回复内容。

  • AI四:质量检查

检查:

是否有事实错误
是否有逻辑漏洞
是否有不当表达

每个AI都很笨,但每个AI都只做一件事,因此特别稳定出了问题也很好查。

比如:发现客户分类错误你直接回去改分类规则就好。


现在很多企业级AI系统本质上都在做同样的事:把复杂流程拆成多个节点,每个节点只负责一小段工作。

为什么大公司不用万能AI?

因为他们要上线、他们要稳定、他们要能追踪问题、他们要能修复问题。

而一个看不到内部过程的黑箱,永远达不到正式上线标准。

所以,几十年前的软件工程理念:分而治之。

到了AI时代反而更重要。因为你不是在训练一个万能超人,而是在设计一条真正能长期运行的生产线。


04|四步法:把人工流程转成智能工作流

知道为什么要拆之后,接下来的重点就是怎么拆。

我们用“洗衣服”这件事当作例子,一步步来。


Step 1:标准化格式

把人工流程改成AI能够读懂的版本。

重点有三个:

① 参数化

不要在流程里写死:

一定要用普通模式。

因为这样流程只能覆盖一种情况。

应该改成:

  • 模式
  • 温度
  • 时长

这些参数。

例如:

模式:
快速模式
普通模式
精洗模式

温度:
冷水
温水
热水

这样同一份流程就能覆盖各种情况,流程一旦写死,容错率就会很低。

我见过太多人把技能包写成:只适用于一种特殊场景,结果换个情况就直接失效。


② MUST / SHOULD / MAY

这是互联网协议里非常经典的一套规则写法。

拿来写AI工作流特别好用。

因为它强迫你把每条规则的重要程度想清楚。


MUST(必须)

AI一定要做。

绝对不能跳过。

例如:

  • 必须检查洗衣标签
  • 必须区分深色和浅色衣物
  • 必须等待洗衣结束

SHOULD(建议)

原则上应该做,如果不做必须有明确理由。

例如:

  • 建议根据衣服材质选择模式
  • 建议根据天气决定是否烘干

MAY(可选)

做不做都可以。

例如:

  • 可根据湿度决定是否开启烘干机
  • 可根据个人偏好增加柔顺剂

这种写法最大的好处是让AI知道:

哪些事情不能商量,哪些事情可以灵活处理。


③ 结构化格式

把流程拆成固定区块。

例如:

参数

步骤

异常处理

输出格式

每个部分单独放。

这样:人能看懂、AI也能看懂,未来接入各种工具也方便。

处理到这里,你手上的东西就不再是一篇说明文,而是一份AI真正能够执行的流程规范。


Step 2:任务拆解与连接

接下来开始拆。

把整个流程拆成多个步骤。

每个步骤都是流水线里的一个节点。


洗衣服这件事,其实可以拆成:

  • 节点1

分类衣物

  • 节点2

检查口袋和异物

  • 节点3

设置洗衣机参数

  • 节点4

决定晾晒还是烘干

每个步骤:有输入、有输出、能独立运行、能独立排错,甚至可以单独替换。

为什么一定要独立?因为出问题的时候特别好修。

例如:分类阶段出错。

把白色衣服判成深色衣服。

你只需要修分类逻辑。

后面的:

洗衣设置
晾晒逻辑
烘干逻辑

全部不用动。

如果你用的是万能AI,所有逻辑混在一起,一旦出错,只能整体重写。

因为根本不知道是哪一段出了问题。


除此之外,每个节点都可以独立变成一个AI技能包。

例如:技能包A 负责:分类 输入:衣物清单 输出:分类结果

技能包B 负责:决定洗衣参数 输入:分类结果 输出:洗衣机设置

技能包C 负责:判断天气 输入:天气数据 输出:晾晒或烘干建议

三个技能包都很简单,但组合起来,就是完整的洗衣流程。


那这些节点之间靠什么连接?

