你有没有发现自从认真开始用 AI你自己反而更忙了AI 确实负责了“创造”的部分——它写文章、出方案、生成代码、做图、剪视频看起来无所不能。但真正消耗你时间和耐心的往往是另外一些事把 AI 生成的一坨内容整理成能用的格式、一遍遍调整提示词让输出别跑偏、核对它编造的数据、给生成结果做二次加工甚至替它修 bug、填坑、收拾烂摊子。我管这些活儿叫“脏活”——必不可少但既不性感也不创造纯靠人肉堆时间。我一直想停下来。于是花了挺长一段时间认认真真把“AI 负责创造、人负责干脏活”这个局面翻来覆去拆了一遍也做了一些自动化改造的尝试。这篇文章就把这段思考和实践记录下来聊聊脏活从哪来、能不能让 AI 自己接住以及哪些脏活必须留给人。1. 为什么 AI 越能干人反而越忙——脏活的来源与底层逻辑1.1 AI 输出的是“可能性”不是“成品”于是返工成了常态先说一个很多人没意识到的事实大模型输出的本质是“概率性的文本生成”。你给它一个提示词它吐出的是在海量数据上学出来的、最像样的下一步。这意味着它的每个回答从生成那刻起就自带不确定性——这次输出和上次输出不一样可能这次是对的下次就是错的。这个特性决定了AI 的生成本质上只是“初稿制造机”。它给出的内容方向通常是对的但细节上往往差一口气可能是格式不对可能是某个数据需要核实可能是语气统一不了也可能是编了一段看上去很像样的引用实际出处根本不存在。那么谁来收拾这个“差一口气”只能是人。我举一个很日常的例子。让 AI 帮我写一份活动策划案它十分钟就能给你三套方案结构完整、亮点清晰。但等你要真正往外发的时候问题就来了策划案需要固定的排版风格需要把活动时间、地点、预算表格化需要核对合作方名称和往期数据。这些 AI 全都没有自动完成你得自己打开文档把内容一段段搬进去该调格式的调格式该算预算的算预算。这时候你会产生一种错觉AI 干活真快。然后紧接着是另一种感觉这些破事怎么还是要我干而真相是AI 只完成了“从无到有”的 20%剩下 80% 的“从有到能用”全压在了人身上。1.2 期望错位你以为在合作其实在管理一个高能实习生如果非要用一句话描述现在大多数人和 AI 协作的状态我觉得是你给自己雇了一个能力不错、但非常不用心的实习生。这个实习生知识面广、反应快、态度也好你问什么它都能接上话。但它有个特点——不会主动问需求你给的需求稍微模糊一点它就自由发挥干了半天你去看发现方向跑偏还得推倒重来。更要命的是它不记得上次跟你约定的规则也不会主动检查自己的工作有没有错漏。你需要在旁边不断给出反馈它才能一点点逼近你想要的答案。这就是为什么“AI 负责创造、人负责干脏活”这个搭配这么普遍。因为 AI 的“创造”本质上是一次廉价的、大范围的探索而人要做的是把探索结果里能用的一部分挑出来打磨成真正可交付的东西。所以你会发现那些看起来很会用 AI 的人并不是提示词写得多么惊为天人而是他们敢于花大量时间做“后处理”校验事实、调整格式、补充上下文、统一风格。这一类工作恰恰是重复度最高、最消耗精力、也最不像人该干的事。1.3 脏活的本质AI 没有“完成感”人被迫承担闭环责任还有一个藏在底层的逻辑AI 不需要对结果负责。你让 AI 写一段代码它可以给你一个语法完全正确、但运行就炸的版本因为它不负责编译和部署。你让 AI 写一篇行业分析它可以写得非常流畅但数据可能过时、逻辑可能前后矛盾因为它不负责核实和发布。你让 AI 做一张海报它可以给你一个创意十足但被裁掉重要文字的版本因为它不知道最终投放渠道的尺寸要求。这些“最终检查、最终确认、最终交付”的责任法律上、流程上、品牌上都只能落在人身上。于是人就被死死绑定在这条闭环里做那个“最后兜底的人”。脏活停不下来不是因为 AI 不够聪明而是因为我们的工作流从来没有为“AI 产出不完美”做过自动化的补偿设计。脏活之所以成为脏活是我们默认了“人必须补位”——这个默认才是问题的根源。2. 盘点那些“人在替 AI 打工”的脏活场景既然要解决问题第一步得摸清楚到底哪些脏活是高频发生的。我梳理了三个最常见的领域你应该很快能对号入座。