大家好，我是 leopardracer！
过去，每周找好内容点子都要花我好几个小时。Reddit 一个标签页，新闻一个标签页，arXiv 又一个标签页，再加上一个 Obsidian 笔记，我把所有东西都贴进去，然后努力回想它们之间有什么联系。每次 AI 搜索只花几秒，剩下的时间我都在当"胶水"。
更糟的是，光是切换标签页和聊天窗口就消耗了我大量注意力。每次切换都让我分心，每次重来都让工作变得比实际更沉重。
那时我还不懂，与其过度优化提示词，不如直接创建一个工作流。我花了一些时间才摸索出最佳方法，所以现在准备好分享我如何把提示词转化为工作流。
本文要点：
- 为什么提示词习惯在规模扩大后失效
- 如何找到你的第一个工作流候选
- 如何在长对话中找出衔接点
- 让上下文自动向前传递的交接模式
如果你还在 AI 聊天标签页之间复制粘贴输出内容，那你正在做着本应由 AI 处理的协调工作。解决方法是把你的提示词变成一个工作流，让每一步都写入文件，下一步读取它。上下文自动向前传递，无需你手动搬运。你只需要在真正需要做决策的地方停下来。
提示词何时失效
几乎每个人刚开始使用 AI 的方式都一样。你输入一个问题，得到一个答案，复制粘贴到某处，重复操作。这就是我第一年使用 AI 的方式。我理解，这感觉很高效，因为每次交互都给你一些实实在在的东西。
然后你发现，你花在管理 AI 上的时间比 AI 为你节省的时间还多。你在手动复制每一步之间的内容。你在费力记住第三步需要从第一步获取什么。
2025 年 10 月发表在 arXiv 上的一项研究指出，当相关信息被嵌入更长的上下文时，即使所有无关词元都被屏蔽，LLM 的准确性也会显著下降。
提示词工程博客和课程仍在兜售"用对词就能解决一切"的理念。他们优化错了层面。你正试图通过聊天窗口运行一个工作流，无论怎么遣词造句都改变不了这一点。
提示词达到瓶颈，意味着你有架构问题。
如何找到你的第一个 AI 工作流
在深入之前，先试试这个。回想一下你最近用 AI 完成的一项重复性任务：那项花了 45 分钟、到第 30 分钟时让你想尖叫的任务。现在问自己：
- 我是否在步骤之间复制粘贴了？
- 我是否因为上下文混乱而打开了多个聊天窗口？
- 我是否必须记住第三步需要从第一步获取什么？
- AI 在每一步都输出了不错的结果，但最终结果却很平庸？
如果其中任何一个回答是"是"，那么你已经有了一个工作流候选。你一直在手动做着协调工作。
这里有一个你可以立即使用的提示词。在你下次完成一项长 AI 对话后，把它粘贴在末尾：
1回顾我们刚刚完成的这次对话。我将在下面粘贴我最初使用的提示词。我希望你分析一下，这个任务是否能转化为一个可重复使用的技能或工作流。23具体来说：41. 我所采取的步骤能否被结构化为一个序列，让每一步的输出成为下一步所需？52. 是否存在需要上下文向前传递的交接点？63. 这个任务是否更适合拆分成独立步骤（每个步骤有清晰的上下文），而不是作为一个长对话运行？74. 如果这个任务变成一个工作流，它的输入、指令、输出和检查点会是什么样子？89这是我使用的初始提示词：[在此粘贴你的初始提示词]1011告诉我这是否是一个适合做工作流的候选，如果是的话，请画出各个步骤的大致样子。
在你下一次完成重复性任务后运行它。你可能会发现你所做的手动工作已经有工作流的雏形了。
无论你使用 Hermes、Claude Code、Codex、Cowork 还是其他任何 AI 对话工具，这一点都适用。模式保持不变。工具无关紧要。结构才重要。
如何在长对话中找到衔接点
将长对话转化为工作流，首先要看清你当前流程中的衔接点。
当你在进行长 AI 对话时，留意那些你切换模式的时候。比如你说"好了，现在让我们做 X"并开始新的思维上下文的时候。比如你从对话早期复制内容并粘贴到新请求的时候。比如你不得不提醒 AI 你正在做什么，因为它忘记了的时候。这些衔接点正是范围蔓延发生的地方。
那些就是你的衔接点。每个衔接点都可能是工作流中的一个步骤。
我的转折点发生在一个内容创意项目中。我需要为 newsletter 文章找到有趣的角度，这意味着要从多个来源获取信息。Reddit 帖子揭示了特定问题的抱怨，新闻文章报道了新兴工具，arXiv 论文暗示了新能力。
我一开始手动操作：把 Reddit 帖子复制粘贴到文档里，抓取新闻标题，搜索 arXiv 并保存摘要。每个来源都放在自己的聊天会话中，因为上下文窗口不断被污染。等我处理完 Reddit，我已经忘记了新闻搜索中找到了什么。
然后我为每个来源创建了独立的技能：一个用于 Reddit 研究，一个用于新闻抓取，一个用于 arXiv 论文。每个技能单独工作都很好，但我仍然需要手动协调它们。我运行 Reddit 技能，保存输出；运行新闻技能，保存输出；运行 arXiv 技能，保存输出。然后手动将三者合并成一个最终创意列表。
