企业官网建设流程全解析

1. 为什么“一人+AI”不是口号，而是一套可拆解的工序

很多人第一次听到“工作流重构”这四个字，脑子里浮现的是画流程图、买SaaS工具、拉群对齐。我做了十多年项目，见过太多团队把“重构”搞成了“重画”——流程图贴满一面墙，执行的时候还是靠人肉催办。真正的问题不在于流程图画得不够漂亮，而在于流程里的每一个节点都默认“需要一个人来推动”。只要这个默认前提不变，流程永远臃肿。

“一人+AI”的核心不是让AI替代人，而是把流程拆成工序。工序这个词很关键。工厂里一道工序有明确的输入、输出、判定标准和异常处理方式，工人不需要理解整条产线，只需要把自己的那道工序做到位。我们做工作流重构，目标就是把原来需要三五个角色来回传递的复杂流程，拆成一个人可以独立完成的若干道工序，而AI承担其中“信息搬运、格式转换、初步判断、内容生成”这些不需要人类情感和最终决策的环节。

这里要先建立一个认知：AI自治度决定了你能把多少工序交给AI。自治度低的时候，AI只能做“你问它答”；自治度高的时候，AI可以在给定边界内自主完成一串动作。大多数人卡在低自治度阶段，觉得AI不好用，其实是没有设计好工序边界。举个例子，让AI“帮我写个方案”，这是低自治度，结果一定飘。让它“根据这份会议纪要里的三条决议，按照我给的模板生成一份任务分解表，每条任务标注负责人和截止日期”，这就是高自治度工序，输出稳定得多。

IPO基元是我在重构工作流时最常用的拆解单位。IPO就是Input-Process-Output，任何一道工序都可以用这三个要素描述清楚。Input是这道工序需要什么材料，Process是具体做什么动作，Output是产出什么结果。把复杂流程拆成IPO基元之后，你会发现很多环节其实是“伪工序”——它们不产生新价值，只是信息在不同人之间转手。这些伪工序就是重构时要优先砍掉或交给AI的。

六类标记法是我自己总结的一套标注体系，用来给流程中的每个节点打标签，判断它适合人工、AI还是人机协作。这六类标记分别是：生成类、转换类、判断类、传递类、确认类、异常类。生成类适合AI打草稿，转换类几乎可以完全交给AI，判断类需要人设定规则后AI执行初筛，传递类是最该被自动化掉的，确认类必须保留人工，异常类需要人机协同。这套标记法后面我会展开讲，现在你只需要知道：没有标记，就没有重构的依据。

模型路由是另一个容易被忽略的环节。不同工序对AI能力的要求不一样，有的需要长文本理解，有的需要结构化输出，有的需要创意生成。如果你所有工序都调同一个模型，要么成本过高，要么效果不够。模型路由的意思是：根据工序的类型和难度，把请求分发到最合适的模型上。简单分类用轻量模型，复杂推理用重量级模型，格式转换用专门优化过的模型。这一步做好了，整体效率和成本能差出好几倍。

2. 用六类标记法给现有流程做一次“体检”

2.1 先别急着画新流程图，把旧流程的每个动作摊开

我见过最常见的错误是：一上来就打开工具画新流程。这就像医生还没诊断就开药。正确的做法是拿一张白纸，把你现在做一件事的完整过程按时间顺序写下来，细到“打开邮箱找附件”“复制粘贴到表格”“微信问同事要数据”这种程度。不要嫌琐碎，越琐碎越能暴露问题。

写完之后，给每一个动作打上六类标记中的一个。打标记的时候问自己三个问题：这个动作产生新信息了吗？这个动作需要人类的情感和价值判断吗？这个动作如果做错了，后果严重吗？三个问题的答案组合起来，就能判断这个动作该由谁来做。

举个例子，假设你是一个内容运营，每周要出一份竞品分析简报。旧流程可能是：打开五个竞品网站→逐个截图→复制关键数据到表格→写分析文字→排版→发给领导确认→修改→发布。这里面，“打开网站截图”是传递类，“复制数据到表格”是转换类，“写分析文字”是生成类，“发给领导确认”是确认类，“修改”是异常类。标记完之后你会发现，传递类和转换类占了将近一半的时间，而这些恰恰是AI最擅长的。