2.1 内容生产领域格式整理、事实核查、二次编辑内容创作是 AI 应用最广、也是最典型的“脏活重灾区”。举个例子假设你让 AI 写一篇 2000 字的科普文章。AI 可能花 30 秒就给你一篇完整的稿子语言流畅、结构合理。这时候你以为完事了吗远远没有。你需要把全文重新读一遍确认没有明显的常识性错误涉及数据和引用来源的地方挨个去查证因为大模型经常会一本正经地编数据把文章段落重新拆分添加小标题让排版符合你所在平台的习惯对一些专业术语做统一避免前后叫法不一致最后还要处理版权风险——如果 AI 原样复述了某段受保护的文字你根本看不出来。这一套流程下来花的时间可能比你自己从头写还多。我见过不少同事刚开始用 AI 写稿时兴奋不已两周后默默地回到了手动写作。不是因为 AI 不好用而是“驯服”AI 的成本太高高到让人怀疑人生。2.2 软件开发领域环境搭建、回归测试、边角料修补AI 编程是过去一年最火的方向之一但如果你以为用 AI 就能当甩手掌柜那真是大错特错。我做了个小实验让 AI 写一个简单的网页爬虫功能是抓取某个新闻网站的标题和链接。AI 大概一分钟就给出了完整代码看起来没问题。但实际一跑首先是依赖库版本冲突其次是对方网站做了反爬再然后是编码问题导致乱码。每一个报错都得我自己去看日志、搜解决方案、改代码、重新调试。AI 能帮我写出 80% 的代码但剩下那 20% 的“让它真正跑起来”的脏活半点没少。更别提那些更琐碎的部分测试用例设计完了要人一条条审、构建脚本报错了要人一行行看、不同环境的差异要人手动适配、依赖包升级后老代码崩了要人修。AI 让“写代码”这件事变快了但“让代码上线”这件事的复杂度一点都没有降低。2.3 数据分析领域数据清洗、口径对齐、画图调参再说数据分析。让 AI 根据一份数据报告总结结论它会做得非常漂亮——条理清晰、洞察准确、表达专业。但前提是数据本身得是干净的。现实是你拿到的数据往往长这样Excel 里日期格式不统一、姓名有重复、字段名一会儿是中文一会儿是英文、还有一堆空值和异常值。这些数据如果直接扔给 AI它不会告诉你数据有问题它会一本正经地基于垃圾数据给你生成一份漂亮的分析报告——如果你不仔细核对就会被数据背后的错误结论带偏。于是人就必须在“喂数据给 AI”之前先做一轮手工清洗删重、补空、统一格式、处理离群值。这活儿毫无技术含量但极其耗时。等数据终于干净了你可能还要写一段 Python 脚本把结果画成图——AI 能帮你生成画图的代码但图出来后坐标轴标签被截断了、中文字体显示成方块、颜色搭配丑到不忍直视……这个调优过程又是纯纯的人肉劳动。这些场景我讲下来你可能会觉得“这不是技术问题这是流程问题”。对但我更想说的是这些问题不是无解的。后面我会讲我是怎么一步步把它们自动化掉的。3. 让“脏活”停下来的第一次实操尝试——用 Agent 把流程捡起来既然脏活的根源是“AI 只管生成不管交付”那思路就很清晰了不要让 AI 只做单个动作而是把它放进一条完整的流程里让流程去补齐后续所有步骤。这个思路对应到技术实现上就是最近很火的 AI Agent。3.1 方案选型先别上“全自动”从高频小链路开始顺着这个思路我先给自己设了一个边界不全自动不做大而全的平台只针对最高频、最让我头疼的 2-3 个重复场景做改造。这个原则帮我避免了很多坑也让我能更快地跑通第一条链路。技术上我考虑过几个方向直接调大模型 API自己写管道脚本。适合纯文本处理类任务比如把文档转成结构化 Markdown、提取关键词、生成摘要。好处是依赖少、逻辑直观、成本低。使用 Agent 框架比如 Spring AI、LangChain 这类工具。适合需要多步骤决策、调用多个工具的场景比如“读取内容 - 调用搜索引擎核实 - 改写 - 生成报告”。本地部署大模型配合自动化脚本。适合有隐私要求的场景但对机器配置要求高维护成本也高。对于我的场景——内容生产、格式整理、初步校对——第一条路线最实用。不需要 Agent 有太多自由度只需要让几个固定的步骤串在一起做一个“脏活流水线”。我最后用的是“脚本 大模型 API 本地工具”的组合脚本负责编排和调用大模型负责理解和生成本地工具负责格式转换、文件保存等等。