ChatGPT 工作流自动化教程｜附完整命令

在日常工作中，很多任务本质上都是“重复处理信息”：整理会议纪要、总结文档、生成周报、改写邮件、分析表格、输出方案、创建待办事项、同步到项目管理工具等。过去这些事情往往需要人工一步步完成，而现在借助 ChatGPT 与自动化工具，我们可以把大量重复流程串联起来，形成一套稳定、高效、可复用的 AI 工作流。

本文将从零开始，系统讲解如何搭建 ChatGPT 工作流自动化，包括适合自动化的场景、整体架构、API 调用方式、命令行脚本、Python 示例、定时任务、文档处理、邮件自动生成以及进阶优化方法。文中附带完整命令，方便你直接复制使用。

一、什么是 ChatGPT 工作流自动化？

所谓 ChatGPT 工作流自动化，就是把 ChatGPT 的文本理解、总结、生成、分类、改写、提取等能力，嵌入到你的日常业务流程中，并通过脚本、定时任务、API、自动化平台或内部系统自动触发。

举几个典型例子：

• 每天早上自动读取昨天的销售日报，并生成一份管理层摘要；
• 会议结束后，将录音转写文本自动整理为会议纪要和待办事项；
• 客服收到用户邮件后，自动判断问题类型并生成回复草稿；
• 将产品需求文档自动拆分为开发任务；
• 每周五自动汇总项目进展并生成周报；
• 批量分析用户反馈，提取高频问题和情绪倾向；
• 自动把长文章改写成公众号、小红书、知乎等不同平台版本。

从本质上看，ChatGPT 工作流自动化通常由四部分组成：

1. 输入来源：文件、邮件、网页、表格、数据库、聊天记录等；
2. 处理逻辑：调用 ChatGPT API，完成总结、分类、提取、改写等任务；
3. 输出目标：Markdown 文档、邮件、表格、数据库、企业微信、Slack、飞书等；
4. 触发机制：手动运行、定时任务、Webhook、系统事件触发等。

二、适合自动化的工作场景

并不是所有工作都适合自动化。最适合用 ChatGPT 自动化的任务，通常具备以下特点：

• 重复频率高；
• 输入格式相对稳定；
• 输出要求可以模板化；
• 对语言处理能力要求高；
• 人工处理耗时但判断逻辑不极端复杂；
• 允许人工最终审核。

下面是一些非常适合入门的场景。

1. 自动生成会议纪要

输入会议转写文本，输出：

• 会议主题；
• 参会人员；
• 核心结论；
• 讨论重点；
• 待办事项；
• 负责人；
• 截止时间；
• 风险提醒。

2. 自动生成周报

输入一周的项目日志、任务记录或日报，输出：

• 本周完成事项；
• 关键进展；
• 遇到的问题；
• 下周计划；
• 需要协助的事项。

3. 自动处理邮件

输入邮件内容，自动判断：

• 是否紧急；
• 属于哪类问题；
• 是否需要转交；
• 自动生成回复草稿。

4. 批量总结文档

输入多个 .txt、.md 或 .pdf 文档，自动生成摘要和重点信息。

5. 自动提取结构化数据

例如从一段合同文本中提取：

• 合同双方；
• 金额；
• 日期；
• 付款方式；
• 违约条款；
• 关键风险。

三、准备环境

本文以命令行和 Python 为主进行演示。你需要准备以下环境：

• macOS、Linux 或 Windows；
• Python 3.9 及以上版本；
• OpenAI API Key 或兼容 OpenAI API 格式的模型服务；
• 一个代码编辑器，例如 VS Code；
• 基础命令行使用能力。

1. 检查 Python 版本

打开终端，输入：

python3 --version

如果输出类似下面内容，说明 Python 已安装：

Python 3.11.6

如果你的系统使用 python 命令，也可以执行：

python --version

四、创建项目目录

我们先创建一个专门用于 ChatGPT 自动化的项目目录。

mkdir chatgpt-workflow
cd chatgpt-workflow

创建几个常用文件夹：

mkdir input output prompts logs scripts

目录说明如下：

chatgpt-workflow/
├── input/      # 存放输入文件
├── output/     # 存放生成结果
├── prompts/    # 存放提示词模板
├── logs/       # 存放日志
└── scripts/    # 存放脚本

