Skip to content

AI 多工具工作流 — 五类任务分工地图

不要再问「哪个 AI 最强」，要学会把不同任务交给最合适的工具。视频提出了一个 AI 分工地图，将常见任务分成五类，每类对应最适合的工具类型，并给出三个选工具的核心问题。

核心观点：追最强不如会分工

过去靠对比「哪个 AI 最强」来获益的时代已经过去了。拉开差距的能力是 Multi-tool Workflow（多工具工作流）：

  • 把 AI 工具看成公司团队，不问「哪个员工最强」，问「这件事该派谁做」
  • 不是每天换工具，而是建立一套分工系统
  • 不同工具的能力边界不同：有些强在搜索、有些强在推理、有些强在写代码

用错工具的两大问题：

问题 说明 举例
Context 不齐 AI 看不到正确数据，只能猜 分析公司内部文件但没有权限访问 Google Drive
AI 只有脑没有手 只能聊天，不能操作文件/系统/测试 自动化任务只得到建议而非实际执行

一个看得到完整数据的普通 AI，很多时候比一个什么都看不到的顶级模型更有用。

AI 工具分工地图（五类任务）

┌─────────────────────────────────────────────────────────┐
│                    AI 工具分工地图                        │
├──────────┬──────────────────┬───────────────────────────┤
│  任务类型  │     推荐工具      │        核心价值            │
├──────────┼──────────────────┼───────────────────────────┤
│ 1.查资料  │ Perplexity       │ 搜索+引用，减少幻觉        │
│ 2.深度思考 │ GPT / Opus      │ 结构化推理、写作、策略      │
│ 3.企业文件 │ Copilot/Gemini  │ 原生数据权限，在生态内工作  │
│ 4.程式开发 │ Cursor/Codex    │ 操作文件系统，自主调试修复   │
│ 5.业务流程 │ CRM/客服系统内建 │ 接触真实业务数据和流程     │
└──────────┴──────────────────┴───────────────────────────┘

第一类：查资料、研究、比较资讯

推荐工具： Perplexity / Deep Research 类工具

核心价值： RAG（Retrieval-Augmented Generation）架构 — 先找资料，再生成答案，而非靠模型记忆「拍脑袋」回答。

适合的任务： - 比较几个 AI 工具的功能差异 - 了解某个产业最近的动态 - 快速掌握陌生主题的玩家、趋势、争议

优势 vs 弱点：

优势 弱点
每段精确标注来源引用 不适合做深度观点推演
减少幻觉风险 回答偏向摘要整理，缺乏原创判断
适合寻找第一手资料来源 无法处理需要强逻辑层次的内容

分工原则： Perplexity 负责找资料 → 把结果交给 GPT/Opus 做观点推演

Perplexity（搜索+引用）
    │
    ▼
GPT / Opus（观点+策略+结构化输出）

第二类：深度思考、写作、策略推演

推荐工具： GPT / Claude（Opus）

核心价值： 处理思考 — 把混乱变清楚、把信息变结构、把观点变论证、把草稿变成可发表内容。

适合的任务： - 写 YouTube 脚本、投资观点整理 - 设计问卷、拆解商业策略 - 文章 → 简报大纲、会议记录 → 决策事项 - 模拟不同立场的反对意见

实战工作流示例：制作 AI Agent 趋势影片

Step 1: Perplexity / Deep Research
        → 整理最近重要发布（Microsoft, OpenAI, Anthropic）

Step 2: Claude / GPT
        → 找出背后主轴（如「竞争从模型竞赛转向协作与自动化」）

Step 3: Claude / GPT
        → 写成口播稿（标题、Hook、段落架构）

这不是叫 AI 生文章，是在设计一条内容生产线 — 把对的人用在对的地方。

第三类：企业内部文件、邮件、会议、权限数据

推荐工具： Microsoft Copilot / Gemini Workspace

核心价值： 不是模型最聪明，而是最接近你的数据和流程。

关键判断逻辑：

公司主要用 Microsoft？
  ├── Yes → Copilot（Outlook, Teams, OneDrive）
  └── No → 公司主要用 Google？
              ├── Yes → Gemini Workspace（Gmail, Drive, Sheets）
              └── No → Slack, Confluence, 其他内部系统
                          → 看有没有原生 AI 或可串接的 Agent