结构很简单但效果立竿见影。3.2 实操案例给“文章发布”配一个脏活小弟我挑了一个每天都会遇到的场景做实验把 AI 写好的文章草稿自动变成一个符合发布要求的成品文档。以前这个流程是这样的从 AI 对话里复制正文 - 粘贴进 Word/编辑器 - 手动套用标题样式 - 手动加粗关键句 - 手动调整图片位置 - 手动检查错别字 - 手动保存版本。总耗时少说 15 到 20 分钟枯燥到不行。改造之后我的流程变成了这样写一段专门的“格式化提示词”要求模型把一段纯文本正文转换成结构化 Markdown自动识别并标记一级二级标题、提炼小标题、把关键句转成加粗。用脚本把模型输出保存为一个.md文件。再跑一段本地脚本自动检查文件里的明显问题是否有多余的换行、是否有错别字用本地的词库比对、是否包含了建议性的开头语比如“作为一个语言模型”这类话。生成一份存档文件名自动带上日期和关键词放到固定目录。人工只需要最后读一遍正文确认没有大问题然后点击发布。这套流程搭建起来并不复杂核心代码也就一百来行但它直接把我每天在那 15 到 20 分钟里耗掉的精力全部解放了。我不再需要每天面对空白的 Word 文档发呆也不用反复在“复制-粘贴-调格式”里打转。脏活确实停住了一大半。提示这个方案的要点不在于用了多高级的技术而在于把“AI 生成”和“最终交付”之间的每个环节都显式写进流程里。只要有一个环节漏掉了人就得回来补位。3.3 踩坑记录为什么“全自动”反而是最大的坑这套流程跑了一阵之后我开始想当然既然格式化都能自动化那发布能不能也自动化于是我做了一个更大胆的尝试——让整个流程自动跑完直接生成一篇可以直接发布的完整文章包括自动配图、自动选封面、自动填充 SEO 关键词然后我只需要复制粘贴。结果翻车了。第一次全自动跑完生成的文章确实完整但我仔细一读发现模型在一段“原创观点”里引用了一个根本不存在的案例——这个案例我不知道模型也不知道但它的生成文本逻辑太通顺了以至于整个流水线里没有任何环节能发现这个漏洞。如果我没认真读就直接发出去后果不堪设想。还有一次模型生成的字符里隐藏了一个格式标记导致自动化脚本在处理时把整个文档结构搞乱了我花了比手写多一倍的时间去修复。这两次经历让我彻底放弃了“全自动发布”的思路。我现在的方案是“自动化处理 人工闸门”机器负责所有可以机器负责的步骤但最终发布前必须有一个人看一遍正文。AI 可以把人从重复劳动中解放出来但在关键节点上人的判断力依然不可替代。4. 安全与合规是关键闸门——哪些“脏活”必须留给人顺着“人工闸门”这个话题我得专门讲一下有一些脏活不仅不该停反而必须牢牢抓在人手里。这里不只是效率的问题更是安全和合规的问题。4.1 内容审核这条线不能全交给模型很多人觉得AI 都能做内容审核了人干嘛还要守着但我的实践经验是AI 可以做初审但终审必须是人。原因很简单。AI 的审核逻辑是“基于模式识别”它擅长处理那些符合常见模式的违规内容但对于一些语义模糊、需要结合上下文或者行业背景才能判断的内容它的准确率并不可靠。比如一条广告语可能字面上完全合规但在特定语境下存在夸大宣传的嫌疑——这种判断模型做不了需要人来拍板。我在实际工作中给自己定了一条规则所有对外发布的内容必须有人工审核确认。AI 可以做第一轮筛查把明显有问题的地方标出来降低人的工作量但最终按钮必须由人来按下。这不是不信任 AI而是责任问题——出了事担责的终究是人。有些平台提供“AI 审核 人工抽检”的模式我觉得在内部流程里也可以参考低风险内容走自动审核 定期抽检中高风险内容必须人工逐条过目。这样既能保住效率又能守住底线。4.2 数据与隐私的边界不能因为图方便就模糊还有一类脏活和敏感数据有关。以前我会图省事直接把客户发来的表格丢给线上的 AI 工具让它帮忙分析。后来我仔细想了想这其实是个非常危险的习惯——你不知道你的数据会被存到哪个服务器、会不会被拿去训练模型、会不会被第三方看到。从那以后我养成了一个习惯凡是涉及隐私、商业机密或未公开数据的内容一律不送进公网上的 AI 工具。如果必须要用模型处理要么本地部署一个开源模型要么在脱敏之后再去处理。