綜合講解：工作流對映與組織知識

閱讀說明

本頁為綜合講解的中文譯文，包含講義知識正文，以及與之相關的口頭文字稿。順序保留從工作流、自動化、人機分工，到組織知識和票據整理的展開過程。身份介紹、事務安排、私人稱呼與無知識內容的介面等待未納入。

後半部分關於 API、MCP 和實際整理演示，接在工具連線與票據 Agent 演示。

講義一：先改善流程，再考慮自動化

自動化會放大原有流程的特點：有效的流程可能更有效，低效的流程也可能更快地產生問題。因此，先檢查要求、刪除不必要步驟，再考慮加速和自動化。

關鍵問題不只是採用多少自動化，而是適合什麼任務，系統行動後由誰負責，以及自主與監督怎樣分配。

原講義列出若干歷史統計：知識工作者每天在重複事務上花費 2至4 小時；採用 AI 的某些任務完成速度提高 37%；某些科研發現與產品增加 17%；流程錯誤減少超過 70%；2025 年 Agent 流量同比增長 7,851%。

譯註：儲存材料沒有提供這些數字的完整研究、樣本和指標定義，不能據此得出所有工作都具有同樣收益。百分比也不能直接疊加；流量增長不等於可靠自主能力普及。它們作為原講解的背景陳述保留，實際專案需要自己的基線與評價。

講義二：工作流與四種基本元件

自動化用技術減少人工執行。AI 自動化再加入學習模型、語言或視覺能力，處理更多輸入變化。兩者都需要明確流程。

工作流是完成結果的任務、判斷與資訊流。先畫出輸入、輸出、依賴和決策點，才能找到值得自動化以及需要監督的位置。

這些金額與時間是示例條件，不是通用業務規則。

講義三：四步實施與三項初篩

先完整記錄當前流程、依賴與異常；再從簡單、可預測的規則步驟入手；有必要時加入模型幫助判斷；最後為自主行動定義批准、邊界、審計與回退。

自動化程度可從人工、輔助、半自動、高度自動到限定範圍自主變化。原圖顯示，控制轉換既可由人發起，也可在設定規則下由系統發起。全自動不是每項任務的目標。

三項初篩稱為“3R”：是否重複，例如每週超過三次；是否按相同規則；是否常規到可以把準確步驟教給別人。

如果三項都符合，可以進一步評價自動化；否則可保留人工或以後重審。原講義用“都符合就自動化”作簡化，仍須另外考慮錯誤後果、資料條件和維護成本。

較穩妥的實踐從業務問題開始，優先高價值、低複雜度，利用已有資料與流程，增強人的能力，並用業務結果衡量。

講義四：流程、規則自動化、AI 與 Agent

規則式例子是提交表單後建立工單併傳送確認；AI 例子是理解資訊意圖與情緒後分派；Agent 例子則是查資料、檢查訂單、準備跟進，並在必要時升級。

譯註：自然對話不等於 Agent，按鈕介面也不證明後臺沒有 AI。是否能規劃、使用工具和調整行動，需要檢查實際實現；“實時執行”也不等於模型引數自動學習。

講義五：把隱性知識寫下來

許多組織規則藏在人腦中。Agent 只能使用實際提供或能夠取得的資料，因此合作的一個重要步驟，是把經驗、例外和判斷條件寫清楚。

原講義把本體（ontology）解釋為領域知識的結構圖，包含概念、屬性與關係。實際場景中，還可能需要規則、例外與來源，說明組織怎樣判斷。

在票據整理中，這些知識可能分佈在初始指令、記憶筆記、資料夾結構與檔名裡。

這些不是正式會計判斷規則，而是說明怎樣把領域條件提供給應用。實際歸類與稅務後果需要具備相應知識的人確認。

講義六：執行框架、領域知識與 Agent

執行框架（harness）載入必要記憶、提供工具並執行迴圈；領域知識說明什麼為真、誰擁有何物、適用什麼規則；Agent 讀取、提取、判斷，再執行或標記疑問。

資料從票據與郵件 PDF 進入，形成記錄和賬簿；無法確定的進入待審位置。人回答疑問以後，新規則經過確認儲存，後續執行再使用。

檢視圖解文字說明

原始收據及頁碼支援欄位與業務關係判斷。規則儲存生效日期、適用條件和版本，執行狀態記錄已做與待處理事項。人工反饋先區分識別錯誤、執行錯誤或規則變更，稽核後再儲存新規則；不表示模型自動訓練。

