蚌埠住了，AI的发展真的一天一个样！
我还沉浸在 Loop engineering，OMO 中无法自拔，Chatgpt Work又刷爆 AI 圈！
虽然看起来很像是对 Claude Cowork 的拙劣模仿，但是两大巨头纷纷推出这项功能，
足以证明，这项功能的市场价值！
那么，不管 Cowork 还是 Work，它到底是什么？
真的又要来重新定义我们的工作了吗？
ChatGPT Work 来了，但 99% 的人不知道怎么使用！
ChatGPT Work 发布后， Reddit 上大量的声音表示。
「功能已经看到了，但我不知道该让它做什么。」
因为 Agent 最大的问题，从来不是不会用，而是不知道
什么工作值得交出去？怎么交出去？
很多人第一次打开 ChatGPT Work，脑子里想到的还是：
「帮我写篇文章。」
「帮我分析一下。」
「帮我做个方案。」
结果当然能生成一份看起来很完整的内容。
但真正让 Work 发挥价值的，并不是这些。
不是研究怎么问，而是研究怎么把一件工作交代清楚。
为什么要区分 Chat 、Work、Codex ？All in One 不香吗？
简单来讲：
Chat 是“和 AI 聊”
Work 是“把一件工作交给 AI 做完”
Codex 是“专门完成软件开发”
一张图看懂 Chat、Work、Codex 的核心定位差异！
那么可能有人要问了，为什么要区分成 Chat、Work、Codex 三个差异场景？
All in one 不是能够带来更好的体验吗？
未来的大趋势一定是 All in One，当前综合考虑，不同需求有不同的预期要求，输出结果也存在较大的审核标准差异。
从 Chat 到 Work ，最关键的是把工作定义清楚！
同一个 Reddit 讨论里，一位教师分享了自己的用法。
她把散落在不同文件里的课程资料、课堂笔记和教学想法全部放进一个项目，让 Work 按照学校要求整理成一套完整课程包，最后再自己审阅、修改后提交主管。
这个案例并不复杂。
却抓住了 Work 的本质。
它最适合接手的，不是一个模糊愿望，而是一件已经有资料、有目标、有出口的工作。
最终再次回归到 Prompt engineering 上，上一篇刚刚介绍了 Loop Engineering ，Agent 发展到今天这个地步，Prompt 的撰写依然是所有交互的重中之重！
想让 Work 做得好，先写好 Prompt
不要把 Work 当成一个更聪明的聊天机器人。
如果你按照 Chat 的模式输入：
帮我分析一下这个行业。
帮我做一个营销方案。
帮我写一份报告。
然后期待它交付一个完美结果，大概率是拿不到你预期的结果的！
你给 Work 的不是任务，而是一句愿望。
人类同事收到这样的需求，也会继续追问：
- 你想解决什么问题？
- 给谁看？
- 有哪些资料？
- 最后需要什么格式？
- 什么标准算完成？
Agent 其实也是一样。
Work 能不能做好，很大程度取决于你的任务描述质量。
一份好的 Work Prompt，至少需要包含下面五个部分。
① 背景：为什么要做这件事？
不要直接告诉 AI：
写一份竞品分析。
先告诉它：
我是一名产品经理，需要为下季度产品规划提供决策依据。目前正在评估三个竞争产品，希望了解它们的市场定位、核心功能和用户反馈。
为什么？
因为 AI 不知道你的上下文。
没有背景，它只能生成一个通用答案。
背景越清楚，输出越接近你的真实需求。
② 目标：最终想解决什么问题？
不要写：
帮我做个方案。
改成：
比较三个方案，判断哪个更适合年轻用户，并给出推荐排序，同时说明选择理由和潜在风险。
区别在哪里？
前者要求 AI「生产内容」。
后者要求 AI「完成决策任务」。
Agent 更擅长后者。
③ 输入：哪些资料可以使用？
告诉 Work：
- 哪些文件是核心资料；
- 哪些网页可以参考；
- 哪些数据必须引用；
- 哪些来源不允许使用。
例如：
优先使用我提供的产品数据和用户反馈。如果资料不足，请明确指出，不要自行编造数据。
这一句话非常重要。
因为 Agent 最大的问题，不是不努力。
而是在信息不足时，可能会用概率补全答案。
④ 流程：希望它如何完成？
