AI agent 比聊天机器人更有用的地方是聊天机器人只负责回答；而agent 会完成一整条工作流：读取信息、核对、比较、决策、起草、更新，风险太高时才停下来请人拍板。

下面是十个我自己会用来处理重复性工作的 AI agent 工作流模板，用来解决团队每天在复制信息、重写消息、看仪表盘、把杂乱输入整理成结构化输出上耗掉的时间。

先设计工作流，再想 Prompt

一个常见的错误是把 AI agent 当成更聪明的 Prompt 输入框来用。让它"处理客户支持"或"做研究"，结果自然不可靠，然后觉得失望。

工具选型应该排在工作流设计之后。

Anthropic 关于构建高效 agent 的指南里有一个观点：最好的实现往往是简单、可组合的模式，而不是过度设计的框架。这一点我认同。一个可用的 agent 工作流通常包含五个部分：触发条件（trigger）、上下文（context）、工具（tools）、决策规则（decision rule）、人工检查点（human checkpoint）。

基本结构大致是这样：

 flowchart LR  
A[Trigger] --> B[Collect context]  
B --> C[Use tools or browser]  
C --> D[Apply decision rules]  
D --> E{Risk level?}  
E -->|Low| F[Execute or draft]  
E -->|High| G[Ask human for approval]  
F --> H[Log result]  
 G --> H

最后一步是审计轨迹（audit trail），如果留不下这个记录agent 就还称不上能承担正式工作。

1、收件箱分类与回复

这是最容易想到的起点，也是最实用的一个。

Agent 扫描新邮件，按意图分类，判断是否需要回复，用你的语气把回复起草出来；回复不自动发送，只准备好放在那儿。

 {  
  "trigger": "new_email",  
  "steps": [  
    "classify intent",  
    "detect urgency",  
    "search previous related emails",  
    "draft reply",  
    "mark as needs_review or no_action"  
  ],  
  "human_review_required": true  
 }

这个的价值不在于回复写得多完美，而在于不用再从一片空白的状态去打开每一封邮件。

2、研究简报生成器

研究很少是一件事，而是一条链：搜索、筛选、比较、总结、提取来源，再把发现整理成能看的东西。

比如"巴西市场对厨具卖家的要求最近有什么变化"这样的问题，研究简报 agent 可以给出一份带来源、待解决问题和后续行动的结构化简报。

来源的规范性是关键，输出结构一般这样定义：

 {  
  "sections": [  
    "short answer",  
    "source-backed findings",  
    "what changed recently",  
    "risks or uncertainties",  
    "recommended next actions"  
  ],  
  "rules": [  
    "cite every factual claim",  
    "separate confirmed facts from inference",  
    "flag outdated sources"  
  ]  
 }

市场调研、合规检查、供应商比较、技术尽职调查、政策跟踪都用得上这套。它还能省掉知识工作里一个隐蔽的成本：上周做过的研究没留下结构，这周同一个主题又搜一遍。

3、浏览器表单填写

很多重复性工作流仍然发生在没有干净 API 的网站里：供应商门户、商品列表、招聘网站、合规表单、物流仪表盘、内部管理后台。

浏览器 agent 可以打开网站、读取页面、填字段、上传文件，在提交前停下来。基于浏览器的 AI agent 之所以比普通自动化脚本有意思，原因就在这儿。

工作流很简单：

1. 从表格或 CRM 加载源数据。
2. 打开目标网站。
3. 把每个字段和对应的源数据匹配上。
4. 填写表单。
5. 截图或生成摘要。
6. 最终提交前等待批准。

上传商品列表的场景里，不会让 agent 自动发布一切，只让它填标题、描述、图片字段、尺寸、SKU、分类，然后在最终审核页面停住。

4、会议记录转行动清单

大多数会议记录最后都躺在某个文档里没人再看。有用的版本是把讨论直接转成责任归属。

Agent 读取转录文本或笔记，提取决策，识别行动项，有提到负责人的就分配，没提到的就标记出来，而不是自己瞎猜。

一个实用的输出格式：

 ## Decisions  
- Decision:  
- Context:  
- Owner:  
- Deadline:

## Action Items  
- Task:  
- Owner:  
- Due date:  
- Dependency:  
- Confidence:## Open Questions  
- Question:  
 - Who needs to answer:

产品团队、运营团队、代理机构、管理者都能用得上。重点不是记录写得多好，是承诺少被落下几个。

5、客户支持分类

AI agent 不该扮演资深支持经理，它最擅长的是第一层工作：分类、检索上下文、起草、路由、升级。

好的支持分类的 agent 要做好四件事：识别问题类型、查客户历史、给出解决方案建议、判断是否需要人工介入。

例如：

 {  
   "priority_rules": {  
     "refund_request": "human_review",  
     "technical_bug": "route_to_support_engineer",  
     "shipping_status": "draft_response",  
     "angry_customer": "human_review"  
   }  
 }

