ChatGPT 工作流自动化教程｜附源码

在日常工作中，很多任务并不复杂，但会反复出现：整理会议纪要、生成周报、回复邮件、提取文档重点、归类客户反馈、把表格数据转成报告、根据模板生成营销文案等。过去我们通常依赖人工完成这些流程，效率低、重复性高，还容易出错。

随着 ChatGPT 和大语言模型 API 的普及，越来越多的工作可以被“自动化”：你只需要定义好输入、处理逻辑和输出格式，就可以让 AI 自动完成大量文本理解、生成、分类和总结工作。

本文将从零开始，带你搭建一个 ChatGPT 工作流自动化系统。文章会讲清楚核心思路、适用场景、架构设计，并提供一套可运行的 Python 示例源码，帮助你快速落地到自己的业务中。

一、什么是 ChatGPT 工作流自动化？

所谓 ChatGPT 工作流自动化，就是把原本需要人工操作的一系列步骤，拆解成多个可执行节点，然后通过程序调用 ChatGPT 或其他大语言模型完成其中的文本处理任务。

一个典型的自动化流程可能是这样的：

1. 用户上传一份文档；
2. 程序自动读取文档内容；
3. 调用 ChatGPT 总结文档要点；
4. 根据总结内容生成待办事项；
5. 将结果写入数据库或发送到邮箱；
6. 自动生成一份 Markdown 格式报告。

如果这个流程每周都要执行一次，那么自动化之后，你只需要点击一次按钮，甚至无需手动触发，系统就能定时完成全部工作。

二、ChatGPT 适合自动化哪些工作？

ChatGPT 特别适合处理和语言相关的任务。只要你的工作中存在大量阅读、写作、总结、改写、分类、翻译、提取信息等环节，就很适合用它来自动化。

常见场景包括：

1. 内容生产自动化

例如：

• 自动生成公众号文章初稿；
• 根据商品信息生成电商详情页文案；
• 根据关键词生成 SEO 标题和描述；
• 把短视频脚本扩写成完整文案；
• 将英文资料翻译并本地化为中文内容。

2. 办公文档处理

例如：

• 自动总结会议纪要；
• 根据聊天记录生成行动项；
• 把长文档整理成摘要；
• 将 Word、PDF 内容转成结构化数据；
• 根据周报模板自动生成工作报告。

3. 客户服务与销售支持

例如：

• 自动分类客户反馈；
• 根据用户问题生成回复建议；
• 提取客户需求和痛点；
• 自动生成销售邮件；
• 分析客服对话中的负面情绪。

4. 数据分析辅助

虽然 ChatGPT 不是传统意义上的数据分析工具，但它非常适合帮助解释数据、生成分析报告、根据指标变化给出业务建议。

例如：

• 把销售数据转成经营分析报告；
• 根据用户增长数据生成趋势解读；
• 自动分析问卷调查结果；
• 根据表格内容生成管理层摘要。

三、工作流自动化的基本架构

一个完整的 ChatGPT 工作流自动化系统通常包含以下几个模块：

数据输入 → 数据预处理 → Prompt 构造 → 调用大模型 → 结果解析 → 输出/保存/通知

下面分别解释。

1. 数据输入

数据输入可以来自很多地方：

• 用户手动输入；
• Excel 表格；
• CSV 文件；
• PDF 文档；
• 数据库；
• 企业微信、钉钉、飞书；
• 邮件；
• API 接口。

例如，你可以每天定时读取一个 CSV 文件，然后把其中的客户反馈逐条发送给 ChatGPT 进行分类和总结。

2. 数据预处理

原始数据往往不适合直接发送给大模型，需要做一些清洗处理：

• 去除无用字段；
• 截断过长文本；
• 合并相关信息；
• 转换编码；
• 提取关键内容；
• 统一格式。

例如，一封邮件可能包含签名、历史回复、免责声明等无关内容，在调用模型之前最好先删除。

3. Prompt 构造

Prompt 是自动化系统的核心。你需要告诉 ChatGPT：

• 它扮演什么角色；
• 它要完成什么任务；
• 输入数据是什么；
• 输出格式是什么；
• 是否有约束条件；
• 是否需要返回 JSON、Markdown 或纯文本。

