个人知识库

AI 工作流方法论

30分钟阅读

AI 工作流方法论

如何设计和优化人与 AI 协作的工作流程，从单一对话到团队分工，从一次性任务到长期迭代

核心观点

  1. 从单一 AI 到 AI 团队：当任务复杂度提升时，单一 AI 讨论串会积累混乱的、反向的、不同情境的记忆，导致处理问题。应该将 AI 拆分为有明确分工的团队，每个成员专注单一任务，通过共享知识和记忆实现协作。（来源：2026-06-17-chatgpt-ai-team）

  2. 三层角色结构的有效性：PM 负责目标和共同知识、专业助理负责具体任务产出、反思者提供批判性视角但不混入主线。这种结构让任务不互相干扰，又能保持整体一致性。（来源：2026-06-17-chatgpt-ai-team）

  3. 长期工作流的价值：不是每次都让 AI 重新开始，而是通过持续的对话、记忆和规则迭代，让 AI “员工”在多次任务中积累经验。前期投入建立 PM 和规则，后续每个助理可以在自己的范围内高效展开工作。（来源：2026-06-17-chatgpt-ai-team）

  4. 简单的互通机制：AI 团队成员之间的协作不需要复杂配置，只需在指令中说明”参考某个聊天串的内容”，AI 就能自动检索并使用。这依赖于工具的记忆和检索能力。（来源：2026-06-17-chatgpt-ai-team）

  5. 持续迭代是关键：专案规则不是一次性写完，而是先让 PM 通过对话积累知识，运作几轮后做复盘总结，再更新为正式规则。定期让 PM 自我分析找盲点，用研究功能补齐，团队能力会持续提升。（来源：2026-06-17-chatgpt-ai-team）

  6. 资料来源的审慎管理原则：只有”未来所有团队成员都需要知道的”知识才存入专案资料来源。针对特定客户的个性化产出不存，经过多轮迭代后提炼的通用知识才存入,避免知识库噪音过多。（来源：2026-06-17-chatgpt-ai-team）

  7. Multi-Agent 顺序管道的工程实践：在规则驱动的业务流程中，将任务拆解为多个顺序执行的 Agent，每个 Agent 职责单一且边界清晰。会计管道案例展示了 5 Agent（数据准备→分类→对账→报告→洞察）如何实现端到端自动化。关键是项目基础先于代码——共享工作区、CLAUDE.md、规范指南、Agent 规格文档决定了系统能否顺利协同。（来源：2026-06-03-claude-code-multi-agent-accounting）

  8. 远程工作流：环境集中比多端安装更重要：把 Agent 环境固定在一台常驻机，用官方任务远程（Codex Remote Control）派活，用远程桌面（UU远程）处理扫码/GUI/无远程 CLI，比在每台设备重装 Skill 与记忆更稳。（来源：2026-07-17-woshipm-agent-remote-control-codex-uu）

  9. 反向拆解是非工程师可用的工作流起手式：先锁最终交付物，再把每步 Output 定义为下一步 Input；Tools 负责外部动作，Skill 负责步骤方法；出错时管理过程断点并加检核，Skill 化前用「月频次 × 单次省时」过 ROI 闸门。（来源：2026-07-18-bnext-ai-agent-reverse-workflow）

  10. 单点输出失败先诊断再改规则：面对“效果不好/答得像对的”，用 输出失败诊断树 命名六类症状并路由输入/过程/输出/验证四层；只打一条规则补丁，用相近任务复测并记消失/缓解/无效/转移。避免把输入当输出、过程当模型、验证当文风。（来源：2026-07-19-woshipm-ai-output-failure-diagnosis）

  11. 从提示词粘贴到 Skill 固化是效率跃迁：搜索引擎式临时问 → 每次粘贴长 Prompt → 本地 Skill 永久复用；建技能时必须写清输入源/处理步骤/输出结构/边界规则，否则等于把模糊需求固化。封装闸门：周 ≥3 次、固定 >5 行提示词、有文件源、输出强结构化。（来源：2026-07-19-juejin-claude-meeting-minutes-skill）

