AI 工作流到底是什么：从入门到榨干

诺鸭船长37.0万曝光 · 79 收藏

你每天都在用 AI，工作却不一定真的变少。

让它读材料，它给你一段总结；让它分析反馈，它告诉你可以分成哪几类；让它帮忙写内容，它交出一篇看起来还不错的初稿。

接下来呢？

你要把总结复制进文档，把分类重新做成表格，把初稿里的事实挨个核对。漏了一项，再回去追问；模型忘了前面的要求，又要重新解释一遍。

AI 参与了工作，却只接走了中间那一小段。前面的材料整理、后面的保存检查，还是你的。

这篇文章想解决的是另一件事：怎样把一项真实工作拆成 AI 能够接手的流程。

我会把同一件事做两遍。

第一遍直接使用 Ling-3.0-flash 的对话页面，不需要写代码。我们先把输入、步骤、交接和检查跑通，完成一条“长文变成六页图文和 60 秒视频脚本”的内容工作流。

第二遍再把这套流程接入 Ling API 和 OpenCode，让 Agent 自己读取文件、生成结果、继续下一步，并在该由人判断的地方停下来。

如果你只是想把 AI 更有效地用进日常工作，看到前半篇就能拿到一套可以照着使用的方法。想继续榨干的人，可以在后半篇把它升级成能够读写文件、调用工具的 Agent。

目录（相关文章尾部跳转）

一、你以为在用 AI 工作，其实还在替它收尾
二、为什么这次用 Ling-3.0-flash 做执行模型
三、先别急着问 AI：把你的工作画成一条能跑的路线
四、完整示范：把一篇长文变成六页图文和 60 秒视频
五、不想继续复制粘贴：把这套流程交给 Agent
六、还可以怎么玩 AI：15 秒表演和农场小游戏
七、Agent 工作台怎么选：先看它要在哪里干活
八、哪些活别交给 Ling：规划、执行和人工批准怎么分
九、四类人怎么开始：今天先交出去哪个步骤

一、你以为在用 AI 工作，其实还在替它收尾

一句“帮我总结这些反馈”，不是工作流。

一段写了两千字、塞满角色、背景、语气和禁用词的提示词，也不一定是工作流。它只是把一次请求写得更详细。

一条完整的工作流至少要回答五个问题：


| 任务 | 更适合交给谁 |
| --- | --- |
| 目标、价值判断、选题和最终签字 | 人 |
| 陌生领域、复杂架构、多约束规划 | 人或 Ring-2.6-1T 等规划模型 |
| 明确抽取、格式转换、文件读写和高频修改 | Ling-3.0-flash |
| 图像、音频、视频理解与生成 | Ming 或其他多模态、AIGC 模型 |
| 已经完全确定的计算和格式校验 | 普通代码 |
| 发送、发布、付款、删除等高风险动作 | 工具执行，但必须人工批准 |

例如，你有五十条用户反馈。

普通聊天是：

帮我总结一下这些反馈。

稍好的提示词是：

按功能问题、价格问题和使用障碍分类，每类给出数量和代表意见。

工作流会继续往后走：

给每条反馈保留原始编号；
按固定字段分类；
无法判断的放进“待确认”，不强行补全；
检查有没有重复、遗漏和空字段；
输出一份可以筛选的表格；
人确认后，再生成团队摘要或写进待办系统。