本地部署确实是个脏活——要配环境、要调参数、要管显存各种折腾。但这件事不能省。守住数据的边界就是在守住自己和客户的底线。4.3 长期维护的“脏活”不能停模型要更新、知识库要维护、提示词要沉淀最后还有一个特别容易被人忽略的“脏活”维护。AI 不是一次配置好就能一直用的。大模型版本会更新行为会变化你需要定期重新测试自己的提示词和流程是否还稳定知识库里的信息会过时你需要不停地补充新内容、删掉旧内容提示词写过就忘了下次要用的时候翻遍聊天记录也找不到这种杂乱本身就是一种巨大的隐性成本。我的做法是做了一个非常简单的“提示词资产库”用一篇 Markdown 文档把我常用的所有提示词、适用场景、注意事项、版本变更记录都整理进去。每次对提示词有调整就在文档里更新一次。听起来很简单但这个习惯帮我省下了大量重复调试的时间。别把维护当负担。它其实是在给未来的自己减负。如果一个环节经常需要你重新摸索、重新调试那它就是一个值得被记录、被改进的信号。5. 想停又停不下来的几个瞬间——常见问题与排查思路这套自动化方案听起来不错但实际跑起来还是会遇到各种各样的问题。我把最常见的几个坑列出来算是给大家一份速查表。5.1 常见问题速查表症状可能原因排查思路AI 输出格式不稳定有时正常有时乱提示词没有给出明确格式模板在提示词里给一个精确的“输出模板”示例并要求严格按模板输出自动化链路跑着跑着就断了某一步依赖的外部服务返回了异常给每个步骤加上超时和重试机制断点后要能手动续跑相同提示词不同时间输出差异很大模型版本更新或温度参数设置过高固定模型版本把 temperature 调整为 0.1-0.3结果变化大的任务设置人工复核节点模型开始“撒谎”编造不存在的引用模型本身存在幻觉无法避免增加“事实核查”步骤重要数据和引用必须通过搜索或本地库确认本地部署的模型效果明显不如线上 API量化精度、参数量、提示词适配差异如果对效果敏感可以先跑一遍标准测试集判断是模型能力问题还是提示词适配问题想自动化的环节太多结果链路极其脆弱一次性铺得太大复杂度失控拆分成独立小链路每条链路只做一件事链路之间通过文件或消息解耦5.2 我总结的四条实操心得第一先把流程图拆明白再动手。不要拿到任务就写代码。先把“从输入到输出”的完整路径画出来标出哪些步骤机器能做、哪些步骤必须人工干预。画完之后你基本就知道该改哪里了。很多人自动化失败是因为根本没想清楚流程就急着上工具。第二给 Agent 的单步任务尽量小。宁可写十个简单步骤也不要让 AI 在一个步骤里同时完成“总结、翻译、润色、提取关键词、生成标题”五件事。步骤越小越容易排查问题也越容易维护。第三每一个自动节点都要有止损点。比如设置最大重试次数、设置超时时间、设置人工确认开关。没有止损点的自动化一旦出错就会无限循环浪费大量时间和 API 费用。第四先计算“脏活成本”再决定要不要自动化。如果一个动作每天只花你三分钟那就别折腾自动化了手动干完就行。自动化的真正价值应该集中在那些“每天半小时以上、毫无技术含量、出错了也看不出来”的重复劳动上。自动化不是为了炫技是为了让你把时间花在真正有价值的事情上。6. 我的最终结论与个人体会那次“全自动发布”翻车之后我没有放弃这套思路只是把方案变得务实了。现在的我会花更少的时间去追求“让 AI 一步到位”而是把精力放在定义标准、设定好流程边界、做好节点把控上。结果反倒稳定了。我自己的体会是让 AI 干脏活这件事真正要解决的不是“技术能不能实现”而是“你敢不敢把标准立清楚并愿意为流程自动化先付一笔时间成本”。你投入的前期设计时间会在未来无数个重复任务里连本带利赚回来。最后分享一个我实践下来最有用的习惯每次你发现自己正在做一件重复、枯燥、又必须做的事先别急着抱怨花十分钟想一想——这个动作能不能拆成明确的输入、处理和输出如果能大概率就可以交给 AI。哪怕今天只是把一个小步骤自动化积少成多你也会在某个节点突然发现自己终于不用再做那个天天收拾烂摊子的人了。脏活不能完全消失但好的工具能让你把有限的时间留在那些真正值得你亲自上场的事情上。这就是我折腾这一圈之后最想对你说的话。