  12. Skill 工作流要设计触发、权限、上下文与预算四件事：description 对齐用户口语决定自动触发；副作用任务关模型自动调用；!`cmd` / fork 子代理决定上下文是否污染主会话；压缩后的 Token 预算（约 5k/Skill、25k 共享）要求精简正文、参考外置。完整链路再叠 Memory 与 MCP，而不是只堆更多 Prompt。（来源：2026-07-19-juejin-ai-skills-specialized-employee）

  13. 结构化提取工作流默认「真实优先 + 可后处理扩展」：会议纪要链路用固定四段输出与行动项表，不确定标待确认；输入保留发言者标签；纯文本跑通后再接 MCP/邮件/Notion。同一刚需可用「封装闸门」选型，再用「SKILL.md 骨架」落地。（来源：2026-07-19-juejin-claude-meeting-minutes-one-command）

  14. 多 Skill 流水线的关键是数据流契约 + 运行模式选型：终态倒推拆 3–5 个单一职责 Skill；一 Skill 一输出目录、时间戳隔离、增量去重；五原则（单一职责、文件系统传递、幂等、可观测、容错）。生产用 无头模式（质量约 +30%、Token 约 3×），调试用子 Agent；与 n8n 混合——规则调度归 n8n，AI 判断归 Skill。内容场景用 人格复刻 作真相源 + 打分放行，再 cron/分散发布与周抽检。（来源：2026-07-22-youtube-xiangyu-skill-twitter-pipeline）

  15. 工作流前端可以极简：把「说清楚」固化成拷问协议：grill-me 用几句话规定决策树一次一问、事实自查、决策等人、推荐答案、共识前不动手——证明高价值工作流约束不必长篇大论。它补的是实现/流水线之前的访谈层：先对齐再编码或再 Skill 化，与反向拆解、封装闸门形成「先澄清 → 再封装 → 再编排」链条。（来源：2026-07-23-woshipm-grill-me-skill）

  16. Skill 化入口可以是「录屏演示」而不必先写 Markdown：Record a Skill 在 Claude Cowork 里用边做边讲捕获隐性流程，再提炼为可斜杠调用的 Skill；适合高频低风险、可验收场景，但必须干净工作台、停止规则与人工复核，并把录屏产物当工程文档初版（触发/步骤/资源/异常/验收）。相对 RPA数字员工 的固定路径回放，这条路径偏任务语义沉淀，也把工作所有权从「会做的人」部分转移到「可复用的 Skill 资产」。（来源：2026-07-23-woshipm-claude-record-a-skill）

  17. 跨供应商 Agent 的工作流瓶颈是共同记忆，不是单点模型：Claude 额度用尽换 Codex 时，十几分钟人工交接口述仍会漏细节——人变成信息搬运工。Tutti 用共享工作空间 + @ 引用会话/文件/产物 + 复用既有订阅，把「多 AI 团队」从指令层协作推进到同一桌子上的上下文与设计/PRD/代码产物共享。可与 ChatGPT 专案内「参考某聊天串」对照：后者仍偏同产品；Tutti 瞄准的是 Claude Code / Codex / Gemini 跨栈。金句：Agent 缺的不是能力，而是共同记忆。（来源：2026-07-23-woshipm-tutti-multi-ai-workspace）

  18. 省 Token 工作流的顺序是「行为 → 资产 → 折扣」：账单失控优先查返工循环、回头税、模型过配；用一次说清 + 拆会话 + Memory/Skill 沉淀固定上下文，再用模型分级与错峰折扣放大收益。Qoder 案例把 Credits 与「先工作流后折扣」写成可抄清单，与 grill-me 澄清上游、Record a Skill 沉淀入口同属成本型工作流。（来源：2026-07-23-woshipm-ai-token-cost-six-tips）

  19. 联调/交付工作流：固定真源 + 完成证明 + 文档资产：前后端都不确定时 AI 会来回改；Plan 阶段固定后端真实字段、前端适配。角色分工是人看仪表盘（端口/进程/venv）、AI 写代码。验收必须有真实依赖上的完成证明，拒绝 假测试通过；MCP/Rules 按需且按文件类型触发；长期维护需求/Plan/字段规范而非代码堆。（来源：2026-07-23-woshipm-vibe-coding-system-pitfalls）