区别就在最后几步。

聊天给你一个答案。工作流把结果送进下一步，直到出现可以打开、可以核对、可以继续使用的东西。

这里还要分清工作流和 Agent。

工作流是一条已经画好的路线。材料经过哪些步骤，哪里必须停下来等人确认，提前都可以定好。

Agent 是能够在这条路线里使用工具的执行者。它可以自己决定先读哪个文件、调用什么工具、遇到错误是否重试，以及什么时候应该回来问你。

手动把会话 A 的结果复制给会话 B，也可以是一条工作流。前提是：

A 和 B 的职责固定；
A 的输出能成为 B 的固定输入；
中间有明确的人工确认；
B 的结果会返回检查；
下次还能照着同样的结构再跑。

同时打开两个聊天窗口，不会自动变成“双 Agent”。如果搬运、触发和判断都由你完成，它仍是一条人工编排的工作流。

等到模型能自己读取文件、调用工具、保存结果，并根据工具返回继续推进时，这条流程才由 Agent 接手执行。

这也是全文的路线：

先把路画清楚，再让 AI 走；先手动跑通，再把搬运交给 Agent。

二、为什么这次用 Ling-3.0-flash 做执行模型

不是所有工作都需要最贵、最会深度推理的模型。

复杂商业判断、陌生领域研究和大型系统架构，确实需要更强的规划能力。但日常工作里还有大量任务，难点不是“想不明白”，而是要反复读取、分类、转换格式、调用工具、检查结果和继续修改。

Ling-3.0-flash 更适合站在这个位置。

百灵把它定位为面向 Agent 长程工作流的高速执行模型。它总参数量为 124B，每次激活 5.1B，不负责包办所有宏观判断，主要以较低成本承担高频执行、工具调用和较长任务。官方模型页面给出的当前 API 上下文为 256K；具体入口、账户和部署方式可能不同，不要把部署上限当成每个人都能直接获得的体验。

它有两个与这篇文章直接相关的入口。

第一种：直接使用对话页面

打开百灵 AI Studio，在左上角模型菜单选择 Ling-3.0-flash。

在这里，它和普通聊天模型一样，可以接收文字、系统提示词和多轮指令。右侧还能看见联网搜索、时间查询、天气查询等工具开关。

前四章使用这个入口。它的优势是没有安装门槛，适合先验证工作流本身有没有用。

第二种：通过 API 进入 Agent 工作台

百灵提供 OpenAI 兼容接口，当前模型 ID 是：

基础地址是：


```text
你是平台内容编辑。

只能使用 handoff.md 中已经确认的观点和事实。
可以调整顺序、节奏和表达，不能增加新事实、改变因果或删除限制。
如果材料不足，请直接指出，不得自行补充。
```

通过 API，它可以进入 OpenCode、Pi、Hermes、nanobot 或其他支持 OpenAI-compatible Provider 的工作台。

这几层不要混在一起：

Ling 是模型：负责理解任务、生成内容和决定下一步；
文件、终端、搜索和 Office 是工具：负责读取、写入和产生真实变化；
OpenCode 这类 Harness 是工作台：把模型、上下文、工具、权限和错误反馈组织在一起。

模型自己不会凭空修改文件。只有进入能够提供文件工具的 Harness，它才有“手”。

思考模式不是越开越好

Ling-3.0-flash 支持思考与非思考两种状态。百灵当前 OpenAI 兼容接口使用：

或者：


```text
Ling-3.0-flash
```

事实冲突、任务拆解和错误修正，可以开启思考；已经确认的字段转换和固定格式改写，可以测试关闭思考以减少等待。

不要照搬其他平台的 enable_thinking 参数。第三方 Harness 可能使用自己的配置方式，必须先确认它有没有正确传递。

规划模型不需要每次都登场

一种常见说法是：

高级模型负责思考，Ling 负责干活。

这个方向只说对了一半。

如果任务已经很清楚，例如提取观点卡、改成固定格式、读写文件和按规则回查，Ling 自己就能承担从理解到执行的大部分过程。没有必要为了显得“多 Agent”，先召集几个模型开会。

只有当目标模糊、约束复杂、风险很高，或者需要大规模架构规划时，才值得让人或 Ring-2.6-1T 等更强的规划模型先产出规范，再把明确任务交给 Ling 高频执行。

分工按任务走。简单执行不必额外增加规划模型，复杂判断也不能只因为 Ling 更快就交给它。

三、先别急着问 AI：把你的工作画成一条能跑的路线

https://x.com/ponyodong/status/2080974135258407068?s=20

很多人搭 AI 工作流的第一步，是打开模型问：

你能帮我做什么？

这很容易得到一份听起来无所不能的功能清单，却很难替你少做一步。

更有效的起点，是回头看自己过去一周：

哪一段工作我已经做过很多次，每次都要重复搬运、整理和检查？

先找“小而烦”的任务

适合第一次交给 AI 的工作，通常有六个特征：

高频：每天或每周都会发生；
输入已经数字化：材料是文字、表格、网页或文件；
步骤相对稳定：你大致知道平时怎么做；
交付物明确：最后应该得到一张表、一篇稿或一组文件；
错误可以检查：能回到原文、数字、测试或状态核对；
风险可控：第一版不会直接付款、发布、删除或覆盖正式文件。