2.2 六类标记的判断标准和典型归属

我把六类标记的判断标准整理成了一张表，你可以直接对照使用：

这张表的价值在于：它把“该不该用AI”这个模糊问题，变成了“这个动作属于哪一类”的具体判断。你不需要成为AI专家，只需要会打标记。

2.3 标记完之后，你会看到三个明显的浪费区

打完标记，把六类标记的数量统计一下。根据我的经验，大多数人的流程里，传递类和转换类加起来会占到40%到60%的时间。这两类就是最大的浪费区。传递类的浪费在于“等人”和“找信息”，转换类的浪费在于“重复劳动”和“格式错误”。

第三个浪费区是判断类里的“过度判断”。什么意思？就是有些事情明明有明确规则，但因为没有把规则写下来，每次都要重新想一遍。比如“这个数据要不要更新”，如果规则是“超过7天就更新”，那就让AI去检查日期，不需要人每次判断。把规则显性化，判断类工序就能大幅压缩。

我自己的做法是：标记完之后，先砍传递类，再压缩转换类，然后给判断类写规则，最后保留确认类和异常类。一轮下来，原本需要三个人协作的流程，往往能压缩成一个人加AI就能跑通。

3. IPO基元拆解：把“写一份周报”变成可复用的工序链

3.1 从“写周报”这个具体场景看IPO拆解

写周报这件事，看起来简单，但很多人每周要花两三个小时。我们把它拆成IPO基元看看。旧流程是：回忆这周做了什么→翻聊天记录找证据→打开上周周报看格式→写本周内容→调整格式→发送。这里面混杂了记忆、检索、格式、生成、发送多个动作。

用IPO拆解之后，可以变成这样一串工序：

• 工序A：收集原始素材。Input是本周的聊天记录、邮件、任务清单；Process是提取关键事件；Output是一份原始事件列表。
• 工序B：分类整理。Input是原始事件列表；Process是按项目或优先级归类；Output是分类后的事件清单。
• 工序C：生成初稿。Input是分类清单和上周周报模板；Process是按模板生成文字；Output是周报初稿。
• 工序D：确认发送。Input是初稿；Process是人工检查并发送；Output是已发送的周报。

拆完之后你会发现，工序A和B可以完全交给AI，工序C是AI生成加人润色，只有工序D必须人工。原来两三个小时的事，现在可能二十分钟就搞定了。

3.2 每个IPO基元都要定义“完成标准”

拆出工序之后，最关键的一步是给每道工序定义完成标准。没有完成标准，AI就不知道什么时候该停，人也不知道该检查什么。完成标准要具体到可以验证。比如工序A的完成标准不是“收集得差不多”，而是“列出本周所有有明确时间戳的事件，每条包含时间、参与人、事件描述三个字段”。

我通常用一句话来定义完成标准：“当……时，这道工序就算完成。”比如“当原始事件列表里每条记录都有时间、参与人、描述三个字段，且没有遗漏任何有记录的事件时，工序A完成。”这句话可以直接作为AI的提示词约束，也可以作为人工检查的清单。

3.3 工序之间的接口设计比工序本身更重要

很多人拆完工序就急着去搭工具，结果发现工序之间对不上。问题出在接口上。工序A的输出是工序B的输入，如果A输出的格式和B需要的格式不一致，中间就又多了一道转换工序。所以拆解的时候，要从后往前推：先确定最终输出是什么格式，然后倒推每一道工序的输出格式。

我的习惯是：所有工序之间的数据传递都用结构化格式，比如JSON或Markdown表格。结构化格式的好处是AI容易解析，人也容易检查。比如工序A输出的事件列表，直接用Markdown表格，工序B拿到表格后按列处理，工序C拿到分类后的表格后按行生成文字。整条链路上不需要任何“理解自然语言”的额外步骤。

4. 模型路由：让每道工序调用最合适的AI能力

4.1 为什么不能所有工序都用一个模型

不同工序对模型的要求差异很大。生成类工序需要模型有创意和语言组织能力，转换类工序需要模型严格遵循格式，判断类工序需要模型有推理能力，传递类工序其实用脚本就够了。如果你所有工序都调同一个大模型，会出现两个问题：一是成本高，简单任务用了贵模型；二是效果不稳定，同一个模型不可能在所有任务上都最优。

