如何应对从提示工具到工作流驱动AI的转变

📰 来源：Towards Data Science　|　📅 翻译日期：2026年6月5日
🔗 原文：查看原文
🤖 翻译：DeepSeek AI · 仅供参考

AI普及的双刃剑

人工智能在写作、设计和分析等领域的快速应用带来了好坏参半的结果：一方面使工作流在某些方面更快更简单，另一方面却使其更加复杂。不断在工具和上下文之间切换是有代价的，这常常成为实践者的挫败之源。

当AI在多个行业成为主流时，组织尝试了自动化，并发现它们相对容易整合。AI重新定义了角色——原本需要数小时的任务现在几分钟就能完成，且通常质量出色、错误极少。

然而，随着AI进化到当前以智能体为中心的形式，“AI工具”的生态系统迅速扩张，工作流优化变得更加困难。用户现在需要在多个AI界面之间切换，为不同系统重写提示，并努力保持一致性。

一个典型的例子

以撰写博客为例：一个人可能使用ChatGPT起草，Claude润色，Canva制作视觉素材。每个平台本身都很强大，但将它们的输出拼接在一起——复制、重新格式化、重写提示——带来了隐藏的（并且越来越不隐蔽的）额外工作。原本旨在简化工作流的方式反而因上下文切换、重复提示和不一致输出而增加了摩擦。

这就是我们所说的“AI悖论”。专业人士不再争论哪个AI模型最好，而是质疑为什么AI工具反而使得原本应该简化的工作变得更加复杂，导致工作流更加混乱。

“工具过多”的隐性成本

理论上，使用多个AI工具似乎很高效。但实际上，它常常带来决策疲劳。你可能花一个小时用AI完成任务，但再花一个小时决定使用哪些工具。这并非理论推测。有统计证据表明，在多个上下文之间切换可能会使效率降低高达40%。应用于AI工作流时，影响可能更大，因为每个工具需要不同的提示和格式，并且有其学习曲线。

我们最终不是在专注于有意义的工作，而是在管理工具。我们发现自己要处理这些问题：某个步骤哪个工具最好？我们是否已经在别处生成了相同的内容？如何将不同AI系统的输出整合成一个连贯的整体？这产生了悄无声息地削弱生产力的认知疲劳。

真正的问题不是AI，而是碎片化

人们容易归咎于特定的AI工具，但实际情况更为微妙。每个AI工具都有其特定优势：有些模型更擅长推理，有些更擅长创意，还有些针对速度或成本进行了优化。这就造成了一个碎片化的生态系统，用户必须不断在工具之间选择、适应并持续调整工作流，以及重新学习界面。

思维转变：从多个AI工具到单一平台

要找到解决方案，有必要重新审视AI的使用方式。与其问“我应该选择哪个AI工具？”，不如问“我如何将多个AI工具整合到一个无缝系统中？”这就是统一AI平台理念的由来。不是替换AI工具，而是连接多个AI模型，跨任务保持上下文，减少手动切换。像Abacus AI这样的统一平台正是基于这种方法构建的，它作为一个层，集成了广泛的AI功能。

这种方法如何改进AI驱动的工作流

1. 多模型特权：不再限制使用的模型数量——不必只选一个模型来承担项目的全部重担，多个模型可以共同为单一交付物贡献输出。
2. 工作流集成：输出不需要手动复制或跨流程处理，而是每个输出可以作为下一步的起始输入。
3. 更轻的认知负担：这带来了显著的转变。实践者不再浪费时间和资源在工具管理上，而是可以专注于真正重要的：执行和结果。

Abacus.AI 是全球首个面向专业人士和企业的AI超级助手。ChatLLM 提供聊天、代码、语音、图像和视频功能，并可访问顶级AI模型。Abacus Enterprise 自动化工作流并构建AI系统——AI创造AI。

参考资料

• 原文无外部链接或论文引用，故不列出。