  20. 任务状态外置工作流：MCP 可达 + Rules 自动触发：长 Plan（约 40 阶段）跨天/跨人时，状态必须外置到看板。Linear MCP 负责创建/改状态/查进度；IDE Rules 语义触发负责「开始做…→In Progress（+分支）→Done」。Rules 由 AI 读官方文档生成再迭代，不手写不抄模板。终态：人管清单方向，清单自己会动。（来源：2026-07-23-woshipm-mcp-rules-40-tasks）

  21. 后端/模块工作流：测试先行 + 字段文档驱动集成：在长任务板就绪后啃后端时，不要让 AI 直接写全量集成。先 MCP 查官方规范（ask），再最小脚本测真实 I/O 并写回任务文档，最后才集成；安全校验（如 sqlglot）与种子数据属于同一流程的「完成定义」。这样联调阶段才有可信真源，排查能从整仓缩到模块缝。（来源：2026-07-23-woshipm-ai-backend-test-first-debug）

  22. Graph 是工作流设计对象的升级：从 prompt/tool list 到组织图+任务运行图：单目标循环用 Loop Engineering 当砖；多依赖、多回退、多验收的任务用 Graph 工程 画依赖与权限/验收。别一上来追框架——高频任务写成输入|输出|验收表就已经在做 Graph。（来源：2026-07-25-woshipm-loop-graphai）

  23. 个人工作流迁徙的最小单位是「任务级 AI 闸门」+「够用工具」+ 可选 Vibe Work：改造不必从 Multi-Agent 团队起步——面对每个具体任务否掉手搓第一反应，强制「如何用 AI」；选 WorkBuddy/Trae 等入手简单的一款，只改 PRD/原型/公告/手册等高频环；再用一次 Vibe Work 建立心流，避免空转学工具。（来源：2026-07-25-woshipm-ai-era-transformation-4-tips）

  24. 公司构建工作流：外置 /goal + 编排者/工人分层 + tournament/skeptic 地板：把 DoD 写成「陌生人可 demo 的 recap HTML」；入口只读 master prompt（绕过 /goal 4k 字墙）并 never-ask。编排者只 plan/delegate/review，工人用更便宜档；编排段强制 fan-out、tournament、skeptic 证伪、completeness critic，且 pattern 是地板不是天花板。阶段结束前 red team 回写 plan/站点。与 Graph 工程对照：这是任务运行图上的对抗与评选节点，不是按人类部门硬拆的分布式单体。（来源：2026-07-26-youtube-fable5-one-prompt-business）

  25. 垂直一体 Skill 工作流：一条 Skill 内置完整的业务流水线：create-an-asset（Anthropic 开源 7 阶段售前自动化 Skill）展示了「用户只需填参数，端到端流程内置在一个 SKILL.md」的垂直一体模式——上下文采集→自适应研究（Rich/Moderate/Sparse 三级分档）→结构决策→内容生成→视觉设计→最多两轮澄清→自包含 HTML 交付→迭代修改。Skill 不依赖用户会拆流程/组合工具，也不需要拆成多个 Agent 协作；关键设计在于自适应研究深度、品牌色自动提取（失败时按行业给默认色板）、四格式路由（着陆页/演示文稿/摘要/工作流 Demo）、受众信息优先级切换（高管→ROI，技术讲解→架构）。trade-off 同样值得注意：两轮澄清硬上限保证流程不发散，但信息不足时生成假设未必准确；自包含 HTML 保证交付可靠性（没有外部依赖），但排除了 PDF/PPTX 原生格式。（来源：2026-07-27-create-an-asset-skill）

  26. Skill 的三个通用构建入口：结果反推 · 记录工作流 · 说明书工程化：刘小妮sanny 给 Skill 构建定义了三个零门槛入口——已有满意成品「反推为 Skill」（无需先整理流程）；重复工作先做一遍同时让 AI 记录每步判断，结束后总结成 Skill；已有方法论先写说明书五要素（场景/材料/方法/标准/格式）再让 AI 补边界与兜底规则。配套的通用 Skill 模板（适用场景/角色/输入材料/执行流程/质量标准/输出格式/兜底规则）定义可复用最小五要素：“输入材料 → 执行流程 → 质量检查 → 最终交付 → 异常处理”。核心金句”一件事重复做过三次就可以尝试把它变成 Skill”与本词条已有的”封装闸门""ROI 闸门""回头税”形成可操作的三级决策链：直觉判断→统计验证→工程落地。Skill 应优先放项目目录（如 .codex/skills/ .claude/skills/），跑稳定后再推进全局用户级目录。（来源：2026-07-02-skill-3-ways-ai-workflow）