圖解強調修正規則需要證據與稽核，不是把任何一次糾正自動推廣到全部情境。

本體像地圖，Agent 按地圖行動。因為有目標、工具與判斷，並會在不確定時詢問，這個示例比純固定步驟多一些適應能力；仍然保留人的檢查，不能稱為無人負責的全自主系統。

口頭文字稿一：為什麼不能為了自動化而自動化

理解自動化與 Agent，可以用於不同組織、行業，也可以用於個人專案。先記住兩個提醒：有效流程的自動化會放大效率，低效流程的自動化也會放大問題；在加速前，先質疑要求，刪去無必要步驟。

這裡討論的不是技術是否“酷”，而是具體任務適合哪一種方式，以及最後由誰負責。使用 AI 得到的結果仍然需要有人承擔相應責任。

原講解接著引用若干生產力與使用增長數字，說明為什麼這個問題受到關注。它同時提醒，收益依賴合適計劃與實施，不是採用工具就自動發生。上述數字的核驗限制已在講義部分說明。

關於 Agent 的討論，也從“一個系統做所有事”轉向“多個專門能力協作”。但自主系統出現，並不代表可以無限放權。更重要的是主動設計自主與監督的比例，而不是隻用“自動化多一點或少一點”來衡量。

新聞裡常見系統失控的說法，其中有些帶有宣傳或誇張成分；但許可權、控制和實際後果仍然是需要認真處理的問題。

口頭文字稿二：先把過程看清楚

自動化使用技術執行預先安排的動作，減少人工干預。AI 自動化在其中加入機器學習、語言處理、視覺等能力，用來處理變化和模式。

但有 AI 不表示所有部分都會自己學習。識別哪些步驟適合交給系統，比先連線一堆工具更重要。實現需要分階段清理、分析、測試和調整，不必以全自主作為唯一目標。

要開始用工作流思考。畫出任務怎樣開始，經過哪些決定，有什麼依賴，最後怎樣完成。可以先從個人、團隊或部門的小範圍開始，不必一上來覆蓋整個組織。紙上草圖也可以幫助把只存在腦中的步驟變成可檢查的過程。

觸發器說明什麼時候開始：收到郵件、提交表單、每天九點、每月某日，或系統達到閾值。條件說明走哪條路徑：金額超過設定值需要批准，特定客戶需要優先處理，超過設定時間就升級。

動作是在這些條件下實際傳送通知、建立記錄、更新資料、製作報告、安排會議或分派任務。例如，表單進入以後，系統識別請求類別和所需處理方式，再通知適當人員。

反饋迴圈則讓人知道執行是否有效。跟蹤完成率、錯誤、節省時間和滿意度，收集問題，形成下一次改進。僅把流程跑完，沒有記錄和更新機制，並不意味著發生了學習。

這也是執行框架的重要部分：不只執行，還要觀察結果與錯誤。

口頭文字稿三：從小步驟建立實施能力

有很多實施框架，下面提供一個可以開始的順序。第一，完整記錄流程，標出輸入、輸出、判斷、依賴與異常。第二，在簡單、線性的部分增加規則自動化，並在全面使用前測試。

第三，需要時加入模型處理情境和判斷，例如按溝通內容準備不同回應。第四，為自主行動建立治理：哪些決定必須人工批准，系統可以獨立做什麼，怎樣審計、回退，以及什麼時候重新評估。

技術更新很快，但不應該只因為出現新版本，就修改一個已經滿足需要的系統。應在發現實際改進並驗證以後再調整。

初篩可以用重複、規則、常規三個問題：是否經常做，步驟是否穩定，能否教別人準確完成？每週三次只是示意，可以按任務調整。需要特殊判斷的步驟，未必適合直接自動化；可把人的經驗用在更需要判斷的位置。

三項都符合，也仍需要檢查後果。若有不符合，可以先保留人工，隨著試驗和需求變化再評估。

口頭文字稿四：AI 在工作流的哪一步出現

如果流程只根據清楚欄位選擇“是”或“否”，規則就可能足夠。收到郵件以後，若要理解投訴、問題和情緒，再決定怎樣分派或準備回應，就加入了 AI 能力。

原講解在這裡也用“Agentic”描述情緒分析步驟。準確說，單次情緒分類仍可只是 AI 自動化；是否屬於 Agent，要看有沒有圍繞目標規劃、工具選擇和反饋調整，不能只因使用模型就下結論。

