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
-
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)
-
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)
-
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)
-
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)
-
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)
-
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)
-
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)
-
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)
-
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)
-
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)
-
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)
-
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) -
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)
-
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)
-
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)
-
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)
-
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) -
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)
-
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)
-
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)
-
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)
-
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)
-
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)
-
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/goal4k 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) -
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)
-
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)
-
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)
-
把产出粒度从「整份」压到「单页/单段」,是成品类工具补充精度最通用的一招:NotebookLM 过去生成 Pitch Deck 只要一页错就得整份重生成;新的提示词导向微调让修改粒度降到单页(不动其他页),PPTX 导出则把「草稿画布 → 企业交付格式」这一步自动化。同一逻辑出现在对话侧——Workspace 让「把這段內容做成一份簡報」在对话串内原地成文,把「聊出来的框架」零切换地固化。工程含义:重生成成本 = 修改粒度 × 下游返工;只要能把粒度做小,AI 的「不完美」就从阻塞项变成可接受的草稿状态。(来源:2026-06-19-122844-tg-b3b4ce)
-
成品质量的上限由「喂进去的结构化程度」决定,不完全由模型能力决定:做电影级影片概览的关键不是换个更强的视频模型,而是先把 notebook 建得高度结构化(细致分段的逐字稿、干净的数据报告、既有简报大纲),再用 steering prompt 指定受众与时长。这与「结构化提取默认真实优先」「输入质量决定输出上限」等既有结论同向——工具越强,对上游整理的回报率越高。(来源:2026-06-19-122844-tg-b3b4ce)
-
跨部门沟通类产出正在被压成一条自动化链路:过去把复杂数据分析或技术流程做成解说影片,脚本撰写、分镜规划、动态图像制作是三条分开的工序;现在由 Gemini 3 + Nano Banana Pro + Veo 3 的技术堆栈一次性串联。工作流设计的收益点不在单点提速,而在消灭工序之间的交接(交接处正是信息损失和口径漂移发生的地方)。(来源:2026-06-19-122844-tg-b3b4ce)
-
