從 Skill 到 Workflow：
重構業務閉環

電力的歷史裏藏着一個有用的教訓。十八世紀末，工廠已經能用上電，但此後幾十年，電幾乎沒有提升工廠的效率。廠主用電來照明，或者讓某一台機器轉得快一點，而工廠其餘部分仍照舊運作。工具是新的，流程是舊的。

真正的躍升要等到二十世紀初——人們開始以電力為核心重新建廠，整個流程被徹底重設計，新技術才終於帶來大家一直期待的那種提升。

AI 正處在同樣的位置。我們已經積累了大量智力資產，也就是能很好解決單點問題的 Skill。但如果這些 Skill 仍然運作在舊的、由人驅動的流程裏，永遠靠人去逐個調用它擬一封郵件、跑一次搜索、做一段翻譯，那工作其實快不起來。AI adoption 的最後一步，不是再多加幾個 Skill，而是重設計整個流程。

「workflow」這個詞太寬泛，所以先給一個工作定義。Workflow 是一個可執行的業務閉環（executable business loop）。它的形式不重要——可以是一個文件夾、一份文檔、一份 PPT，或平台上的一條狀態。重要的是它的內容描述了一個別人（或某個 Agent）真正能跑起來的閉環。

一個完整的 Workflow 至少應包含六個要素：

1. 目標：這個閉環要產出的業務結果。
2. 輸入：啟動這個閉環需要甚麼。
3. 流程性知識：這件事今天是怎麼完成的。
4. 數據：過程中沉澱下來的資產與狀態。
5. 審核節點：哪些地方必須由人檢查或審批。
6. 下一步動作：閉環產出之後會發生甚麼。

只要能把這六點說清楚，這個 Workflow 本身就清楚了——它聽起來是一件可執行、可審核的事，而不是一個模糊的願望。Workflow 可大可小，只要它有下一步，之後就能與其他 Workflow 組裝成更大的閉環。

這三個詞容易混淆，值得清楚地分開：

• Agent 是執行主體。給它一個輸入，它會持續地搜集上下文、找到合適的工具，不惜手段地循環推進直到達成目標。對待 Agent，最重要的工作是 align——對齊甚麼叫「做得好」。
• Skill 是從做事中沉澱下來的單點能力。它最關鍵的特點是 portable and reusable（可移植、可複用）。一個 prompt 知識庫、一個生成創意圖的能力、一條打分規則——任何針對特定場景、可被複用的資源，都可以是一個 Skill。
• Workflow 是一個可執行的業務閉環：一個定義了整段流程的知識集合，包括目標、步驟、涉及哪些 Skill、哪些地方要審核，以及它的產出。

三者的關係很乾淨。Skill 和 Workflow 都是 reusable resource，都可以被 Agent——也可以被人——調用。Workflow 是 business level 的東西，Skill 是單點能力。Skill 決定 AI 能做甚麼，Workflow 決定一個業務怎麼運轉。

任何一個團隊若想打磨出成熟的 Workflow，至少要按順序完成這五步：

1. Business value（業務價值）。先不要討論做甚麼，先討論這件事的價值是甚麼。目標從來不是「把一個 task 幹掉」，而是實現某個 purpose。Outreach 的價值是開拓客戶；一個申報流程的價值可能是提高合規準確度、縮短客戶等待時間、改善體驗。先定價值，因為後面所有細節都圍繞它推進。
2. Current process knowledge（流程性知識）。梳理當前人是怎麼完成這件事的。但要鬆鬆地拿着它：這是背景，不是劇本。目的不是讓 Agent 照着人的步驟一步步複刻，而是給它背景知識，讓它回答一個更好的問題——「以前人是這麼做的，現在你認為該怎麼做？」
3. Data flow and states（數據流與狀態）。換一個視角。任何流程背後，都是信息、資源與數據在流動。問清楚這個閉環沉澱哪些數據、數據之間怎麼轉換、哪些才是真正的資產。這聽起來 technical，其實不然——它只是在問「到底有甚麼在流動」。
4. AI redesign 與 Skill design。把流程和數據交給 AI，讓它重新設計執行方式，並拆分出需要的 Skill。一旦流程和數據都清晰，Skill 的設計幾乎沒有阻力，因為每個 Skill 都有了清晰的輸入和輸出。
5. Metrics and success（指標與成功）。讓事情閉環。定義甚麼叫好，人就能盯指標而不是盯步驟。這一步，正是讓整件事成為一個 loop 而不是一次性運行的關鍵。