五、创建 Python 虚拟环境

为了避免依赖冲突，建议使用虚拟环境。

macOS / Linux

python3 -m venv .venv
source .venv/bin/activate

Windows PowerShell

python -m venv .venv
.venv\Scripts\Activate.ps1

如果激活成功，终端前面通常会出现：

(.venv)

六、安装依赖

安装 OpenAI SDK 和环境变量管理工具。

pip install openai python-dotenv

如果你还需要处理 Markdown、PDF 或表格，可以安装更多依赖：

pip install pandas pypdf markdown beautifulsoup4 requests

将依赖写入 requirements.txt：

pip freeze > requirements.txt

以后在新环境中可以通过下面命令恢复依赖：

pip install -r requirements.txt

七、配置 API Key

在项目根目录创建 .env 文件：

touch .env

Windows 可以使用：

New-Item .env

编辑 .env 文件，写入：

OPENAI_API_KEY=你的_API_Key
OPENAI_BASE_URL=https://api.openai.com/v1
OPENAI_MODEL=gpt-4o-mini

如果你使用的是兼容 OpenAI 接口的其他服务，可以将 OPENAI_BASE_URL 改成对应地址。

为了避免密钥泄露，建议创建 .gitignore：

touch .gitignore

写入：

.env
.venv/
__pycache__/
output/
logs/

八、最简单的 ChatGPT API 调用

在 scripts 目录下创建文件：

touch scripts/simple_chat.py

写入以下代码：

import os
from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()

client = OpenAI(
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_BASE_URL")
)

model = os.getenv("OPENAI_MODEL", "gpt-4o-mini")

response = client.chat.completions.create(
    model=model,
    messages=[
        {"role": "system", "content": "你是一个专业的中文写作助手。"},
        {"role": "user", "content": "请用三句话总结 ChatGPT 工作流自动化的价值。"}
    ],
    temperature=0.3
)

print(response.choices[0].message.content)

运行：

python scripts/simple_chat.py

如果配置正确，你会看到模型返回的中文总结。

九、封装一个通用调用函数

为了后续复用，我们创建一个通用模块。

touch scripts/ai_client.py

写入：

import os
from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()

client = OpenAI(
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_BASE_URL")
)

MODEL = os.getenv("OPENAI_MODEL", "gpt-4o-mini")


def ask_chatgpt(prompt, system_prompt="你是一个专业、高效、严谨的中文助手。", temperature=0.3):
    response = client.chat.completions.create(
        model=MODEL,
        messages=[
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": prompt}
        ],
        temperature=temperature
    )
    return response.choices[0].message.content

后面所有脚本都可以直接调用 ask_chatgpt()。

十、工作流一：自动生成会议纪要

1. 准备输入文件

创建一个会议文本文件：

touch input/meeting.txt

示例内容：

今天的产品会议主要讨论新版会员系统。张三提出当前会员等级规则过于复杂，用户理解成本较高。李四认为应该保留高级会员权益，但简化普通会员升级路径。王五负责整理竞品会员体系，并在下周三前提交分析报告。技术团队反馈，如果本月底上线，需要在本周五前确定需求范围。会议决定先推出基础版会员系统，复杂权益后续迭代。

2. 创建提示词模板

touch prompts/meeting_summary.txt

写入：

请根据以下会议内容，生成一份结构清晰的中文会议纪要。

要求：
1. 使用 Markdown 格式；
2. 包含会议主题、核心结论、讨论重点、待办事项、风险提醒；
3. 待办事项需要包含负责人和截止时间；
4. 如果信息缺失，请标注“未提及”；
5. 内容要简洁、准确，不要编造事实。

会议内容如下：
{content}

3. 创建会议纪要脚本

touch scripts/meeting_summary.py

写入：

from pathlib import Path
from ai_client import ask_chatgpt

input_file = Path("input/meeting.txt")
prompt_file = Path("prompts/meeting_summary.txt")
output_file = Path("output/meeting_summary.md")

meeting_text = input_file.read_text(encoding="utf-8")
prompt_template = prompt_file.read_text(encoding="utf-8")

prompt = prompt_template.format(content=meeting_text)

result = ask_chatgpt(
    prompt,
    system_prompt="你是一个经验丰富的项目经理，擅长整理会议纪要和提炼行动项。",
    temperature=0.2
)

output_file.write_text(result, encoding="utf-8")

print(f"会议纪要已生成：{output_file}")