「可长期协作的搭档」与「一次性交作业的工具」,差别在于需求能否在使用中继续长出来:2026-09-24-woshipm-ai-tennis-court-reminder 的个人网球场地监控项目里,人从头到尾只给过一个顶层目标(「有场子的时候,提醒我」),而”什么叫有场子”(孤立半小时不算、须同一场地连续两个时段)、查哪些时间、通知发到哪、一天提醒几次、哪片场地该排除、云端调度失败怎么办——全部是在跑起来之后才被真实使用逼出来的。作者据此给出的判据是:如果 AI 只是严格执行第一句话,最后拿到的大概率只是一个「可以演示」的东西;让工作流真正可用的,是不断观察(这一步能不能跑)、反馈(那一步会不会漏)、修正(异常发生时怎么办)以及一个新问题——它解决问题的同时有没有制造新的问题(本素材里本机兜底任务弹窗抢焦点就是典型)。这也解释了为什么 Agent 的迭代成本往往比一次做对的准确率更重要:面向前期需求模糊的任务,工作流必须设计成「边跑边改」而不是「一次交付」。——来源:2026-09-24-woshipm-ai-tennis-court-reminder
-
自动化工作流的能力上限由「数据入口层级」决定,而不是由步骤编排的复杂度决定:同一件事(盯着网球场什么时候空出位置)有两种实现——低阶是让 AI「像人一样盯着小程序页面看」(依赖本机进程常驻、微信小程序一直开着,电脑休眠即失效),高阶是找到场地查询所用的无需登录的只读接口、直接读取结构化字段做判定。后者让整个工作流摆脱了图形界面依赖,才谈得上云端定时与无人值守。这与本词条既有结论同向:工具/接口的确定性程度决定了 AI 判断能落在多硬的输入上(对照 2026-08-10-AI自动化工作流边界设计 的四层边界、2026-08-11-agent-worldview-llm-context-tool-agent 的「手脚 / 工具层」)。配套的两条工程细节也值得记入:① 云端定时任务会延迟与漏跑,需错峰执行(避开整点/半点)+本机兜底+去重;② 兜底任务必须完全静默,否则「提醒」会变成新的打扰。安全侧则统一收敛为只读边界:密钥加密保存、不写进程序,只查询、不代替下单、不碰支付。——来源:2026-09-24-woshipm-ai-tennis-court-reminder
-
成本型工作流第三样本:同一工具内的「模式降级」与「批量摊薄」:2026-07-23-woshipm-ai-token-cost-six-tips 讲跨模型的错峰与分级,2026-09-28-woshipm-workbuddy-credit-saving-6-tips 则补上同一产品内部的权限分层即成本分层——WorkBuddy 的 Ask(纯问答、只读、无文件权限)< Plan(先规划后确认再执行)< Craft(本地文件读写/批量执行/生成成品),判据是「不需要完整文档/落地文件/复杂拆解的一律用 Ask,复杂且需求不清先用 Plan 出框架,Craft 只做最终落地」。作者把积分见底定性为使用习惯问题(全程高消耗模式、反复无效对话、零散处理小任务),并把冗余上下文列为最隐形消耗(系统每次把全部历史重新打包输入,故「新任务开新对话 / 定稿后清上下文 / 超 10 轮分词重置」)。两条此前工作流清单里没明说的机制:① 模型侧有显式成本标尺——右侧倍率值(如
0.65x)越小越省;② 每次任务启动都有固定基础损耗,故「10 次零散小任务 > 1 次批量处理 10 个任务」,把同类任务攒起来批量执行可摊薄固定成本、同样积分多做 2-3 倍工作量。(来源:2026-09-28-woshipm-workbuddy-credit-saving-6-tips) -
「主创制作 + 独立质检」是单条交付物内部的多 Agent 分工,不是团队级编制:一人 AI 剧组篇把团队分工下沉到一支片子里——总导演(写剧本分镜、操控浏览器生成、写后期代码)、剧本与画面审核(只挑刺不改文件,提交生成前逐条核对人物外貌词是否统一、同一时刻是否只有一人说话、末 1.5 秒是否定格、是否写明无字幕无 UI)、声音与字幕质检(Whisper 校字 + 音频能量分析 + 字幕时间轴对齐)、需求备忘监督(把用户所有偏好列成《项目铁律清单》,每阶段对照)。理由与前面「单一对话框会积累混乱记忆」同源:长上下文里 AI 会忘掉早期约定(画面不能有字、某角色衣服颜色)。可迁移成三条通用规则:① 审核者只读不写,避免自己改自己的稿;② 质检标准必须是可执行断言,而不是「看看好不好」;③ 把偏好外置成常驻清单,而不是指望模型记住。——来源:2026-11-12-juejin-gemini4-omni12-ai-film-crew
素材汇总
| 日期 | 素材标题 | 核心内容 | 涉及工具 | | 2026-06-19 | 2026-06-19-122844-tg-b3b4ce | NotebookLM 五项进阶技巧:简报单页提示词微调、PPTX 导出、电影级影片概览(Gemini 3+Nano Banana Pro+Veo 3)、对话内生成结构化文件、EPUB 长文资料源 | NotebookLM / Gemini / Veo | | 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 |
| 2026-07-02 | 2026-07-02-skill-3-ways-ai-workflow | Skill 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 |
|---|---|---|---|
| 2026-07-27 | 2026-07-27-create-an-asset-skill | create-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 |
