综合讲解：工作流映射与组织知识

阅读说明

本页为综合讲解的中文译文，包含讲义知识正文，以及与之相关的口头文字稿。顺序保留从工作流、自动化、人机分工，到组织知识和票据整理的展开过程。身份介绍、事务安排、私人称呼与无知识内容的界面等待未纳入。

后半部分关于 API、MCP 和实际整理演示，接在工具连接与票据 Agent 演示。

讲义一：先改善流程，再考虑自动化

自动化会放大原有流程的特点：有效的流程可能更有效，低效的流程也可能更快地产生问题。因此，先检查要求、删除不必要步骤，再考虑加速和自动化。

关键问题不只是采用多少自动化，而是适合什么任务，系统行动后由谁负责，以及自主与监督怎样分配。

原讲义列出若干历史统计：知识工作者每天在重复事务上花费 2至4 小时；采用 AI 的某些任务完成速度提高 37%；某些科研发现与产品增加 17%；流程错误减少超过 70%；2025 年 Agent 流量同比增长 7,851%。

译注：保存材料没有提供这些数字的完整研究、样本和指标定义，不能据此得出所有工作都具有同样收益。百分比也不能直接叠加；流量增长不等于可靠自主能力普及。它们作为原讲解的背景陈述保留，实际项目需要自己的基线与评价。

讲义二：工作流与四种基本组件

自动化用技术减少人工执行。AI 自动化再加入学习模型、语言或视觉能力，处理更多输入变化。两者都需要明确流程。

工作流是完成结果的任务、判断与信息流。先画出输入、输出、依赖和决策点，才能找到值得自动化以及需要监督的位置。

这些金额与时间是示例条件，不是通用业务规则。

讲义三：四步实施与三项初筛

先完整记录当前流程、依赖与异常；再从简单、可预测的规则步骤入手；有必要时加入模型帮助判断；最后为自主行动定义批准、边界、审计与回退。

自动化程度可从人工、辅助、半自动、高度自动到限定范围自主变化。原图显示，控制转换既可由人发起，也可在设定规则下由系统发起。全自动不是每项任务的目标。

三项初筛称为“3R”：是否重复，例如每周超过三次；是否按相同规则；是否常规到可以把准确步骤教给别人。

如果三项都符合，可以进一步评价自动化；否则可保留人工或以后重审。原讲义用“都符合就自动化”作简化，仍须另外考虑错误后果、资料条件和维护成本。

较稳妥的实践从业务问题开始，优先高价值、低复杂度，利用已有资料与流程，增强人的能力，并用业务结果衡量。

讲义四：流程、规则自动化、AI 与 Agent

规则式例子是提交表单后创建工单并发送确认；AI 例子是理解信息意图与情绪后分派；Agent 例子则是查资料、检查订单、准备跟进，并在必要时升级。

译注：自然对话不等于 Agent，按钮界面也不证明后台没有 AI。是否能规划、使用工具和调整行动，需要检查实际实现；“实时执行”也不等于模型参数自动学习。

讲义五：把隐性知识写下来

许多组织规则藏在人脑中。Agent 只能使用实际提供或能够取得的资料，因此合作的一个重要步骤，是把经验、例外和判断条件写清楚。

原讲义把本体（ontology）解释为领域知识的结构图，包含概念、属性与关系。实际场景中，还可能需要规则、例外与来源，说明组织怎样判断。

在票据整理中，这些知识可能分布在初始指令、记忆笔记、文件夹结构与文件名里。

这些不是正式会计判断规则，而是说明怎样把领域条件提供给应用。实际归类与税务后果需要具备相应知识的人确认。

讲义六：运行框架、领域知识与 Agent

运行框架（harness）加载必要记忆、提供工具并执行循环；领域知识说明什么为真、谁拥有何物、适用什么规则；Agent 读取、提取、判断，再执行或标记疑问。

资料从票据与邮件 PDF 进入，形成记录和账簿；无法确定的进入待审位置。人回答疑问以后，新规则经过确认保存，后续执行再使用。

查看图解文字说明

原始收据及页码支持字段与业务关系判断。规则保存生效日期、适用条件和版本，执行状态记录已做与待处理事项。人工反馈先区分识别错误、执行错误或规则变更，审核后再保存新规则；不表示模型自动训练。

