我为什么认为未来的自动化应该是：人提需求，AI生成工作流，AI工具执行

大家好，今天想和大家分享一个我最近一直在思考和实践的小实验：如何让AI Agent更有条理地完成复杂任务，并且让我们 humans（人类）能够更好地控制和复现这些任务。
起因：AI的"自由散漫"让我头疼

自从开始玩各种大模型和AI Agent，我发现一个有趣的问题：这些AI们厉害是厉害，但有时候就像个天赋异禀却太随性的天才艺术家——你想让他画一幅画，他可能会给你一首诗；你想他分析数据，他可能会给你讲个哲学故事。
特别是在处理一些需要多步骤、有明确逻辑的任务时，AI的表现总是不太稳定。这次可能完美搞定，下次换了个条件，结果就大相径庭。这种"随心所欲"的特性，虽然很有"创意"，但在实际工作中却让我很头疼。
灵光一闪：为什么不试试工作流？

某天在写代码的时候，我突然想到了工作流这个概念。我们都知道，人类处理复杂任务时，往往会把大任务分解成小步骤，按一定顺序执行，遇到问题也有相应的应对方案。为什么不能给AI也这样的一套"工作流程图"呢？
于是我开始了我的小实验：设计一个极简的工作流定义语言（DSL），让AI按照预设的路径完成任务。这样既能发挥AI的能力，又能保证结果的可控和可重复。
我的工作流定义长啥样？

在多次尝试后，我设计出了这样一个极简的YAML结构：

1. workflow:
2.   name: string                # 工作流叫啥
3.   description: string         # 工作流要干啥
5.   # 步骤定义（最核心的部分）
6.   steps:
7.     - id: string              # 步骤ID
8.       description: string     # 步骤说明
9.       depends_on: [string]    # 依赖哪些步骤
11.   # 输出定义
12.   outputs:
13.     <output_name>:
14.       from: <step_id>
16. # --- 碰到问题怎么办 ---
17.   error_handling:
18.     fallback_to:              # 出问题时的备选方案

复制代码

超级简单对吧？我是故意这么设计的，因为我希望这份定义既能让AI看懂，也方便我们人类理解和修改。
真实案例：让AI帮我生成GitHub仓库采集工作流

这次小实验最酷的部分来了：不是我手动编写工作流，而是让AI根据我的需求自动生成！
我的需求很简单："帮我获取GitHub上前8个热门的前端仓库，提取重要信息并整理成表格"。
其他产品怎么做？

通常情况下，我会打开各种工作流工具，手动拖拽节点，配置参数，连接线...整个过程可能需要十几分钟，还得考虑各种细节。更糟的是，如果需求稍有变化，又得重新折腾一遍。
我的玩法：让AI自己写工作流

我给了AI这样一段完整的提示：

1. 我需要你帮我创建一个工作流定义，用于获取GitHub上前8个热门的前端仓库。请使用以下的工作流DSL格式：
3. ```yaml
4. workflow:
5.   name: string                # 工作流名称
6.   description: string         # 工作流描述
8.   steps:
9.     - id: string              # 步骤唯一标识符
10.       description: string     # 步骤说明，描述该步骤需要做什么
11.       depends_on: [string]    # 前置依赖步骤ID列表
13.   outputs:
14.     <output_name>:            # 输出变量名称
15.       from: <step_id>         # 指定从哪个步骤获取输出结果
17.   error_handling:
18.     fallback_to:
19.       <strategy>: <step_id>   # 定义错误处理策略
20. ```
22. 基于这个DSL结构和我的需求，请生成一个完整的工作流YAML定义。工作流应该包括数据获取、信息提取、格式化和保存等步骤，并且考虑可能的错误处理场景。

复制代码

看到了吗？我的提示词包含了三个关键部分：

• 明确的需求描述：获取GitHub上前8个热门的前端仓库
  
• 完整的工作流DSL定义：展示了我设计的YAML结构和每个字段的作用
  
• 生成指导：明确告诉AI要基于这个DSL生成完整的工作流
  

然后，神奇的事情发生了！AI分析我的需求，理解了我的DSL结构，然后自动生成了这样的工作流：

1. workflow:
2.   name: 获取GitHub热门前端仓库
3.   description: 从GitHub获取最热门的前8个前端相关仓库信息
5.   steps:
6.     - id: fetch_repos
7.       description: 通过GitHub API搜索并获取热门JavaScript前端仓库，按星标数降序排列，限制数量为8个
8.    
9.     - id: extract_details
10.       description: 从获取的仓库列表中提取仓库名、星标数、描述和URL等关键信息
11.       depends_on: [fetch_repos]
12.    
13.     - id: format_results
14.       description: 将提取的仓库信息格式化为易读的输出格式
15.       depends_on: [extract_details]
16.    
17.     - id: save_results
18.       description: 保存格式化后的结果，准备作为工作流输出
19.       depends_on: [format_results]
21.   outputs:
22.     popular_repos:
23.       from: save_results
25.   error_handling:
26.     fallback_to:
27.       api_failure: fetch_repos    # API请求失败时重试获取步骤
28.       format_issue: extract_details # 解析问题时继续提取尝试
29.       critical_failure: halt       # 严重故障时停止整个流程