这是很多普通 Prompt 缺失的一步。
不要只告诉 AI：
我要结果。
告诉它：
请按照以下流程完成。
例如：
第一步：
整理已有资料，提取关键事实。
第二步：
分析三个方案的优势和风险。
第三步：
建立评价标准进行评分。
第四步：
输出推荐方案。
第五步：
检查结论是否有数据支持。
这也是我们上一篇文章 Loop Engineering 思维。
你不是让 AI 自由发挥。
而是给它一条工作路径。
⑤ 验收：什么情况下可以停止？
这是 Agent Prompt 和普通 Prompt 最大的区别。
普通 Prompt：
写完就结束。
Agent Prompt：
达到标准才结束。
例如：
验收标准：
- 所有数据必须标注来源；
- 推荐必须说明理由；
- 不确定的信息需要单独标记；
- 输出格式适合直接提交给管理层。
甚至可以加入：
如果不满足以上标准，请先自行修改。
最多检查两轮。
这一步，就是 Loop Engineering 的核心。
一个完整的 Work Prompt，其实长这样
背景：
我是____，目前需要解决____问题。
目标：
希望最终得到____。
资料：
请优先使用____。
缺少信息时请明确指出。
流程：
1. 先分析____。
2. 再比较____。
3. 最后输出____。
交付：
格式要求为____。
验收：
必须满足：
- ____
- ____
- ____
如果未达到标准，请先自查并优化。
什么样的工作值得交给 Work ？
① 资料很乱，但输出固定
会议记录、邮件、网页、文档、表格散落在不同地方。
最后却只需要：
一份周报；
一页会议纪要；
一份项目总结。
真正耗时间的，从来不是写报告。
而是找资料、搬资料、整理资料。
这正是 Work 最擅长的事情。
② 流程重复，每次只是换数据
例如：
每周客户反馈汇总；
每月运营复盘；
每周内容选题；
固定格式的数据分析。
第一次，把流程磨清楚。
第二次，验证结果。
第三次，再考虑定时自动运行。
不要第一天就追求全自动。
③ 需要跨来源对照
例如：
竞品分析；
产品更新；
政策整理；
多个方案比较。
真正有价值的不是找到一个答案。
而是把：
一致的信息；
冲突的信息；
缺失的证据；
分别列出来。
这比简单总结可靠得多。
④ 可以先出草稿，最后由人拍板
销售方案。
课程设计。
会议准备。
内容策划。
复盘报告。
这些都非常适合让 AI 先搭框架、补资料。
最后真正重要的判断，仍然由人负责。
其实，这四类工作的共同特点都一样。
不是简单。
反而往往很繁琐、很耗时间。
真正适合交出去的是：
输入可以很杂，输出必须确定。
以及另一句话，我觉得更重要：
过程可以交给 AI，责任不能一起交出去。
Agent 发展越来越成熟，同时也越来越暴露出一个非常核心的重要能力！
Prompt Engineering
很多人以为 ChatGPT Work 带来的变化，是能让你少写几句 Prompt。
其实完全不是。
真正发生变化的是：
以前，我们只需要告诉 AI：
做什么。
现在，我们必须告诉 AI：
为什么做；
用哪些资料；
输出什么；
什么算完成；
哪些地方必须停下来等人确认。
Prompt，是工作说明书的一部分。
真正决定 Agent 能不能把事情做好的是：
你有没有能力，把一件工作定义清楚。
Prompt 时代，AI 回答问题。
Agent 时代，AI 开始接工作。
真正稀缺的能力，也从「会不会提问」，变成了「会不会定义工作」。
所以，不妨现在就翻一下自己的待办清单。
有没有哪一件事，同时满足下面四个条件？
✅ 目标明确。
✅ 资料已经准备好。
✅ 最终交付物固定。
✅ 自己能够验收结果。
如果有。
那件事，大概率就是你最适合交给 ChatGPT Work 的第一份工作。
关于 Prompt 的写作是一件重要且困难的事情，我把这套 Prompt 写作的思路，整理成skill，放在知识库【见评论区】；
使用这个skill，你可以直接说出你的需求，skill会引导你晚上相关资料，并输出一份合格的 Prompt，让你的 Work 输出更符合要求的结果。
#ChatGPTWork #AI工作流 #AI智能体 #Agent #效率工具 #工作自动化