最近看了影视飓风团队分享的 AI 工作流，他们把 AI 用在选题、概念片生成、配音上，整个视频生产链条的效率被拉高了一大截。这让我想梳理一下自己的情况——作为程序员、知识博主、编程讲师、创业者多重身份叠加，我每天要处理的事情比单纯做视频还杂：写代码、写文章、拍视频、管公司、做产品、回答用户问题。

从今年初开始，我个人每月消耗的 token 量稳定在 10 亿左右，累计已经烧掉 40 亿。原因很简单：我把几乎所有重复性工作都封装成了 AI 工作流。

什么是 AI 工作流？

可以这么理解——一套固定的操作规范和流程，或者说 Agent Skills 技能包。你提前把"怎么做"教给 AI，之后只需要发一个触发信号，它就会按这个流程把任务跑完。

工作流不是一蹴而就的产物，而是在不断处理具体问题的过程中沉淀出来的。下面分享我自己实际在用的 7 套工作流。

一、热点获取与选题

我用 AI 编程开发了一个「全网热点监控工具」，配套封装了「创作选题获取工作流」。

热点监控工具的逻辑是这样的：输入要监控的关键词，AI 会定期从全网抓取相关信息并做智能分析。当我需要灵感的时候，直接在 AI 编程工具里打开选题工作流，发四个字「今日选题」，它就会自动产出一份按热度排序的报告，附带信息来源和创作建议。

这一步的关键不是抓取本身，而是把"找选题"这件事从主动搜索变成被动消费。

二、图文创作

图文创作工作流我打磨的时间最久，长文和短图文都能覆盖。

流程大致是：把选题或草稿喂给 AI → AI 调研相关信息 → 生成大纲等我确认 → 按我的写作风格生成全文 → 我精修调整 → AI 校验事实错误。

让生成内容越来越像我自己写的，关键在于风格指南。我给 AI 写了完整的偏好清单——喜欢什么表达、讨厌什么套话、习惯怎么开头收尾——这份指南越细致，AI 输出的稿件就越接近自然产物。

知识讲解类内容还有一个加速点：让 AI 拆段落、为每段生成配图提示词，然后丢给 Nano Banana 或 GPT Image 出图。封面、海报也都交给 AI，描述清楚风格和要素就行。

但我要泼一盆冷水——图文创作的提效程度，跟内容类型强相关。教程类需要大量实操截图，必须自己先把流程跑完一遍；热点资讯类则要花大量时间做人工事实校验，AI 的随机性决定了它会出现幻觉，关键事实必须人来兜底。

文章写完之后，我用 AI 编程做了一个「全平台文章同步助手」，一键同步到公众号、知乎、B 站等十多个平台的草稿箱。以前手动复制粘贴、调格式、传图，得花将近一小时；现在点一下就完事。

三、编程开发

我现在 99% 的代码都是 AI 写的，这个比例不夸张。

举个具体的例子：我之前需要一个工具来处理电商平台的日常运营，每天手动操作得花一两小时，全是重复劳动。于是我写了份需求文档丢给 AI，让它做一个 Chrome 浏览器插件。现在这个插件在后台全自动跑，定时检查订单、自动处理反馈，我完全不用管。

如果按以前纯人工开发，这种跨多个站点的复杂浏览器插件至少得写一周；用 AI 编程，前后不到一天搞定。

AI 在源码分析上同样好用。学习 Claude Code 源码的时候，我先让 AI 把完整源码分析一遍，然后把它当成专属问答助手——遇到看不懂的设计直接问；甚至可以让 AI 生成一个源码解读网站，比一行行啃代码效率高太多。

四、问题处理

工作和生活里那些扯皮的破事，AI 也能帮你磨。

有一次我某平台账号绑卡绑错了，按以前的脾气可能打几次客服电话被踢皮球就放弃了。这次我让 AI 跟客服周旋，生成话术和申诉材料，磨了将近一个月，问题真给解决了。AI 不会烦不会累，话术又快又正式，这是人没法比的。

填表单也是同样的思路：网页截图或者结构复制给 AI，让它生成填写项，我直接复制粘贴。

五、公司管理

公司财务这块，以前要么问财务，要么自己网上搜，但搜出来的信息鱼龙混杂，很容易被带偏。合同条款也不可能每份都花钱找律师。

现在我把公司的背景信息、财务情况、工资表、发票全部交给 AI，让它做合理避税建议、营收分析、合同审查。

但有一条铁律——重要信息一定要用多个大模型交叉验证，不单独信任任何一家的结论。

六、数据分析

团队有自己的数据看板，但临时想看某个新指标（比如对比上周和这周的付费转化率）时，要么自己写 SQL，要么找开发同事，等数据可能要等很久。

现在我让 AI 直接对接业务数据库（只读模式），用自然语言告诉它"我想看什么"，它自动转成 SQL 查询并给出分析报告，几秒钟就拿到结果。

这其实就是经典的 NL2SQL（自然语言转 SQL）。开源方案不少，比如 Chat2DB，能省掉自己搭工作流的时间。

七、视频创作

我没搞全自动视频生成工作流——那种模式虽然省事，但缺少温度和真实感。我更倾向于让 AI 砍掉重复劳动，而不是替我表达。

具体场景有这么几个：

  • 演示网站生成：教程类视频以前要找画面，现在直接让 AI 根据图文生成交互式 PPT 演示网站，对着讲解就行。
  • 空镜头生成：以前去素材网站翻找还要注意版权，现在用即梦、Seedance 这类视频生成模型，输入提示词就能产出有创意的画面。
  • 字幕修复：剪映自动识别的字幕总有错别字和断句问题，技术名词多的教程视频改起来尤其痛苦。我现在把字幕文件丢给 AI，让它根据原始文案自动修复，再导入剪映。
  • 元信息生成：视频发布前，让 AI 针对不同平台调性生成标题、标签、简介、封面建议。生成内容偶尔生硬，但能给灵感，人工改一下就能发。

工作流不是一夜搭起来的

回头看，我这些工作流没有一个是某天坐下来"设计"出来的。它们都是同一个循环的产物：在工作中发现重复问题 → 尝试用 AI 解决 → 把解决过程沉淀成可复用的流程 → 持续迭代优化。

这里有两个容易被忽视的点：

第一，AI 工作流的核心不是 prompt，而是反馈。你要在使用过程中不断告诉 AI 哪里好哪里不好，把自己的思考方式、表达习惯、工作偏好注入进去，它才会越来越像"你"。

第二，不要追求一次性完美。先跑起来，再迭代。我每一套工作流的初版都很粗糙，是用了几十次、上百次之后才打磨成现在的样子。

那么留一个问题给你：你日常工作中，哪一项重复劳动是你最厌烦但又必须做的？如果让 AI 来接手，第一步该怎么拆？