一个好的 Prompt 可以显著提升结果稳定性。

例如：

你是一名资深客服质检专员。
请根据以下客户反馈判断其情绪类型，并提取核心诉求。
请严格按照 JSON 格式输出：
{
  "sentiment": "正面/中性/负面",
  "request": "客户核心诉求",
  "priority": "高/中/低"
}

客户反馈：
{{feedback}}

4. 调用大模型

你可以通过 API 调用 ChatGPT。程序会把 Prompt 发送给模型，然后接收模型返回的内容。

5. 结果解析

如果你要求模型返回 JSON，那么程序可以进一步解析 JSON，并把结果写入数据库、表格或其他系统。

6. 输出与通知

最后一步是把结果输出给用户或同步到业务系统，例如：

• 保存为 Markdown 文件；
• 写入 Excel；
• 发送邮件；
• 推送到企业微信；
• 更新 Notion 页面；
• 保存到数据库。

四、实战案例：自动生成会议纪要和待办事项

下面我们以一个常见场景为例：输入一段会议记录，自动生成会议纪要、决策事项和待办清单。

最终效果如下：

用户输入会议原文：

今天讨论了新版官网上线计划。产品团队表示页面设计已经完成，研发团队预计下周三完成前端开发。
市场部需要在上线前准备推广文案。老板要求官网必须在本月 28 日前上线。
另外，客服团队反馈希望增加常见问题模块，产品经理同意本周内补充需求文档。

系统自动输出：

# 会议纪要

## 一、会议主题
新版官网上线计划讨论

## 二、关键结论
- 官网需在本月 28 日前完成上线。
- 页面设计已完成。
- 前端开发预计下周三完成。
- 官网将新增常见问题模块。

## 三、待办事项
| 负责人 | 任务 | 截止时间 |
|---|---|---|
| 研发团队 | 完成官网前端开发 | 下周三 |
| 市场部 | 准备官网上线推广文案 | 上线前 |
| 产品经理 | 补充常见问题模块需求文档 | 本周内 |

接下来我们开始实现。

五、准备工作

本教程使用 Python 实现。你需要提前准备：

• Python 3.9 或以上版本；
• 一个可用的大模型 API Key；
• 基础的命令行操作能力。

项目目录建议如下：

chatgpt-workflow-demo/
├── main.py
├── workflow.py
├── prompts.py
├── config.py
├── requirements.txt
└── output/

六、安装依赖

新建 requirements.txt 文件：

openai>=1.0.0
python-dotenv>=1.0.0

安装依赖：

pip install -r requirements.txt

如果你使用虚拟环境，可以先执行：

python -m venv venv
source venv/bin/activate

Windows 用户可以使用：

venv\Scripts\activate

七、配置 API Key

在项目根目录新建 .env 文件：

OPENAI_API_KEY=你的_API_KEY
OPENAI_MODEL=gpt-4o-mini

然后创建 config.py：

import os
from dotenv import load_dotenv

load_dotenv()

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

if not OPENAI_API_KEY:
    raise ValueError("请先在 .env 文件中配置 OPENAI_API_KEY")

这个文件负责读取环境变量，避免把 API Key 直接写在源码里。实际项目中，密钥管理非常重要，不要把 .env 文件提交到 Git 仓库。

八、编写 Prompt 模板

创建 prompts.py：

MEETING_SUMMARY_PROMPT = """
你是一名专业的会议纪要助手，擅长从会议记录中提取重点信息。

请根据下面的会议原文，生成一份结构清晰的中文会议纪要。

要求：
1. 使用 Markdown 格式输出；
2. 包含以下模块：
   - 会议主题
   - 关键结论
   - 讨论要点
   - 待办事项
   - 风险与提醒
3. 待办事项请使用 Markdown 表格；
4. 如果无法判断负责人或截止时间，请填写“待确认”；
5. 内容要准确，不要编造会议中没有出现的信息；
6. 语言简洁、正式，适合发送给团队成员。