貫穿這五步的主線是：從價值出發，讓 AI 重設計中間過程，把人留在「盯指標 + 關鍵節點審核」的位置上。

數據視角值得單獨強調，因為它是大多數人會跳過的一步——而它恰恰決定了 AI 重設計能否真正落地。

當你只盯着流程，你會永遠在追進度：哪個客戶走到了哪一步、下一步是甚麼。當你盯着數據，畫面就不一樣了。只要你能建立一小組數據表，能時刻反映這個閉環的狀態，你就不必再跟每一個步驟。你瞄一眼這些表，就一目了然地把握了整個系統。

所以對每個 Workflow，都要問：我希望哪些數據變多，哪些數據要準？那就是你的資產。好的數據建模，能把一個難以追蹤的流程，變成幾個清晰可讀的狀態——並且給下游每個 Skill 一個精確的讀寫位置。

以一個銷售 outreach 閉環為例。它的 business goal 是拓展客戶。人工流程大致是：發現市場信號（誰在投廣告、在哪裏投），評估哪些線索值得跟進，找到對的聯繫人和郵箱，發一封 cold email，再跟進回覆。

從數據視角看，這個閉環中有四種數據在流動：

• Signals（線索）——原始線索：一條廣告、一次展會接觸、一通電話、一封郵件。
• Companies（客戶公司）——已評估的客戶，每家都有分數、階段和狀態。
• Contacts（聯繫人）——每家公司背後核驗過的人和郵箱。
• Outreach（觸達記錄）——每一封郵件及其當前狀態的記錄。

一旦數據清晰，AI 重設計後就變成一組按時間觸發的 routine：清早抓取活躍的廣告信號，對新信號做 lead qualification，為 high / medium 客戶找聯繫人，起草 cold email，檢查回覆並更新狀態，再生成一封 morning brief。已審批的草稿在當天稍晚統一發出。

那人在哪裏？人看 morning brief，核驗一個不確定的聯繫人是否真實，在郵件發出前審批草稿，以及在客戶轉化後接手——報價、交接、跟進交接。信號怎麼打分、怎麼抓取，已經不需要操作者操心，那是另外可以單獨打磨的 Skill 細節。

完成前四步後，Workflow 就變成 runnable 的了。但 runnable 不等於好——你還不知道它跑得怎麼樣。這正是第五步要閉合的。

給它定下明確的 metrics 和 success criteria。對一個 outreach 閉環來說，可能是：每週至少發現一定數量的新線索，每週至少評估出若干新客戶，跟進零遺漏，並把延遲控制在某個目標之內。每個 Workflow 都有自己的一套。

它帶來的轉變就是全部重點所在。人不再盯着流程，而開始盯着指標。當人不再追每一個步驟，而是盯指標、只在審核節點介入時，效率就會大幅提升。這也是為甚麼要先定 business value：最終狀態是一個由 AI 重設計的閉環，人盯着數字，並在關鍵節點審核。

• 在 Workflow 未清晰前就先開發 Skill。價值、流程、數據都沒定下來，Skill 開發就沒有清晰的輸入和輸出可以對準。
• 讓 AI 嚴格遵循舊流程。問「我怎麼讓舊平台做到這件事」是個不好的問題。應該問這一步本質上要解決甚麼業務問題——方法可能會變，但價值的流轉不會變。AI 往往能找到比多年前沉澱下來的更新的路徑。
• 沒有統一的數據與狀態管理。沒有一個清晰可讀的單一事實源，團隊就會退回到人和人之間互相對齊，從而丟掉了閉環。

梳理當前流程確實很繁瑣——現代組織分工太細，往往只有 leader 才了解完整的上下游。這份工作值得做，但它是背景知識，而不是終點。

1. 從價值出發，而不是步驟。每次討論 Workflow，都先說它是做甚麼的、價值在哪。
2. 細緻梳理當前流程——然後把它當作背景知識，而不是要照搬的劇本。
3. 建模數據流。說清楚承載閉環狀態的那幾張表，並決定哪些數據要變多、哪些要準。
4. 讓 AI 重設計中間過程。把流程和數據交出去，問一個開放的好問題，讓 Agent 去拆分 Skill。
5. 保留人工審核節點。凡是發送、發布、提交或改動關鍵狀態的操作，都要有人確認。
6. 定指標並盯住它。用成功標準把閉環閉合，然後用指標而不是步驟來管理。

有一個有用的說法叫「loop engineering」：值得設計的不只是單點能力，而是業務閉環本身——人在哪、價值在哪、怎麼評估、怎麼交互。Skill 讓 AI 能做有用的事，Workflow 讓 AI 能在上下文、審核點和指標約束下運轉一個業務閉環，而 Agent 就是那個用起這兩樣工具去達成目標的主體。