“帮我运营一个账号”就不是好起点。选题、价值判断、内容生产、发布、互动和数据复盘全揉在一起，任何结果都很难验收。

“把一篇已经确认的长文改成六页图文，并检查有没有改变原意”就清楚得多。

普通人的第一条工作流，也可以从这些地方开始：

https://chat.ant-ling.com/chat

第一次先交出去其中一段：规则清楚，结果也查得到。

用六个问题搭出第一版

选定任务以后，不要急着写一大段提示词。先填这张任务单：


```text
任务：
减少同一篇文章反复改成不同平台内容的时间。

输入：
一篇已经完成事实核对和观点确认的长文。

步骤：
母内容编号 → 提取观点卡 → 人选择 → 平台改编 → 返回原文检查。

交付：
六页图文脚本、60 秒视频脚本、审查报告。

检查：
每个观点能回到原文；不能增加新事实、改变因果或删除限制。

人工批准：
选择哪些观点继续使用；最终是否发布。
```

以第四章要做的内容工作流为例：


| 你反复在做什么 | 可以先交出去的一段 |
| --- | --- |
| 每天翻聊天、邮件和笔记 | 原始消息 → 分类 → 今日待办 → 人确认 |
| 同一篇内容反复改平台 | 母内容 → 观点卡 → 平台改编 → 原文回查 |
| 周五重新回忆做过什么 | 每日记录 → 事实表 → 周报草稿 → 来源核对 |
| 收集一批用户反馈 | 原始反馈 → 编号 → 分类 → 异常项 → 汇总 |

这张任务单比“你是一位资深新媒体运营专家”更重要。

角色设定只能影响表达方式。任务单决定材料怎样进入、结果怎样出来，以及出了错往哪里退。

先把判断和执行分开

一条实用的工作流，不会让模型从头到尾自由发挥。

第四章里，我们会把任务拆成三种责任：

会话 A 忠实拆解母内容；
人选择真正值得传播的观点；
会话 B 负责平台表达；
最后再由会话 A 对照原文回查。

为什么不让一个会话一口气完成？

因为“提取原意”和“把内容写得更有传播力”是两种会互相拉扯的任务。前者要求克制，后者鼓励改写。把它们拆开，更容易知道错误发生在哪一步。

第一遍一定要手动跑

手动并不落后。

第一次亲自把 A 的结果交给 B，你才能看见：

哪个字段经常缺失；
哪一步最容易产生新事实；
哪些判断绝不能自动化；
哪个检查条件真的能抓住错误；
这件事是否值得继续接 API。

如果一条流程一个月只用一次，或者每次输入都完全不同，自动化它可能比亲手做更麻烦。

第三章先做到这一步：

先找到一段值得交出去的工作，再用最简单的方式跑通。

四、完整示范：把一篇长文变成六页图文和 60 秒视频

优秀的内容系统，通常不会每天让 AI 从零生成十个选题。

GaryVee 的内容模型从一份长视频、演讲或播客等支柱内容出发，再拆成适合不同平台的短内容；Justin Welsh 的 Content Operating System也先稳定生产一份 newsletter，再把它转成多份衍生内容。

两种方法的共同点是：

先有一份确认过的母内容，再做平台适配。

这一章不拿陌生资料让 AI 凭空写文章。准备一篇你已经完成、事实和观点都确认过的长文。

最终要得到六个文件：


```text
根据同一份 handoff.md 生成 60 秒口播脚本。

输出：
- 0—5 秒：开场；
- 5—20 秒：问题；
- 20—45 秒：方法；
- 45—55 秒：限制；
- 55—60 秒：收束；
- 每一段对应的 idea_id。

语言要适合自然口播，不要把六页图文逐字复述。
不要增加 handoff.md 之外的事实。
```