会议原文如下：
{meeting_text}
"""

这个 Prompt 做了几件关键的事：

• 指定了模型角色；
• 明确了输出格式；
• 规定了必须包含的模块；
• 要求不要编造信息；
• 对不确定信息给出默认处理方式。

在自动化工作流里，Prompt 越明确，输出结果越稳定。

九、封装大模型调用

创建 workflow.py：

from openai import OpenAI
from config import OPENAI_API_KEY, OPENAI_MODEL
from prompts import MEETING_SUMMARY_PROMPT

client = OpenAI(api_key=OPENAI_API_KEY)


def call_chatgpt(prompt: str) -> str:
    """
    调用 ChatGPT API，返回模型生成内容。
    """
    response = client.chat.completions.create(
        model=OPENAI_MODEL,
        messages=[
            {
                "role": "system",
                "content": "你是一个专业、严谨、可靠的中文办公自动化助手。"
            },
            {
                "role": "user",
                "content": prompt
            }
        ],
        temperature=0.3
    )

    return response.choices[0].message.content


def generate_meeting_summary(meeting_text: str) -> str:
    """
    根据会议原文生成会议纪要。
    """
    prompt = MEETING_SUMMARY_PROMPT.format(meeting_text=meeting_text)
    result = call_chatgpt(prompt)
    return result

这里的 temperature=0.3 表示输出相对稳定。如果你希望内容更有创意，可以调高到 0.7 左右；如果你希望结果更可控，可以降低到 0.1。

十、编写主程序

创建 main.py：

import os
from datetime import datetime
from workflow import generate_meeting_summary


def save_markdown(content: str, output_dir: str = "output") -> str:
    """
    将生成结果保存为 Markdown 文件。
    """
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)

    filename = f"meeting_summary_{datetime.now().strftime('%Y%m%d_%H%M%S')}.md"
    filepath = os.path.join(output_dir, filename)

    with open(filepath, "w", encoding="utf-8") as f:
        f.write(content)

    return filepath


def main():
    meeting_text = """
    今天讨论了新版官网上线计划。产品团队表示页面设计已经完成，
    研发团队预计下周三完成前端开发。市场部需要在上线前准备推广文案。
    老板要求官网必须在本月 28 日前上线。
    另外，客服团队反馈希望增加常见问题模块，
    产品经理同意本周内补充需求文档。
    """

    print("正在生成会议纪要，请稍候...")

    summary = generate_meeting_summary(meeting_text)

    print("\n生成结果：\n")
    print(summary)

    filepath = save_markdown(summary)
    print(f"\n会议纪要已保存到：{filepath}")


if __name__ == "__main__":
    main()

运行：

python main.py

如果配置正确，你会看到终端输出生成的会议纪要，同时在 output 目录下生成一个 Markdown 文件。

十一、扩展功能：批量处理多个会议记录

真实工作中，我们通常不是只处理一条数据，而是批量处理。下面加入批量处理能力。

假设我们有一个 meetings.txt 文件，每条会议记录用分隔符隔开：

===MEETING===
会议记录一内容……

===MEETING===
会议记录二内容……

===MEETING===
会议记录三内容……

可以新增如下代码：

def load_meetings_from_file(filepath: str) -> list[str]:
    """
    从文本文件中读取多条会议记录。
    """
    with open(filepath, "r", encoding="utf-8") as f:
        content = f.read()

    meetings = [
        item.strip()
        for item in content.split("===MEETING===")
        if item.strip()
    ]

    return meetings


def batch_generate_summaries(filepath: str):
    """
    批量生成会议纪要。
    """
    meetings = load_meetings_from_file(filepath)

    for index, meeting_text in enumerate(meetings, start=1):
        print(f"正在处理第 {index} 条会议记录...")

