AI 工作流入门: 环节拆分与分步实施的自动生产线

这一课解决一个非常具体的问题：你想让 AI 稳定地干一件复杂的活——比如每天产出一篇合格的公众号文章——但你发现，把所有要求塞进一段超长提示词里，结果时好时坏，坏了还不知道坏在哪。学完这一课，你会掌握”工作流”这个解法：把大任务拆成一个个小环节，每个环节单独验收，再串成一条自动生产线。

先说白话定义。AI 工作流（workflow）就是把一个大任务按步骤拆开，每一步交给一个”节点”处理，节点之间按固定顺序传递中间结果，最终产出成品。它和你在工厂纪录片里看到的流水线是一回事：没有哪个工位负责”造一辆车”，每个工位只拧自己那几颗螺丝，质检卡在工位之间，坏件当场拦下，不流到下一站。

你不需要会写代码。这一课的核心是拆解方法论——找输入输出、列中间产物、定验收标准、跑通最小链路——这套思路不依赖任何工具，在纸上就能练。文末有一份可以直接拿去用的拆解清单，以及一个从需求到节点图从头走一遍的案例。

本文是《AI 产品经理课》第 5 课 · 专题目录 · 学习路线 · 上一课: 第 4 课 · 下一课: 第 6 课

全部 13 篇目录

为什么”一把梭大 prompt”撑不起生产环境

先看反面教材。很多人第一次想让 AI 干复杂任务，本能做法是写一段几千字的超长提示词：你是资深编辑，请先选题，再列大纲，然后写正文，注意口吻要如何如何，最后配上图片描述，输出格式要怎样怎样……我们把这种做法叫”一把梭大 prompt”。

它在演示时经常能跑出惊艳结果，但放到每天要跑几十次的生产环境里，会暴露三个死穴。

第一，失败无法定位。输出不合格时，你不知道是选题选歪了、大纲跑偏了，还是正文写砸了。所有步骤糊在一次生成里，你只能整体重来，像面对一台没有仪表盘的机器，坏了只能拍两下再开机。上一课（第04课）讲过智能体的最小形态，其实也提到了这个边界：只靠一段提示词，模型的执行过程对你是黑盒。

第二，质量无法稳定。大模型是概率生成，步骤越多、指令越长，某一步走偏的概率就越高，而且偏差会向后传导——选题歪一度，成稿歪十度。第01课讲过温度和采样：同一段 prompt 两次输出本来就不同，指望一次生成端到端全对，相当于要求流水线上一个工人闭眼把整辆车装完。

第三，无法协作和迭代。一段五千字的 prompt 改一处可能牵动全局，没人敢动；而拆成节点后，改”配图环节”不会影响”选题环节”，不同人可以分头优化不同节点。

把这三条反过来，就是工作流的价值：每个节点单一职责，节点之间有明确的交接物，坏了知道坏在哪个工位。可控性不是靠把 prompt 写得更用力，而是靠结构。这也是从 Prompt 到 Agent、工作流各类框架选型时反复出现的主线：结构承担复杂度，单点才能保持简单。

认识五种基本节点

不管用什么平台搭工作流，来来回回就是五种节点。先给一张速查表，再逐个说人话。

节点类型	干什么	流水线类比	例子
LLM 节点	调用大模型完成一次生成	动脑的工位	把热点新闻改写成选题卡
条件分支	按规则决定走哪条路	分拣员	评分低于 7 分的选题直接淘汰
循环节点	不合格就退回重做	返工传送带	草稿自检不过关，最多重写 2 次
代码节点	执行确定性的程序逻辑	机械臂	抓取网页、算字数、调用发布接口
人工审核节点	停下来等人拍板	质检员	发布前人过目一次

LLM 节点是工作流里唯一”动脑”的部分，每个 LLM 节点只该干一件事：要么选题，要么写大纲，要么写正文。一个节点的提示词如果同时在干两件事，就该拆成两个节点——这是后面讲”节点粗细”时的判断标准。

条件分支是让流水线有”判断力”的关键。注意分支条件最好是机器可判定的：分数、字数、是否包含某字段。”内容质量好不好”这种模糊条件没法当分支依据，得先用一个 LLM 节点把它变成分数。

