这篇文章用于记录本站的第一套 AI 使用工作流。
基本原则
先明确任务，再选择工具。不要从“哪个模型最强”开始，而是从“我现在要完成什么结果”开始。
流程
- 写清楚任务目标。
- 给模型必要背景。
- 要求输出结构。
- 检查事实、代码和边界。
- 把可复用部分沉淀成模板。
第一步：先定义交付物
与其问“哪个模型最强”，不如先写清楚最终要交付什么。一次任务最好只有一个主要结果，例如一份文章结构、一段通过测试的代码，或一张字段完整的数据表。
我会在开始前补充三项信息：结果给谁使用、必须参考哪些材料、怎样判断它合格。模型如果缺少关键背景，应先提问，而不是直接生成。
第二步：按风险选择工具
普通改写和头脑风暴可以直接使用通用对话模型；需要最新资料时增加联网搜索和原始来源检查；涉及真实项目代码时，把任务放进能够读取仓库上下文的编程工具；批量数据处理则优先写脚本，避免重复复制粘贴。
工具数量不宜太多。一个主力模型加一个备用模型，通常比在多个平台之间频繁切换更容易形成稳定习惯。
第三步：把任务拆成阶段
复杂任务不要求模型一次完成。研究写作可以拆成问题定义、资料收集、证据整理、文章结构、正文和发布检查。代码任务可以拆成定位、复现、修改和测试。
每个阶段都保存输入和输出。这样后一步出错时，可以回到最近一个可靠结果，而不是从头再来。
第四步：检查高风险部分
我不会平均检查每一句，而是优先查看最容易造成损失的内容：事实和日期、外部链接、删除或覆盖操作、数据库修改、权限配置，以及模型声称已经运行但没有日志证明的命令。
第五步：沉淀可复用资产
任务完成后，只保留真正提高稳定性的部分：任务简报、提示词骨架、脚本、检查清单、失败样例和最终判断依据。下次遇到相似任务，从这些资产开始，而不是重新打开一个空白对话框。
一套工作流是否成熟，不看它用了多少 AI 工具，而看它能否重复执行、发现错误，并把经验留下来。