| 2026-11-12 | 2026-11-12-juejin-gemini4-omni12-ai-film-crew | 一人 AI 剧组的 7 步制片流程与四角色分工(总导演 / 剧本画面审核 / 声音字幕质检 / 需求备忘监督);Chrome DevTools 接管浏览器的 Agent 化操作;把偏好固化为《项目铁律清单》 | Gemini 4 / Antigravity / Google Flow / Omni 1.2 / VoxCPM2 / Whisper / ffmpeg |
| 2026-07-26 | 2026-07-26-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 |
| 2026-07-24 | 2026-07-23-woshipm-mcp-rules-40-tasks | Linear MCP + Rules 语义触发;40 任务批量同步;Todo→In Progress→Done 自治 | Trae / Linear MCP / IDE Rules |
| 2026-07-24 | 2026-07-23-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 |
| 2026-07-23 | 2026-07-23-woshipm-ai-token-cost-six-tips | AI 编程 Credits:错峰/分级/一次说清/拆会话/Memory·Skill;Qoder 折扣实证 | Qoder |
| 2026-09-28 | 2026-09-28-woshipm-workbuddy-credit-saving-6-tips | WorkBuddy 省积分六技巧:Ask<Plan<Craft 模式降级、模型按难度匹配 + 倍率值、上下文管理(开新对话/清上下文/分词重置)、需求四要素一次说清、控输出长度、批量摊薄固定损耗 | WorkBuddy |
| 2026-06-17 | 2026-06-17-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 |
| 2026-06-03 | 2026-06-03-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 |
| 2026-07-17 | 2026-07-17-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 |
| 2026-07-18 | 2026-07-18-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 |
| 2026-07-19 | 2026-07-19-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 |
| 2026-07-19 | 2026-07-19-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 |
| 2026-07-19 | 2026-07-19-juejin-ai-skills-specialized-employee | Skills 工程手册:frontmatter、优先级、日报流水线、注入/fork、Token 预算、MCP·Memory·Skills | Claude Code / Skill / MCP / Memory |
| 2026-07-19 | 2026-07-19-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 |
| 2026-07-22 | 2026-07-22-youtube-xiangyu-skill-twitter-pipeline | 5 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 |
| 2026-07-23 | 2026-07-23-woshipm-grill-me-skill | grill-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 |
| 2026-07-23 | 2026-07-23-woshipm-claude-record-a-skill | Record 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 |
| 2026-07-23 | 2026-07-23-woshipm-tutti-multi-ai-workspace | Tutti 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 |
| 2026-08-04 | 2026-08-04-juejin-personal-workbench-skill | 开源个人工作台 Skill 一键搭建 Agent 总控台:引导式交互 + 集成已有 Skill 接口 + 可视化渲染 Obsidian 知识库 + 日常事务模块 | 个人工作台 Skill / 抖音运营 Skill / 小红书 Skill / Obsidian |
| 2026-10-27 | 2026-10-27-生产级长任务工作流架构-gpt-6-luna | 生产级长任务(招标解析,532 次 LLM 调用)需手工编排而非 Agent 自主规划;自建 LLM 底座 + 状态机 + DAG + 调用级断点续传(A/B 测试 GPT-6 Luna 版) | React / FastAPI / Redis / PostgreSQL / arq / DeepSeek |