  27. AI 自动化工作流的三类节点拆分与四层边界设计：将 AI 工作流拆为 Planner（规划）→ Generator（生成）→ Evaluator（校验）三类节点，分别负责识别目标/补齐信息、形成交付物、检查完整性与风险。设计工作流时必须明确四层边界：可自动生成、可自动推荐、必须人工确认、必须直接阻断。上线前验收四类测试：正常输入/缺失输入/越界输入/异常输入。核心判断——AI 工作流能否交付不看它能自动做多少事，而是看它是否让业务流程变得更清楚、更可控、更容易持续运营。（来源：2026-08-10-AI自动化工作流边界设计）

素材汇总

| 日期 | 素材标题 | 核心内容 | 涉及工具 | | 2026-08-11 | 2026-08-10-4VOC-skill | 4 个 VOC Skill 组成数据分析生产线：评论抓取→清洗→标签打标→Python统计→HTML报告→决策，消除 AI 幻觉影响。Codex 多 Agent 并发采集，Computer Use 应对反爬 | Codex / Skill / Computer Use | | 2026-08-10 | 2026-08-10-AI自动化工作流边界设计 | AI 工作流三类节点拆分（Planner/Generator/Evaluator）、四层自动化边界、上线前验收四类测试、自编排 MCP B 端交付 | AI Agent / MCP |

2026-07-022026-07-02-skill-3-ways-ai-workflowSkill 构建三入口（反推/记录/说明书）、通用模板、Skill 放置策略、四个真实 Skill 资源Skill / Claude Code / Codex
2026-07-272026-07-27-create-an-asset-skillcreate-an-asset Skill 拆解：7 阶段售前流水线、自适应研究三级分档、品牌色提取、四格式路由、受众信息优先级切换Claude Code / Skill / Smithery
2026-07-262026-07-26-youtube-fable5-one-prompt-business/goal 外置 master；Fable 编排 + Opus/Sonnet 工人；tournament + red team；九阶段公司构建Fable 5 / Claude Code / HeyGen / ElevenLabs
2026-07-242026-07-23-woshipm-mcp-rules-40-tasksLinear MCP + Rules 语义触发；40 任务批量同步；Todo→In Progress→Done 自治Trae / Linear MCP / IDE Rules
2026-07-242026-07-23-woshipm-vibe-coding-system-pitfalls联调铁律、假测试通过、MCP 按需、Rules 大道至简、文档真源Plan 模式 / MCP / SSE
2026-07-232026-07-23-woshipm-ai-token-cost-six-tipsAI 编程 Credits：错峰/分级/一次说清/拆会话/Memory·Skill；Qoder 折扣实证Qoder
2026-06-172026-06-17-chatgpt-ai-team用 ChatGPT 专案功能建立 AI 团队，包含 PM、专业助理、反思者三层角色，通过分支讨论、共享记忆实现协作ChatGPT、Gemini、Codex、Claude Code
2026-06-032026-06-03-claude-code-multi-agent-accounting用 Claude Code 构建 5 Agent 顺序管道实现会计自动化，展示 Multi-Agent 系统的工程实践和架构设计原则Claude Code
2026-07-172026-07-17-woshipm-agent-remote-control-codex-uu单主力机 + Codex 远程 + UU 桌面兜底，让 Agent 工作流脱离办公桌Codex、UU远程、ChatGPT
2026-07-182026-07-18-bnext-ai-agent-reverse-workflow微型组织设计：Tools vs Skill、反向拆工作流、过程检核、ROI 决定是否 Skill 化Agent / Skill / 日历邮件工具
2026-07-192026-07-19-woshipm-ai-output-failure-diagnosis输出失败诊断树：六类症状、四层主因、单规则补丁、复测四态与 30 分钟工单Skill / 修复工单
2026-07-192026-07-19-juejin-claude-meeting-minutes-skill会议纪要 Skill：skill-creator、四要素需求、四坑、封装闸门、三阶段演进skill-creator / Claude / Skill
2026-07-192026-07-19-juejin-ai-skills-specialized-employeeSkills 工程手册：frontmatter、优先级、日报流水线、注入/fork、Token 预算、MCP·Memory·SkillsClaude Code / Skill / MCP / Memory
2026-07-192026-07-19-juejin-claude-meeting-minutes-one-command会议纪要 SKILL.md 骨架 + 班味样例；宁缺毋滥；发言者标签；MCP/邮件/Notion 扩展skill-creator / Claude / 可选 MCP
2026-07-222026-07-22-youtube-xiangyu-skill-twitter-pipeline5 Skill Twitter 管线：人格复刻→采集→创作→配图→发布；无头 vs 子 Agent；文件系统契约；n8n 混合调度Claude Code / Skill / n8n / cron
2026-07-232026-07-23-woshipm-grill-me-skillgrill-me：极简反向拷问 Skill；决策树一次一问 + 推荐答案 + 共识闸门；Cursor 实战约 10 分钟交付grill-me / Cursor / Skill
2026-07-232026-07-23-woshipm-claude-record-a-skillRecord a Skill：录屏+口述生成 Skill；干净工作台；工程五组成；RPA 对照与工作所有权Claude Cowork / Record a Skill / Skill
2026-07-232026-07-23-woshipm-tutti-multi-ai-workspaceTutti 多 AI 共享工作空间：@ 交接、产物共享、复用订阅；消灭 AI 调度员税Tutti / Claude Code / Codex / Gemini