我在手动做 Agent 本应做的协调工作。AI 可以很好地完成每一步。交接是问题所在。我就是中间件。
如何正确地将上下文向前传递
工作流是一系列的步骤，每步产生下一步所需的内容。工作流与提示词之间的区别在于，上下文会自动向前移动，而不是由你手动搬运。
Anthropic 于 2024 年 12 月发布的《构建有效 Agent》指南（被广泛认为是权威资源）明确区分了这两者。工作流是指通过预定义的代码路径编排 LLM 和工具的系统。Agent 是指 LLM 动态地自主指导进程的系统。
对于非程序员来说，工作流是一个绝佳选择。你定义路径，AI 在每个站点完成工作。
Anthropic 描述了五种工作流模式。用通俗的话说：
提示链就像一条流水线。第一步的输出成为第二步的输入。每一步都保持简单专注。
路由将不同的输入分配到不同的路径。就像邮件分拣机将信件送到正确的邮政编码区域。
并行化同时运行多个任务。就像拥有三名研究员而不是一名。
编排器-工作者使用一个主 Agent 来分解工作并委托给工作 Agent。
评估器-优化器让一个 Agent 做工作，另一个检查它。第一个根据反馈进行修改。
我将所有步骤衔接在一起的文件称为交接文件。每一步都将自己的工作写下来，这样下一步就不必猜测。格式并不重要，原则才是关键。它可以是 Markdown 文件、Google 文档、结构化文本块。重要的是每一步都要产生下一步能读取的内容。
我尝试了各种在步骤之间保持上下文的方法。内存变量在会话结束时消失，数据库条目需要设置和维护，共享状态文件在两个步骤同时写入时会损坏。
我最终选择了 Obsidian 中的 Markdown 文件，因为它们简单可靠。
工作流中的每一步都将其输出写入一个 Markdown 文件，下一步读取该文件。文件放在与工作流镜像的文件夹结构中。当出现问题时，我打开文件就能看到第三步具体产生了什么。我沿着链条反向追踪问题。
这也带来了一个意想不到的好处：我能够追踪每个子 Agent 或步骤做了什么，并附上它生成的具体文件链接。当最终输出听起来有问题时，我可以打开中间文件，找到偏差开始的地方。
Markdown 也有实际优势。纯文本可以在任何地方使用。文件可以在系统之间移动而无需转换。可以随时间进行版本控制。在 Obsidian 中渲染得很好，而我已经用它来记笔记。
将上下文存储在数据库或共享状态机制中会增加复杂性、需要设置并产生依赖。Markdown 文件只需要一个文件夹和一个文本编辑器。
每一步都将自己的工作写下来。下一步读取上一步写的内容。上下文通过文件向前传递，而不是通过内存。
逐步构建 AI 工作流
让我展示一下实际效果。我将以我的内容创意工作流为例，但这个结构适用于任何重复性任务。
这个工作流由四个步骤组成。每一步都读取上一步的输出文件，并写入自己的输出文件。
步骤 1：Reddit 研究
输入：要搜索的话题或关键词。
工作内容：搜索 Reddit 上与话题相关的抱怨帖。
输出：reddit-findings.md，包含帖子标题、URL 和主要抱怨点。
步骤 2：新闻抓取
输入：相同话题。
工作内容：搜索新闻来源，查找与该话题相关的新兴工具或趋势文章。
输出：news-findings.md，包含标题、URL 和摘要。
步骤 3：arXiv 搜索
输入：相同话题。
工作内容：搜索 arXiv 上暗示与话题相关新能力的论文。
输出：arxiv-findings.md，包含论文标题、摘要和相关说明。
步骤 4：综合
输入：步骤 1–3 的三个文件。
工作内容：读取所有三个文件，综合成一份文章角度创意列表。
输出：idea-angles.md，包含 5–10 个潜在文章主题，每个主题都有研究依据。
每一步都有清晰的上下文，只包含它需要的内容。没有信息被埋没，没有信息被遗忘。
我第一次尝试这个工作流时并不好看：文件放在桌面上，一个笔记应用里的清单，大量复制粘贴。但它是有结构的。每一步都有明确的输入和输出。Agent 不需要记住三步之前的内容，因为我给了它确切所需的信息。
最终我构建了一个统一的技能来处理整个流程。它按顺序从 Reddit、新闻源和 arXiv 获取信息，将每批发现写入单独的 Markdown 文件，然后将三者综合成最终的创意列表。这个技能从上到下运行，我不需要在步骤之间复制任何内容。
提示词 vs. 工作流：同一个任务
内容创意在提示词方式和工作流方式下看起来完全不同。