如果你不习惯 Markdown，也可以把它们理解为六份普通文档。文件名只是为了让交接关系更清楚。

第一步：配置会话 A

打开百灵 AI Studio：

新建会话 A；
在模型菜单选择 Ling-3.0-flash；
关闭这次任务不需要的联网搜索、时间和天气工具；
在右侧系统提示词填入：

https://x.com/noahduck283/status/2075918039351194009?s=20

系统提示词只负责规定会话 A 的职责，不需要把正文塞进右侧设置。

第二步：一次发送母内容和拆解任务

回到对话框，把下面这条完整消息发给会话 A。最后再把你的长文粘贴进去：


```text
当前结果：
第 4 页写成“AI 工作流一定能减少一半工作时间”。

预期结果：
改为母内容中的条件判断，不得承诺固定比例。

证据：
P08 只说“当任务高频、步骤稳定且可检查时，才值得自动化”。

允许修改：
只修改第 4 页和视频中对应 I07 的段落。
```

这条消息只需要发送一次。

[P01] 不是另一套提示词，只是原文坐标。它让观点卡能够写明“这句话来自 P03”，最后回查时不用重新翻整篇长文。

把 A 部分保存为 pillar-numbered.md，把 B 部分保存为 idea-cards.md。如果你不用 Markdown，也可以分别存成两份普通文档。

这一轮结束后，先别急着继续改编。

你应该看到一组结构化观点卡，每张卡带 idea_id 和原文编号。现在重点检查：

有没有一句话听起来很漂亮，却找不到原文；
有没有把例子拔高成普遍结论；
有没有删掉“可能、适合、在某些情况下”等限制；
待确认内容有没有混进可用卡片。

第三步：人来选，不让模型替你决定选题

不要把全部观点卡送进下一步。

选择两到三张：

你真正认同；
单独拿出来仍然成立；
与目标读者有关；
有事实、经验或具体方法支撑。

把选中的卡片复制到 handoff.md：

https://x.com/noahduck283/status/2079546236441653632?s=20

这一步由人来把关。

AI 可以帮助你拆观点，但“什么值得传播”仍然是作者的判断。没有这一步，一稿多用很容易变成一稿多份平庸内容。

第四步：会话 B 只做平台适配

新建一个干净的会话 B，仍然选择 Ling-3.0-flash。

系统提示词填入：


```text
读取：
- instructions/adapt.md
- instructions/review.md
- input/pillar.md
- handoff/selected-ideas.md

依次完成：
1. 生成 output/xhs-6-cards.md；
2. 生成 output/video-60s.md；
3. 对照母内容和 selected-ideas.md 审查两份成品；
4. 把问题写入 output/review.md。

规则：
- 不得修改 input/pillar.md；
- 不得使用 selected-ideas.md 之外的观点；
- 发现材料不足时写入 review.md，不得自行补全；
- 不发送、不发布；
- 完成后返回三个文件路径和每个文件的行数。
```

先生成六页图文：

https://learn.justinwelsh.me/store

再生成 60 秒视频脚本：


```text
[L01] 完成了什么；
[L02] 得到了什么结果；
[L03] 哪个数字来自哪里；
[L04] 遇到了什么阻塞；
[L05] 下周准备做什么。
```


```text
请根据原始母内容、idea-cards.md 和 handoff.md 审查这两个成品。

只报告：
1. 新增了哪些母内容没有的事实；
2. 哪些观点改变了原意；
3. 哪些适用条件或限制被删除；
4. 哪些页面或口播段落脱离了对应 idea_id；
5. 哪些重要观点在改编中被遗漏。

每个问题必须包含：
- 问题位置；
- 当前内容；
- 原文证据；
- 建议修改范围。

不要直接重写整份成品。
```

这里让同一个会话生成两种内容，是因为它们共享同一份已经确认的交接材料。会话 B 可以改表达，不能重新决定观点。


```text
读取 instructions/extract.md 和 input/pillar.md。

按照规则生成 staging/idea-cards.md。
完成后检查：
1. 每张卡是否有原文编号；
2. 是否出现母内容之外的新事实；
3. 是否保留限制条件。

只完成观点卡，返回文件路径和检查结果，然后暂停。
不要生成平台内容。
```