模型路由的核心思想是：把任务特征和模型能力做匹配。我通常把工序按三个维度分类：任务复杂度、输出格式要求、对创造性的需求。复杂度低、格式要求高、创造性低的，用轻量模型或规则引擎；复杂度高、需要推理的，用重量级模型；需要创意生成的，用擅长写作的模型。

4.2 一个可落地的路由策略

我自己的路由策略分三层：

第一层是规则层。能靠规则解决的，不调模型。比如日期格式转换、字段提取、简单分类，用正则表达式或脚本就能搞定。这一层处理掉大约30%的工序，成本几乎为零。

第二层是轻量模型层。需要自然语言理解但任务简单的，比如情感判断、短文本分类、关键词提取，用轻量模型。这一层处理掉大约40%的工序，成本可控。

第三层是重量级模型层。需要复杂推理、长文本生成、多步骤规划的，用重量级模型。这一层只处理大约30%的工序，但贡献了大部分价值。

路由的触发条件可以写在工序的元数据里。比如每道工序标注“路由层级：规则/轻量/重量”，执行的时候自动分发。这样你不需要每次手动选择模型，工序自己知道该找谁。

4.3 路由的边界条件：什么时候该升级模型

模型路由不是一成不变的。我设定了一个升级机制：当轻量模型连续两次输出不符合完成标准时，自动升级到重量级模型重试。这个机制解决了一个常见问题：有些任务看起来简单，但实际上需要更深的理解，轻量模型搞不定。自动升级避免了人工干预，也避免了“一刀切”用贵模型。

反过来，当重量级模型在某个任务上连续多次输出稳定且格式正确时，可以考虑降级到轻量模型试试。我试过把一个原本用重量级模型做的摘要任务降级到轻量模型，发现效果差不多，成本降了八成。路由策略需要定期回顾和调整，不是设一次就完事。

5. AI自治度的分级：从“你问它答”到“它跑你看”

5.1 自治度的五个级别

AI自治度不是一个开关，而是一个连续谱。我把它分成五级：

• L1：问答式。你问一句，AI答一句。AI不主动做任何事。
• L2：指令式。你给一条完整指令，AI执行一步。比如“把这段文字翻译成英文”。
• L3：链式。你给一个目标，AI拆成多步并依次执行。比如“根据这份纪要生成任务清单并分配负责人”。
• L4：条件式。AI在执行过程中可以根据条件分支自主决策。比如“如果数据超过阈值就标记为异常，否则归入正常”。
• L5：循环式。AI可以持续监控某个输入源，发现变化就自动触发相应工序。

大多数人的工作流重构停留在L2。L2的问题是：你还是要一步步指挥，AI只是加速了单步执行。真正能实现“一人+AI”的，至少要达到L3。L3的关键是把多步指令打包成一个工序，AI自己拆解执行。

5.2 自治度和工序类型的匹配

不是所有工序都适合高自治度。确认类工序必须保持L1或L2，因为需要人承担责任。异常类工序适合L4，因为需要根据情况分支。生成类和转换类适合L3，判断类适合L3到L4之间。

我通常的做法是：先给每道工序设定一个目标自治度，然后逐步提升。比如一道生成类工序，第一周用L2跑，观察输出质量；第二周尝试L3，把提示词写得更完整，让AI自己拆步骤；第三周如果稳定，就固化下来。自治度的提升是一个实验过程，不要一次跳太高。

5.3 自治度提升带来的风险和控制手段

自治度越高，AI跑偏的风险越大。L3以上必须设置检查点。检查点就是工序链上的关键节点，AI执行到这里必须停下来等人确认，或者必须满足某个条件才能继续。比如生成类工序在输出初稿后设一个检查点，人确认框架没问题再继续填充细节。

另一个控制手段是回滚机制。每道工序的输出都要保留版本，如果发现AI在某一步跑偏了，可以回滚到上一步重新执行。我自己的做法是：所有工序输出都存到一个带时间戳的文件夹里，出问题就回退。这个习惯救过我很多次。