运行：

python scripts/meeting_summary.py

查看结果：

cat output/meeting_summary.md

Windows PowerShell：

Get-Content output/meeting_summary.md

十一、工作流二：自动生成周报

周报自动化是非常实用的场景。我们可以把一周的日报、任务记录或项目日志放进一个文件，然后让 ChatGPT 自动整理成规范周报。

1. 创建输入文件

touch input/weekly_log.txt

示例内容：

周一：完成登录页 UI 调整，修复验证码显示异常。
周二：与产品讨论会员系统需求，确认首期只支持普通会员和高级会员。
周三：开发会员等级接口，遇到数据库字段设计问题。
周四：完成接口初版，与前端联调发现权限判断有遗漏。
周五：修复权限问题，整理下周测试计划。

2. 创建周报提示词

touch prompts/weekly_report.txt

写入：

请根据以下工作记录生成一份中文周报。

输出要求：
1. 使用 Markdown；
2. 包含：本周完成、本周进展、遇到的问题、下周计划、需要协助；
3. 语气正式、简洁；
4. 不要虚构没有出现的信息；
5. 如果某项没有明确内容，请写“暂无”。

工作记录：
{content}

3. 创建脚本

touch scripts/weekly_report.py

写入：

from pathlib import Path
from ai_client import ask_chatgpt

log_file = Path("input/weekly_log.txt")
prompt_file = Path("prompts/weekly_report.txt")
output_file = Path("output/weekly_report.md")

content = log_file.read_text(encoding="utf-8")
template = prompt_file.read_text(encoding="utf-8")
prompt = template.format(content=content)

result = ask_chatgpt(
    prompt,
    system_prompt="你是一个专业的项目管理助手，擅长根据工作记录生成清晰周报。",
    temperature=0.2
)

output_file.write_text(result, encoding="utf-8")

print(f"周报已生成：{output_file}")

运行：

python scripts/weekly_report.py

十二、工作流三：批量总结多个文档

当你有多个文档需要快速理解时，可以让脚本自动遍历 input/docs 目录，对每个文档生成摘要。

1. 创建文档目录

mkdir -p input/docs output/summaries

Windows PowerShell：

New-Item -ItemType Directory -Force input/docs
New-Item -ItemType Directory -Force output/summaries

2. 放入测试文件

touch input/docs/doc1.txt
touch input/docs/doc2.txt

3. 创建批量总结脚本

touch scripts/batch_summary.py

写入：

from pathlib import Path
from ai_client import ask_chatgpt

input_dir = Path("input/docs")
output_dir = Path("output/summaries")
output_dir.mkdir(parents=True, exist_ok=True)

for file in input_dir.glob("*.txt"):
    content = file.read_text(encoding="utf-8")

    prompt = f"""
请总结以下文档内容。

要求：
1. 使用 Markdown；
2. 输出 5 条以内核心要点；
3. 提取关键结论；
4. 如有行动建议，请单独列出；
5. 不要添加原文没有的信息。

文档内容：
{content}
"""

    result = ask_chatgpt(
        prompt,
        system_prompt="你是一个专业文档分析助手，擅长提炼重点和总结结论。",
        temperature=0.2
    )

    output_file = output_dir / f"{file.stem}_summary.md"
    output_file.write_text(result, encoding="utf-8")

    print(f"已生成：{output_file}")

运行：

python scripts/batch_summary.py

十三、工作流四：自动提取结构化信息

在很多企业场景中，我们不仅需要文字总结，还需要把文本转成结构化数据，例如 JSON。这样后续才能进入数据库、表格或系统流程。

1. 创建合同文本

touch input/contract.txt

示例：

甲方：杭州星河科技有限公司。乙方：上海云启信息服务有限公司。双方约定乙方为甲方提供软件开发服务，合同金额为人民币120000元。付款方式为项目启动后支付50%，验收通过后支付剩余50%。服务周期为2024年6月1日至2024年8月31日。如乙方延期交付，每延期一日按合同总金额的千分之五支付违约金。