你有没有发现自从认真开始用 AI你自己反而更忙了AI 确实负责了“创造”的部分——它写文章、出方案、生成代码、做图、剪视频看起来无所不能。但真正消耗你时间和耐心的往往是另外一些事把 AI 生成的一坨内容整理成能用的格式、一遍遍调整提示词让输出别跑偏、核对它编造的数据、给生成结果做二次加工甚至替它修 bug、填坑、收拾烂摊子。我管这些活儿叫“脏活”——必不可少但既不性感也不创造纯靠人肉堆时间。我一直想停下来。于是花了挺长一段时间认认真真把“AI 负责创造、人负责干脏活”这个局面翻来覆去拆了一遍也做了一些自动化改造的尝试。这篇文章就把这段思考和实践记录下来聊聊脏活从哪来、能不能让 AI 自己接住以及哪些脏活必须留给人。1. 为什么 AI 越能干人反而越忙——脏活的来源与底层逻辑1.1 AI 输出的是“可能性”不是“成品”于是返工成了常态先说一个很多人没意识到的事实大模型输出的本质是“概率性的文本生成”。你给它一个提示词它吐出的是在海量数据上学出来的、最像样的下一步。这意味着它的每个回答从生成那刻起就自带不确定性——这次输出和上次输出不一样可能这次是对的下次就是错的。这个特性决定了AI 的生成本质上只是“初稿制造机”。它给出的内容方向通常是对的但细节上往往差一口气可能是格式不对可能是某个数据需要核实可能是语气统一不了也可能是编了一段看上去很像样的引用实际出处根本不存在。那么谁来收拾这个“差一口气”只能是人。我举一个很日常的例子。让 AI 帮我写一份活动策划案它十分钟就能给你三套方案结构完整、亮点清晰。但等你要真正往外发的时候问题就来了策划案需要固定的排版风格需要把活动时间、地点、预算表格化需要核对合作方名称和往期数据。这些 AI 全都没有自动完成你得自己打开文档把内容一段段搬进去该调格式的调格式该算预算的算预算。这时候你会产生一种错觉AI 干活真快。然后紧接着是另一种感觉这些破事怎么还是要我干而真相是AI 只完成了“从无到有”的 20%剩下 80% 的“从有到能用”全压在了人身上。1.2 期望错位你以为在合作其实在管理一个高能实习生如果非要用一句话描述现在大多数人和 AI 协作的状态我觉得是你给自己雇了一个能力不错、但非常不用心的实习生。这个实习生知识面广、反应快、态度也好你问什么它都能接上话。但它有个特点——不会主动问需求你给的需求稍微模糊一点它就自由发挥干了半天你去看发现方向跑偏还得推倒重来。更要命的是它不记得上次跟你约定的规则也不会主动检查自己的工作有没有错漏。你需要在旁边不断给出反馈它才能一点点逼近你想要的答案。这就是为什么“AI 负责创造、人负责干脏活”这个搭配这么普遍。因为 AI 的“创造”本质上是一次廉价的、大范围的探索而人要做的是把探索结果里能用的一部分挑出来打磨成真正可交付的东西。所以你会发现那些看起来很会用 AI 的人并不是提示词写得多么惊为天人而是他们敢于花大量时间做“后处理”校验事实、调整格式、补充上下文、统一风格。这一类工作恰恰是重复度最高、最消耗精力、也最不像人该干的事。1.3 脏活的本质AI 没有“完成感”人被迫承担闭环责任还有一个藏在底层的逻辑AI 不需要对结果负责。你让 AI 写一段代码它可以给你一个语法完全正确、但运行就炸的版本因为它不负责编译和部署。你让 AI 写一篇行业分析它可以写得非常流畅但数据可能过时、逻辑可能前后矛盾因为它不负责核实和发布。你让 AI 做一张海报它可以给你一个创意十足但被裁掉重要文字的版本因为它不知道最终投放渠道的尺寸要求。这些“最终检查、最终确认、最终交付”的责任法律上、流程上、品牌上都只能落在人身上。于是人就被死死绑定在这条闭环里做那个“最后兜底的人”。脏活停不下来不是因为 AI 不够聪明而是因为我们的工作流从来没有为“AI 产出不完美”做过自动化的补偿设计。脏活之所以成为脏活是我们默认了“人必须补位”——这个默认才是问题的根源。2. 盘点那些“人在替 AI 打工”的脏活场景既然要解决问题第一步得摸清楚到底哪些脏活是高频发生的。我梳理了三个最常见的领域你应该很快能对号入座。