KeyFrame內部研究專用

【AI工作流】實現終極自動化工作流!n8n教學:AI Agent終極實戰,打造你的數位分身

新北市政府青年局8 min中文
觀看原始影片

三句話摘要

AI Agent自動化流程中的職能分工:Production(生產)、Cleaning(清理)、Decision(決策)三角色如何各司其職。 AI自動化的真正效率來自於分工而非單兵,讓每個AI Agent專注於自己該做的事,才是可擴展且高效的系統設計之道。 分工而非單兵 — 不應該讓一個AI Agent「打天下」,這樣既低效又不符合現實。就像電視台拍攝有導演、打光、收音分工一樣,自動化流程也應分角色進行,這反映了現代城市社會中每個人各有專長、各司其職的本質。

重點整理

  1. 分工而非單兵 — 不應該讓一個AI Agent「打天下」,這樣既低效又不符合現實。就像電視台拍攝有導演、打光、收音分工一樣,自動化流程也應分角色進行,這反映了現代城市社會中每個人各有專長、各司其職的本質。

  2. Decider的單一職能 — 決策者只負責判斷,答案只有Yes或No。以天氣查詢為例,Decider判斷用戶問題是否與天氣相關,然後通過If/Switch分支觸發後續流程,不處理其他事務。

  3. Cleaner的幕後工作 — 清理者負責數據轉換,將用戶原始輸入轉換成API可接受的格式。例如從「今天高雄會下雨嗎」提取出「高雄」和國家代碼「TW」,Cleaner像夜間清潔工一樣在後台默默工作,不直接面對用戶。

  4. Producer的客製化內容 — 生產者產出最終面向用戶的內容(郵件、回覆、文案),需根據用戶屬性和個性特徵進行客製化。例如VIP客戶和普通客戶收到的感謝函措辭不同,甚至可根據用戶的溝通風格(理性、感性、熱情)來生成個性化內容。

實用技巧與重點

  • 三角色定義
  • Decider:決策判斷(Yes/No回應)
  • Cleaner:數據轉換(A格式→B格式)
  • Producer:內容生成(面向用戶的最終產物)
  • 實務案例 - 天氣查詢流程
  • Decider判斷:「今天高雄會下雨嗎」→是否天氣相關問題
  • Cleaner整理:提取「高雄」、Country Code「TW」供API使用
  • Producer回覆:「今天降雨機率中等,外出記得帶傘」
  • 個性化郵件案例
  • 數據量:29筆資料
  • VIP文案:「最高的感謝,張雅婷,感謝對Nuva的支持與關注」
  • 普通文案:「李冠婷你好,謝謝大家」
  • 用戶屬性紀錄:溝通方式(理性/感性)、說話風格(快速/緩慢)、個性描述(故事感、熱情外向)
  • 系統設定
  • 列表輸出上限:如數據過多,設定最多展示3條
  • 用戶屬性維護:在會員系統中記錄個人的交互偏好

結論

AI自動化的真正效率來自於分工而非單兵,讓每個AI Agent專注於自己該做的事,才是可擴展且高效的系統設計之道。

完整解析

在自動化AI流程中,核心問題是如何設計系統才能高效運作。講者以天氣查詢小狗的例子,詳細說明了分工的必要性。當用戶問「今天高雄會下雨嗎」時,整個流程涉及三個不同的AI角色各司其職。

首先是Decider決策者,它的唯一工作是判斷用戶提出的是否是天氣相關問題。它不需要查詢數據、不需要生成文案,只需回答Yes或No,然後根據這個判斷結果通過If或Switch語句觸發後續的流程分支。這樣的單一職責設計讓Decider的成本最低、失誤率也最低。

接著是Cleaner清理者,它負責將用戶的自然語言輸入轉換成系統能理解的格式。從「今天高雄會下雨嗎」中提取出「高雄」這個城市名稱,並補充上國家代碼「TW」,轉換成Weather API能接受的格式。Cleaner就像夜間清潔工一樣,在幕後完成繁瑣但必要的整理工作,使得後續流程能順利進行。

最後是Producer生產者,它負責生成最終會展示給用戶的內容。Producer根據Cleaner整理好的數據和API返回的天氣信息,撰寫用戶友好的回覆:「今天降雨機率中等,局部地區降雨,記得帶傘」。由於Producer產出的內容會直接被人類看到,所以需要考慮可讀性、語氣和個性化因素。

講者進一步用優惠券郵件發放案例說明分工的威力。系統接收到「發送優惠券」的指令後,一個Decider判斷是否觸發流程,另一個Producer負責為29筆客戶資料各自撰寫個性化的感謝郵件。Producer不僅要根據客戶的VIP等級調整措辭,還要根據客戶檔案中記錄的個性特徵(如是否喜歡故事感、說話風格是理性還是感性)來生成完全客製化的內容。這樣分工下來,每封信都因人而異,但系統運作卻井然有序。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。