循环节点要特别小心：必须设次数上限。大模型有可能连续几次都过不了自检，没有上限的循环就是烧钱的死循环。

代码节点负责一切不需要智能的活：抓数据、转格式、存文件、调接口。原则是能用代码做的绝不用 LLM 做——代码是确定的、免费的、毫秒级的，LLM 是概率的、计费的、秒级的。

人工审核节点不是失败，而是设计。关键在放的位置：放在损失不可逆的关口（比如对外发布前），而不是每一步都放——每步都放，自动化就名存实亡了。

拆解方法论: 四步把任务变成生产线

这是本课的核心。工具会过时，这套方法不会。四步依次是：找输入输出、列中间产物、每步定验收标准、先跑通最小链路。

第一步: 找输入输出

任何工作流先钉死两头。输入是什么：格式、来源、更新频率？输出是什么：交给谁用、什么样算合格？两头没钉死之前，中间画得再漂亮都是白画。

一个常见错误是输入定义太浪漫，比如”输入是今天的热点”。热点从哪来？哪几个信源？抓多少条？什么格式？逼自己写成”输入 = 每天早上 8 点从固定的 5 个信源抓取的 50 条标题+链接清单”，工作流才有地基。

第二步: 列中间产物

从输出往回倒推：要得到终稿，前一步需要什么？要写正文，前面得有大纲；要有大纲，前面得有选题。这样倒推出来的每一个”半成品”，就是中间产物——它们是节点之间的交接物。

中间产物有一条硬要求：必须可检查。它得是一个能打开看、能存下来的东西（一段文字、一个 JSON、一张图），而不是”模型心里有数”。站内有一篇讨论 Agent 工作流中需求调研的上下文要不要移交给开发环节的文章，争的其实就是这个：环节之间交接什么、丢弃什么，直接决定下游质量。交接物模糊，等于两个工位之间靠喊话传零件。

第三步: 每步定验收标准

验收先于实现：先写”什么样算合格”，再搭节点。每个节点的验收标准就像它的质检卡，理想状态是机器可判定的。举个例子，”选题卡”节点的验收标准可以是：

包含候选标题、目标读者、切入角度三个字段，缺一即废；
候选标题不超过 30 字；
切入角度与信源原文不重复（不是纯转述）。

前两条代码就能判，第三条可以再加一个便宜的 LLM 评分节点来判。写不出验收标准的节点，说明你自己还没想清楚这一步要什么——这时候停下来想，比继续搭便宜得多。这个思路和用文档驱动工作流来提升 AI 编程稳定性的 task-planner 项目是同一个理念：把”怎样算做完”写成显式文档，AI 的执行质量才有锚点。

第四步: 先跑通最小链路

不要一上来画 20 个节点的宏伟大图。挑主干上最少的节点——通常是三个：输入处理、核心生成、输出组装——先让一条最短的路从头走到尾，产出一个哪怕粗糙的成品。然后每次只加一个节点：加一个自检、加一个分支、加一个兜底，加一个验一个。

这和写产品 MVP 是一个道理：最小链路验证的是”这条路走得通”，节点多少只是精装修。很多工作流项目死在第一版就追求大而美，调了两周连一次端到端都没跑通。

案例: 从头拆一条公众号内容流水线

用真需求走一遍全流程。需求原文（老板的原话式）：”每天自动产出一篇公众号文章，选题要贴热点，有配图，质量要稳定，别让我天天盯。”这类内容生产是最常见的工作流落地场景，市面上也确实有不少现成套路，比如拆解爆款选题与公众号写作的 DeepSeek 工作流课程，但照抄别人的节点图没用，拆解过程才是你的。

第一步，钉两头。输入 = 每天 8:00 从 5 个固定信源抓取的热点清单（标题+链接+摘要，约 50 条）。输出 = 一个”待发布包”：标题、正文（1500~2500 字）、一张配图、一段 100 字以内的摘要。合格的定义 = 通过终检清单且人工审核放行。