        summary = generate_meeting_summary(meeting_text)

        output_path = save_markdown(
            summary,
            output_dir=f"output/meeting_{index}"
        )

        print(f"第 {index} 条会议纪要已保存：{output_path}")

然后在 main.py 中调用：

if __name__ == "__main__":
    batch_generate_summaries("meetings.txt")

这样你就可以一次性处理多条会议记录。

十二、扩展功能：结构化输出 JSON

如果你希望把结果写入数据库或系统，Markdown 不一定是最方便的格式。更推荐让模型输出 JSON。

例如，我们可以新增一个 Prompt：

MEETING_JSON_PROMPT = """
你是一名会议纪要信息抽取助手。

请从下面的会议原文中提取结构化信息，并严格返回 JSON。
不要输出任何解释性文字，不要使用 Markdown。

JSON 字段如下：
{
  "topic": "会议主题",
  "conclusions": ["关键结论1", "关键结论2"],
  "todos": [
    {
      "owner": "负责人",
      "task": "任务内容",
      "deadline": "截止时间"
    }
  ],
  "risks": ["风险或提醒1", "风险或提醒2"]
}

要求：
1. 如果字段没有对应内容，请使用空数组；
2. 如果负责人或截止时间未知，请填写“待确认”；
3. 不要编造原文没有的信息。

会议原文：
{meeting_text}
"""

对应的 Python 代码：

import json
from prompts import MEETING_JSON_PROMPT


def generate_meeting_json(meeting_text: str) -> dict:
    prompt = MEETING_JSON_PROMPT.format(meeting_text=meeting_text)
    result = call_chatgpt(prompt)

    try:
        data = json.loads(result)
        return data
    except json.JSONDecodeError:
        raise ValueError(f"模型返回的不是合法 JSON：{result}")

结构化输出的好处是后续处理更方便。例如你可以将 todos 写入任务管理系统，把 risks 推送给项目经理，把 topic 存入会议数据库。

十三、扩展功能：自动发送邮件

生成会议纪要后，我们还可以自动发送邮件。以下示例使用 Python 内置的 smtplib。

import smtplib
from email.mime.text import MIMEText
from email.header import Header


def send_email(
    smtp_host: str,
    smtp_port: int,
    username: str,
    password: str,
    to_email: str,
    subject: str,
    content: str
):
    """
    发送邮件。
    """
    message = MIMEText(content, "plain", "utf-8")
    message["From"] = Header(username, "utf-8")
    message["To"] = Header(to_email, "utf-8")
    message["Subject"] = Header(subject, "utf-8")

    with smtplib.SMTP_SSL(smtp_host, smtp_port) as server:
        server.login(username, password)
        server.sendmail(username, [to_email], message.as_string())

调用示例：

send_email(
    smtp_host="smtp.example.com",
    smtp_port=465,
    username="your_email@example.com",
    password="your_email_password",
    to_email="team@example.com",
    subject="新版官网项目会议纪要",
    content=summary
)

