点击蓝字 关注我们
上次整理的《提示工程实战笔记：银行AIGC业务理解与新工作流搭建》中，相比AI工具的运用，不少朋友对AI工作流的梳理更感兴趣，今天我们就来一步步揭秘“文因互联的提示工程师如何建立业务工作流”的。
#1
什么是工作流？
WHAT
首先“工作流”这个词不难理解——工作流程（Workflow）。把工作（Work）看成动词“运行”而不是名词“劳动”，工作流不只是工作流程，更是任何有逻辑的事件运行方式，或者说，它单是“走得通”的那条路（the way that works）。
这样一想，工作流就简直无处不在了。举个例子，“人吃意面”一般怎么吃？
1、用餐具取部分意面
2、送到嘴里
3、咬住意面撤走餐具
4、咀嚼咽下
5、再用餐具取部分意面
……
如果工作流流程错误，或者不符合正常规则，就会出现这样“离谱诡异”的一幕：
（AI眼中的“吃意面”）
同样常见的工作流还有：
1、快递配送工作流：收件→分拣→运输→派送
2、会议组织工作流：确定会议主题与时间→邀请参会人员→准备会议资料→布置会场→召开会议→记录会议内容→整理会议纪要
3、房屋装修工作流：确定风格与预算→选装修团队→拆墙/清理→水电改造→泥工施工→木工施工→油工施工→软装→验收
AI用于办公生产的工作流，例如在之前文章中我们提到的报告撰写，基于多类材料进行原因分析、核实，然后撰写出目标格式的文稿，用工作流梳理就是：收集资料、阅读理解、编写分析内容。多个简单工作流的逻辑嵌套，和吃意面一样，都是可以梳理出来的逻辑流程。之所以让人感觉专业度很高，是因为在阅读理解和分析这一步，撰写者拥有专业知识和从业经验，也就是熟悉业务规则。
由此，我们得出结论，工作流就是我们基于对任务序列的梳理和规则的认知，用它来处理一件件事情，它本身涵盖秩序性和规则性，根据具体事件特点，我们会梳理并掌握很多的工作流。
工作流 = 流程 + 规则
所以，AI工作流又有啥用？它本身既然不是一个具象化拿来即用的工具，为啥比AI工具更重要？
#2
大模型时代的AI工作流有什么用？
WHY
得益于大模型和提示工程的快速建模能力，对工作流的梳理和分析更高效了，于是就有更多的机会，来宏观思考基于AI技术梳理出来的业务工作流，如何为企业带来生产力的提升和生产方式的更新。
刚刚我们总结出“工作流=流程+规则”，那么：
AI 工作流 = 业务流程*大模型 + 自动化规则*大模型
怎么用？设想一下：一个经验丰富、资历老道的员工梳理出来一个清晰高效的工作流，用软件系统复制这个“生产线”会怎样？
回到之前大模型报告撰写的例子，人工撰写需要阅读参考材料，对照具体商品价格变化，查找其他关联材料中是否有正相关的原因信息，然后写出分析结论，按照顺序逐一写完各个章节。
抛开查看、阅读、分析等（更下一级的细分工作流），整个撰写过程按照章节逻辑，可以梳理成：分析材料1 → 编写第一章节 → 分析材料2 → 编写第二章节 → 分析材料3 → 编写第三章节……
抓住核心主要功能需求，跑通，然后逐步解决查看、阅读、分析这些细分步骤。让业务工作流在软件系统上变得可复用、可迭代、数智化，辅助沉淀为企业内部的专家知识，还是用于智能办公辅助或数字员工建设，都是可以为提质增效带来新路径。
借助大模型和提示工程的快速建模能力，每梳理一次业务工作流，都用数据反馈复盘部门运营ROI。通过 AI 工作流的建设和迭代，辅助宏观规划决策和微观优化调整，成为辅助企业落实“世界观”+“方法论”的实战兵法。
#3
大模型时代如何建立AI工作流？
HOW