第五步：把成品送回会话 A

把六页图文和视频脚本交回会话 A：


```text
你是内容拆解编辑。

只根据我提供的母内容工作，不补充外部事实，不模仿其他作者。
你的任务是保留原意、提取可独立传播的观点，并标出来源。
无法确定的信息必须标记待确认。
```


```text
https://api.ant-ling.com/v1/
```

为什么不让会话 B 自己检查自己？

因为它已经投入了当前表达方式，更容易沿着自己的写法继续合理化。让忠实拆解母内容的会话 A 回来对账，角色更清楚。

人确认审查结果后，再把明确修改项交给会话 B。不要只说“再准确一点”，而是告诉它：


```text
任务：
我真正想少做的是哪一段重复劳动？

输入：
AI 每次只能使用哪些材料？

步骤：
材料进入以后，依次经过哪些处理？
在哪一步必须暂停？

交付：
最后必须得到什么可以打开或继续使用的结果？

检查：
怎样证明没有遗漏、编造、写错或跑偏？

人工批准：
哪些判断和外部操作必须由我确认？
```

到这里，一条完整的人工工作流已经跑通：

母内容 → 会话 A 拆观点 → 人选择 → 会话 B 做平台适配 → 会话 A 回查 → 人批准。

工作流靠的是中间那份 handoff.md 和最后的回查，不是同时打开两个会话框。

它们让你知道：什么可以进入下一步，什么必须停下来，以及错了以后应该退回哪里。

五、不想继续复制粘贴：把这套流程交给 Agent

上一章已经可以稳定产出，但还有几件事是你亲手做的：

把母内容交给会话 A；
把选中的观点复制给会话 B；
把成品送回 A 检查；
分别保存六个文件。

如果这条流程偶尔用一次，手动完成就够了。

如果你每周都要做，下一步才值得接 API：流程不变，只把读取、保存和搬运交给 Agent。

这一章使用 OpenCode 作为示范工作台。原因很简单：它能够让模型读取项目文件、创建和修改文档、查看变更，并在任务中继续调用工具。它不只适合写代码，也适合这种以 Markdown 文件为中间产物的内容流程。

第一步：准备 Ling API

在百灵 API 控制台创建测试令牌。令牌只展示一次时，先保存到密码管理器，不要贴进文章、截图或项目文件。

百灵当前接口需要三项信息：

先把 Key 放进环境变量：

https://x.com/noahduck283/status/2076823902727405942?s=20

这条命令只对当前终端会话生效，关闭后需要重新设置。长期保存时也不要把 Key 写进会被同步或上传的仓库。

第二步：把 Ling 接进 OpenCode

OpenCode 的配置字段会随版本变化。下面按照当前主文档的 OpenAI-compatible Provider 写法。

在项目目录创建或更新 opencode.json：


| 你最想减少的动作 | 先看什么 | 为什么 |
| --- | --- | --- |
| 在项目里反复读写文件、改内容或代码 | [OpenCode](https://opencode.ai/docs/)、[Pi](https://github.com/earendil-works/pi) | 能读取项目、修改文件并接收工具报错 |
| 从聊天软件随时叫它整理消息、提醒或调用工具 | [nanobot](https://github.com/HKUDS/nanobot)、[Hermes](https://github.com/NousResearch/hermes-agent) | 更适合长期运行的个人助手和消息入口 |
| 把结果真正写进 Excel、Word 或业务系统 | 对应 MCP 或专用 API | 仅有聊天窗口不能产生真实的跨软件结果 |
| 同一流程每天大量重复 | [LangGraph](https://docs.langchain.com/oss/python/langgraph/workflows-agents) | 可以固定节点、保存状态，并在人工批准后继续 |
| 已经长期使用 Claude Code | 按[百灵官方文档](https://developer.ant-ling.com/zh-CN/docs/integrations/claude-code/)接入 | 沿用已有工具和权限习惯，减少迁移 |

