從 Skill 到 Workflow： 重構業務閉環

為甚麼單點 Skill 不夠

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 到底是甚麼

「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。

Agent、Skill 與 Workflow

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。

建立 Workflow 的五步法

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。

從流程視角到數據視角

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。

一個 Outreach 工作流拆解

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。

盯指標，而不是盯步驟

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。

常見誤區

• **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。

實踐清單

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。