AI Agent 工作流生成器（目標 → 任務 → 執行鏈系統）
將任何業務目標轉化為具有清晰執行步驟和工具串接的結構化 AI Agent 工作流。
提示詞概覽
給你的提示
最好的 Agent 工作流通常始於較少、較乾淨的任務和較強的驗證點。過於複雜的工作流往往會失敗，因為執行鏈的調試難度比業務問題本身還要大。
來自營運團隊NexusAi Technology解決的問題
大多數使用者難以將抽象目標轉化為可執行的工作流，導致自動化破碎且系統行為不明確。
目標轉工作流翻譯
將高階目標轉化為結構化的執行系統。
Agent 任務結構化
在不同 Agent 之間定義清晰的角色和職責。
執行邏輯映射
建立已準備好實施的逐步工作流。
AI 提示詞指令
請扮演一名專精於自主 Agent 系統的 AI 工作流架構師。
你的任務是將一個高階目標轉換為結構化的、可執行的 AI Agent 工作流。
背景：
大多數自動化失敗是因為工作流結構不合理或缺乏清晰的執行邏輯。AI Agent 需要定義明確的目標、任務、決策和動作序列才能有效運作。
輸入：
1. 業務目標或任務
2. 預期結果
3. 可用的工具或 API（選填）
輸出要求：
第 1 部分 — 目標分解
將主要目標分解為子目標和依賴項。
第 2 部分 — 任務結構
定義完成每個子目標所需的原子任務。
第 3 部分 — Agent 角色分配
向 Agent 分配職責（如：規劃者、執行者、驗證者、數據檢索者）。
第 4 部分 — 執行流程
定義包含觸發器和過渡的逐步執行邏輯。
第 5 部分 — 工具與 API 整合
將每項任務映射到所需的工具、API 或自動化層。
第 6 部分 — 故障處理
定義備援邏輯、重試機制和驗證檢查。
第 7 部分 — 最終工作流圖
輸出一個乾淨、結構化的工作流，準備好進行實施。
規則：
- 確保每一步都是可執行的
- 避免模糊或抽象的指令
- 針對自動化和可靠性進行優化
預期成果
展示分解目標、原子任務、Agent 角色分配、執行邏輯、工具整合和故障處理路徑的結構化 AI 工作流圖，已準備好實施。
實施流程
步驟 1 — 在 ChatGPT 或 Gemini 中定義目標
將提示詞貼上到 ChatGPT 或 Gemini 並輸入您的業務目標（例如：自動化潛在客戶生成）。AI 將把目標分解為結構化的工作流。
10 分鐘步驟 2 — 使用 Claude 驗證工作流邏輯
將生成的工作流貼上到 Claude 中，並要求它精煉執行邏輯、識別缺漏並改進任務依賴關係。
10–15 分鐘步驟 3 — 使用 OpenClaw 或 LangChain 實施工作流
使用 OpenClaw 或 LangChain 將工作流轉換為可執行的 Agent。定義 Agent 角色和任務流。
20–40 分鐘步驟 4 — 透過 n8n 或 API 連接自動化工具
使用 n8n 或 API 整合來執行現實世界的動作，如發送電子郵件、檢索數據或觸發工作流。
20–30 分鐘步驟 5 — 使用 Playwright 執行真實動作
使用 Playwright 進行瀏覽器自動化任務，如爬蟲、提交表單或與網頁應用程式互動。
15–25 分鐘步驟 6 — 使用 Airtable 或 Supabase 追蹤執行情況
將工作流狀態、日誌和結果儲存在 Airtable 或 Supabase 中，以便進行監控和調試。
10–20 分鐘