需要注意的是，大多数邮箱服务商不允许直接使用登录密码发送邮件，通常需要开启 SMTP 服务并生成“授权码”。

十四、扩展功能：定时执行工作流

如果你希望每天或每周自动执行，可以使用 Linux 的 cron。

编辑定时任务：

crontab -e

例如每天晚上 8 点执行：

0 20 * * * /usr/bin/python3 /path/to/chatgpt-workflow-demo/main.py

如果你使用 Windows，可以使用“任务计划程序”配置定时执行。

对于更复杂的自动化场景，也可以使用：

• Airflow；
• Prefect；
• n8n；
• Zapier；
• Make；
• GitHub Actions；
• 企业内部自动化平台。

十五、如何提高自动化结果的稳定性？

使用 ChatGPT 做自动化时，最重要的问题不是“能不能生成内容”，而是“结果是否稳定、可靠、可控”。

下面是一些实用建议。

1. 明确输出格式

不要只写“帮我总结一下”，而应该明确要求：

• 输出 Markdown；
• 输出 JSON；
• 必须包含哪些字段；
• 每个字段的数据类型；
• 如果没有内容如何处理。

2. 降低 temperature

对于办公自动化、结构化抽取、分类任务，建议使用较低的 temperature，例如 0.1 到 0.3。

3. 增加错误处理

模型可能偶尔返回不符合预期的内容。你应该在程序里增加：

• JSON 解析失败重试；
• API 调用超时处理；
• 输出为空时报警；
• 日志记录；
• 失败任务重新执行。

4. 控制输入长度

如果输入内容太长，可能超过模型上下文限制。可以采用：

• 分段总结；
• 先摘要再汇总；
• 只提取关键段落；
• 使用向量检索选取相关内容。

5. 避免让模型编造

在 Prompt 中明确写出：

如果原文没有提到，请填写“未提及”，不要自行推测。

这对会议纪要、合同分析、客服质检等场景尤其重要。

十六、一个更完整的重试机制示例

下面给出一个带重试机制的 API 调用函数：

import time
from openai import OpenAI
from config import OPENAI_API_KEY, OPENAI_MODEL

client = OpenAI(api_key=OPENAI_API_KEY)


def call_chatgpt_with_retry(
    prompt: str,
    max_retries: int = 3,
    sleep_seconds: int = 2
) -> str:
    """
    带重试机制的 ChatGPT 调用。
    """
    last_error = None

    for attempt in range(1, max_retries + 1):
        try:
            response = client.chat.completions.create(
                model=OPENAI_MODEL,
                messages=[
                    {
                        "role": "system",
                        "content": "你是一个可靠的中文工作流自动化助手。"
                    },
                    {
                        "role": "user",
                        "content": prompt
                    }
                ],
                temperature=0.2,
                timeout=30
            )

            content = response.choices[0].message.content

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

            return content

        except Exception as e:
            last_error = e
            print(f"第 {attempt} 次调用失败：{e}")

            if attempt < max_retries:
                time.sleep(sleep_seconds)

    raise RuntimeError(f"调用 ChatGPT 失败，已重试 {max_retries} 次：{last_error}")

在生产环境中，还可以加入日志系统，例如 logging，将错误写入日志文件，方便排查问题。

十七、完整源码汇总

为了方便复制，这里给出简化版完整源码。

requirements.txt

openai>=1.0.0
python-dotenv>=1.0.0

.env

OPENAI_API_KEY=你的_API_KEY
OPENAI_MODEL=gpt-4o-mini

config.py

import os
from dotenv import load_dotenv

load_dotenv()

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

if not OPENAI_API_KEY:
    raise ValueError("请先在 .env 文件中配置 OPENAI_API_KEY")

prompts.py

MEETING_SUMMARY_PROMPT = """
你是一名专业的会议纪要助手，擅长从会议记录中提取重点信息。

请根据下面的会议原文，生成一份结构清晰的中文会议纪要。

要求：
1. 使用 Markdown 格式输出；
2. 包含以下模块：
   - 会议主题
   - 关键结论
   - 讨论要点
   - 待办事项
   - 风险与提醒
3. 待办事项请使用 Markdown 表格；
4. 如果无法判断负责人或截止时间，请填写“待确认”；
5. 内容要准确，不要编造会议中没有出现的信息；
6. 语言简洁、正式，适合发送给团队成员。