助手和 agent 的差别就体现在这里。助手只能回答一个问题；agent 能查订单系统、翻过去的对话记录、起草回复、给工单打标签、准备下一步动作。

6、内容再利用。

Agent 可以把一篇长文章拆成 LinkedIn 帖子、通讯简报导语、短视频脚本、图片 Prompt、SEO 摘要,一套流程走下来省不少功夫。但没有质量把关的话，产出会很平庸。

我用的结构是这样：

 {  
  "input": "long_form_article",  
  "outputs": [  
    "linkedin_post",  
    "x_thread",  
    "newsletter_intro",  
    "short_video_script",  
    "image_prompt"  
  ],  
  "quality_checks": [  
    "preserve original thesis",  
    "remove generic AI phrases",  
    "keep examples concrete",  
    "avoid unsupported claims"  
  ]  
 }

Agent 不该只是"总结"，得把同一个想法适配到不同受众的阅读习惯：LinkedIn 读者是浏览式阅读，通讯简报读者要上下文，短视频观众需要更犀利的钩子。再利用要尊重渠道特性，这一点很关键。

7、竞品与定价监控

Agent 按计划检查竞品页面、商品列表、更新日志、公开定价页面，记录变化,并总结出重要之处。抓取所有内容不是重点，检测出有意义的变化才是。

一份报告大致长这样：

 Competitor: X  
 Change detected: Pricing page updated  
 Old value: $29/month  
 New value: $39/month  
 Possible impact: Higher room for premium positioning  
 Recommended action: Review our comparison page and ad copy  
 Evidence: screenshot + page URL

SaaS、电商、代理机构、制造商、市场平台卖家都能用。被动监控就此变成了一种运营节奏。

8、发票与费用核对

财务工作流重复、规则化,例外情况又多,适合让 agent 协助,但不适合完全交给它做主。

Agent 读取发票,和采购订单(PO)比对,核对供应商名称,比较金额,检测重复项,标出不匹配的地方。付款依然要人来批。

决策规则是这套流程的核心：

 {  
  "auto_clear_if": [  
    "vendor matches approved list",  
    "amount matches PO within tolerance",  
    "no duplicate invoice number",  
    "payment terms are standard"  
  ],  
  "escalate_if": [  
    "new vendor",  
    "bank details changed",  
    "amount mismatch",  
    "missing tax information"  
  ]  
 }

让 agent 减少审核工作量,但不能让它悄悄批掉有风险的付款——这是负责任的 agent 设计该有的样子。

9、CRM 信息补全与跟进

通话、邮件、演示、LinkedIn 互动之后更新 CRM 记录,是销售团队常见的时间黑洞。

CRM agent 可以收集公司信息、总结近期对话、给出交易阶段建议、起草跟进邮件、创建提醒。关键是别把每一个信号都当成板上钉钉的事实。

Agent 写出来的东西应该是这样：

 Suggested deal stage: Evaluation  
 Confidence: Medium  
 Evidence:  
 - Prospect requested pricing  
 - Demo completed  
 - No procurement timeline confirmed  
 Recommended next step:  
 - Send pricing summary and ask about decision process

CRM 因此变得更有用,又不至于沦为凭空捏造。Agent 负责提议,销售负责拍板。

10、重复性数字工作的 QA 审查

业务工作出问题,很多时候不是大方向错了,而是些小地方漏了：失效链接、名字打错、价格不一致、alt 文本缺失、日期错误、文件版本对不上、格式跑偏。

QA agent 可以在发布前检查页面、文档、表格或商品列表,对照检查清单,只把需要处理的问题挑出来。

一个网站 QA agent 可能会检查以下内容：

 {  
  "checks": [  
    "all buttons have valid links",  
    "no placeholder text remains",  
    "images include alt text",  
    "pricing is consistent",  
    "mobile layout is readable",  
    "schema fields are present"  
  ]  
 }

这活儿不光鲜,但确实有用。重复性 QA 恰好是 agent 能省下注意力、又不至于夺走人的主导权的地方。

总结

AI agent 真正有用的地方,不是人人都配了个神奇助手,而是团队开始把重复性工作重新设计成可复用的系统。

Prompt 是临时的,工作流模板是持久的。

定义好触发条件、工具、规则、审核点和输出格式之后,同一个 agent 能一遍遍跑下去。它会越改越顺手,越来越好审计,跟同事解释起来也更容易。

这才是真正的优势。

好的 AI agent 工作流从来不是最炫的那个,而是能悄悄从你已经在做的工作里帮你提升效率。

by EasyClaw