图解强调修正规则需要证据与审核，不是把任何一次纠正自动推广到全部情境。

本体像地图，Agent 按地图行动。因为有目标、工具与判断，并会在不确定时询问，这个示例比纯固定步骤多一些适应能力；仍然保留人的检查，不能称为无人负责的全自主系统。

口头文字稿一：为什么不能为了自动化而自动化

理解自动化与 Agent，可以用于不同组织、行业，也可以用于个人项目。先记住两个提醒：有效流程的自动化会放大效率，低效流程的自动化也会放大问题；在加速前，先质疑要求，删去无必要步骤。

这里讨论的不是技术是否“酷”，而是具体任务适合哪一种方式，以及最后由谁负责。使用 AI 得到的结果仍然需要有人承担相应责任。

原讲解接着引用若干生产力与使用增长数字，说明为什么这个问题受到关注。它同时提醒，收益依赖合适计划与实施，不是采用工具就自动发生。上述数字的核验限制已在讲义部分说明。

关于 Agent 的讨论，也从“一个系统做所有事”转向“多个专门能力协作”。但自主系统出现，并不代表可以无限放权。更重要的是主动设计自主与监督的比例，而不是只用“自动化多一点或少一点”来衡量。

新闻里常见系统失控的说法，其中有些带有宣传或夸张成分；但权限、控制和实际后果仍然是需要认真处理的问题。

口头文字稿二：先把过程看清楚

自动化使用技术执行预先安排的动作，减少人工干预。AI 自动化在其中加入机器学习、语言处理、视觉等能力，用来处理变化和模式。

但有 AI 不表示所有部分都会自己学习。识别哪些步骤适合交给系统，比先连接一堆工具更重要。实现需要分阶段清理、分析、测试和调整，不必以全自主作为唯一目标。

要开始用工作流思考。画出任务怎样开始，经过哪些决定，有什么依赖，最后怎样完成。可以先从个人、团队或部门的小范围开始，不必一上来覆盖整个组织。纸上草图也可以帮助把只存在脑中的步骤变成可检查的过程。

触发器说明什么时候开始：收到邮件、提交表单、每天九点、每月某日，或系统达到阈值。条件说明走哪条路径：金额超过设定值需要批准，特定客户需要优先处理，超过设定时间就升级。

动作是在这些条件下实际发送通知、创建记录、更新资料、制作报告、安排会议或分派任务。例如，表单进入以后，系统识别请求类别和所需处理方式，再通知适当人员。

反馈循环则让人知道执行是否有效。跟踪完成率、错误、节省时间和满意度，收集问题，形成下一次改进。仅把流程跑完，没有记录和更新机制，并不意味着发生了学习。

这也是运行框架的重要部分：不只执行，还要观察结果与错误。

口头文字稿三：从小步骤建立实施能力

有很多实施框架，下面提供一个可以开始的顺序。第一，完整记录流程，标出输入、输出、判断、依赖与异常。第二，在简单、线性的部分增加规则自动化，并在全面使用前测试。

第三，需要时加入模型处理情境和判断，例如按沟通内容准备不同回应。第四，为自主行动建立治理：哪些决定必须人工批准，系统可以独立做什么，怎样审计、回退，以及什么时候重新评估。

技术更新很快，但不应该只因为出现新版本，就修改一个已经满足需要的系统。应在发现实际改进并验证以后再调整。

初筛可以用重复、规则、常规三个问题：是否经常做，步骤是否稳定，能否教别人准确完成？每周三次只是示意，可以按任务调整。需要特殊判断的步骤，未必适合直接自动化；可把人的经验用在更需要判断的位置。

三项都符合，也仍需要检查后果。若有不符合，可以先保留人工，随着试验和需求变化再评估。

口头文字稿四：AI 在工作流的哪一步出现

如果流程只根据清楚字段选择“是”或“否”，规则就可能足够。收到邮件以后，若要理解投诉、问题和情绪，再决定怎样分派或准备回应，就加入了 AI 能力。

原讲解在这里也用“Agentic”描述情绪分析步骤。准确说，单次情绪分类仍可只是 AI 自动化；是否属于 Agent，要看有没有围绕目标规划、工具选择和反馈调整，不能只因使用模型就下结论。

