把重复工作交给 ChatGPT：一套可直接上手的自动化流程配置指南

发布人：慈云数据-客服中心发布时间：16小时前阅读量：7

ChatGPT 工作流自动化教程｜附配置文件

在日常工作中，很多重复性任务都可以通过自动化来提升效率，例如：整理会议纪要、生成日报周报、归纳客户反馈、批量改写文案、自动回复邮件、从表格中提取信息并生成报告等。过去，这类自动化通常需要编写复杂脚本、配置多个系统接口，甚至搭建完整的后台服务。而随着 ChatGPT 以及大语言模型 API 的普及，我们可以用更低成本、更灵活的方式搭建一套属于自己的工作流自动化系统。

本文将以“ChatGPT 工作流自动化”为主题，介绍一套可落地的自动化方案，并附上配置文件示例。你可以根据自己的工作场景进行修改，搭建适用于运营、产品、市场、客服、内容创作、数据分析等岗位的 AI 自动化流程。

一、什么是 ChatGPT 工作流自动化？

ChatGPT 工作流自动化，简单来说，就是把原本需要人工逐步完成的任务，拆解成多个步骤，并让 ChatGPT 或相关 AI 工具参与其中，自动完成部分甚至全部流程。

例如，一个常见的“日报生成流程”可能包括：

收集当天任务记录；
整理任务完成情况；
提取重点进展；
总结遇到的问题；
生成规范格式的日报；
发送到指定渠道。

如果完全人工处理，每天可能要花 20 到 30 分钟。但通过自动化工作流，我们可以让系统自动读取任务数据，调用 ChatGPT 进行总结，再输出成固定格式，最后自动发送到企业微信、飞书、钉钉或邮件中。

这种方式的核心价值在于：

节省重复劳动时间；
提升内容输出质量和稳定性；
降低人工遗漏风险；
让复杂流程标准化；
帮助个人和团队形成可复制的工作方法。

二、适合自动化的典型场景

并不是所有工作都适合自动化。一般来说，越是“流程清晰、输入明确、输出格式固定”的任务，越适合使用 ChatGPT 自动化。

下面是几个非常适合落地的场景。

1. 内容生产自动化

适用于新媒体运营、内容编辑、品牌营销等岗位。

可以自动完成：

文章标题生成；
小红书笔记改写；
短视频脚本生成；
公众号文章大纲生成；
SEO 文章初稿生成；
广告文案批量优化；
产品介绍文案扩写。

例如你可以把关键词、目标用户、内容风格输入到系统中，ChatGPT 自动生成文章大纲、正文初稿、标题和摘要。

2. 客服回复自动化

适用于电商、SaaS、教育培训、售后服务等场景。

可以自动完成：

常见问题识别；
自动生成标准回复；
判断用户情绪；
标记投诉等级；
生成工单摘要；
推荐下一步处理方案。

比如用户咨询“订单什么时候发货”，系统可以根据订单状态数据，结合标准话术自动回复，而不是让客服重复输入相同内容。

3. 会议纪要自动化

适用于管理、产品、项目、销售团队。

可以自动完成：

语音转文字后的内容整理；
提取会议主题；
总结关键结论；
生成待办事项；
标注负责人和截止时间；
输出标准会议纪要模板。

如果结合语音识别工具，会议结束后几分钟内就能自动生成会议纪要。

4. 数据报告自动化

适用于运营分析、销售管理、业务复盘。

可以自动完成：

从表格中读取数据；
提取核心指标；
分析同比、环比变化；
生成业务解读；
输出日报、周报、月报；
给出优化建议。

ChatGPT 本身并不是传统意义上的数据计算工具，但它非常擅长“解释数据”和“生成报告语言”。因此，比较理想的做法是：先用程序或表格工具完成计算，再让 ChatGPT 负责解读和表达。