2. 创建脚本

touch scripts/extract_contract.py

写入：

from pathlib import Path
from ai_client import ask_chatgpt

content = Path("input/contract.txt").read_text(encoding="utf-8")

prompt = f"""
请从以下合同文本中提取结构化信息，并严格输出 JSON。

字段包括：
- party_a：甲方
- party_b：乙方
- service_content：服务内容
- amount：合同金额
- payment_terms：付款方式
- start_date：开始日期
- end_date：结束日期
- penalty：违约条款
- risks：潜在风险列表

要求：
1. 只输出 JSON；
2. 不要输出解释；
3. 如果字段不存在，值为 null；
4. risks 使用数组。

合同文本：
{content}
"""

result = ask_chatgpt(
    prompt,
    system_prompt="你是一个严谨的合同信息抽取助手，只输出符合要求的 JSON。",
    temperature=0
)

Path("output/contract_info.json").write_text(result, encoding="utf-8")

print("合同结构化信息已生成：output/contract_info.json")

运行：

python scripts/extract_contract.py

查看：

cat output/contract_info.json

十四、工作流五：邮件回复草稿自动生成

你可以把客户邮件复制到输入文件中，让 ChatGPT 自动判断问题类型并生成回复草稿。

1. 创建邮件输入

touch input/email.txt

示例：

你好，我们昨天购买了你们的企业版服务，但是目前无法正常登录后台。系统提示账号权限不足。请尽快帮忙处理，因为我们今天下午需要给客户演示。

2. 创建脚本

touch scripts/email_reply.py

写入：

from pathlib import Path
from ai_client import ask_chatgpt

email = Path("input/email.txt").read_text(encoding="utf-8")

prompt = f"""
请分析以下客户邮件，并生成客服回复草稿。

要求：
1. 判断紧急程度：高 / 中 / 低；
2. 判断问题类型；
3. 提取客户诉求；
4. 生成一封礼貌、专业、简洁的中文回复；
5. 回复中不要承诺无法保证的结果；
6. 如果需要人工介入，请明确建议转交技术支持。

客户邮件：
{email}
"""

result = ask_chatgpt(
    prompt,
    system_prompt="你是一个专业客服主管，擅长处理企业客户问题。",
    temperature=0.3
)

Path("output/email_reply.md").write_text(result, encoding="utf-8")

print("邮件回复草稿已生成：output/email_reply.md")

运行：

python scripts/email_reply.py

十五、让工作流自动定时运行

自动化的关键不仅是能运行脚本，更重要的是让脚本在合适的时间自动运行。

1. macOS / Linux 使用 crontab

查看当前定时任务：

crontab -l

编辑定时任务：

crontab -e

假设你的项目路径是：

/Users/yourname/chatgpt-workflow

每天早上 9 点自动生成周报，可以加入：

0 9 * * 1-5 cd /Users/yourname/chatgpt-workflow && /Users/yourname/chatgpt-workflow/.venv/bin/python scripts/weekly_report.py >> logs/weekly_report.log 2>&1

含义：

• 0 9 * * 1-5：周一到周五每天 9:00；
• cd ...：进入项目目录；
• .venv/bin/python：使用虚拟环境中的 Python；
• >> logs/weekly_report.log：追加日志；
• 2>&1：错误也写入日志。

2. Windows 使用任务计划程序

你也可以使用命令创建计划任务。假设项目路径为：

C:\Users\yourname\chatgpt-workflow

创建每天 9 点运行的任务：

schtasks /Create /SC DAILY /TN "ChatGPT Weekly Report" /TR "C:\Users\yourname\chatgpt-workflow\.venv\Scripts\python.exe C:\Users\yourname\chatgpt-workflow\scripts\weekly_report.py" /ST 09:00

查看任务：

schtasks /Query /TN "ChatGPT Weekly Report"