2.1 内容生产领域格式整理、事实核查、二次编辑内容创作是 AI 应用最广、也是最典型的“脏活重灾区”。举个例子假设你让 AI 写一篇 2000 字的科普文章。AI 可能花 30 秒就给你一篇完整的稿子语言流畅、结构合理。这时候你以为完事了吗远远没有。你需要把全文重新读一遍确认没有明显的常识性错误涉及数据和引用来源的地方挨个去查证因为大模型经常会一本正经地编数据把文章段落重新拆分添加小标题让排版符合你所在平台的习惯对一些专业术语做统一避免前后叫法不一致最后还要处理版权风险——如果 AI 原样复述了某段受保护的文字你根本看不出来。这一套流程下来花的时间可能比你自己从头写还多。我见过不少同事刚开始用 AI 写稿时兴奋不已两周后默默地回到了手动写作。不是因为 AI 不好用而是“驯服”AI 的成本太高高到让人怀疑人生。2.2 软件开发领域环境搭建、回归测试、边角料修补AI 编程是过去一年最火的方向之一但如果你以为用 AI 就能当甩手掌柜那真是大错特错。我做了个小实验让 AI 写一个简单的网页爬虫功能是抓取某个新闻网站的标题和链接。AI 大概一分钟就给出了完整代码看起来没问题。但实际一跑首先是依赖库版本冲突其次是对方网站做了反爬再然后是编码问题导致乱码。每一个报错都得我自己去看日志、搜解决方案、改代码、重新调试。AI 能帮我写出 80% 的代码但剩下那 20% 的“让它真正跑起来”的脏活半点没少。更别提那些更琐碎的部分测试用例设计完了要人一条条审、构建脚本报错了要人一行行看、不同环境的差异要人手动适配、依赖包升级后老代码崩了要人修。AI 让“写代码”这件事变快了但“让代码上线”这件事的复杂度一点都没有降低。2.3 数据分析领域数据清洗、口径对齐、画图调参再说数据分析。让 AI 根据一份数据报告总结结论它会做得非常漂亮——条理清晰、洞察准确、表达专业。但前提是数据本身得是干净的。现实是你拿到的数据往往长这样Excel 里日期格式不统一、姓名有重复、字段名一会儿是中文一会儿是英文、还有一堆空值和异常值。这些数据如果直接扔给 AI它不会告诉你数据有问题它会一本正经地基于垃圾数据给你生成一份漂亮的分析报告——如果你不仔细核对就会被数据背后的错误结论带偏。于是人就必须在“喂数据给 AI”之前先做一轮手工清洗删重、补空、统一格式、处理离群值。这活儿毫无技术含量但极其耗时。等数据终于干净了你可能还要写一段 Python 脚本把结果画成图——AI 能帮你生成画图的代码但图出来后坐标轴标签被截断了、中文字体显示成方块、颜色搭配丑到不忍直视……这个调优过程又是纯纯的人肉劳动。这些场景我讲下来你可能会觉得“这不是技术问题这是流程问题”。对但我更想说的是这些问题不是无解的。后面我会讲我是怎么一步步把它们自动化掉的。3. 让“脏活”停下来的第一次实操尝试——用 Agent 把流程捡起来既然脏活的根源是“AI 只管生成不管交付”那思路就很清晰了不要让 AI 只做单个动作而是把它放进一条完整的流程里让流程去补齐后续所有步骤。这个思路对应到技术实现上就是最近很火的 AI Agent。3.1 方案选型先别上“全自动”从高频小链路开始顺着这个思路我先给自己设了一个边界不全自动不做大而全的平台只针对最高频、最让我头疼的 2-3 个重复场景做改造。这个原则帮我避免了很多坑也让我能更快地跑通第一条链路。技术上我考虑过几个方向直接调大模型 API自己写管道脚本。适合纯文本处理类任务比如把文档转成结构化 Markdown、提取关键词、生成摘要。好处是依赖少、逻辑直观、成本低。使用 Agent 框架比如 Spring AI、LangChain 这类工具。适合需要多步骤决策、调用多个工具的场景比如“读取内容 - 调用搜索引擎核实 - 改写 - 生成报告”。本地部署大模型配合自动化脚本。适合有隐私要求的场景但对机器配置要求高维护成本也高。对于我的场景——内容生产、格式整理、初步校对——第一条路线最实用。不需要 Agent 有太多自由度只需要让几个固定的步骤串在一起做一个“脏活流水线”。我最后用的是“脚本 大模型 API 本地工具”的组合脚本负责编排和调用大模型负责理解和生成本地工具负责格式转换、文件保存等等。