最近半年实践 AI 工作流来实现一些智能分析，谈几点感受：
1. 不是所有问题都需要聊天对话框，大部分生活或工作环境是很复杂的工作流决策链，你需要构建很多节点和流程，理想的模式是通过 AI 自动化构建业务流，比如 n8n 最近推出了 n8n mcp ，理想的混合模式：通过聊天对话窗口作为入口，再结合图形化点击即可，类似手机一样。
2. 在通过 Agent 实践的时候大部分工作并不是 AI 本身，可能是上下文选取、不同格式的数据解析查询、缓存、语义层、记忆编排、治理机制以及多模型的路由策略等方面的问题，可能每天都在解决数据链路问题。
3. 对于复杂特定专业场景的推理存在几个问题：一个是输入输出的 token 限制，一个是业务逻辑的理解，AI 并不能全部解决，大部分时候你需要在 prompt 里面指定业务逻辑，写 prompt 是一门艺术。
4. 对于模型选择你需要不断的去试错，原因是你不知道哪家哪种效果最好。
5. 目前已经实现了集成数据通过 work flow 自动分析，这比传统的开发原子逻辑效率快一些，也灵活一些，你可以自己写 prompt ，总体来说还是可以。
6. 对于复杂集成多个工作流综合分析，AI 的幻觉仍然很严重。单独运行某一个 work flow 没问题。
7. 目前日常代码基本上是 Claude 完成的，写的比自己写的好，其它的继续探索。。。
如果你希望通过 AI 实践，借用一段话先自评估：
1. 我的应用程序的上下文容量是多少？（理想的上下文窗口大小是多少？我又该如何优化其中的内容？)
2. 我的记忆边界在哪里？（哪些信息属于用户级、团队级、组织级？这些数据存储在何处，用户是否可以查看？)
3. 我能否追踪输出结果的来源？（我能通过调试 LLM 的回复，知道具体是哪个输入导致了该回复吗？)
4. 我使用的是单一模型还是多模型？（我是如何根据复杂度、延迟还是成本来分配请求的？)
5. 用户会放心把他们的业务数据交给我的系统管理吗？是自建还是托管？（如果不会，我的安全性或反馈机制上还缺失什么？)
6. 是否有信心改变以前的内部流程，是否有专业人员维护持续投入建设？
1. 不是所有问题都需要聊天对话框，大部分生活或工作环境是很复杂的工作流决策链，你需要构建很多节点和流程，理想的模式是通过 AI 自动化构建业务流，比如 n8n 最近推出了 n8n mcp ，理想的混合模式：通过聊天对话窗口作为入口，再结合图形化点击即可，类似手机一样。
2. 在通过 Agent 实践的时候大部分工作并不是 AI 本身，可能是上下文选取、不同格式的数据解析查询、缓存、语义层、记忆编排、治理机制以及多模型的路由策略等方面的问题，可能每天都在解决数据链路问题。
3. 对于复杂特定专业场景的推理存在几个问题：一个是输入输出的 token 限制，一个是业务逻辑的理解，AI 并不能全部解决，大部分时候你需要在 prompt 里面指定业务逻辑，写 prompt 是一门艺术。
4. 对于模型选择你需要不断的去试错，原因是你不知道哪家哪种效果最好。
5. 目前已经实现了集成数据通过 work flow 自动分析，这比传统的开发原子逻辑效率快一些，也灵活一些，你可以自己写 prompt ，总体来说还是可以。
6. 对于复杂集成多个工作流综合分析，AI 的幻觉仍然很严重。单独运行某一个 work flow 没问题。
7. 目前日常代码基本上是 Claude 完成的，写的比自己写的好，其它的继续探索。。。
如果你希望通过 AI 实践，借用一段话先自评估：
1. 我的应用程序的上下文容量是多少？（理想的上下文窗口大小是多少？我又该如何优化其中的内容？)
2. 我的记忆边界在哪里？（哪些信息属于用户级、团队级、组织级？这些数据存储在何处，用户是否可以查看？)
3. 我能否追踪输出结果的来源？（我能通过调试 LLM 的回复，知道具体是哪个输入导致了该回复吗？)
4. 我使用的是单一模型还是多模型？（我是如何根据复杂度、延迟还是成本来分配请求的？)
5. 用户会放心把他们的业务数据交给我的系统管理吗？是自建还是托管？（如果不会，我的安全性或反馈机制上还缺失什么？)
6. 是否有信心改变以前的内部流程，是否有专业人员维护持续投入建设？
Select Language