5. 知识库问答自动化

适用于企业内部知识管理、客服知识库、产品文档问答等场景。

可以自动完成：

根据文档回答问题；
总结产品说明；
提取操作步骤；
解释专业术语；
根据用户问题匹配相关资料。

如果结合向量数据库，还可以搭建一个“基于企业资料回答问题”的智能助手。

三、自动化工作流的基本结构

一个完整的 ChatGPT 自动化工作流，通常由以下几个部分组成：

输入数据 → 数据清洗 → Prompt 构造 → 调用模型 → 结果解析 → 输出动作

我们逐个解释。

1. 输入数据

输入数据可以来自很多地方，例如：

Excel 或 CSV 表格；
Notion 数据库；
飞书多维表格；
企业微信消息；
邮件内容；
网页表单；
API 接口；
本地文本文件。

输入数据越清晰，模型输出越稳定。因此在自动化之前，最好先定义输入字段。例如日报生成可以包含：

日期、姓名、今日完成、遇到问题、明日计划、备注

2. 数据清洗

数据清洗是指在调用 ChatGPT 之前，对原始信息进行整理。

常见操作包括：

删除空字段；
去除无关字符；
合并同类信息；
限制文本长度；
补充默认值；
转换日期格式。

很多人搭建自动化失败，并不是模型不好，而是输入太混乱。例如把一大堆没有结构的聊天记录直接丢给模型，结果自然不稳定。更好的方式是先把聊天记录整理成“时间、发言人、内容”的结构，再让模型总结。

3. Prompt 构造

Prompt 是 ChatGPT 自动化的核心。一个好的 Prompt 应该明确告诉模型：

你是谁；
你要完成什么任务；
输入数据是什么；
输出格式是什么；
有哪些限制条件；
遇到异常情况怎么办。

例如：

你是一名资深项目经理，请根据以下任务记录生成项目日报。
要求：
1. 使用正式、简洁的中文；
2. 输出包括：今日进展、存在问题、明日计划；
3. 如果没有问题，请写“暂无明显风险”；
4. 不要编造输入中不存在的信息。

4. 调用模型

模型调用可以通过多种方式完成：

使用 ChatGPT 网页端手动处理；
使用 OpenAI API；
使用第三方自动化平台；
使用本地脚本；
接入企业内部系统。

如果只是个人使用，可以先从低代码平台或脚本开始。如果是团队级应用，则建议通过 API 集成，便于权限管理、日志记录和稳定运行。

5. 结果解析

模型输出后，还需要判断结果是否符合预期。例如：

是否包含指定字段；
是否是 JSON 格式；
是否为空；
是否存在明显错误；
是否需要重新生成；
是否需要人工审核。

在自动化系统中，建议尽量让模型输出结构化内容，例如 JSON。这样程序更容易读取和处理。

6. 输出动作

最后一步是将结果发送或保存到指定位置，例如：

写入表格；
发送邮件；
推送到飞书/钉钉；
保存到数据库；
生成 Markdown 文档；
发布到 CMS 系统；
创建任务卡片。

四、推荐技术方案

如果你是新手，可以从以下三种方案中选择。

方案一：无代码工具方案

适合不懂编程的人。

常见工具包括：

Zapier；
Make；
n8n；
飞书自动化；
Notion 自动化；
Airtable Automations。

优点：

上手快；
不需要写大量代码；
可视化配置；
适合个人和小团队。

缺点：

灵活性有限；
复杂逻辑不好处理；
成本可能随调用量增加；
对国内部分平台支持不够完善。

方案二：低代码平台方案

适合有一定技术基础的人。

可以使用：

n8n 自建；
Dify；
Coze；
Flowise；
Langflow。

这类平台通常支持可视化编排、模型调用、知识库、变量传递和插件扩展。相比无代码工具，它们更适合搭建 AI 应用。

方案三：Python 脚本方案

适合开发者或愿意学习基础编程的人。

优点：

灵活性最高；
可控性强；
方便集成内部系统；
适合批量任务；
成本可控。

缺点：

需要维护代码；
需要理解 API；
需要处理异常和日志。

本文后面会以 Python 脚本方案为例，提供配置文件和基础代码结构，方便你直接改造使用。

五、示例场景：自动生成工作日报

下面我们以“根据任务记录自动生成工作日报”为例，设计一个完整的 ChatGPT 工作流。

1. 输入文件示例

假设我们有一个任务记录文件 tasks.csv：

date,name,completed,issues,tomorrow
2026-06-05,张三,完成首页改版需求评审；整理用户反馈20条,部分反馈缺少截图,推进原型修改；补充反馈材料
2026-06-05,李四,完成活动页文案初稿；对接设计资源,设计排期较紧,确认最终视觉方案；跟进上线时间