提示词方式： 你打开一个聊天窗口，让 AI 搜索 Reddit 上关于某个特定话题的抱怨。它给你一个列表。你把这个列表复制到文档中。你打开一个新的聊天窗口，让它抓取同一话题的新闻文章。它给你标题和摘要。你把这些也复制到你的文档中。你再打开另一个聊天窗口，让它搜索 arXiv 上的相关论文。它给你摘要。你也复制下来。等你做完这些，你的文档里就有三块独立的文字。现在你需要将它们综合成创意角度。你把所有内容粘贴到一个新的聊天窗口里，要求生成想法。AI 产生了一个列表，但内容很泛。它丢失了 Reddit 抱怨中的细微差别，因为这些细节被淹没在合并后的文本中。它错过了 arXiv 的发现，因为它们出现在一个 5000 词提示词的底部。
工作流方式： 你运行一个技能，搜索 Reddit 并将发现写入 reddit-findings.md 文件。然后这个技能搜索新闻源，写入 news-findings.md。然后搜索 arXiv，写入 arxiv-findings.md。每个文件都清晰专注。最后一步读取所有三个文件，将它们综合成 idea-angles.md。每一步都获得一个清晰的上下文，只包含它需要的内容。没有信息被埋没或遗忘。
来自 AWS 的研究测试了五种引导 Agent 行为的方法，在 3000 次评估运行中，简单的提示指令达到了 82.5% 的准确率，意味着大约五分之一交互会失败。当加入结构化反馈循环（她称之为"转向钩子"）时，准确率在 600 次运行中达到了 100%。更好的结构起到了决定性作用，而不是更好的提示词。
我自己也测试过不同模型在处理真实 Hermes 工作流时的表现。那些在基准测试中看起来很出色的模型往往在结构化工作流中失败，因为它们会过度思考简单步骤或忽略格式约束。结构比原始能力更重要。
人类仍需检查的地方
每个工作流都需要检查点，但并非每个步骤都需要。在每个地方都加入审查点会让工作流变成一连串的中断。
我使用决策门。你只在需要做出真正选择的地方停下来：选择哪个角度，优先处理哪个来源，是否删掉一个不合适的部分。
如果输出没问题且无需决策，你就不要停下。工作流会一直运行，直到遇到无法继续而需要你判断的地方。
决策门检查输出是否符合你的意图。AI 可能会产生语法正确、研究充分但方向错误的内容。决策门可以在下一步基于错误假设继续构建之前将其拦截。
在我的 Telegram 频道里，我写了一篇完整的指南，介绍如何为 Hermes 工作流添加审批门（如果你想要技术细节的话）。门通过要求你在外部操作前确认来保护你的声誉，通过要求确认后才能进行系统更改来保护你的数据，并通过在达到阈值前阻止支出来保护你的钱包。
对于大多数工作流，你只需要在输出变得公开或不可逆的位置设置一个门。内容工作流可能需要在提纲之后、最终稿发布之前设置一个门。研究工作流可能需要在综合之后、根据发现采取行动之前设置一个门。
决策门让你在 AI 执行任务的同时保持对方向的掌控。
从哪里开始你的第一个工作流
选择一个重复性任务。不是最复杂的那一个。选择你每周都会做、需要 45 分钟且在第 30 分钟时让你想尖叫的任务。那就是你的第一个工作流。
我的是在喝咖啡前拉取任务和文章的晨间简报。两个步骤：从 Asana 读取，格式化输出，然后交付。简单到一下午就能构建好，实用到自从构建以来每个工作日都在运行。
如果你是 Hermes 新手，先从一个类似这样的两步工作流开始，再尝试复杂的内容。
最小可用工作流包含四个部分：输入（进什么）、指令（Agent 做什么）、输出（出什么）和检查点（你在哪里验证）。你不需要软件，不需要代码。你需要一个包含文件的文件夹。
Anthropic 在《构建有效 Agent》中的建议是：从简单开始，只在需要时才增加复杂性。他们明确警告不要从框架或复杂架构开始。从两步开始，让它们可靠，然后再添加第三步。
Confluent 关于 AI 工作流的指南也提出了同样的观点：简单的解决方案通常是最好的起点。从简单的提示工程开始可能并不完美，但作为第一关已经足够好了。当你达到瓶颈时，再增加结构。不要预先增加结构。
低效但简单胜过巧妙。你的第一个工作流应该简单到令人尴尬：一个两步流程，带有文件交接和人工检查。就是这样。那些从 AI 工作流中获得价值的人构建的是简单的工作流，并运行了 50 次，而不是那种令人印象深刻但只运行了两次的。
大多数 AI 生产力建议告诉你写更好的提示词。但设计更好的交接才是真正的回报所在。如果每一步接收到的上下文是干净的，那么每一步的提示词可以很平庸。一个在混乱聊天线程中的出色提示词仍然会产生平庸的输出。
认识到你正在做 AI 本应处理的协调工作，这是整个转变的关键。一旦你看到这个模式，你就再也无法忽视它。每一个重复性任务都成为结构化的候选。每一次手动交接都成为一个设计问题。
提示词遇到瓶颈意味着你有架构问题。构建管道。让上下文流动。把决策权留给你自己。
如果这篇文章改变了你对 AI 工作流的思考，请关注 [@leopardracer](https://x.com/@leopardracer) 获取更多类似内容，并加入我的 Telegram 频道：https://t.me/+ygATQAt9sUM1N2U6