打开 OpenCode，运行：

https://x.com/noahduck283/status/2072860039862497328?s=20

在列表里选择：


```text
ling/Ling-3.0-flash
```

如果模型没有出现，先检查三件事：

opencode.json 是否位于当前项目目录；
Provider ID 是否是 ling；
当前 OpenCode 版本是否已经改用新版配置结构。

不要在模型列表都没出现时继续排查提示词。配置层没有接通，改提示词没有意义。最新字段以 OpenCode Provider 文档为准。

这一步只能证明模型能够被选择，还不能证明工具调用和长任务都正常。正式运行前，先让它只读一个小文件，再创建一个测试文件，确认它真的拿到了读写工具。

第三步：把工作流变成文件结构

在项目里准备：


```json
{
  "thinking": {
    "type": "enable"
  }
}
```

把第四章使用的母内容放进 input/pillar.md。

三个指令文件分别保存：

extract.md：会话 A 的观点卡规则；
adapt.md：会话 B 的六页图文和视频规则；
review.md：返回母内容检查的规则。

我们没有重新写一套 Agent 提示词，只是把已经手动验证过的流程从聊天记录里拿出来，变成稳定文件。

第四步：让 Agent 做到人工闸门就停

第一次不要让它直接生成全部内容。发送：


```text
handoff/selected-ideas.md
```

这时，OpenCode 中的 Ling 不再只是回复一段文字。

它需要选择文件读取工具，读取两份输入，把结果写入指定路径，再向你报告完成情况。模型、工具和工作台开始组成一个 Agent。

打开 staging/idea-cards.md，亲自选择观点。把确认内容写进：

https://developer.ant-ling.com/zh-CN/docs/models/ling/

人工闸门仍然保留。API 的作用不是取消你的选择，而是省掉重复搬运。

第五步：批准以后，让它继续完成

确认 selected-ideas.md 后发送：

https://x.com/ponyodong

最后不要只看它说“已完成”。

验收只看：


```text
请按照顺序完成两件事。

第一步，按照自然段给下面的母内容依次添加 [P01]、[P02]、[P03]……
只添加编号，不得改写、删减或调整原文顺序。

第二步，基于编号后的原文，拆成 8—12 张观点卡。

请分成两部分输出：

A. 编号后的完整母内容
B. 观点卡

每张卡包含：
- idea_id；
- 一句话观点；
- 对应原文段落编号；
- 支撑它的事实或例子；
- 适合解决的读者问题；
- 单独传播时必须保留的限制；
- 状态：可用 / 待确认。

规则：
1. 不增加母内容没有的事实；
2. 不把推测写成结论；
3. 不删除原文中的适用条件；
4. 每张卡至少对应一个原文编号；
5. 完成 A 后再输出 B，不生成小红书和视频脚本。

下面是母内容：

【把完整长文粘贴在这里】
```