流程图工具可以帮助需求映射，原讨论提到 Visio、draw.io 等；需要实际连接和执行时，则可以研究 Make、Zapier 等平台。画图与运行是不同功能，不能因图画好了就认定系统已经集成。

把业务问题作为起点，优先验证高价值、低复杂度，利用已有资料，增强人的能力，以实际结果判断。不要先决定必须使用某种 AI，再寻找可以安放它的位置。

口头文字稿五：三种执行方式的具体差别

规则式自动化按脚本走，通常表现为确定性：相同输入与规则产生相同输出。它由按钮、定时或表单等特定事件触发，本身不会因为执行次数增加就学习或适应。过去电话营销人员依照问答手册跳转，是一种非数字类比；数字系统则可以在表单提交后，建立工单，再按模板发送确认邮件。

AI 自动化的核心思路则是利用数据改进执行方式。它具有情境性和概率性，并不只依赖固定规则；可以结合语言处理、视觉或预测模型，完成分类和推荐。例如，例如分类客户消息的意图和情绪，再分派或准备较适合的回应。反馈可用于未来改进，但必须实际建立更新安排。

Agent 的核心思路进一步变为围绕目标安排执行路线。它可以使用 API、MCP 等工具连接和记忆，通过观察、规划与行动的循环完成较复杂的任务；多个专门 Agent 也可以在编排下分工。它可以根据目标拆步骤，在多个工具间选择，观察结果后再决定下一步。在提供适当资料以减少无依据生成、设定防护与权限后，Agent 可能在限定范围内独立推进。原讲解用“执行时继续编写脚本”作类比，强调路线不全固定；但已有目标、工具和边界仍需由人设计。

只显示按钮的聊天界面可能主要走固定路径；自然对话界面则可能使用语言模型。不过，单看界面不能判断后台架构，也不能从能聊天推断系统能够完成真实操作。

口头文字稿六：隐性知识为什么重要

许多规则来自长期经验，员工知道，系统却不知道。要让 Agent 使用这些经验，就需要把概念、关系、判断和例外显式写下来。

原讲解把这一层称为本体。它帮助描述组织知道什么，以及遇到资料时如何判断。不同组织面对相同信息，可能因目标、偏好与经验不同而采取不同做法。

一个公共信息分析的匿名示例，是先收集新闻和社交内容，再用于策略。但在生成策略以前，必须明确组织怎样评价信息、怎样作决定，不能把信息收集本身当成战略判断。

新决定与人工反馈可以形成后续资料，但需要适用范围与审核。把它比作“大脑”只是类比，不能据此推断模型自行形成了人的心智。

口头文字稿七：票据整理怎样体现领域规则

一个匿名组织过去常在月底把大量票据集中交给会计，整理困难，于是尝试建立辅助系统。纸票、照片或邮件 PDF 进入文件夹以后，系统读取内容、提取字段，再按公司、年度和类别整理。

它需要知道谁拥有哪张付款卡，哪些费用属于哪个实体，有什么例外。如果无法判断，就放到待审位置，由人说明“这张属于哪里”。这些规则并不都在一份文件里，也可能表现为目录、文件名和已确认的笔记。

例如，公司 A、公司 B 与个人是不同实体；个人卡支付公司账单，可能需要记录相应关系。收件邮箱可作为线索，但不能自动推翻实际付款与用途。不同会计年度也需要明确。

目录和文件名应让人一眼知道日期、商家和用途，而不是只有一串编号。整理后还可以更新表格；不确定则询问，而不是为了完成任务猜测。

这个系统有目标、工具、判断与人工反馈，因此比固定文件搬运更灵活。本体是地图，Agent 走这张地图；人仍需要检查地图是否正确。

关联阅读

继续进入工具连接与票据整理 Agent查看执行过程；需要先复习技术角色时，回到业务 Agent。

参考与延伸阅读

以下为编辑补充。

• draw.io 官方文档：英语，查询流程图与结构图的制作方法。
• n8n 工作流文档：英语，区分图示步骤与实际执行。
• NIST AI 风险管理框架：英语，帮助安排监督、记录、评价与责任。