大模型本身就是知识的集合体，由大模型延伸或加持的具体功能板块就像是人的躯干四肢。基于大模型在企业内部构建整套可循环的知识管理体系。
01
知识来源分析与管理
知识获取
随着企业信息化水平的不断提升，文档类型繁杂、数量庞大，采用传统知识库方式进行知识梳理近乎是不可能完成的任务。基于各领域知识来源特点和文档格式分析，利用大模型技术构建知识库，可进行知识自动提取，真正实现自主知识沉淀与积累。
知识提取
以大模型为基础的知识库系统迭代，加速了传统问答系统中的用户意图理解和上下文情境理解处理，极大地提升了知识获取和加工的效率。支持读取文本、数据库、表格等多格式文档，并提供多场景、多粒度、多轮次、多形态的知识问答交互方式。采用自然语言表达抽取任务内容，并对抽取结果进行条件约束。
知识应用
1、场景化知识库构建。针对不同类型的知识结构、不同场景应用，支持多种知识库构建方式，灵活应对不同的应用需要。语义知识、摘要知识、章节知识等不同的知识库内容构建，避免单一构建方式带来的知识难应用的问题。
2、知识库问答。将大模型知识库问答和传统知识库问答相融合。大模型通过文本切分、分段，自动生成 Q&A，与传统知识库内容相结合，保证已有知识库的知识延续性。以大模型为基础的知识库系统迭代，提升了传统问答系统中的用户意图理解和上下文情境理解，极大地提升了知识获取和加工的效率。
3、快速构建知识库。文因知识库支持用户以 Q&A 问答对及文本导入的形式，快速构建知识库，可实现知识库权限配置，提升企业数据安全性。
4、灵活任务编排。通过可视化任务组合编排，让大模型接入各类工具，并设置参数配置，满足不同的业务场景需要。
02
业务分析与智能报告
在金融领域，我们已将大模型智能撰写平台在证券、银行、保险……等细分场景实现落地。已帮助多家头部金融机构，实现多种复杂金融文档的深度专业撰写。将企业内部知识糅合进文档撰写，让优质内容和业务经验持续沉淀，助力企业知识管理和数字化转型时代的硬核成长。
大纲整理
由大模型辅助拟出报告或文稿大纲，根据内部业务需要和行业格式标准要求，为后续的具体章节内容自动生成或多人协同编辑，提供框架支持。用户在平台内发起撰写后，对目标数据解析摘要，大模型根据撰写类型生成文稿大纲，包括文章脉络、章节信息、章节树整理等。
数据驱动
基于大模型的学习理解能力，对数据进行深度分析和理解，生成结构化且信息丰富的文档。并基于大模型的实时监控，根据数据变化自动更新文档内容，确保信息的时效性和准确性。
另外，基于同一组数据源和提前设置好目标模板，我们提出的大模型智能撰写平台还支持一键批量生成多套文件，不仅提高了文档生成的速度，也确保了文档的质量和一致性。
灵活改写
基于内部知识库和用户需要，可对文档进行修订，进行智能化的扩写、改写、续写，辅助终稿的生成。考虑到撰写场景常常存在机动灵活的编辑需求，我们为用户设置了操作简便的开放功能，可在撰写生成后进行二次编辑，或用大模型继续改写、润色文稿内容等。
在文档完成撰写后，通常还会需要进行格式、章节、数值等信息进行合规检查，保证文档的产出质量。
更多场景
摘要：将AIGC真正落地到专业领域，让AI真正成为专家，需融入领域 know-how，围绕大模型构建起一套新的工作流。专业、创新、落地、三者缺一不可。
摘要：把消保工作丢给AI，总共分几步？低成本且高效地解析法规政策文件和过往案例，自动提炼出关键场景的有效知识点，沉淀为企业内部知识。
摘要：用智能撰写辅助各类金融文档的自动化生成，基于内部平台化产品实现统一管理、快速建设，甚至部分“0开发”。
