AI 工作流要解决的问题，是让多个 AI 处理环节自动接力，而不是每一步都由人来复制粘贴。很多团队用 AI 已经一年多，效率提升却停在"写得快了一点"，原因很具体：聊天式 AI 一次只处理一个明确任务，任务与任务之间的搬运——把上一步的结果复制出来、整理一下、再贴进下一个对话框——仍然全靠人手。一条五步的工作流程，AI 帮了五次忙，人也搬了五次砖。
英飞·思想家的 Agentflow 换了个做法：用自然语言定义若干智能体，用连接线把数据和智能体串起来，让信息在画布上按顺序自动流转。整条链路跑通之后，换一批输入数据，同一套流程可以直接复用。
一、先分清"用 AI"和"AI 工作流"
两者的差别不在模型能力，而在结构。
| 对比项 | 聊天类 AI | Agentflow 智能工作流 |
|---|---|---|
| 处理范围 | 一次一个明确任务 | 多个环节串成任务链 |
| 环节衔接 | 人工复制粘贴 | 上一步结果自动进入下一步 |
| 编排方式 | 线性对话 | 画布可视化编排 |
| 复用性 | 每次重新交代背景 | 流程固化，换数据即可复用 |
| 结果沉淀 | 散落在聊天记录 | 沉淀为画布上的可复用流程 |
一句话概括：聊天类 AI 优化的是单点效率，工作流优化的是整条链路。当同一类任务每周要重复做三次以上，把它固化成工作流的收益就开始明显了。
二、什么是自定义智能体
智能体可以理解为一个可配置的专业助手：你用清晰的自然语言描述它的目标、步骤和规则，它就按照这套业务逻辑稳定执行。四个特征值得注意。
提示词驱动。 不需要写代码。角色定位、判断标准、输出格式和约束条件都用自然语言描述，执行过程可控、可复用。
数据串联能力。 把输入数据、智能体和输出位置连接起来，信息在画布上持续流转与沉淀，不会中途落地成一个需要人工搬运的中间文件。
任务自动化。 复杂任务拆成多个环节，由智能体自动接力处理，减少重复操作。
场景针对性。 围绕客户分析、内容总结、资料整理等真实业务配置专属助手，比通用助手的结果更精准。
三、搭建一条工作流的五个步骤
第一步：明确任务目标。 先确定希望智能体解决什么问题，例如分析调研数据、生成周期性报告或提炼决策建议。目标模糊是工作流失败最常见的原因——"帮我处理一下资料"无法拆成节点，"从 20 份访谈记录中提炼共性痛点并按频次排序"可以。
第二步：编写提示词。 描述每个智能体的角色、判断标准、输出格式和约束。输出格式尤其重要：下一个节点要消费这一步的结果，格式不稳定，整条链路就会断。建议明确写出"以列表形式输出，每条包含痛点描述、出现次数、原始引用"这类要求。
第三步：连接输入与输出。 用连接线把数据接到智能体前方，再连接输出位置，完成数据到结果的闭环。这一步在画布上是可见的，哪个节点接了哪些数据一目了然。
第四步：运行与优化。 观察实际输出，根据结果继续调整提示词、数据来源和流转规则。第一版很少一次就对，但因为每个节点是独立的，定位问题比调试一个长对话容易得多。
第五步：应用与迭代。 把稳定的流程应用到团队日常工作，并随场景变化持续改进。
四、智能体中心：不用从零配置每个节点
搭建工作流时，可以直接从智能体中心选用现成的能力组件，把分析、总结、生成等节点快速接入自己的 Agentflow。
对需要经常出稿的小团队来说，这一点很实际：做内容生成流程时，分析、写作、润色三类组件直接拖进来组合，比逐个从零配置快很多。先用现成组件把链路跑通，再针对效果不理想的节点单独替换成自定义智能体，是比较稳妥的推进方式。
五、六个现成模板，可以直接改
模板社区提供覆盖调研、内容、项目、营销、培训等场景的成熟工作流，搜索 workflow 即可找到起点。
- 市场文章生成——结合选题、资料与品牌调性，自动完成多渠道市场内容撰写