追加（2026-07-25）

  • 人只卡决策点的自动化工作流：坨小兔描述架构/发版/社区运营大多由 AI 跑，人只在关键点点头或摇头；与「AI 80% 事务 / 人 20% 判断」同构，但是产品交付全链路而非办公文档场景。——来源：2026-07-25-woshipm-github-stars-manager-ai-pm
  • 旧工作流迁徙入口：客服公告 1 分钟 AI 重写；不追 Codex 最强栈，先用够用工具改高频环节；Vibe Work 作为工作流改造前的心流热身。——来源：2026-07-25-woshipm-ai-era-transformation-4-tips

知识体系

AI 工作流的演进阶段

第一阶段：单次问答

  • 用户提问，AI 回答，每次对话独立
  • 适用场景：简单查询、一次性任务
  • 局限性：无法积累经验，无法处理复杂任务

第二阶段：长对话流

  • 在一个对话线程中持续交互，AI 记住上下文
  • 适用场景：单一项目的持续推进、需要记忆背景的任务
  • 局限性：当任务变复杂或涉及多个方向时，记忆会混乱

第三阶段：AI 团队协作（本主题重点）

  • 多个 AI “员工”分工协作，共享知识但专注各自任务
  • 适用场景：复杂项目、长期工作流、需要多种技能的任务
  • 优势：任务不干扰、经验可积累、规则可迭代

第四阶段：自动化 Agent 系统

  • AI 自主调用工具、编排流程、执行任务
  • 适用场景：高度重复的流程、需要跨多工具操作的任务
  • 工具示例：Codex、Claude Code、LangGraph

实现 AI 团队的关键要素

共享知识库

  • 所有团队成员都能访问的专案资料来源
  • 存储原则：只存”所有人都需要的”，不存”针对单个任务的”
  • 实现方式：ChatGPT 专案资料来源、Gemini Notebook、文档库

独立技能训练

  • 每个 AI 员工学习自己专属的技能
  • 训练方式：给范例、讲方法、让它在任务中积累经验
  • 例如：简报助理学习特定风格、图解助理学习图解规范

记忆与检索机制

  • 团队成员之间可以互相引用对方的工作成果
  • 实现方式：ChatGPT 的记忆功能、对话检索、明确的指令引用

持续迭代流程

  • 定期复盘，总结有效做法并更新为规则
  • PM 做自我分析找盲点，补齐知识
  • 反思者提供批判性意见，但不混入主线

不同工具的实现方式

ChatGPT 专案功能

  • 专案指令：共同规则
  • 资料来源：知识库
  • 分支讨论：从 PM 衍生专业助理
  • 记忆：跨聊天串检索

Gemini Notebook

  • 可作为团队共享资料与 Notebook 形态的知识底盘；本主题目前素材未展开其配置细节，主线仍以 ChatGPT 专案与 Claude/Codex Agent 实践为主