流程圖工具可以幫助需求對映，原討論提到 Visio、draw.io 等；需要實際連線和執行時，則可以研究 Make、Zapier 等平臺。畫圖與執行是不同功能，不能因圖畫好了就認定系統已經整合。

把業務問題作為起點，優先驗證高價值、低複雜度，利用已有資料，增強人的能力，以實際結果判斷。不要先決定必須使用某種 AI，再尋找可以安放它的位置。

口頭文字稿五：三種執行方式的具體差別

規則式自動化按指令碼走，通常表現為確定性：相同輸入與規則產生相同輸出。它由按鈕、定時或表單等特定事件觸發，本身不會因為執行次數增加就學習或適應。過去電話營銷人員依照問答手冊跳轉，是一種非數字類比；數字系統則可以在表單提交後，建立工單，再按模板傳送確認郵件。

AI 自動化的核心思路則是利用資料改進執行方式。它具有情境性和機率性，並不只依賴固定規則；可以結合語言處理、視覺或預測模型，完成分類和推薦。例如，例如分類客戶訊息的意圖和情緒，再分派或準備較適合的回應。反饋可用於未來改進，但必須實際建立更新安排。

Agent 的核心思路進一步變為圍繞目標安排執行路線。它可以使用 API、MCP 等工具連線和記憶，透過觀察、規劃與行動的迴圈完成較複雜的任務；多個專門 Agent 也可以在編排下分工。它可以根據目標拆步驟，在多個工具間選擇，觀察結果後再決定下一步。在提供適當資料以減少無依據生成、設定防護與許可權後，Agent 可能在限定範圍內獨立推進。原講解用“執行時繼續編寫指令碼”作類比，強調路線不全固定；但已有目標、工具和邊界仍需由人設計。

只顯示按鈕的聊天介面可能主要走固定路徑；自然對話介面則可能使用語言模型。不過，單看介面不能判斷後臺架構，也不能從能聊天推斷系統能夠完成真實操作。

口頭文字稿六：隱性知識為什麼重要

許多規則來自長期經驗，員工知道，系統卻不知道。要讓 Agent 使用這些經驗，就需要把概念、關係、判斷和例外顯式寫下來。

原講解把這一層稱為本體。它幫助描述組織知道什麼，以及遇到資料時如何判斷。不同組織面對相同資訊，可能因目標、偏好與經驗不同而採取不同做法。

一個公共資訊分析的匿名示例，是先收集新聞和社交內容，再用於策略。但在生成策略以前，必須明確組織怎樣評價資訊、怎樣作決定，不能把資訊收集本身當成戰略判斷。

新決定與人工反饋可以形成後續資料，但需要適用範圍與稽核。把它比作“大腦”只是類比，不能據此推斷模型自行形成了人的心智。

口頭文字稿七：票據整理怎樣體現領域規則

一個匿名組織過去常在月底把大量票據集中交給會計，整理困難，於是嘗試建立輔助系統。紙票、照片或郵件 PDF 進入資料夾以後，系統讀取內容、提取欄位，再按公司、年度和類別整理。

它需要知道誰擁有哪張付款卡，哪些費用屬於哪個實體，有什麼例外。如果無法判斷，就放到待審位置，由人說明“這張屬於哪裡”。這些規則並不都在一份檔案裡，也可能表現為目錄、檔名和已確認的筆記。

例如，公司 A、公司 B 與個人是不同實體；個人卡支付公司賬單，可能需要記錄相應關係。收件郵箱可作為線索，但不能自動推翻實際付款與用途。不同會計年度也需要明確。

目錄和檔名應讓人一眼知道日期、商家和用途，而不是隻有一串編號。整理後還可以更新表格；不確定則詢問，而不是為了完成任務猜測。

這個系統有目標、工具、判斷與人工反饋，因此比固定檔案搬運更靈活。本體是地圖，Agent 走這張地圖；人仍需要檢查地圖是否正確。

關聯閱讀

繼續進入工具連線與票據整理 Agent檢視執行過程；需要先複習技術角色時，回到業務 Agent。

參考與延伸閱讀

以下為編輯補充。

• draw.io 官方文件：英語，查詢流程圖與結構圖的製作方法。
• n8n 工作流文件：英語，區分圖示步驟與實際執行。
• NIST AI 風險管理框架：英語，幫助安排監督、記錄、評價與責任。