- 文献批量阅读——多篇文献并行提炼观点、对比结论并汇总成可读的研究笔记
- 作文批量批改——批量导入学生作文，自动评分、批注并生成个性化修改建议
- 面试流程模拟——模拟提问、追问与反馈环节，帮助候选人反复演练面试全流程
- 小说批量生成——按设定与章节大纲，由智能体接力完成批量创作与风格统一
- 手提包设计——从灵感草图到材质建议，多智能体协同输出可讨论的设计方案
从模板起步的好处是能先看到一条完整链路长什么样，再按自己的业务改提示词和节点顺序，比对着空白画布想象要快。
六、哪些办公场景适合做成工作流
判断标准有三条：任务重复发生、步骤相对固定、每步的输入输出可以描述清楚。三条都满足，就适合固化成工作流。
常见的几类：
- 周期性报告：周报、月度数据简报、竞品动态汇总，输入换成本期数据即可复用
- 资料批量处理：多份文档并行提炼要点、对比结论、汇总成一份可读材料
- 内容生产链路：选题分析 → 资料整理 → 初稿生成 → 风格润色，各环节自动衔接
- 评估与打分：作业批改、简历初筛、方案评审，按统一标准批量处理
- 调研分析：把调研资料、分析智能体和报告输出连成一条链，结论不再散落在聊天记录里，而是沉淀成可复用流程
反过来，一次性的、判断标准每次都不同的任务，直接用对话式 AI 更划算，不必为它搭流程。
七、结果不理想时从哪四个方向优化
工作流第一版跑不准是常态。建议按这个顺序排查：
- 提示词——角色、判断标准、输出格式、约束条件是否写清楚了？特别检查输出格式，它决定了下一个节点能不能正常接住
- 输入数据质量——喂进去的资料是否完整、是否有噪音、是否需要先加一个清洗节点
- 输出格式——上下游节点对格式的预期是否一致
- 流程顺序——某些环节是否应该拆细，或者两个节点是否应该合并
因为节点是可视化的，问题通常能定位到具体某一步，而不是笼统地"AI 效果不好"。
八、和画布上的其他能力如何配合
Agentflow 不是独立工具，而是无限画布上的一种能力。这带来两个实际好处。
输入可以是画布上的任何东西。 PDF、Word、PPT、图片乃至会议记录都能拖进画布作为工作流的输入源，不需要先转格式。
输出落回画布，可继续加工。 工作流的执行结果是画布上的原生元素，可以直接接着做AI 思维导图、生成 PPT，或者拉几个同事进来批注讨论。整条链路的上下文始终在一处。
关于画布内七种 AI 能力的完整介绍，可以查看英飞的 AI 原生画布。
常见问题
自定义智能体需要写代码吗？
不需要。用自然语言描述需求、配置提示词，并通过画布连接输入数据、智能体和输出位置即可。
Agentflow 和聊天类 AI 有什么区别？
聊天类 AI 适合处理一个明确任务；Agentflow 会把多个智能体和数据节点串成任务链，让上一步结果自动进入下一步。
可以使用智能体中心里的其他智能体吗？
可以。你可以把智能体中心中的不同能力接入同一条流程，组合出更强大的自动化工作流。
运行结果不理想时怎么优化？
建议从提示词、输入数据质量、输出格式和流程顺序四个方向调整，并在真实任务中持续验证。
非技术同事能上手吗？
可以。从模板社区搜索 workflow 找到合适起点，再按团队业务改提示词和节点，不需要先理解复杂配置就能把流程跑起来。
结语
AI 工作流的价值不在于替代某一次思考，而在于把那些"每次都要做、每次都差不多"的环节交出去。用Agentflow把数据和智能体串成一条链，人的精力就能从搬运和重复操作，转移到判断结果、优化规则和处理例外情况上。
建议的起步方式：挑一个团队每周至少重复三次的任务，先用现成模板跑通一版，再逐步替换成自己的智能体。一条能稳定运行的工作流，比十个配置到一半的流程有用得多。