2. 目标输出

我们希望系统自动生成如下格式的日报：

# 2026-06-05 工作日报

## 张三

### 今日完成
- 完成首页改版需求评审
- 整理用户反馈 20 条

### 遇到问题
- 部分反馈缺少截图

### 明日计划
- 推进原型修改
- 补充反馈材料

## 李四

### 今日完成
- 完成活动页文案初稿
- 对接设计资源

### 遇到问题
- 设计排期较紧

### 明日计划
- 确认最终视觉方案
- 跟进上线时间

六、项目目录结构

建议创建如下目录：

chatgpt-workflow/
├── config.yaml
├── prompts/
│   └── daily_report.md
├── data/
│   └── tasks.csv
├── output/
│   └── daily_report.md
├── main.py
├── requirements.txt
└── README.md

各文件作用如下：

文件	作用
`config.yaml`	存放模型、输入输出路径、运行参数
`prompts/daily_report.md`	存放日报生成 Prompt
`data/tasks.csv`	存放原始任务数据
`output/daily_report.md`	存放生成结果
`main.py`	主程序
`requirements.txt`	Python 依赖
`README.md`	项目说明

七、配置文件示例

下面是核心配置文件 config.yaml：

app:
  name: chatgpt-workflow-demo
  mode: daily_report
  language: zh-CN

openai:
  api_key_env: OPENAI_API_KEY
  model: gpt-4o-mini
  temperature: 0.3
  max_tokens: 2000

paths:
  input_file: data/tasks.csv
  prompt_file: prompts/daily_report.md
  output_file: output/daily_report.md

report:
  title_template: "{date} 工作日报"
  format: markdown
  include_summary: true
  include_risk: true

runtime:
  retry_times: 3
  timeout_seconds: 60
  log_level: INFO

这个配置文件有几个关键点：

api_key_env 表示从环境变量读取 API Key，不建议把密钥直接写在配置文件中；
model 可以根据你的需求替换；
temperature 控制输出随机性，工作流自动化建议设置在 0.2 到 0.5 之间；
paths 用于统一管理输入、Prompt 和输出路径；
retry_times 用于失败重试；
timeout_seconds 用于避免请求长时间卡住。

八、Prompt 配置文件示例

创建文件 prompts/daily_report.md：

你是一名专业的项目经理和工作日报整理助手。

请根据用户提供的任务记录，生成一份结构清晰、表达正式、适合发送给团队负责人的中文工作日报。

## 输出要求

1. 使用 Markdown 格式；
2. 标题格式为：# {report_title}
3. 按人员分别整理；
4. 每个人包含以下三个部分：
   - 今日完成
   - 遇到问题
   - 明日计划
5. 每个部分使用列表形式；
6. 如果“遇到问题”为空，请写：暂无明显风险；
7. 不要编造任务记录中不存在的信息；
8. 语言简洁、准确、职业化。

## 输入数据

{task_data}

这个 Prompt 使用了两个变量：

{report_title}：日报标题；
{task_data}：任务数据。

程序运行时会把变量替换成真实内容。

九、Python 代码示例

下面是一个简化版 main.py，用于读取配置、加载任务数据、构造 Prompt、调用模型并保存结果。

import os
import csv
import yaml
from pathlib import Path
from openai import OpenAI


def load_config(path="config.yaml"):
    with open(path, "r", encoding="utf-8") as f:
        return yaml.safe_load(f)


def read_csv_as_text(file_path):
    rows = []
    with open(file_path, "r", encoding="utf-8") as f:
        reader = csv.DictReader(f)
        for row in reader:
            rows.append(
                f"日期：{row.get('date', '')}\n"
                f"姓名：{row.get('name', '')}\n"
                f"今日完成：{row.get('completed', '')}\n"
                f"遇到问题：{row.get('issues', '')}\n"
                f"明日计划：{row.get('tomorrow', '')}\n"
            )
    return "\n---\n".join(rows)