会议原文如下：
{meeting_text}
"""

workflow.py

import time
from openai import OpenAI
from config import OPENAI_API_KEY, OPENAI_MODEL
from prompts import MEETING_SUMMARY_PROMPT

client = OpenAI(api_key=OPENAI_API_KEY)


def call_chatgpt(prompt: str, max_retries: int = 3) -> str:
    last_error = None

    for attempt in range(1, max_retries + 1):
        try:
            response = client.chat.completions.create(
                model=OPENAI_MODEL,
                messages=[
                    {
                        "role": "system",
                        "content": "你是一个专业、严谨、可靠的中文办公自动化助手。"
                    },
                    {
                        "role": "user",
                        "content": prompt
                    }
                ],
                temperature=0.3,
                timeout=30
            )

            content = response.choices[0].message.content

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

            return content

        except Exception as e:
            last_error = e
            print(f"第 {attempt} 次调用失败：{e}")
            time.sleep(2)

    raise RuntimeError(f"调用失败：{last_error}")


def generate_meeting_summary(meeting_text: str) -> str:
    prompt = MEETING_SUMMARY_PROMPT.format(meeting_text=meeting_text)
    return call_chatgpt(prompt)

main.py

import os
from datetime import datetime
from workflow import generate_meeting_summary


def save_markdown(content: str, output_dir: str = "output") -> str:
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)

    filename = f"meeting_summary_{datetime.now().strftime('%Y%m%d_%H%M%S')}.md"
    filepath = os.path.join(output_dir, filename)

    with open(filepath, "w", encoding="utf-8") as f:
        f.write(content)

    return filepath


def main():
    meeting_text = """
    今天讨论了新版官网上线计划。产品团队表示页面设计已经完成，
    研发团队预计下周三完成前端开发。市场部需要在上线前准备推广文案。
    老板要求官网必须在本月 28 日前上线。
    另外，客服团队反馈希望增加常见问题模块，
    产品经理同意本周内补充需求文档。
    """

    print("正在生成会议纪要，请稍候...")

    summary = generate_meeting_summary(meeting_text)

    print(summary)

    filepath = save_markdown(summary)

    print(f"会议纪要已保存到：{filepath}")


if __name__ == "__main__":
    main()

十八、进一步升级方向

当你完成基础版本后，可以继续从以下方向升级：

1. 接入 Web 页面

使用 Flask、FastAPI 或 Streamlit 做一个简单页面，让用户上传会议记录，然后在线生成纪要。

2. 接入企业微信或飞书

把生成结果自动推送到群聊，实现团队内自动同步。

3. 接入数据库

把会议主题、结论、待办事项、负责人和截止时间保存到 MySQL、PostgreSQL 或 MongoDB。

4. 接入任务管理工具

例如把待办事项同步到：

• Trello；
• Jira；
• Notion；
• 飞书多维表格；
• 企业微信日程；
• 钉钉待办。

5. 多 Agent 工作流

复杂任务可以拆成多个 Agent：

• 摘要 Agent；
• 信息抽取 Agent；
• 风险分析 Agent；
• 文案润色 Agent；
• 审核 Agent。

每个 Agent 专注完成一个环节，最终再把结果合并。

十九、总结

ChatGPT 工作流自动化的核心，不只是“调用一次 AI 接口”，而是把业务流程拆解清楚，再让 AI 参与其中最适合的语言处理环节。

一个可落地的自动化系统通常需要包含：

• 明确的数据输入；
• 稳定的 Prompt 模板；
• 可控的大模型调用；
• 可靠的错误处理；
• 结构化的结果解析；
• 合适的输出和通知方式。

本文以“自动生成会议纪要和待办事项”为例，完整演示了从项目搭建、Prompt 编写、API 调用、结果保存、批量处理、JSON 输出、邮件发送到定时执行的全过程。

你可以基于这套代码继续扩展，把它改造成周报生成器、客服反馈分析器、销售邮件助手、合同摘要工具、内容创作流水线，甚至是完整的企业内部 AI 自动化平台。

真正有价值的 AI 应用，不是让 ChatGPT 偶尔帮你写一段文字，而是把它嵌入日常流程，让重复性工作自动流转，让人把时间投入到判断、沟通和创造上。