第二步，倒推中间产物。从待发布包往回推：终稿包 ← 配图 ← 审定稿 ← 草稿 ← 大纲 ← 选题卡 ← 热点清单。六个交接物，个个能打开看。

第三步，给每个产物定验收线。列成表：

中间产物	生产节点	验收标准
热点清单	代码节点（抓取）	条数 ≥ 30，字段齐全，无重复链接
选题卡	LLM 节点（评分+挑选）	三字段齐全；评分 ≥ 7 分（10 分制）
大纲	LLM 节点	4~6 个小节；每节一句话说清写什么
草稿	LLM 节点	字数达标；覆盖大纲全部小节
审定稿	LLM 自检 + 循环	对照 8 条自检清单全过；重写上限 2 次
配图	LLM 节点（写提示词）+ 代码节点（生图）	生成成功且尺寸合规
待发布包	代码节点（组装）	字段齐全，进入人工审核队列

第四步，先跑最小链路。第一版只搭三个节点：抓取 → 草稿生成（选题、大纲、正文暂时糊在一个 prompt 里）→ 组装。跑通、看到端到端产出之后，再把糊在一起的生成拆成选题/大纲/正文三个节点，然后加自检循环，再加条件分支（当天所有选题评分都低于 7 分时走”停产”路径，发通知而不是硬产垃圾），最后把人工审核节点卡在发布前。

注意两个设计决策。其一，”停产”是一个合法出口——允许流水线今天不出货，比强行出一篇烂稿对产品负责得多。其二，人工审核只有一处，放在唯一不可逆的动作（对外发布）之前。类似的思路在用 n8n 搭建全自动短视频生成工厂的实践里也能看到：机器包办可逆的环节，人把守不可逆的闸口。

平台怎么选: 一句话定位

拆解方法论是通用的，工具只是承载。市面上你最常听到三个名字，各给一句话定位：

n8n：通用自动化平台，强项是连接各种系统和服务，LLM 只是它众多节点类型中的一种，适合”AI 环节嵌在一条更长的业务链路里”的场景。站内有从入门到进阶的 n8n 实战指南，想找灵感也可以翻这个收录了两千多个现成案例的 n8n 工作流库。
Dify：面向 LLM 应用的编排平台，围绕提示词、知识库、模型调用做工作流，适合产品主体就是”一个 AI 应用”的场景。
Coze（扣子）：轻量级 bot 搭建平台，适合快速做一个对话入口挂到聊天渠道里。

选型建议就一条：先在纸上完成四步拆解，再去挑工具。节点图都画不出来的时候，任何平台都救不了你；节点图画清楚了，用哪个平台都只是翻译工作。企业内部落地时工具还常常要和现有系统配合，比如把飞书和 n8n 串起来做自动化营销助手的实践，工具选择往往被”要接什么系统”决定，而不是被工具本身的好坏决定。

三个最常见的坑

坑一: 节点太粗, 测不了

一个节点的提示词里同时干着选题、大纲、写作三件事——这本质上是把”一把梭大 prompt”塞进了工作流的壳子里，失败照样无法定位。判断信号很简单：如果你写不出这个节点的单一验收标准，它就太粗了。“这个节点的产出怎样算合格？”答案里出现”既要……又要……还要……”，拆。

坑二: 节点太细, 维护爆炸

反过来，把流程拆成三十个节点，每个只改一个标点，会遇到两个新问题：一是维护成本爆炸，改一个需求要动八个节点；二是上下文在节点间传丢——每次交接都可能丢信息，交接越多丢得越多。渐进式披露解决工作流路由臃肿的讨论背后就是这个矛盾：结构给多了，系统被结构本身压垮。经验法则：一个节点对应一个”值得单独验收的中间产物”，产物表里没有它的位置，就不该有这个节点。

坑三: 没有失败兜底

LLM 节点必然偶发失败——超时、格式跑飞、内容不合格，这不是 bug 是常态。每个 LLM 节点都要回答三个问题：失败了重试几次？重试仍失败走什么降级路径（用缓存、用模板、还是停产）？谁会收到告警？没有兜底的自动化流水线是定时炸弹：它不会在你盯着的时候炸，专挑周末凌晨。

产品视角: 工作流是 AI 能力产品化的第一形态

最后站回产品经理的位置。为什么说工作流是把 AI 能力产品化的第一形态？因为它天生带着三个产品级属性，这三个属性恰恰是裸调大模型给不了的。

可审计：每个中间产物都留痕。用户投诉某天文章质量差，你能调出那天的选题卡、大纲、自检记录，指出问题出在哪个工位——这在合规要求高的行业（金融、医疗）不是加分项，是准入项。

