AI 智能体工作流构建器（目标 → 任务 → 执行链系统）
将任何业务目标转化为结构化的 AI 智能体工作流，并具有清晰的执行步骤和工具链。
提示词概览
给你的提示
最好的智能体工作流通常始于更少、更干净的任务和更强的验证点。过度复杂的工作流经常失败，因为执行链比业务问题本身更难调试。
来自运营团队NexusAi Technology解决的问题
大多数用户难以将抽象目标转化为可执行的工作流，导致自动化碎片化和系统行为不明确。
目标到工作流的转换
将高层目标转化为结构化的执行系统。
智能体任务结构化
定义智能体之间明确的角色和职责。
执行逻辑映射
创建分步实施就绪的工作流。
AI 提示词说明
作为一名专门从事自主智能体系统的 AI 工作流架构师。
您的任务是将高层目标转换为结构化的、可执行的 AI 智能体工作流。
背景：
大多数自动化失败是因为工作流结构不合理或缺乏清晰的执行逻辑。AI 智能体需要定义明确的目标、任务、决策和动作序列才能有效运行。
输入：
1. 业务目标或任务
2. 期望的结果
3. 可用工具或 API（可选）
输出要求：
第 1 部分 — 目标分解
将主要目标分解为子目标和依赖项。
第 2 部分 — 任务结构
定义完成每个子目标所需的原子任务。
第 3 部分 — 智能体角色分配
向智能体分配职责（计划者、执行者、验证者、数据检索者）。
第 4 部分 — 执行流
定义分步执行逻辑，包括触发器和转换。
第 5 部分 — 工具与 API 集成
将每个任务映射到所需的工具、API 或自动化层。
第 6 部分 — 故障处理
定义后备逻辑、重试和验证检查。
第 7 部分 — 最终工作流图
输出清晰、结构化且准备好实施的工作流。
规则：
- 确保每一步都是可执行的
- 避免含糊或抽象的指令
- 为自动化和可靠性进行优化
预期结果
一个结构化的 AI 工作流图，显示了分解的目标、原子任务、智能体角色分配、执行逻辑、工具集成以及准备好实施的故障处理路径。
实施流程
步骤 1 — 在 ChatGPT 或 Gemini 中定义目标
将提示词粘贴到 ChatGPT 或 Gemini 中并输入您的业务目标（例如，自动生成潜在客户）。AI 会将目标分解为结构化的工作流。
10 分钟步骤 2 — 使用 Claude 验证工作流逻辑
将生成的工作流粘贴到 Claude 中，并要求它完善执行逻辑，识别差距并改进任务依赖项。
10–15 分钟步骤 3 — 使用 OpenClaw 或 LangChain 实施工作流
使用 OpenClaw 或 LangChain 将工作流转换为可执行的智能体。定义智能体角色和任务流。
20–40 分钟步骤 4 — 通过 n8n 或 API 连接自动化工具
使用 n8n 或 API 集成来执行现实世界的动作，例如发送电子邮件、检索数据或触发工作流。
20–30 分钟步骤 5 — 使用 Playwright 执行真实动作
使用 Playwright 进行浏览器自动化任务，如抓取、提交表单或与 Web 应用程序交互。
15–25 分钟步骤 6 — 使用 Airtable 或 Supabase 跟踪执行
在 Airtable 或 Supabase 中存储工作流状态、日志和结果，以便进行监控和调试。
10–20 分钟