复制代码

没有提供DSL会怎样？

我很好奇，如果不提供DSL，直接让AI生成工作流，会有什么结果。于是我尝试了：

1. 请帮我创建一个工作流，用于获取GitHub上前8个热门的前端仓库，并提取重要信息整理成表格。

复制代码

AI给出的结果是一个松散的步骤描述，没有清晰的结构，更不能直接用于自动执行。这对比太明显了——提供DSL不仅给了AI生成规则，还确保了输出结果的一致性和可用性。
更酷的是：版本控制与迭代

最让我兴奋的是，我可以把这个AI生成的工作流定义存到Git里，随时可以：

• 追踪变更历史
  
• 和团队成员协作
  
• 根据需要进行调整
  
• 回退到之前的版本
  

比如，过几天我想增加分析仓库趋势的功能，我可以告诉AI：

1. 请在我现有的GitHub仓库采集工作流基础上（附上当前的工作流YAML），增加一个步骤来分析这些项目的技术趋势，并生成简要报告。保持现有的DSL结构不变。

复制代码

AI就能理解我的需求，在工作流中智能地添加新步骤，保持整体结构的一致性。
在AI开发工具的加持下，这种方法变得更强大了

如果说之前的工作流定义还只是个"纸上谈兵"的概念，那么现在有了Claude CLI、Claude Dev这样的AI开发工具，这个想法就能真正发光发热了！
不再需要写代码去实现自动化

以前，我需要写代码来实现工作流的执行引擎，比如：

• 解析YAML工作流定义
  
• 按依赖顺序执行步骤
  
• 处理错误和重试
  
• 管理步骤间的数据传递
  

但现在？这些都可以交给AI开发工具来处理！
通过工作流生成的YAML，我可以这样自动化操作：

1. # 让 Claude CLI 执行工作流
2. claude github-workflow.yaml
4. # 让 Claude Dev 监控执行过程
5. claude dev --watch workflow.yml

复制代码

AI工具会：

• 自动理解工作流结构：理解步骤间的依赖关系
  
• 智能执行每个步骤：调用合适的工具和API
  
• 处理各种边界情况：网络超时、API限制、数据格式问题
  
• 提供执行反馈：实时告诉我进展到了哪一步
  

真正的"无代码自动化"

举个例子，假如我要实现一个"每日技术资讯汇总"功能：
传统方式（需要写代码）：

• 设计数据库schema
  
• 写爬虫代码抓取多个技术网站
  
• 写数据处理脚本清洗和分类
  
• 写邮件发送模块
  
• 部署定时任务
  
• 各种异常处理和日志记录
  

现在的方式（只需要定义工作流）：

• 让AI生成工作流定义
  
• AI开发工具自动执行
  

整个过程从"开发项目"变成了"描述需求"。我甚至不需要打开IDE，直接在命令行就能搞定：

1. # 1. 生成工作流定义
2. claude "帮我创建一个每日技术资讯汇总工作流，从HackerNews、RSSHub获取热门文章，分类整理后发送邮件" > workflow.yml
4. # 2. 设置定时执行
5. echo "0 8 * * * claude workflow.yml" | crontab -
7. # 完成！

复制代码

我们终于可以做更有意义的事情了

这种转变让我重新思考了"开发"的意义。过去，我们花了大量时间在重复的、模式化的编码工作上：

• 写同样的API调用代码
  
• 处理相似的数据格式
  
• 配置各种工具和环境
  
• 调试各种基础设施问题
  

现在，这些都可以交给AI和AI工具。我们终于有精力和时间去关注真正重要的事情：
1. 更深入的思考

不用再纠结于代码实现细节，我可以花更多时间思考：

• 这个任务的本质是什么？
  
• 有没有更好的解决方案？
  
• 这个结果能为用户带来什么价值？
  

2. 更有创意的探索

freed up 的脑力可以用来尝试更创新的想法：

• 能不能结合多个领域的知识？
  
• 如何让流程更智能化？
  
• 有没有全新的应用场景？
  

3. 更好地与AI协作

有了更多时间，我可以专注于提升与AI的协作质量：

• 如何提出更好的需求？
  
• 如何设计更合适的引导？
  
• 如何从AI的结果中获得启发？
  

实际案例：自动化我的技术调研

最近我需要调研几个新兴技术框架。以前我会：

• 写脚本爬取GitHub数据
  
• 写代码分析趋势
  
• 生成报告模板
  
• 手动整理结果
  

现在，我只需要：

1. # 定义需求
2. claude "帮我调研 Svelte、Qwik、Solid.js 这三个前端框架，对比它们的性能、生态、学习曲线和适用场景" > tech-research.yml
4. # 执行
5. claude tech-research.yml