可回滚：某个节点改坏了，只回滚这个节点；某篇稿子配图失败，从配图节点重跑，前面的稿子不用重写。生产事故的爆炸半径被节点边界锁死。

可汇报：每个节点有自己的通过率、耗时、成本，向上汇报时你说的不是”AI 写文章效果还行”，而是”选题通过率 62%，草稿一次过检率 71%，单篇成本 X 元”——这才是老板能拍板的语言。

同时也要诚实：工作流的代价是僵硬。步骤是你预先编排死的，需求一变就要重排管道；遇到没规划过的情况，它不会随机应变。什么时候该用编排死的流程，什么时候该把决定权放给模型自己，是第06课要算的账；而让节点真正能”动手”调用外部系统的 Function Calling，第09课展开。更多同专题的课程和实践文章，可以在 AI 产品经理专题页和 AI Agent 专题页找到。

动手练习: 拆解清单

挑一个你工作里真实存在的重复性任务（周报汇总、竞品监控、客服质检都行），拿这份清单在纸上过一遍。不用碰任何工具，能把清单填满，你就完成了工作流设计里最难的 80%。

工作流拆解清单
□ 输入钉死了吗？——格式 / 来源 / 频率，三项都写出来
□ 输出钉死了吗？——交给谁用 / 什么样算合格
□ 中间产物列出来了吗？——从输出倒推，每个都能打开看
□ 每个节点只干一件事吗？——写不出单一验收标准就拆
□ 每个验收标准机器可判吗？——模糊标准先变成分数
□ 分支条件明确吗？——不合格的流向哪里（返工/降级/停产）
□ 循环有上限吗？——最多重试几次，超限走什么路
□ 哪一步不可逆？——人工审核节点卡在它前面
□ 失败有人知道吗？——告警发给谁
□ 最小链路是哪三个节点？——先跑通它，再谈其他

填完之后做一个自测：把清单拿给一个不了解这个任务的同事看，如果他能只靠清单复述出”这条流水线每一步在干什么、怎样算合格”，说明拆解合格；如果他追问的地方超过三处，那些地方就是你还没想清楚的节点。

FAQ

AI 工作流和传统的 RPA、自动化脚本有什么区别？

传统自动化只能处理规则明确的结构化任务，遇到”把这段新闻改写成选题”这种需要理解和生成的环节就卡住了。AI 工作流是在传统自动化的骨架里嵌入了 LLM 节点，让流水线第一次有了”动脑”的工位。反过来说，能用代码和规则解决的环节，仍然应该用代码，不要为了显得智能而滥用 LLM 节点。

不会写代码的产品经理能自己搭工作流吗？

能，而且应该。主流平台都是拖拽式的可视化编排，代码节点通常也可以让 AI 帮你写。但更重要的是：这一课教的四步拆解在纸上就能完成，它才是产品经理的核心交付物。节点图画清楚了，实现交给谁都行；节点图画不清楚，自己会写代码也白搭。

工作流里每个 LLM 节点都要用最强的模型吗？

不需要，而且不该。评分、打标签、格式检查这类简单判断，用便宜快速的小模型就够；只有核心创作节点值得上强模型。工作流的一个隐藏福利就是允许你按节点配模型，把钱花在刀刃上——这笔成本账在一把梭大 prompt 里是算不了的。

加了人工审核节点，还算自动化吗？

算，而且是更成熟的自动化。判断标准不是”有没有人”，而是人花的时间：原来写一篇文章要 4 小时，现在审核一篇只要 5 分钟，效率提升是 40 多倍。关键是人工节点的位置——只卡在不可逆的关口，其余环节让机器跑。每一步都要人确认的那种”自动化”，才是伪自动化。

我该先学工作流还是先学智能体？

先工作流。工作流强迫你把任务拆清楚、把验收标准写明白，这套基本功在智能体时代同样是地基。而且实践中大量所谓智能体产品，内核就是一条编排好的工作流。两者不是二选一，什么时候用流程、什么时候放权给模型，第06课专门算这笔账。

结语

工作流的本质是用结构换可控：把不确定的大模型圈进一个个可验收的工位，让失败可定位、质量可度量、事故可回滚。先在纸上拆清楚，再谈工具——下一课我们讨论什么时候该拆流程，什么时候该放权给智能体。