一个 Prompt 写不好正式文书？我们给 AI 搭了一条"工作流"
不少机构每天要处理大量用户咨询、投诉与建议，其中不少需要一份正式的书面回复。这不是客服闲聊：它必须引用法规、套用模板、措辞严谨，写错要担责。我们尝试让 AI 先起草、人工再过一遍，第一版却暴露出瞎编、漏查、失控三类问题。事后我们把方案从"单智能体"重构为一条"工作流"。
一、单智能体方案的设想与局限第一版做法朴素：将案件背景、当事人描述与"请起草一份正式回复"一并输入大模型，期望其端到端成稿。这即"单智能体"，由单一模型承担从理解到成稿的全部环节。对于"写周报""翻译""总结"等一次性任务，该方式有效；我们也曾估计，调一版提示词、加几条示例即可落地。
真实场景推翻了这一假设。
二、三个绕不过去的问题其一，事实编造。 正式回复需引用法规条款、参考过往案例、套用规范模板。模型常生成看似合理但查无此条的条款。这类"一本正经的错误"，在正式文书中比无法生成更危险，因为读者极易采信。
其二，信息漏查。 案件材料常不完整：缺时间、缺联系方式、诉求含糊。模型仍会生成结构完整的回复，将缺失信息"脑补"为结论。待人工复核时，文本已建立在失真前提之上。
其三，约束失控。 正式回复存在红线：禁止绝对化承诺、禁止对抗性措辞、敏感内容须转人工。缺乏把关环节时，模型生成即输出，无任何质量闸口。一旦越界，即构成事故。
根因不在模型能力，而在我们把"多道工序 + 硬约束"强行压入单一环节，既装不下，也控不住。
三、方案重构：一条工作流正式回复的生产本就分工：读材料、核对信息、查法规、套模板、把关措辞，由不同角色接力完成。原方案却让一个"全能模型"包揽全程。
重构后的形态是一条"工作流"（workflow）：将任务拆为串行工序，每道工序只承担单一目标，完成后以结构化数据交付下一道。流程如下：




工序之间不以自由文本传递，而以"结构化小纸条"交接：上一步结果整理为固定字段再下发。例如"诉求人姓名：未知；发生时间：上周三；核心诉求：退费"，而非一段流水账。
价值在于：每道工序的输入输出明确，模型不易偏离，人也随时可定位其卡点与依据。问题出现时，只需修正对应工序，无须重训整体。
四、可复用的方法复杂任务不宜由单一模型包揽。 越是严肃、长链条的任务，越应拆为"流水线 + 积木"。工序短、目标单一，模型更稳定，问题更易定位。
事实与结论分离。 先抽取事实、再生成结论，中间以结构化数据隔离，是抑制幻觉最直接有效的手段。将"编造"这一步前置单独管控，后续生成即趋于稳定。
低容错场景须保留终检。 正式文书、医疗等容错率极低的场景，自动化至 99% 仍不足够，须设置明确的"体检 + 人工终审"出口。模型完成约八成工作、列清依据，最终判断交还人工。
五、结语可靠的人工智能，往往不在于模型更大，而在于职责更分明。将任务拆解清楚、将每道工序的责任划明，AI 会比那个"什么都会一点的全能选手"更值得托付。
若你也在用大模型承担严肃任务，不妨自问：当前是用单智能体硬扛，还是已为其铺好一条工作流？