| 2026-10-27 | 2026-10-27-生产级长任务工作流架构-glm-5.3 | 同一素材的 GLM-5.3 消化版本:LLM 底座六层构建顺序(模型接入→错误分类→格式验证→资源平衡→任务管理→并发缓存)、状态机/DAG 解耦设计、SSE 驱动 HTTP、DeepSeek 先串行两个任务再并发的缓存策略 | React / FastAPI / Redis / PostgreSQL / arq / DeepSeek |
| 2026-10-28 | 2026-10-27-生产级长任务工作流架构-deepseek-v4.1-flash | 同一素材的 DeepSeek V4.1 Flash 消化版本:调用级断点续传与双层存储、状态机/DAG 职责切分(拓扑变化=加边)、SSE 通知 + HTTP 拉取 + snapshot 渲染、底座六层把错误分层消化(格式本层重跑 / 429 队列杜绝 / 流式信号短超时) | React / FastAPI / Redis / PostgreSQL / arq / DeepSeek |
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
追加(2026-11-03):个人级「岗位编制」的实证
2026-11-03-Grok-Bot-两个月分工全公开 提供了一份普通用户自建多 Agent 组织的完整样本,可对照工程侧的「节点拆解」与产品侧的「工作台入口」:
- 规则单点化:设一个总控 Bot 统管公共配置,改一次收藏路径即同步到所有分 Bot——这是「人设与记忆分工」在个人尺度上的最小治理结构,与 ChatGPT AI 团队 的 PM 角色同构,但规则用自然语言而非专案设置下发。——来源:2026-11-03-Grok-Bot-两个月分工全公开
- 短事务与长任务的工具分界:收集、整理、定时推送这类短事务交给 Bot;需要长上下文反复评审的 Coding 交给 Claude Code、Kimi Code 等「友军」,Bot 只负责派活与串联(「谁便宜谁执行,谁聪明谁指挥」)。这条判断把「什么任务该用什么形态的 Agent」从选型问题变成了交互形态问题——气泡聊天本身不适合长评审。——来源:2026-11-03-Grok-Bot-两个月分工全公开
- 重活给 CLI、轻活给 Bot:大批量收集交给额度充裕的本地 Grok CLI,Bot 只做分类整理与定时推送;输出侧用 飞书 CLI 把长文落成云文档、把记账写进多维表格。——来源:2026-11-03-Grok-Bot-两个月分工全公开
- 成本与维护债在组织层显形:每个 Bot 每轮重读自己的聊天记录,Bot 间与群聊消息都算用量,因此职责重叠会造成额度与可查找性的双重损耗,中期必须合并。这与 WorkBuddy 的「上下文管理是最隐形消耗」同源,但发生在编制层而非单次会话层。——来源:2026-11-03-Grok-Bot-两个月分工全公开
追加(2026-10-28):生产级长任务的架构保障
- 长工作流的可靠性单位是「单次 LLM 调用」,不是「步骤」:状态机层续传会让 Step 内几十个并发子任务整体重跑;context/日志存储与续传存储因写入频率不同且走 arq,必须分开,否则竞态覆盖不可避免。断点续传细到调用级后,几百次调用的任务才谈得上”可接续”。——来源:2026-10-27-生产级长任务工作流架构-deepseek-v4.1-flash
- 状态机管流程、DAG 管数据依赖,拓扑变化成本从”改流程”降为”加边”:状态机受状态推动,DAG 关注”某份数据 ready 就启动依赖它的步骤”;分析多一个维度只需在 DAG 多一条边,不必多一个状态。二者通过接口对接,DAG 有独立存储。——来源:2026-10-27-生产级长任务工作流架构-deepseek-v4.1-flash
- 前端只消费通知与快照:SSE 只发
state_changed/appended/data_updated/review_required通知,不带 context;前端按类型触发 HTTP 拉数据,渲染走后端生产的 snapshot,并尽量增量更新。stepper 与 chat 是同一份数据的两种 adapter。——来源:2026-10-27-生产级长任务工作流架构-deepseek-v4.1-flash - 工程保障要分层消化错误:格式错在本层重跑不上抛、429 由上层队列杜绝、卡死靠流式信号(连接建立 / 首 chunk / chunk 间隔)加短超时而非等超时。跨层上抛等于把成本放大一个数量级。——来源:2026-10-27-生产级长任务工作流架构-deepseek-v4.1-flash
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。 - 成品生产线 vs 方法论装配线:NotebookLM 的 5 项技巧是「产品内建的成品生产线」——用户不需要拆流程、不需要挑模型,改变的是产出粒度(整份简报 → 单页)与交接次数(脚本/分镜/动画三段合一);而 create-an-asset、5 Skill Twitter 管线、会计管道是「用户自建的方法论装配线」,强度在可迁移但需要用户会拆。两条路线的取舍与 create-an-asset 的「垂直一体」设计哲学同一命题:内建路径摩擦低、边界由厂商定;自建路径灵活、维护成本自负。
