老陈星期日下午三点的清单有四件事，聊了一整天 AI 只划掉两项。差的不是模型快不快，而是有没有把 AI 排成一条生产线——三个工位，同一件事从 340 分钟压到 145 分钟。
菜鸟之友系列：《AI 提效实战手册》・第 01 篇作者：业州愚公
老陈周日下午三点坐在电脑前，清单上有四件事：一篇三千字的稿子、六张配图、一份从三份报告里扒出来的数据表、以及把定稿改写成两个平台的版本。
他试过「跟 AI 聊」。聊得挺热闹：问一句、答一句，来回三十多轮，稿子还是散的，图还是没着落，数据表更是每次都要重新贴一遍背景数据。晚上十一点，他关了电脑，清单上划掉了两项，第三项留了个半成品。
第二天他把同一张清单交给我。我们没有换模型，也没有买新会员，只做了一件事：把这四件事拆成工序，每一道工序指定一个干活的角色。
结果是同一个下午，四件事全部收工，还多出一个小时喝茶。
差别不在 AI 打字快不快——打字从来不是瓶颈。差别在于：他把 AI 当成一个「什么都能问的对象」，我把它当成一条产线上的一排工位。
我把那天下午的两套做法记了帐。任务是：写一篇三千字长文（含查数据与事实核对）＋六张配图＋一份数据表＋两种平台改写。
| 工序 | 埋头苦干 | 流水线做法 | 说明 |
|---|---|---|---|
| 查数据、确认事实 | 90 分钟 | 35 分钟 | 机器先出一版带出处的清单，人只挑要核的那几条 |
| 定大纲、写初稿 | 150 分钟 | 60 分钟 | 先让模型出三个结构方案，选一个再逐节写 |
| 找图、配图 | 40 分钟 | 15 分钟 | 图的选型与尺寸一次讲清楚，不来回试 |
| 改写成两个平台版本 | 60 分钟 | 15 分钟 | 平台调性写成模板，一次生成两版 |
| 事实与逻辑自查 | 贯穿全程 | 20 分钟 | 交给第二个模型，按三张清单逐条挑错 |
| 合计 | 约 340 分钟 | 约 145 分钟 | 约 5 小时 40 分 → 约 2 小时 25 分 |
这张表有三个地方值得看清楚。
第一，省下的时间不在「打字」那一段，而在「起手」那一段。定大纲从 150 分钟压到 60 分钟，靠的不是模型写得快，而是它先给了你三个结构方案——你从「面对空白页」变成「从三个里选一个」。
第二，重复工序才是最大的漏水口。改写两个平台版本原本要 60 分钟，因为它本质上是同一件事做两遍。凡是「同一件事做两遍以上」的工序，都该优先交给机器。
第三，自查那 20 分钟是不能省的。省掉它，前面省下的时间会在第二天以「返工」的形式连本带利还回来。这一道工序我们后面单独讲。
多数人觉得「AI 好像没那么神」，是因为一直停在第一层。AI 的用法其实有四个层次，每一层的瓶颈和收益都不一样。
第一层：对话层。 打开对话框，问一句、答一句。好处是零门槛，坏处是每次都要重新解释背景——「帮我写一篇关于 X 的文章」讲完，它给的还是通用稿。这一层大约能省 10%–20% 的时间，而且省得很不稳定。
第二层：模板层。 把你反覆说的那段话固定下来：角色、任务、输入、限制、输出格式，一次写好，反覆用。从这一层开始，输出的品质才稳定。大约省 30%–40%。瓶颈是模板会乱：用得久了，你有十七个版本的提示词，自己都分不清哪个是对的。
第三层：工作流层。 把一件事拆成工序，每道工序指定「谁来干」——哪个模型、哪个工具、什么输出格式，然后把上一道的产出直接喂给下一道。这一层省 50%–60%，也是这篇要讲的重点。瓶颈是拆工序的能力：你得先能把自己脑子里的流程写出来。