答案是:中间结果。

例如:分类完成后,输出一份结构化数据:

{
 "white": ["shirt"],
 "dark": ["pants"],
 "delicate": ["wool"]
}

这份结构化数据,直接变成下一个节点的输入,所以节点之间连接靠的不是猜测,也不是心灵感应,而是:

输入

↓

处理中

↓

输出

↓

下一步输入

清清楚楚。


Step 3:双向开发

这是很多人最容易忽略的一步,但实际上。这是最重要的一步,因为你的第一版流程,一定有问题,一定!

这里有个很重要的概念:默会知识

简单说:就是你一直在使用,但很难完整写出来的经验。

很多人以为:自己已经把流程写完整了,实际上根本没有,因为脑子里还有大量隐性经验,自己都没意识到。

什么时候会发现?AI撞墙的时候。

例如:你写了一份洗衣流程,结果第一次执行的时候AI把所有纯棉衣服都丢进高温烘干机,衣服全部缩水。

这时候你才发现:原来流程里漏写了一条规则。

纯棉衣物禁止高温烘干

于是补进去,再执行。

第二次发现AI没有使用洗衣袋。

再补一条:

精细衣物必须放洗衣袋

然后继续跑、继续补,继续修。这个过程就叫:迭代。

真正有效的流程从来不是关在房间里幻想出来的。而是:

运行
⬇️
出错
⬇️
修复
⬇️
运行
⬇️
再出错
⬇️
再修复
⬇️
不断循环

我曾经见过一个团队花两个月写了一份所谓的完美流程,结果第一次上线就崩,因为他们写的全是想象中的场景,但现实根本不会发生。

后来改成:先做最简版本➡️不断测试➡️不断迭代➡️两周就上线➡️而且效果更好。

所以速度的关键不是写得多完美,而是迭代得有多快。


Step 4:整合与执行环境

最后一步,决定你的AI系统到底是演示项目,还是真正能上线运行,因为再漂亮的流程,如果接不到真实工具,它永远只是一份文档。


洗衣服的例子里:

工具是:

  • 洗衣机
  • 烘干机
  • 天气服务

AI不仅要知道该怎么做,还要真的能执行,而对于企业来说。

工具通常包括:

  • 数据库
  • API
  • 文件系统
  • Git仓库
  • 工单系统
  • CRM系统
  • ERP系统

等等。

但问题来了,每家公司系统都不同,怎么统一?

答案就是:MCP(模型上下文协议)

可以把它理解成:AI世界的USB-C接口。

以前:每个AI工具都有自己的连接方式,换个平台就要重做一遍。

现在:只要支持MCP,大家都按同一个标准连接。

你今天做好的工具,明天ChatGPT能用、Claude能用、Cursor能用,其他AI平台也能用。这就是MCP存在的意义。

统一标准 统一连接方式

工具接好以后,还有最后一步:人工确认节点,也叫Human in the Loop。

简单理解:某些关键决策,AI必须停下来等人确认。

例如:

  • 财务支出超过5000元
  • 删除数据库
  • 修改管理员权限
  • 大规模代码变更

这种情况AI不应该自己决定,必须让人类拍板,因为无论流程设计得多好,总会有极端情况,总会有例外。

人工确认节点的意义就是:把风险控制在可接受范围内,这样整条工作流才不会变成失控机器。

而是:人类负责方向➡️AI负责执行=真正实现协作。


05|真实案例:公司内部请求分类系统

讲完方法论,我们来看一个真正能落地的例子,假设你在一家两百人的公司工作。每天都会收到各种请求:

  • 邮件
  • Slack消息
  • 飞书
  • 企业微信
  • 表单提交

内容大概长这样:

我要申请新系统权限

这张发票能不能报销

下周有新同事入职
需要开哪些账号

帮我开一个测试环境

如果是人工处理,你的流程大概是:

1.打开工单
⬇️
2.看内容
⬇️
3.判断属于哪个部门
⬇️
4.判断优先级
⬇️
5.找负责人
⬇️
6.回复申请人

每天都在重复,没有技术难度,但特别耗时间,而这种事情最适合交给AI。


Step 1:先标准化

把这件事写成一份流程规范。

例如:

内部请求分类

输入参数:

工单来源
工单内容
员工编号

规则:

MUST
必须验证员工身份。

MUST
必须把请求分类:
IT
HR
财务
行政
其他

SHOULD
根据内容判断优先级:
高
中
低

MUST 输出结构化结果:

{
  "category":"IT",
  "priority":"High",
  "need_clarification":false
}

如果信息不足,则:MUST自动生成需要补充的问题,例如:

需要哪个系统权限?