复制代码

AI工具会：

• 自动访问GitHub获取各框架的数据
  
• 通过浏览器查找技术博客和评测
  
• 对比分析框架特性
  
• 生成结构化的对比报告
  

我只需要在结果出来后，花时间思考这些信息对我的项目有什么意义，而不是浪费时间在数据收集和整理上。
我的小工作流解决了什么？

这种"AI生成工作流+AI工具执行"的方式，效果简直超乎想象：

• 零代码实现自动化：从需求到执行，全程无需写一行代码
  
• 快速原型验证：想法几分钟就能变成可用的自动化流程
  
• 专注核心问题：把重复劳动交给AI，我们专注于价值创造
  
• 持续改进循环：工作流定义可以不断迭代优化
  
• 团队协作更简单：通过Git共享工作流定义，无需共享代码
  

"会写代码的AI"到"会设计流程的AI"再到"会执行流程的AI"

说实话，AI的发展让我有点惊讶：

• 第一阶段：AI会写代码 → 解放我们的编程工作
  
• 第二阶段：AI会设计流程 → 解放我们的架构设计工作
  
• 第三阶段：AI会执行流程 → 解放我们的实现和运维工作
  

现在，我们只需要当好"需求者"和"思考者"，AI包办了从设计到执行的全过程。这种协作方式让我觉得自己更像一个"指挥家"而非"工人"。
这种方法让我重新思考了与AI协作的位置关系：

• 以前：我是设计者，AI是执行者
  
• 现在：我是需求提出者和价值判断者，AI既是流程设计者也是执行者
  

这种转变让我从繁琐的流程设计和代码编写中解放出来，专注于真正需要创造力和判断力的部分。
工作流背后的思考

这个小实验让我重新思考了与AI协作的方式：
1. 开发正在从"编写代码"转向"描述需求"

随着AI工具的成熟，我们的工作重心正在从"如何实现"转向"要实现什么"。这是一种根本性的转变——从技术思维转向产品思维，从实现思维转向价值思维。
2. 简单抽象比复杂实现更重要

过去我们追求的是代码的优雅和架构的完美。现在我发现，一个好的抽象（比如我这个简单的工作流DSL）往往比复杂的实现更有价值。因为它能让AI更好地理解和执行。
3. 与AI协作是一种"引导"而非"控制"

与其精确控制每一个细节，不如设计好框架和目标，然后引导AI在这个框架内发挥。现在的AI工具已经足够智能，能够理解我们的意图并自主完成复杂的任务。
我的下一步计划

这个小实验只是开始，AI工具的发展让一切皆有可能：

• 更智能的协作模式：探索如何与AI工具更自然地协作，比如语音交互、实时调整等
  
• 工作流的市场和生态：设想一个工作流定义的共享市场，大家可以互相分享和改进工作流模板
  
• 与更多工具的集成：让工作流能够调用各种SaaS服务、API、本地工具等
  
• 人机协同的边界探索：人在哪些环节最有价值？AI在哪里能发挥最大作用？
  

当然，最重要的还是继续在实践中探索这种"描述需求→得到结果"的新模式。
写在最后

这篇分享更多是记录我的思考过程而非技术教程。我相信，在与AI协作的道路上，我们正在经历一个重大的转变。
传统的"人写代码，机器执行"的模式正在被"人描述需求，AI设计和执行"所取代。这不仅仅是效率的提升，更是工作本质的重新定义。
通过工作流定义和AI开发工具的结合，我感觉自己就像有了一个超级能干的团队伙伴。我可以专注于提出有价值的想法和判断结果的质量，而把所有繁琐的实现工作都交给AI。
我们正在从"代码的书写者"变成"思想的引导者"。 这或许就是这个时代给我们的最大礼物——让我们有机会重新专注于那些真正需要人类智慧的事情。
正是基于这些实践和思考，我愈发确信，未来的自动化应该是这样的模式：人负责提出有意义的需求和判断结果价值，AI负责将需求转化为高效的工作流程，而AI工具则负责可靠地执行这些流程。在这种模式中，每个人都能发挥自己独特的价值。
*关注 【松哥ai自动化】 公众号，获取深度技术解析，从源码角度彻底理解各种工具的实现原理。更重要的是，遇到技术难题时，直接联系我！我会根据你的具体情况，提供最适合的解决方案和技术指导。
上期回顾：（跨平台自动化框架的OCR点击操作实现详解与思考）*

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！