对话端和 Agent 的差别也出现在这里。

在对话端，人把结果从一步搬到下一步；在 Agent 工作台，模型通过工具读取中间文件、保存结果并继续执行。路线没有变，执行方式变了。

六、还可以怎么玩：15 秒表演和农场小游戏

把 AI 用来整理材料、改内容，已经很实用了。更好玩的是，同一套方法还可以被拿去做完全不同的事情。

最近我看到两个很有意思的例子。

@ponyodong 用 Ling-3.0-flash，把一句简单的“难过”，拆成了一段 15 秒的角色表演。

我从这个案例里学到的，是别把“难过”直接扔给视频模型。他继续往下拆：角色在哪一秒开始躲避视线，呼吸什么时候变化，手上的动作怎样停顿，镜头应该靠近还是拉远。

“难过”只是一个抽象感觉。拆成观众能看见、视频模型能执行的动作以后，它才有办法进入制作流程。

具体过程可以看她的原文：

《AI 角色不是没演技：我用 Ling-3.0-flash，把一句“难过”拆成了 15 秒表演》

Ling-3.0-flash 在这里不是视频生成模型。它负责把模糊创意整理成时间、动作、镜头和声音能够继续执行的说明，再交给相应的图像、视频或声音模型。

另一个例子来自 @GameFiLabs。

他用 Ling-3.0-flash 做了一个农场小游戏。这个案例让我记住另一件事：别一上来就要求 AI 做出一个完整世界。

先锁定最小的一圈玩法：

点击土地 → 播种 → 生长 → 收获 → 金币增加。

土地能不能出现，播种有没有反馈，作物能不能生长，金币有没有正确变化，每一步都可以单独检查。上一层跑通以后，才继续增加下一层。

具体制作过程可以看这里：

《新手如何用 Ling-3.0-flash 做出第一个农场小游戏》

一个在演戏，一个在种田，看起来和整理材料、生产内容完全不同，底层做的却是同一件事：

模糊想法 → 最小闭环 → 可观察步骤 → 每轮验收 → 再增加一层。

如果你想把一个自己的创意交给 AI，也可以先问：

我写下的是抽象感觉，还是可以被看见的动作？
第一版最小能玩、能看或能运行的闭环是什么？
每一轮怎样证明它真的完成了？
出错以后能不能只修改这一层？

工作流也不只是一套办公模板。它同样能把模糊想法一点点推成可以看、可以玩、可以检查的结果。

七、Agent 工作台怎么选：先看它要在哪里干活

第五章使用的是 OpenCode，但 Agent 并不只有这一种形态。

有人想让它待在项目文件夹里，有人想从聊天软件随时叫它干活，还有人需要它操作 Excel、Word，或者每天自动处理几百份材料。

选择工具前，只要先分清三个东西：

Harness 是工作台：OpenCode、Pi、Hermes 负责给模型准备上下文、工具、权限和执行记录；
MCP 是工具接口：把文件、浏览器、数据库或 Office 的能力接给工作台；
流程编排是固定路线：LangGraph 适合把步骤、失败退路和人工批准写成长期运行的生产线。

它们不是替代关系。Harness 决定 Agent 在哪里工作，MCP 决定它能碰什么，编排层决定结果接下来往哪里走。

按工作现场选择

https://x.com/noahduck283/status/2079914518743056580?s=20

如果只是偶尔处理一篇文章，继续使用对话端就够了；如果输入和结果都在一个项目目录里，先用 OpenCode；只有当任务真的跨消息、跨软件或需要长期批量运行时，才继续增加其他层。

记住三个选择原则

第一，跟着工作走。材料在哪，结果要写到哪，就选择能进入那个现场的工具。

第二，选择最短链路。OpenCode 能完成的事，不必同时安装消息 Bot、Office MCP 和 LangGraph。

第三，先手动跑通再升级。输入、交付和检查条件还不稳定时，更复杂的 Agent 只会把混乱自动化。

百灵目前为 Hermes Agent、Claude Code 等提供了直接接入说明；OpenCode、Pi、nanobot 和 LangGraph 可以通过兼容接口连接。无论属于哪一种，都不能把“模型出现在列表里”当成已经可用。

正式任务前只做四项测试：

从请求记录确认实际调用的是 Ling-3.0-flash；
读取一个测试文件，再创建一个新文件，不覆盖原件；
故意请求不存在的文件，确认错误会返回给模型；
在发送、发布或覆盖前，确认它会暂停等待人批准。