结构很简单但效果立竿见影。3.2 实操案例给“文章发布”配一个脏活小弟我挑了一个每天都会遇到的场景做实验把 AI 写好的文章草稿自动变成一个符合发布要求的成品文档。以前这个流程是这样的从 AI 对话里复制正文 - 粘贴进 Word/编辑器 - 手动套用标题样式 - 手动加粗关键句 - 手动调整图片位置 - 手动检查错别字 - 手动保存版本。总耗时少说 15 到 20 分钟枯燥到不行。改造之后我的流程变成了这样写一段专门的“格式化提示词”要求模型把一段纯文本正文转换成结构化 Markdown自动识别并标记一级二级标题、提炼小标题、把关键句转成加粗。用脚本把模型输出保存为一个.md文件。再跑一段本地脚本自动检查文件里的明显问题是否有多余的换行、是否有错别字用本地的词库比对、是否包含了建议性的开头语比如“作为一个语言模型”这类话。生成一份存档文件名自动带上日期和关键词放到固定目录。人工只需要最后读一遍正文确认没有大问题然后点击发布。这套流程搭建起来并不复杂核心代码也就一百来行但它直接把我每天在那 15 到 20 分钟里耗掉的精力全部解放了。我不再需要每天面对空白的 Word 文档发呆也不用反复在“复制-粘贴-调格式”里打转。脏活确实停住了一大半。提示这个方案的要点不在于用了多高级的技术而在于把“AI 生成”和“最终交付”之间的每个环节都显式写进流程里。只要有一个环节漏掉了人就得回来补位。3.3 踩坑记录为什么“全自动”反而是最大的坑这套流程跑了一阵之后我开始想当然既然格式化都能自动化那发布能不能也自动化于是我做了一个更大胆的尝试——让整个流程自动跑完直接生成一篇可以直接发布的完整文章包括自动配图、自动选封面、自动填充 SEO 关键词然后我只需要复制粘贴。结果翻车了。第一次全自动跑完生成的文章确实完整但我仔细一读发现模型在一段“原创观点”里引用了一个根本不存在的案例——这个案例我不知道模型也不知道但它的生成文本逻辑太通顺了以至于整个流水线里没有任何环节能发现这个漏洞。如果我没认真读就直接发出去后果不堪设想。还有一次模型生成的字符里隐藏了一个格式标记导致自动化脚本在处理时把整个文档结构搞乱了我花了比手写多一倍的时间去修复。这两次经历让我彻底放弃了“全自动发布”的思路。我现在的方案是“自动化处理 人工闸门”机器负责所有可以机器负责的步骤但最终发布前必须有一个人看一遍正文。AI 可以把人从重复劳动中解放出来但在关键节点上人的判断力依然不可替代。4. 安全与合规是关键闸门——哪些“脏活”必须留给人顺着“人工闸门”这个话题我得专门讲一下有一些脏活不仅不该停反而必须牢牢抓在人手里。这里不只是效率的问题更是安全和合规的问题。4.1 内容审核这条线不能全交给模型很多人觉得AI 都能做内容审核了人干嘛还要守着但我的实践经验是AI 可以做初审但终审必须是人。原因很简单。AI 的审核逻辑是“基于模式识别”它擅长处理那些符合常见模式的违规内容但对于一些语义模糊、需要结合上下文或者行业背景才能判断的内容它的准确率并不可靠。比如一条广告语可能字面上完全合规但在特定语境下存在夸大宣传的嫌疑——这种判断模型做不了需要人来拍板。我在实际工作中给自己定了一条规则所有对外发布的内容必须有人工审核确认。AI 可以做第一轮筛查把明显有问题的地方标出来降低人的工作量但最终按钮必须由人来按下。这不是不信任 AI而是责任问题——出了事担责的终究是人。有些平台提供“AI 审核 人工抽检”的模式我觉得在内部流程里也可以参考低风险内容走自动审核 定期抽检中高风险内容必须人工逐条过目。这样既能保住效率又能守住底线。4.2 数据与隐私的边界不能因为图方便就模糊还有一类脏活和敏感数据有关。以前我会图省事直接把客户发来的表格丢给线上的 AI 工具让它帮忙分析。后来我仔细想了想这其实是个非常危险的习惯——你不知道你的数据会被存到哪个服务器、会不会被拿去训练模型、会不会被第三方看到。从那以后我养成了一个习惯凡是涉及隐私、商业机密或未公开数据的内容一律不送进公网上的 AI 工具。如果必须要用模型处理要么本地部署一个开源模型要么在脱敏之后再去处理。