6. 重构之后的验证：怎么知道工作流真的变好了

6.1 用三个指标衡量重构效果

重构不是感觉变好了就行，要有可量化的指标。我通常看三个数：总耗时、人工介入次数、返工率。总耗时是从开始到完成的时间，人工介入次数是人需要动手的次数，返工率是输出需要修改的比例。

重构之前先测一遍这三个数，重构之后再测一遍。我的经验是：传递类和转换类被AI接管后，总耗时通常能降50%以上，人工介入次数能降70%左右。返工率一开始可能会上升，因为AI的输出需要磨合，但稳定之后会降下来。

6.2 验证过程中最容易忽略的“隐性成本”

有一个坑我踩过：只看总耗时下降，忽略了维护成本。AI工序需要维护提示词、更新规则、处理异常。如果维护成本太高，省下来的时间又搭进去了。所以验证的时候要把维护时间也算进去。我的做法是：重构后跑两周，记录每天花在维护AI工序上的时间，如果这个时间超过省下来时间的20%，就说明工序设计得太复杂了，需要简化。

另一个隐性成本是学习成本。新工序需要你改变工作习惯，一开始会不顺手。这个适应期通常是一到两周。不要因为第一周感觉更累了就放弃，坚持跑两周再看数据。

6.3 什么情况下应该放弃AI化某道工序

不是所有工序都值得AI化。如果一道工序满足以下三个条件中的两个，我建议保留人工：一是发生频率低，一周不到一次；二是规则极其模糊，每次都要重新判断；三是出错后果严重，且AI的输出不可靠。强行AI化只会增加复杂度，不如把精力放在更高频的工序上。

我自己的原则是：先AI化高频、规则明确、容错率高的工序。这三类工序AI化之后收益最明显，也最容易跑通。跑通之后再逐步扩展到其他工序。不要一上来就啃硬骨头，容易受挫。

7. 从“一人+AI”到“一人公司”的工序扩展思路

7.1 工序链的复用和组合

当你把几个核心流程拆成工序链之后，会发现很多工序是可以复用的。比如“收集原始素材”这道工序，写周报用得到，写项目复盘也用得到，做竞品分析还用得到。把可复用的工序抽出来做成工序库，新流程直接调用，不用重新拆解。

我的工序库里有二十多道常用工序，覆盖了信息收集、格式转换、内容生成、数据检查、通知发送等场景。每次有新任务，先看工序库里有没有现成的，有就直接拼，没有就新建一道。这样重构新流程的时间从几小时缩短到几十分钟。

7.2 工序库的维护和版本管理

工序库需要维护。每道工序都要记录：输入格式、输出格式、完成标准、路由层级、目标自治度、检查点位置。这些信息用Markdown文件存，一个工序一个文件，放在版本控制里。修改工序的时候，旧版本保留，新版本另存，方便回滚。

我还会给每道工序写一个测试用例。就是一组固定的输入和期望输出。修改工序之后跑一遍测试用例，看输出有没有变化。这个习惯让我在调整提示词的时候不会意外破坏已有的工序。

7.3 一人公司的工序扩展边界

“一人+AI”的极限在哪里？我的观察是：工序链的长度和复杂度决定了你能覆盖多少业务。如果每道工序都设计得足够独立、接口足够清晰，理论上你可以把整条业务链都拆成工序，一个人加AI就能跑通。但现实中，有些环节需要人类的关系维护、情感连接、价值判断，这些是AI替代不了的。

所以我的策略是：把可标准化的部分全部工序化，把不可标准化的部分留给自己。标准化部分追求效率和稳定，非标准化部分追求深度和温度。两者结合，就是“一人+AI”的最佳状态。我现在的工作流里，大约70%的工序由AI执行或辅助，30%由我亲自完成。这个比例让我既能保持产出规模，又能保证关键环节的质量。

最后分享一个我自己的习惯：每周花半小时回顾工序库，看看哪些工序可以优化、哪些可以合并、哪些可以升级自治度。这个习惯让我的工作流一直在进化，而不是设好之后就僵化了。工作流重构不是一次性项目，而是一个持续的过程。