删除任务：

schtasks /Delete /TN "ChatGPT Weekly Report" /F

十六、添加日志和异常处理

真实工作流必须考虑失败情况，例如 API 调用失败、文件不存在、网络异常、结果为空等。

创建一个更稳健的脚本示例：

touch scripts/safe_weekly_report.py

写入：

from pathlib import Path
from datetime import datetime
from ai_client import ask_chatgpt

log_file = Path("logs/safe_weekly_report.log")
output_file = Path("output/weekly_report.md")
input_file = Path("input/weekly_log.txt")
prompt_file = Path("prompts/weekly_report.txt")


def log(message):
    time = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
    log_file.parent.mkdir(parents=True, exist_ok=True)
    with log_file.open("a", encoding="utf-8") as f:
        f.write(f"[{time}] {message}\n")


try:
    if not input_file.exists():
        raise FileNotFoundError(f"输入文件不存在：{input_file}")

    if not prompt_file.exists():
        raise FileNotFoundError(f"提示词文件不存在：{prompt_file}")

    content = input_file.read_text(encoding="utf-8").strip()
    if not content:
        raise ValueError("输入内容为空")

    template = prompt_file.read_text(encoding="utf-8")
    prompt = template.format(content=content)

    result = ask_chatgpt(
        prompt,
        system_prompt="你是一个专业项目管理助手。",
        temperature=0.2
    )

    if not result.strip():
        raise ValueError("模型返回内容为空")

    output_file.parent.mkdir(parents=True, exist_ok=True)
    output_file.write_text(result, encoding="utf-8")

    log(f"周报生成成功：{output_file}")
    print(f"周报生成成功：{output_file}")

except Exception as e:
    log(f"任务失败：{e}")
    print(f"任务失败：{e}")

运行：

python scripts/safe_weekly_report.py

十七、提示词模板设计技巧

ChatGPT 工作流自动化的效果，很大程度取决于提示词设计。一个好的提示词应该具备以下要素：

1. 明确角色

例如：

你是一个专业的项目经理。
你是一个严谨的合同分析师。
你是一个资深客服主管。

角色可以帮助模型选择合适的表达方式和判断标准。

2. 明确任务

不要只写“帮我总结一下”，而要写：

请根据以下内容生成一份项目周报，包含本周完成、风险问题、下周计划和需要协助事项。

3. 明确格式

如果你想要 Markdown，就写明 Markdown；如果你要 JSON，就强调“只输出 JSON”。

4. 明确边界

例如：

不要编造原文没有的信息。
如果信息缺失，请写 null。
不要输出解释。

5. 提供示例

对于复杂任务，可以给一个输出示例，让模型更稳定地遵循格式。

十八、常见问题与解决方案

1. 模型输出不稳定怎么办？

可以降低 temperature：

temperature=0

一般来说：

• 0：最稳定，适合结构化提取；
• 0.2-0.4：适合总结和正式文案；
• 0.7 以上：适合创意写作。

2. 输出格式不是 JSON 怎么办？

在提示词中强调：

只输出 JSON，不要输出 Markdown，不要输出解释。

必要时可以在程序中增加 JSON 解析校验。

3. 输入内容太长怎么办？

可以采用分段处理：

1. 把长文拆成多个片段；
2. 分别总结每个片段；
3. 再对所有片段摘要进行二次总结。

4. 如何避免泄露敏感信息？

建议：

• 不上传高度敏感数据；
• 对姓名、手机号、身份证号等进行脱敏；
• 使用企业级 API 管理权限；
• 保存最小必要日志；
• 不把 .env 提交到 Git 仓库。

十九、一个完整的一键运行脚本

最后，我们可以创建一个总控脚本，一次性执行多个工作流。

touch scripts/run_all.py

写入：

import subprocess
from datetime import datetime
from pathlib import Path

scripts = [
    "scripts/meeting_summary.py",
    "scripts/weekly_report.py",
    "scripts/email_reply.py",
    "scripts/extract_contract.py"
]

log_file = Path("logs/run_all.log")
log_file.parent.mkdir(parents=True, exist_ok=True)


def log(message):
    time = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
    with log_file.open("a", encoding="utf-8") as f:
        f.write(f"[{time}] {message}\n")


for script in scripts:
    try:
        log(f"开始执行：{script}")
        result = subprocess.run(
            ["python", script],
            capture_output=True,
            text=True,
            encoding="utf-8"
        )

        if result.returncode == 0:
            log(f"执行成功：{script}")
            log(result.stdout)
        else:
            log(f"执行失败：{script}")
            log(result.stderr)

    except Exception as e:
        log(f"异常：{script}，原因：{e}")

print("全部工作流执行完成，详情请查看 logs/run_all.log")