AI Agent 工具（Codex、Claude Code）

  • 功能更强大，可以自动调用工具和编排流程
  • 适合更复杂的自动化场景
  • 学习曲线相对陡峭

综合分析

不同素材的交叉视角

  • 团队角色 vs 节点拆解：ChatGPT AI 团队素材强调 PM/助理/反思者的长期角色分工；Claude Code 会计管道与 Wesley 反向拆解都强调「每步单一产出、输出喂给下一步」——前者偏人设与记忆，后者偏工程节点与业务交付物。
  • 远程环境 vs 设计方法：远程操控素材解决「在哪跑」；反向拆解解决「先拆什么」——环境集中与流程清晰是工作流稳定的两条腿。
  • 维护债共识：远程方案避免多机 Skill 漂移；ROI 闸门避免全量 Skill 化——都在对抗「搭得快、养不起」。
  • 断点检核 vs 输出诊断：Wesley 管过程断点；输出失败诊断树 管单点产物失败的层归因与最小补丁——流水线检核与单 Skill 修复工单互补。
  • 封装闸门 vs 运行时手册：To_OC 给「何时做成 Skill」；ReBound 给「做成之后如何触发/授权/注入/控 Token」——选型与运维是工作流的前后两段。
  • 公司级 DoD vs 单 Skill 流水线：Nate Herk 把「整家公司可 demo」写成 /goal 完成证明，并用 tournament/skeptic 当默认对抗层；与 5 Skill Twitter 管线的文件系统契约、会计管道的顺序 Agent 同属「可检查完成」家族，但规模从内容/模块升到 launch package，成本侧强制 Fable 编排 + 便宜工人。

趋势与判断

从一次性对话到长期工作流的转变 从素材可以看出，AI 应用正在从”问答工具”向”工作伙伴”演进。用户开始重视 AI 的经验积累和长期协作能力，而不只是单次任务的完成质量。这意味着 AI 工具需要更好的记忆系统、更灵活的角色管理、更强的上下文保持能力。

普通用户也能管理 AI 团队 素材强调”一般人也能用 ChatGPT 打造 AI 团队”，说明 AI 团队管理正在从专业开发者的领域走向普通用户。ChatGPT 的专案功能、Gemini 的 Notebook 功能让这种方法的门槛大大降低。未来可能会有更多面向普通用户的 AI 团队管理工具出现。

工具功能的标准化趋势 ChatGPT、Gemini、Codex、Claude Code 虽然实现方式不同，但都在向”支持 AI 团队协作”的方向发展。专案/项目管理、共享知识库、记忆系统、角色管理可能会成为 AI 工具的标准功能。

未解决的问题

  1. 如何评估 AI 团队的效率：相比单一 AI，AI 团队是否真的更高效？在什么情况下收益最大？需要量化的对比研究。

  2. 团队规模的边界：一个 AI 团队应该有多少个”员工”？太少可能不够分工，太多可能管理成本过高。什么样的任务适合 3 个员工，什么样的适合 10 个？

  3. 跨工具的 AI 团队：能否让 ChatGPT 的一个员工和 Claude Code 的一个员工协作？不同工具之间的记忆和知识如何打通？（Tutti 给出产品向答案：共享工作空间 + @；仍待验证权限边界、生产稳定性与和文档型 共享记忆 的分层）

  4. AI 团队的”人设稳定性”：随着对话的积累，AI 员工的”人设”会不会漂移？如何保证简报助理始终记得自己学过的风格？

  5. 反思者的最佳使用方式：什么时候应该加入反思者？反思者提供的批判性意见如何筛选和应用？

  6. 诊断树在多 Skill 流水线中如何分段：单点失败好定位；当失败发生在交接边界（上一 Skill 输出形态导致下一 Skill 跑偏）时，主因层应记在上游输出还是下游过程？

相关页面

关系图谱

快速导航

反向链接