第四层：自动化层。 工序固定之后交给 Agent 或排程，人只看结果与异常。收益最高，但也最脆弱——出了错你未必看得见。它只适用于「错了能被发现、成本可承受」的任务，这一条后面会单独写一篇。
判断自己停在第几层有个简单方法：如果你每次用 AI 都要重新打一遍需求，你在第一层；如果你有固定的提示词，在第二层；如果你能说出「这件事分几步、每步谁做」，才到第三层。
把老陈那张清单拆开，其实只有三个工位。
写作工位。 工序是：需求 → 大纲 → 逐节初稿 → 定稿。这里最容易被忽略的是「大纲」这一步，很多人直接跳到初稿，结果就是来回改。正确做法是先让模型给三个结构方案，你选一个、改一轮，再往下写。这一步花掉的十分钟，会在后面省下一小时。
数据工位。 工序是：找 → 整理 → 核对。这里的关键不是让模型「记住」你的数据，而是让它每次都拿到对的那一小段。背景数据贴得越多，干扰越大——这是下一篇要专门算的帐。
检查工位。 工序是：让第二个模型当审稿人。三个层次逐条挑：事实层（数字、时间、人名、来源对不对）、逻辑层（有没有前后矛盾、结论有没有超出证据）、语气层（有没有废话、有没有抄袭感的空话）。同一个模型检查自己往往挑不出毛病，换一个模型效果明显不同。
至于「哪道工序派谁」，我的分工表大致是这样：
| 工序类型 | 适合的角色 | 挑选要点 |
|---|---|---|
| 长文写作与中文语感 | 主笔 | 看重长文结构稳定、中文不带翻译腔 |
| 推理归纳、方案比较 | 分析师 | 看重长链推理与自我纠错 |
| 代码与表格处理 | 工程 | 看重能直接跑、报错能自解释 |
| 看图、听录音、读长视频 | 眼睛 | 看重多模态输入的完整度 |
| 海量数据里找一段 | 图书馆 | 看重检索与来源标注 |
| 批量改写、格式转换 | 学徒 | 看重便宜与快，不要求聪明 |
这张表的用法不是「照着买」，而是提醒你：不要用一个模型干六种活。 同一个模型写长文行、做检索可能很差；换个场景就未必。真正的提效来自搭配，不是来自「找到最强的那一个」。
工具可以分成四层，由轻到重：
挑选原则只有一条：先补缺口最大的那一层，而不是先买最贵的那一层。 很多人一上手就买最贵的订阅，结果流程里根本没有工序，额度再多也换不来效率——这笔糊涂帐我在《怎么高效率使用AI《01》？》里已经交过一次学费。
做完这三步，你已经从第二层站上了第三层。
那天老陈临走时说了一句：「原来不是 AI 不够聪明，是我没给它排工位。」
AI 不会替你思考，但它很擅长搬砖——前提是你先画出工位图，知道哪块砖该搬到哪里。同样一个下午，差别不在工具，而在你有没有把它排成一条线。
工具推荐随身机器人（新用户免费试用 7 天）
不想自己排工位？SY 视野的「随身机器人」把上面这三个工位做成了现成的流程：查数据、写初稿、出配图、改写多平台版本，一次交代、全程跟着你的进度走。进入 SY 视野（sylogs.com）开通试用——试用 7 天，先看看一条排好的产线能替你省下几个下午。
下一篇预告： 工序排好了，接下来要算一笔更细的帐——背景数据到底该喂多少？ 有人把 20 万字数据一股脑塞进去，结果模型抓错重点、成本翻三倍。《上下文窗口的经济学：长文档到底该怎么喂》将给出四种喂料策略与一份决策树，并附一份「喂多少才划算」的实测对照。敬请关注。
业州愚公 ｜ SY 视野（sylogs.com）原创内容，转载请注明出处。
编辑评论 / Editor's Note
随着人工智慧技术的不断发展，企业和个体正尝试将其应用于各个领域，以提升工作效率和生产力。通过将AI整合到工作流程中，可以实现自动化和优化，从而节省时间和成本。然而，关键在于如何有效地将AI技术与现有的工作流程进行整合，以发挥其最大潜力。