- Skill 作为「调度容器」而不仅仅是「执行单元」:个人工作台 Skill 素材把 Skill 的角色从「单次任务封装」扩展到「总控/入口层编排」——它本身是一个生成器,通过引导式交互把用户身份、事务清单、风格偏好转化为可交互工作台,并把抖音/小红书/公众号选题/技能地图等已有 Skill 的接口集成进去(点模块即调用对应 Skill 生成报告),而非复制逻辑。这与 Creator Buddy 的「总控 Skill 路由子 Skill」、5 Skill Twitter 管线的「文件系统契约 + n8n 调度」同属「编排」家族,但个人工作台更强调给用户一个可视化的统一入口,去调度那些原本散落的、会”转头就忘”的 Skill——补上了工作流设计中常被忽略的「发现与触达」一侧。
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。
成品类工具正在把「工作流」内建进产品本身 NotebookLM 的五项能力(单页微调、PPTX 导出、电影级影片概览、对话内生成文件、EPUB 长文源)说明一条新的竞争线:厂商把原本需要用户自己拆解、自己串联的工序直接做进产品——脚本→分镜→动画不必再分段,改一页不必再重跑整份。对工作流设计者的含义是双面的:摩擦更低,但可定制的边界由厂商决定;用户自建流水线的价值会向「厂商没做的那一段」和「跨产品的编排」转移。
工作流的下一道瓶颈是「编制治理」而不是「节点设计」 工程侧已经把拆解、检核、续传、成本控到很细的粒度;个人侧的实证(GrokBot 两个月)表明,普通用户会自发走到类似的结论——按岗位拆 Bot、设总控做单点规则、用群组做并行汇总、按短事务/长任务分派不同工具。但个人编制缺少编译器与静态检查:没人校验规则是否同步、职责是否重叠、成本是否超预算,只能靠用户自己定期「合并与审查」。由此可判断,工作流工具的下一个价值点是从「帮你搭一个流程」转向**「帮你治理一组长期运行的 Agent」**——编制视图、规则一致性检查、成本归属与合并建议,会比再多一个模板更有用。(来源:2026-11-03-Grok-Bot-两个月分工全公开)
「工作台入口」成为 Skill 规模化的瓶颈 个人工作台 Skill 素材揭示了一个伴随 Skill 数量增长的现实问题:Skill 多了以后,除了常用的那几个,其他的会”转头就忘了咋用”。当个人积累了大量 Skill 后,瓶颈不再是「怎么写得出来」,而是「怎么记得住、怎么调度得起来、怎么让它们被看见」。个人工作台把「Agent 总控台」作为答案——一个把 Skill 接口集成、可视化渲染知识库、并统一调度日常事务的入口。这指向一个趋势:随着 Skill 从稀缺走向过剩,面向个人用户的「工作台/总控台/入口」层会成为新的竞争与价值点,与厂商把工作流内建进产品(NotebookLM)形成「厂商内建 vs 用户自建总控」的两条并行线。
未解决的问题
-
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。
-
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?(GrokBot 实践给出的经验线是「按职责侧重点拆,但定期合并」;产品侧还有一个硬约束:群组上限 6 个 Bot。——来源:2026-11-03-Grok-Bot-两个月分工全公开)
-
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) -
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?
-
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?
-
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?
-
内建工作流的「可编辑性代价」该由谁承担:NotebookLM 已能导出 PPTX,但投影片以影像化图层为主、文字不可逐一编辑——工作流把交付速度提上去了,却把「后续谁改、改起来多贵」转移给了下游。当厂商内建链条越来越长时,交付物的可维护性是否会成为下一轮选型的主要分水岭?
相关页面
- AI 团队管理
- ChatGPT
- 人机协同
- AI Agent 智能体
- 共享记忆
- 项目管理方法(纯文本标注,尚未建实体页)
- 任务拆解
- Agentic Workflow
- Skill
- Record a Skill
- 输出失败诊断树
- Skill 版本记录
- grill-me
- Claude Cowork
- Tutti
- Claude Code
- Codex
- NotebookLM
- 2026-06-19-122844-tg-b3b4ce
- 2026-07-18-bnext-ai-agent-reverse-workflow
- 2026-07-23-woshipm-claude-record-a-skill
- 2026-07-19-woshipm-ai-output-failure-diagnosis
- 2026-07-23-woshipm-grill-me-skill
- 2026-07-23-woshipm-tutti-multi-ai-workspace
- 2026-07-23-woshipm-ai-backend-test-first-debug
- NL2SQL
- 假测试通过
- 2026-07-25-woshipm-github-stars-manager-ai-pm
- GithubStarsManager
- 2026-07-26-youtube-fable5-one-prompt-business
- Fable 5
- Goal 提示语
- Multi-Agent 系统
- 2026-11-03-Grok-Bot-两个月分工全公开
- Grok Bot
- 云电脑