预计使用多久?

是否经过主管批准?

这样,第一份规范就完成了。


Step 2:拆成多个技能包

不要让一个AI全做,拆!

技能包1:请求分类

输入:工单内容

输出:

{
 "category":"Finance",
 "priority":"Medium"
}

技能包2:回复草稿

输入:分类结果

输出:

您好,

您的申请已转交财务部门。

预计将在24小时内处理完成。

这样:分类错了、修分类逻辑;回复写得不好、修回复逻辑,互不影响。


Step 3:迭代

第一版一定不准,没关系,直接跑,例如:你发现:

发票报销

总被判成行政请求

那就补规则,再跑。

又发现:

优先级全部变成高

继续补规则,再跑,三轮、五轮、十轮,准确率自然会上去。


Step 4:接入真实系统

最后,把整个流程接入公司工具,例如:

工单系统

↓

分类

↓

生成回复

↓

写回Notion

↓

通知负责人

如果涉及:

  • 大额财务
  • 权限变更
  • 管理员操作

则增加人工确认节点。

最终形成:

读取工单

↓

自动分类

↓

生成回复

↓

写回系统

↓

必要时人工确认

原本需要人工每天处理几十次的工作,就变成了自动运行的工作流,而且出了问题还能快速定位。


06|MCP不是小众兴趣,而是行业标准

前面提到的MCP,现在已经不是实验项目。而是正在成为行业标准。

MCP全称:Model Context Protocol

中文:模型上下文协议

你可以把它理解成:

AI世界的USB-C接口

以前:每个AI平台都有自己的接口,不同工具之间很难互通。

现在:只要支持MCP,大家都能按统一标准连接。

例如:你做了一个

数据库查询工具

支持MCP后:

  • ChatGPT能调用
  • Claude能调用
  • Cursor能调用
  • Codex能调用

不需要为每个平台单独开发,为什么越来越多人在聊MCP?因为它解决的是:

AI怎么连接现实世界

模型再聪明,如果不能:

  • 查数据库
  • 调接口
  • 读文件
  • 发消息

那也只是聊天机器人,而MCP正在让AI从聊天机器人变成真正能干活的工具,再往大一点看,很多大型企业已经开始采用:

AI工作流
多AI协作系统
MCP工具生态
来处理:
IT支持
人力资源
客户服务
内部审批等业务流程。

所以:学习工作流设计,不是为了追热点,而是在学习未来几年越来越重要的一项能力。


07|你现在就可以开始做的一件事

你不需要今天就把公司所有流程自动化,那样大概率会把自己累死,你只需要做一件事:找出你最讨厌、最重复、最无聊的一项工作。

例如:

  • 每周周报
  • 内容整理
  • 数据汇总
  • 客服回复
  • 新人入职流程
  • 项目检查清单

挑一个,先做,不要追求一步到位,不要追求100%自动化,先做到:节省30%时间就已经很成功了。

然后:不断补规则、不断迭代、不断优化,慢慢把它变成稳定的工作流。

很多人以为自己在学习怎么使用AI,其实真正值钱的是:

学习如何把工作拆解成AI能够长期执行的流程

模型会越来越强,工具会越来越多,平台会不断变化。但:流程设计能力、任务拆解能力、工作流思维,这些能力只会越来越值钱。


师妹觉得

智能工作流的核心不是寻找最强模型,也不是写最长的提示词,而是把一个大任务拆成很多清晰的小任务,再通过标准化、拆解、迭代和整合,把原本只能靠人完成的流程,变成AI能够长期稳定执行的生产线。

未来最值钱的能力,不是会用AI,而是会设计AI能够运行的工作流。

在 X 上看原帖并评论6,593 次浏览 · 44 赞
0x小师妹
0x小师妹 @0xshimei

AI 工具实测与币圈观察,SANYUE.AI 创始人

在 X 上关注

相关笔记