选 Agent 工具不需要一步到位。先找到刚好能接走当前搬运动作的那一个，已经足够。

八、哪些活别交给 Ling：规划、执行和人工批准怎么分

执行模型速度快、单价低，不代表把所有任务交给它都更便宜。

一项任务的真实成本包括：

https://x.com/noahduck283/status/2069030402048893317?s=20

如果模型每一步都需要你盯着，或者执行得越快、返工越多，低 Token 单价没有意义。

可以用这张表分工：

https://x.com/GameFiLabs/status/2080972291622752656?s=20

还有五条边界值得单独记住。

不要让它一句话包办大型项目

“开发一个完整商城”“运营一个账号”“做一款好玩的游戏”，把需求、规划、执行和验收揉在一起。

先缩成一个能检查的交付，再逐步扩大。越开放的任务，越需要人或规划模型先写清范围和完成条件。

不要把长上下文当成垃圾场

上下文很长，不代表应该把几个月群聊、几十份无关文件全部塞进去。

每条工作流只读取完成当前任务需要的材料。长期任务要定期归档，中间结果通过结构化文件交接，而不是把所有历史都留在一个会话里。

不要让纯文本模型假装看见画面

Ling-3.0-flash 当前是纯文本模型。

第六章里，它负责拆表演、写镜头说明和调度工具，不负责原生理解或生成视频。需要判断画面时，先让多模态模型提取结构化描述，再把明确任务交给 Ling。

不要把私人材料默认交给云端

客户信息、合同、财务、简历、内部会议和未公开数据，不能因为“只是做个总结”就直接上传。

先核对平台隐私政策、合同和组织规定。无法确认时，使用公开、合成或彻底脱敏的材料。

不要让 Agent 自己批准自己

发布内容、发送邮件、修改生产数据、付款和删除文件，都不应该因为前几步自动化了，就顺手一起开放。

Agent 可以准备动作，人负责最终批准。自动化越往外连接真实系统，人工闸门越重要。

Ling-3.0-flash 的价值，不是把所有模型和所有人都替换掉。

它更适合承担工作流中明确、重复、需要工具和持续执行的部分，让昂贵模型少做机械劳动，也让人不再反复搬运已经确认的信息。

九、四类人怎么开始：今天先交出去哪个步骤

看到这里，不需要每个人都安装 OpenCode。

先从你当前最烦、又最容易检查的一小段工作开始。

普通人

找十条聊天、邮件和笔记，给每条信息编号。

让 Ling 只做分类：

明确待办；
已确认决定；
待确认问题；
仅供参考。

先检查它有没有把“可能、建议、可以考虑”写成已经决定。这个流程每周确实会用，再考虑接 nanobot 或 Hermes 自动收集消息。

内容创作者

直接跟第四章做。

找一篇已经完成的长文，先拆观点卡，自己选择，再生成六页图文和视频脚本。第一项成功标准很简单：每份内容都能回到同一套观点和事实。

如果每周都要重复，再进入第五章，用 API 和 OpenCode 接走文件搬运。

打工人

不要把“帮我写周报”当成第一步。

先在一周里留下带编号的原始记录：

让 Ling 先把动作、结果、数字、阻塞和计划分开，人确认后再生成周报。流程稳定以后，才考虑接文件系统或 Office 工具写进正式模板。

开发者和爱折腾的人

准备一个只有五六项功能的小工具或小游戏。

先写最小闭环和验收条件，再接入 OpenCode 或 Pi，让 Ling 每次实现一项、运行测试、读取错误并继续修正。

不要把登录、数据库、付费和部署一次塞进第一轮。

无论你属于哪一类，都可以从第三章的六个问题开始：


```text
根据 handoff.md 生成六页图文脚本。

结构：
1. 封面：提出一个具体问题；
2. 读者正在经历的现象；
3. 核心判断；
4. 可以照做的方法；
5. 最容易误解的地方；
6. 行动总结。

每页包含：
- 标题；
- 60 字以内正文；
- 对应 idea_id；
- 画面需要表达的关系。

不要新增数字和案例。
```

这六个问题答清楚以后，提示词才有意义，API 才有东西可接，Agent 才知道应该往哪里走。

AI 工作流到底是什么？

它不是把提示词写成一份越来越长的说明书，也不是让几个 Agent 在屏幕上互相聊天。

它是把一件真实任务拆成可以前后连接的步骤：材料有入口，中间有交接，结果能检查，错误能退回，人知道自己在哪些地方必须签字。

Ling 对话端让你先把这条路跑通；Ling API 和 Harness 再替你接走读取、保存和搬运。

所谓榨干，最后落到一个很朴素的尺度：已经能说清、能检查、又不值得你反复亲手做的事，就交给 AI；其余的，继续握在自己手里。

我是诺鸭船长，带你在信息的海洋里寻找陆地～

AI系列⬇️其他系列移步个人主页

AI写作四部曲

选题方法全网最全使用指南：从入门到榨干

爬虫工具全网最全使用指南：从入门到榨干全网

写作 Skill 全网最全使用指南：从入门到榨干

去AI 去味全网最全指南：从识别到榨干

AI使用

Grok 4.5全网最全使用指南：从入门到榨干

GPT-5.6/Codex 全网最全设置指南：从入门到榨干

Codex插件全网最全使用指南：从入门到榨干

Claude Fable 5全网最全使用指南：从入门到榨干

Open 家族神器全网最全盘点：从入门到榨干