谈论 AI 改变工作的文章很多，但多停留在泛泛而论。本文聚焦于实际可操作的工作流方案，梳理在不同工作场景中真实有效的 AI 使用策略——不是”AI 可以做什么”，而是”如何把 AI 嵌入你的日常工作流以获得具体效果”。
## 信息处理与研究工作流
**问题**：每天需要处理大量文章、报告和邮件，提取关键信息耗时且低效。
**方案**：
1. **Perplexity AI**（或 ChatGPT+搜索）进行初步研究：提出问题，获得带引用的综合回答，快速了解全局。
2. **Claude.ai** 处理长文档：将完整 PDF/报告上传，要求提取关键论点、数据和结论。200K 上下文适合处理 100+ 页的报告。
3. **AI 摘要流程**：设定固定的摘要格式提示（”3 条最重要发现 + 1 个待跟进问题 + 关键数据”），批量处理文档，建立个人知识库。
**实际效果**：经验报告显示，系统性使用 AI 研究辅助可将阅读摘要时间减少 60-70%。
## 写作与内容创作工作流
**问题**：写作是知识工作者的核心输出，但常常耗费大量时间在结构组织和起稿上。
**方案**：
1. **大纲先行**：告诉 AI 文章的目的、读者和主要论点，让 AI 生成多个大纲选项，选择最优后人工调整。
2. **分段起草**：按章节分别与 AI 协作，而非一次性生成全文（更好控制质量）。
3. **修订循环**：将草稿返回 AI 要求按照具体标准改进（”使语言更简洁”/”增加数据支撑”/”调整为更正式的商务语气”）。
4. **风格一致性检查**：对于定期发布内容（博客、报告），维护一份”风格指南提示词”，每次生成前提供给 AI。
## 代码与技术工作流
**问题**：程序员在陌生代码库、新语言或调试复杂问题时效率低下。
**方案**：
1. **Cursor**（AI IDE）+ Claude/GPT-4：将整个代码库作为上下文，提问和修改更精准。
2. **调试策略**：遇到错误，直接将错误信息+相关代码片段+你的假设发送给 AI，比逐行手动排查快 5-10 倍。
3. **代码审查**：生产代码提交前，让 AI 审查安全性、性能和可读性（不替代人工审查，而是作为初步过滤）。
4. **文档生成**：用 AI 自动生成函数 docstring、README 和 API 文档草稿，人工校对。
## 会议与沟通工作流
**问题**：会议记录、邮件回复和跨团队沟通消耗大量认知资源。
**方案**：
1. **会议转录+摘要**：使用 Otter.ai 或 Notion AI 自动转录会议，AI 提取行动项和决议。
2. **邮件处理**：对于复杂邮件，先让 AI 分析”对方的核心诉求是什么”，再辅助起草回复。减少误解和不必要的来回。
3. **异步沟通模板**：为常见场景（需求变更通知、项目进度更新、客户拒绝婉转处理）建立 AI 辅助模板库。
## 学习与技能提升工作流
**问题**：学习新技能时，找到合适的学习路径和解答具体问题耗时较长。
**方案**：
1. **个人化课程设计**：向 AI 描述你的现有基础和学习目标，要求制定 4 周/8 周的学习计划，具体到每日任务。
2. **即时答疑**：学习中遇到不懂的概念，用费曼学习法提示（”用简单语言解释 X，然后给我一个类比”）。
3. **练习生成**：让 AI 针对你正在学习的内容生成定制练习题和实践项目，比通用题库更贴合学习进度。
## 系统化使用的关键原则
无论哪个场景，高效使用 AI 工具的共同原则是：
– **明确输出格式**：告诉 AI 你想要什么格式，而不是靠它猜测
– **迭代而非一次到位**：AI 输出是起点，不是终点
– **保留判断权**：对 AI 输出进行批判性审查，特别是涉及数据和事实的部分
– **建立可复用的提示词库**：将有效的提示词保存为模板，减少每次的设计成本
参见[提示词工程详解](https://sunqi.org/llm-prompt-engineering-zh/)；[Claude AI 能力解析](https://sunqi.org/claude-ai-capabilities-zh/)；[ChatGPT 深度使用指南](https://sunqi.org/ai-agent-workflow-zh/)。
—
