💡 **AI工作流的适用性与构建：** 作者强调，并非所有问题都适合简单的聊天对话框，复杂的现实工作场景往往需要构建多节点、流程化的工作流。理想模式是通过AI自动化业务流，并提出聊天窗口作为入口，结合图形化操作的混合模式，类似于手机应用的使用体验。

🚀 **Agent实践中的核心挑战：** 在使用Agent进行AI实践时，作者认为AI本身并非最困难的部分。真正的挑战在于数据链路的建设，包括上下文的选取、不同格式数据的解析与查询、缓存机制、语义层的构建、记忆的编排、治理机制的设计以及多模型的路由策略等，这些构成了日常工作的主要内容。

✍️ **专业场景下的AI推理限制与Prompt工程：** 针对复杂且专业的特定场景，AI推理存在输入输出token限制以及对业务逻辑理解不深的问题。作者指出AI无法完全解决这些问题，通常需要在Prompt中明确业务逻辑，并将编写Prompt视为一门艺术。

🔍 **模型选择的试错成本与AI幻觉问题：** 选择最适合特定任务的AI模型需要不断地试错，因为很难预知哪家、哪种模型效果最佳。此外，在集成多个工作流进行综合分析时，AI的幻觉问题仍然非常严重，尽管单个工作流的运行可能没有问题。

🛠️ **AI在代码编写与效率提升：** 作者提到，目前日常代码编写已基本由Claude完成，其代码质量甚至优于自己编写。AI工作流在集成数据自动分析方面，相比传统的开发原子逻辑，效率更高且更为灵活，允许用户自定义Prompt，总体而言是有效的。

🤔 **AI系统的关键自评估维度：** 为了更好地实践AI，作者提出了一系列自评估问题，包括应用上下文容量的优化、记忆边界的界定（用户级、团队级、组织级）、输出结果溯源能力、单一或多模型的使用策略、用户对系统数据管理的信任度（安全性、托管方式）以及组织是否有信心改变流程并持续投入专业人员维护。

最近半年实践 AI 工作流来实现一些智能分析，谈几点感受：
1. 不是所有问题都需要聊天对话框，大部分生活或工作环境是很复杂的工作流决策链，你需要构建很多节点和流程，理想的模式是通过 AI 自动化构建业务流，比如 n8n 最近推出了 n8n mcp ，理想的混合模式：通过聊天对话窗口作为入口，再结合图形化点击即可，类似手机一样。
2. 在通过 Agent 实践的时候大部分工作并不是 AI 本身，可能是上下文选取、不同格式的数据解析查询、缓存、语义层、记忆编排、治理机制以及多模型的路由策略等方面的问题，可能每天都在解决数据链路问题。
3. 对于复杂特定专业场景的推理存在几个问题：一个是输入输出的 token 限制，一个是业务逻辑的理解，AI 并不能全部解决，大部分时候你需要在 prompt 里面指定业务逻辑，写 prompt 是一门艺术。
4. 对于模型选择你需要不断的去试错，原因是你不知道哪家哪种效果最好。
5. 目前已经实现了集成数据通过 work flow 自动分析，这比传统的开发原子逻辑效率快一些，也灵活一些，你可以自己写 prompt ，总体来说还是可以。
6. 对于复杂集成多个工作流综合分析，AI 的幻觉仍然很严重。单独运行某一个 work flow 没问题。
7. 目前日常代码基本上是 Claude 完成的，写的比自己写的好，其它的继续探索。。。

如果你希望通过 AI 实践，借用一段话先自评估：
1. 我的应用程序的上下文容量是多少？（理想的上下文窗口大小是多少？我又该如何优化其中的内容？)
2. 我的记忆边界在哪里？（哪些信息属于用户级、团队级、组织级？这些数据存储在何处，用户是否可以查看？)
3. 我能否追踪输出结果的来源？（我能通过调试 LLM 的回复，知道具体是哪个输入导致了该回复吗？)
4. 我使用的是单一模型还是多模型？（我是如何根据复杂度、延迟还是成本来分配请求的？)
5. 用户会放心把他们的业务数据交给我的系统管理吗？是自建还是托管？（如果不会，我的安全性或反馈机制上还缺失什么？)
6. 是否有信心改变以前的内部流程，是否有专业人员维护持续投入建设？