def load_prompt(prompt_file):
    with open(prompt_file, "r", encoding="utf-8") as f:
        return f.read()


def call_chatgpt(config, prompt):
    api_key = os.getenv(config["openai"]["api_key_env"])
    if not api_key:
        raise ValueError("未检测到 API Key，请先设置环境变量 OPENAI_API_KEY")

    client = OpenAI(api_key=api_key)

    response = client.chat.completions.create(
        model=config["openai"]["model"],
        messages=[
            {
                "role": "system",
                "content": "你是一个严谨、可靠的中文办公自动化助手。"
            },
            {
                "role": "user",
                "content": prompt
            }
        ],
        temperature=config["openai"]["temperature"],
        max_tokens=config["openai"]["max_tokens"]
    )

    return response.choices[0].message.content


def save_output(file_path, content):
    output_path = Path(file_path)
    output_path.parent.mkdir(parents=True, exist_ok=True)
    with open(output_path, "w", encoding="utf-8") as f:
        f.write(content)


def main():
    config = load_config()

    input_file = config["paths"]["input_file"]
    prompt_file = config["paths"]["prompt_file"]
    output_file = config["paths"]["output_file"]

    task_data = read_csv_as_text(input_file)

    first_date = ""
    with open(input_file, "r", encoding="utf-8") as f:
        reader = csv.DictReader(f)
        first_row = next(reader, None)
        if first_row:
            first_date = first_row.get("date", "")

    report_title = config["report"]["title_template"].format(date=first_date)

    prompt_template = load_prompt(prompt_file)
    final_prompt = prompt_template.format(
        report_title=report_title,
        task_data=task_data
    )

    result = call_chatgpt(config, final_prompt)
    save_output(output_file, result)

    print(f"日报已生成：{output_file}")


if __name__ == "__main__":
    main()

十、依赖文件 requirements.txt

创建 requirements.txt：

openai>=1.0.0
PyYAML>=6.0.0

安装依赖：

pip install -r requirements.txt

设置环境变量：

export OPENAI_API_KEY="你的 API Key"

如果是 Windows PowerShell：

$env:OPENAI_API_KEY="你的 API Key"

运行程序：

python main.py

运行后，系统会在 output/daily_report.md 中生成日报。

十一、如何让工作流更稳定？

在真实工作场景中，自动化不是“能跑起来”就结束了，更重要的是稳定、可控、可维护。下面几个建议非常重要。

1. 尽量结构化输入

不要把杂乱无章的信息直接交给模型。比如客户反馈自动总结，最好先把数据整理成：

客户名称、反馈时间、反馈内容、产品模块、严重程度

结构越清楚，输出越稳定。

2. 明确输出格式

如果你希望系统后续继续处理模型结果，建议让 ChatGPT 输出 JSON。例如：

{
  "summary": "今日共完成3项核心任务",
  "risks": ["设计排期较紧"],
  "next_actions": ["确认视觉方案", "跟进上线时间"]
}

结构化输出可以方便写入数据库、表格或其他系统。

3. 设置低 temperature

自动化任务通常不需要太强的创造性。建议：

总结类任务：temperature=0.2~0.4
文案类任务：temperature=0.5~0.8
分类判断类任务：temperature=0~0.2

4. 增加人工审核环节

对于重要邮件、客户回复、合同摘要、对外发布内容，建议增加人工确认步骤。AI 可以大幅提升效率，但不应在高风险场景中完全替代人工判断。

5. 保留运行日志

建议记录以下信息：

运行时间；
输入文件；
模型名称；
Token 消耗；
输出结果；
错误信息。

这样一旦出现问题，方便排查。

十二、进阶配置：输出 JSON

如果你想让工作流更加程序化，可以把 Prompt 改为要求输出 JSON。

示例 Prompt：

你是一名工作日报整理助手。

请根据输入数据生成 JSON 格式结果。

## 输出格式

请严格输出以下 JSON 结构，不要添加额外解释：

{
  "report_title": "",
  "members": [
    {
      "name": "",
      "completed": [],
      "issues": [],
      "tomorrow": []
    }
  ],
  "overall_summary": "",
  "risks": []
}