本地部署确实是个脏活——要配环境、要调参数、要管显存各种折腾。但这件事不能省。守住数据的边界就是在守住自己和客户的底线。4.3 长期维护的“脏活”不能停模型要更新、知识库要维护、提示词要沉淀最后还有一个特别容易被人忽略的“脏活”维护。AI 不是一次配置好就能一直用的。大模型版本会更新行为会变化你需要定期重新测试自己的提示词和流程是否还稳定知识库里的信息会过时你需要不停地补充新内容、删掉旧内容提示词写过就忘了下次要用的时候翻遍聊天记录也找不到这种杂乱本身就是一种巨大的隐性成本。我的做法是做了一个非常简单的“提示词资产库”用一篇 Markdown 文档把我常用的所有提示词、适用场景、注意事项、版本变更记录都整理进去。每次对提示词有调整就在文档里更新一次。听起来很简单但这个习惯帮我省下了大量重复调试的时间。别把维护当负担。它其实是在给未来的自己减负。如果一个环节经常需要你重新摸索、重新调试那它就是一个值得被记录、被改进的信号。5. 想停又停不下来的几个瞬间——常见问题与排查思路这套自动化方案听起来不错但实际跑起来还是会遇到各种各样的问题。我把最常见的几个坑列出来算是给大家一份速查表。5.1 常见问题速查表症状可能原因排查思路AI 输出格式不稳定有时正常有时乱提示词没有给出明确格式模板在提示词里给一个精确的“输出模板”示例并要求严格按模板输出自动化链路跑着跑着就断了某一步依赖的外部服务返回了异常给每个步骤加上超时和重试机制断点后要能手动续跑相同提示词不同时间输出差异很大模型版本更新或温度参数设置过高固定模型版本把 temperature 调整为 0.1-0.3结果变化大的任务设置人工复核节点模型开始“撒谎”编造不存在的引用模型本身存在幻觉无法避免增加“事实核查”步骤重要数据和引用必须通过搜索或本地库确认本地部署的模型效果明显不如线上 API量化精度、参数量、提示词适配差异如果对效果敏感可以先跑一遍标准测试集判断是模型能力问题还是提示词适配问题想自动化的环节太多结果链路极其脆弱一次性铺得太大复杂度失控拆分成独立小链路每条链路只做一件事链路之间通过文件或消息解耦5.2 我总结的四条实操心得第一先把流程图拆明白再动手。不要拿到任务就写代码。先把“从输入到输出”的完整路径画出来标出哪些步骤机器能做、哪些步骤必须人工干预。画完之后你基本就知道该改哪里了。很多人自动化失败是因为根本没想清楚流程就急着上工具。第二给 Agent 的单步任务尽量小。宁可写十个简单步骤也不要让 AI 在一个步骤里同时完成“总结、翻译、润色、提取关键词、生成标题”五件事。步骤越小越容易排查问题也越容易维护。第三每一个自动节点都要有止损点。比如设置最大重试次数、设置超时时间、设置人工确认开关。没有止损点的自动化一旦出错就会无限循环浪费大量时间和 API 费用。第四先计算“脏活成本”再决定要不要自动化。如果一个动作每天只花你三分钟那就别折腾自动化了手动干完就行。自动化的真正价值应该集中在那些“每天半小时以上、毫无技术含量、出错了也看不出来”的重复劳动上。自动化不是为了炫技是为了让你把时间花在真正有价值的事情上。6. 我的最终结论与个人体会那次“全自动发布”翻车之后我没有放弃这套思路只是把方案变得务实了。现在的我会花更少的时间去追求“让 AI 一步到位”而是把精力放在定义标准、设定好流程边界、做好节点把控上。结果反倒稳定了。我自己的体会是让 AI 干脏活这件事真正要解决的不是“技术能不能实现”而是“你敢不敢把标准立清楚并愿意为流程自动化先付一笔时间成本”。你投入的前期设计时间会在未来无数个重复任务里连本带利赚回来。最后分享一个我实践下来最有用的习惯每次你发现自己正在做一件重复、枯燥、又必须做的事先别急着抱怨花十分钟想一想——这个动作能不能拆成明确的输入、处理和输出如果能大概率就可以交给 AI。哪怕今天只是把一个小步骤自动化积少成多你也会在某个节点突然发现自己终于不用再做那个天天收拾烂摊子的人了。脏活不能完全消失但好的工具能让你把有限的时间留在那些真正值得你亲自上场的事情上。这就是我折腾这一圈之后最想对你说的话。