运行：

python scripts/run_all.py

如果你使用 macOS / Linux 并且虚拟环境中只有 python3，可以改为：

["python3", script]

二十、推荐的最终项目结构

完成以上步骤后，你的项目结构大致如下：

chatgpt-workflow/
├── .env
├── .gitignore
├── requirements.txt
├── input/
│   ├── meeting.txt
│   ├── weekly_log.txt
│   ├── email.txt
│   ├── contract.txt
│   └── docs/
├── output/
│   ├── meeting_summary.md
│   ├── weekly_report.md
│   ├── email_reply.md
│   ├── contract_info.json
│   └── summaries/
├── prompts/
│   ├── meeting_summary.txt
│   └── weekly_report.txt
├── logs/
└── scripts/
    ├── ai_client.py
    ├── simple_chat.py
    ├── meeting_summary.py
    ├── weekly_report.py
    ├── batch_summary.py
    ├── extract_contract.py
    ├── email_reply.py
    ├── safe_weekly_report.py
    └── run_all.py

二十一、进阶优化方向

当基础脚本跑通后，你可以继续从以下方向升级。

1. 接入飞书、企业微信或 Slack

生成结果后，通过机器人 Webhook 自动推送到群里。例如使用 requests 发送消息：

pip install requests

示例代码：

import requests

webhook_url = "你的机器人Webhook地址"

message = {
    "msg_type": "text",
    "content": {
        "text": "今日周报已生成，请查看 output/weekly_report.md"
    }
}

requests.post(webhook_url, json=message)

2. 接入数据库

可以把结构化 JSON 存入数据库，例如 MySQL、PostgreSQL 或 SQLite。

SQLite 示例安装无需额外数据库服务，Python 内置支持。

import sqlite3

conn = sqlite3.connect("workflow.db")
cursor = conn.cursor()

cursor.execute("""
CREATE TABLE IF NOT EXISTS reports (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    title TEXT,
    content TEXT,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
)
""")

cursor.execute(
    "INSERT INTO reports (title, content) VALUES (?, ?)",
    ("weekly_report", "这里是周报内容")
)

conn.commit()
conn.close()

3. 做成人机协作流程

不要让 AI 在所有场景中直接“自动发送最终结果”。更稳妥的做法是：

1. AI 自动生成草稿；
2. 人工审核修改；
3. 确认后再发送或入库。

尤其是客户回复、合同分析、财务数据、法律文本等场景，必须保留人工确认环节。

4. 增加质量检查节点

你可以让 ChatGPT 对自己的输出再做一次检查，例如：

请检查以上周报是否存在以下问题：
1. 是否编造信息；
2. 是否遗漏关键风险；
3. 表达是否清晰；
4. 是否适合发送给管理层。

这样可以形成“生成 → 校验 → 修改”的多轮工作流。

二十二、总结

ChatGPT 工作流自动化的核心并不复杂：把输入内容标准化，用清晰的提示词调用模型，再把输出保存、推送或交给下一个系统处理。真正决定效果的，是你是否能把日常工作拆解成稳定流程，并为每个环节设计清楚的输入、规则和输出。

对于个人用户，可以先从会议纪要、周报、邮件草稿、文档总结入手；对于团队或企业，则可以进一步接入数据库、协作工具、工单系统和项目管理平台，形成真正的 AI 办公自动化体系。

建议你按照本文顺序实践：

1. 创建项目和虚拟环境；
2. 配置 API Key；
3. 跑通最简单的 API 调用；
4. 封装通用函数；
5. 分别实现会议纪要、周报、邮件回复和结构化提取；
6. 加入日志和异常处理；
7. 使用定时任务实现自动运行；
8. 最后再接入企业协作工具或内部系统。

只要第一个工作流跑通，你就会发现，很多原本需要人工反复处理的事情，都可以逐步交给 ChatGPT 自动完成。最终，你要做的不再是重复劳动，而是设计流程、审核结果和优化决策。