## 要求

1. 不要编造输入中不存在的信息；
2. 如果没有风险，risks 返回空数组；
3. completed、issues、tomorrow 均使用数组；
4. 输出必须是合法 JSON。

## 输入数据

{task_data}

这种方式适合后续继续接入系统，例如将结果写入数据库或展示在前端页面。

十三、进阶配置：自动发送到飞书或钉钉

如果你希望日报生成后自动发送到群聊，可以增加 Webhook 配置。

配置文件增加：

webhook:
  enabled: true
  type: feishu
  url_env: FEISHU_WEBHOOK_URL

发送函数示例：

import requests
import os


def send_to_feishu(config, content):
    webhook = config.get("webhook", {})
    if not webhook.get("enabled"):
        return

    url = os.getenv(webhook.get("url_env"))
    if not url:
        raise ValueError("未检测到飞书 Webhook 地址")

    payload = {
        "msg_type": "text",
        "content": {
            "text": content
        }
    }

    response = requests.post(url, json=payload, timeout=10)
    response.raise_for_status()

在 main() 中保存输出后调用：

send_to_feishu(config, result)

这样就可以实现：

读取任务数据 → 生成日报 → 保存文件 → 自动发送到飞书群

十四、进阶配置：批量处理文案

除了日报，你还可以把这套结构改造成“批量文案优化工具”。

输入文件 copywriting.csv：

id,original_text,style,target_user
1,这款水杯质量很好,小红书风格,年轻女性
2,我们的系统可以提升企业效率,商务风格,企业管理者

Prompt 示例：

你是一名资深中文文案优化专家。

请根据原始文案、目标风格和目标用户，对文案进行优化。

## 要求

1. 保留原意；
2. 语言更自然、更有吸引力；
3. 不夸大事实；
4. 输出适合目标用户阅读；
5. 每条文案输出 3 个版本。

## 输入

{copywriting_data}

这样就可以实现批量改写广告语、商品描述、社媒文案等任务。

十五、常见问题与解决方案

问题一：模型输出格式不稳定怎么办？

解决方法：

在 Prompt 中明确“必须输出指定格式”；
使用 JSON 输出；
在代码中校验输出；
不符合格式时自动重试；
降低 temperature。

问题二：输入内容太长怎么办？

可以采用以下方式：

先分段总结，再汇总；
删除无关内容；
使用更长上下文模型；
对文本进行分类筛选；
只保留关键字段。

问题三：生成内容出现编造怎么办？

解决方法：

在 Prompt 中强调“不要编造”；
限制模型只基于输入内容回答；
对关键事实做程序校验；
高风险内容增加人工审核。

问题四：如何控制成本？

建议：

使用较低成本模型处理简单任务；
对长文本先压缩再处理；
缓存重复结果；
减少无意义调用；
设置最大 Token 限制。

问题五：自动化流程适合团队使用吗？

适合，但需要额外考虑：

权限管理；
数据安全；
日志审计；
异常告警；
人工审核；
成本统计；
模板统一维护。

十六、最佳实践总结

搭建 ChatGPT 工作流自动化时，可以遵循以下原则：

先从小场景开始
不要一开始就试图自动化整个部门流程。可以先从日报、会议纪要、文案改写这种简单场景入手。
输入输出都要标准化
自动化的基础不是模型，而是流程。字段、模板、格式越清晰，系统越稳定。
Prompt 要配置化管理
不建议把 Prompt 全部写死在代码中。独立存放到文件里，后续优化会更方便。
保留人工审核机制
对外发送、客户沟通、法律财务等敏感内容，一定要有人审核。
逐步增加复杂能力
先实现“读取数据并生成结果”，再增加“自动发送”“异常重试”“知识库”“权限管理”等能力。
持续优化 Prompt 和数据结构
工作流上线后，应根据实际输出效果不断调整 Prompt、字段和规则。