为什么不在外部 Chat 里做： - 每次复制资料出来贴到外部 Chat → 资安风险 - 版本控管问题 - AI 不是真正进入工作流，只是外部问答窗口

企业 AI 化的瓶颈之一不是模型不够强，是它看不到数据、碰不到系统、不能在权限内安全执行。

分工原则： 资料在哪里，AI 就应该尽量在哪里工作

第四类：程式自动化、Agent 工作流

推荐工具： Cursor / Codex / Claude Code

核心价值： 不是 AI 会不会回答，而是它能不能进入工作环境 → 读项目 → 改文件 → 跑测试 → 看错误 → 自主修复。

Chatbot vs Coding Agent 对比：

能力 Chatbot (ChatGPT) Coding Agent (Cursor/Codex)
写一段代码片段 ✅ ✅
操作文件系统 ❌ ✅
执行终端指令 ❌ ✅
读取日志并修复错误 ❌ ✅
理解整个项目上下文 ❌ ✅
反复修改直到测试通过 ❌ ✅

安全使用原则：

你定义任务 → AI 执行初稿 → 你 Review 差异 → AI 修正 → 你做最终验收
  • 可以加速，但不代表可以不懂基本逻辑
  • 涉及数据安全、付款权限、客户系统的工作，不能盲目让 AI 自己改

第五类：CRM、客服、业务流程

核心观点： 业务流程类 AI 的关键不是模型本身，是它是否连接到系统。

常见误区： - 做一个漂亮 Chatbot 但没接到真实数据 → 只是一个会讲话的玩具 - AI 看不到最新退货政策 → 可能乱回答退货问题 - AI 看不到 CRM 里的互动记录 → 只能讲虚的

判断决策树：

你要导入 AI 客服？
  │
  ├── Step 1: 我的客服资料在哪里？
  │           LINE / Instagram / 官网 / 蝦皮
  │           讯息能不能整合？
  │
  ├── Step 2: 什么问题可以 AI 自动回？
  │           什么问题要转真人？
  │
  └── Step 3: 错误时谁负责？
              建立数据规范和责任归属

如果底层资料和流程没整理，工具再强都没用。

选工具的三个问题（核心公式）

每次选 AI 工具前，先问自己：

# 问题 影响
1 这个任务需要什么资料？ 公开网络资料？公司内部文件？客户数据？代码？历史订单？
2 这个资料在哪里？ Google Drive? SharePoint? Notion? Salesforce? GitHub? 本机？
3 这个 AI 能不能直接操作？ 不只是读，还能更新 CRM、发通知、查订单、根据权限控制回答？

公式：

任务需要什么资料 → 资料在哪里 → 哪个 AI 可以直接读取或操作
       │                │                │
       ▼                ▼                ▼
    先问资料          再看生态          选工具

实战举例：

任务 思考过程 工具选择
查某个技术主题最新动态 需要公开网络资料 Perplexity
基于资料做策略推演 需要推理能力 Claude / GPT
写脚本调语气 需要语言能力 ChatGPT
搭建自动化流程 需要操作文件/API Claude Code / Codex
整理公司内部文件 资料在 Microsoft 生态 Copilot
客服自动回复 资料在客服系统 系统内建 AI

从「哪个 AI 最强」到「谁来做这件事」

视频的核心转变：

旧思维：AI 的竞争 = 模型 vs 模型（benchmark 排名）
                    ↑ 这是 AI 巨头的事

新思维：拉开差距的是人跟人之间 routing & judgment 的差距
        你能不能判断这个任务需要：
        资料推理权限操作验证还是长期记忆？
                    ↑ 这是你的竞争力

工具会越来越多，但你的判断和选择逻辑才是最重要的竞争。

最佳实践总结

✅ 要做： - 建立多工具分工系统，各取所长 - 先问「资料在哪」再选工具 - 在数据所在的生态内使用 AI - Coding Agent + 人工 Review 的安全工作流 - 整理底层数据和流程后再导入 AI

❌ 不要做： - 什么都丢给同一个 AI - 把公司资料复制到外部 Chat 再贴回来 - 盲目让 AI 修改涉及安全/权限的系统 - 追着新工具排行榜跑 - 做没接到真实数据的表面 Chatbot

参考资料

相关笔记

  • [[AI RAG 架构与系统构建]]
  • [[Coding Agent 对比评测]]