十七、完整配置文件汇总

最后，将本文涉及的核心配置整理如下。

`config.yaml`

app:
  name: chatgpt-workflow-demo
  mode: daily_report
  language: zh-CN

openai:
  api_key_env: OPENAI_API_KEY
  model: gpt-4o-mini
  temperature: 0.3
  max_tokens: 2000

paths:
  input_file: data/tasks.csv
  prompt_file: prompts/daily_report.md
  output_file: output/daily_report.md

report:
  title_template: "{date} 工作日报"
  format: markdown
  include_summary: true
  include_risk: true

runtime:
  retry_times: 3
  timeout_seconds: 60
  log_level: INFO

webhook:
  enabled: false
  type: feishu
  url_env: FEISHU_WEBHOOK_URL

`prompts/daily_report.md`

你是一名专业的项目经理和工作日报整理助手。

请根据用户提供的任务记录，生成一份结构清晰、表达正式、适合发送给团队负责人的中文工作日报。

## 输出要求

1. 使用 Markdown 格式；
2. 标题格式为：# {report_title}
3. 按人员分别整理；
4. 每个人包含以下三个部分：
   - 今日完成
   - 遇到问题
   - 明日计划
5. 每个部分使用列表形式；
6. 如果“遇到问题”为空，请写：暂无明显风险；
7. 不要编造任务记录中不存在的信息；
8. 语言简洁、准确、职业化。

## 输入数据

{task_data}

`requirements.txt`

openai>=1.0.0
PyYAML>=6.0.0
requests>=2.31.0

结语

ChatGPT 工作流自动化的关键，不是简单地“调用一次 AI”，而是把业务流程拆解清楚，让输入、处理、输出都形成稳定机制。对于个人来说，它可以帮助你节省大量重复劳动时间；对于团队来说，它可以把经验沉淀成模板，把协作流程变得更加标准化。

如果你刚开始尝试，建议先选择一个每天都会重复发生的小任务，例如日报、会议纪要、邮件摘要或文案改写。先让它跑起来，再逐步完善配置、Prompt、异常处理和自动发送能力。随着流程不断成熟，你会发现 ChatGPT 不只是一个聊天工具，而是可以真正嵌入工作系统的自动化助手。

文章标签： ChatGPT工作流自动化配置文件 Python脚本日报生成

上一篇：从会议纪要到自动发邮件：手把手搭建 ChatGPT 工作流系统

下一篇：从重复劳动到自动跑流程：普通人也能上手的 ChatGPT 自动化指南

更多栏目

新闻动态

文档中心

下载中心

目录结构

全文

产品与服务

新闻帮助

生态合作

了解我们

把重复工作交给 ChatGPT：一套可直接上手的自动化流程配置指南

ChatGPT 工作流自动化教程｜附配置文件

一、什么是 ChatGPT 工作流自动化？

二、适合自动化的典型场景

1. 内容生产自动化

2. 客服回复自动化

3. 会议纪要自动化

4. 数据报告自动化

5. 知识库问答自动化

三、自动化工作流的基本结构

1. 输入数据

2. 数据清洗

3. Prompt 构造

4. 调用模型

5. 结果解析

6. 输出动作

四、推荐技术方案

方案一：无代码工具方案

方案二：低代码平台方案

方案三：Python 脚本方案

五、示例场景：自动生成工作日报

1. 输入文件示例

2. 目标输出

六、项目目录结构

七、配置文件示例

八、Prompt 配置文件示例

九、Python 代码示例

十、依赖文件 requirements.txt

十一、如何让工作流更稳定？

1. 尽量结构化输入

2. 明确输出格式

3. 设置低 temperature

4. 增加人工审核环节

5. 保留运行日志

十二、进阶配置：输出 JSON

十三、进阶配置：自动发送到飞书或钉钉

配置文件增加：

发送函数示例：

十四、进阶配置：批量处理文案

十五、常见问题与解决方案

问题一：模型输出格式不稳定怎么办？

问题二：输入内容太长怎么办？

问题三：生成内容出现编造怎么办？

问题四：如何控制成本？

问题五：自动化流程适合团队使用吗？

十六、最佳实践总结

十七、完整配置文件汇总

config.yaml

prompts/daily_report.md

requirements.txt

结语

`config.yaml`

`prompts/daily_report.md`

`requirements.txt`