钩子

很多人一聊 AI 提效，就开始说 RAG：把资料丢进去，让模型检索回答。但真正能跑起来的 AI 工作流，重点往往不是“会不会查资料”，而是它能不能判断任务边界、调用合适工具、失败后知道怎么兜底。

对内容和教育行业来说，这个判断很关键：AI 不是更聪明的搜索框，而是一个需要被管理的实习生。

先画业务地图，再谈智能

做 Agent 前，先别急着接模型。第一步是画清楚三类东西：

  1. 实体：用户、课程、题目、素材、账号、订单、老师、班级。
  2. 关系：谁报名了什么课，哪类题目对应哪个知识点，哪篇内容服务哪个转化目标。
  3. 事件：用户咨询、提交作业、内容发布、线索跟进、退款申请。

这就是普通人也能理解的 Ontology：把业务里的“东西”和“关系”说清楚。说不清这些，后面接 MCP、Skills、知识图谱，都只是把混乱自动化。

工具调用不是越多越好

一个 Agent 能调用工具，并不代表它应该随便调用。内容团队常见的工具有选题库、素材库、日历、表格、发布后台、私域消息、数据看板。教育业务还会多出题库、学员档案、作业系统和课程系统。

正确做法是给每个工具写清楚四件事：

  • 什么时候能用；
  • 需要什么输入；
  • 能返回什么结果；
  • 哪些操作必须人工确认。

比如“读取选题库”可以自动化，“群发消息”“改价格”“删除素材”就必须加权限校验。AI 工作流的成熟度，不看模型多强，看危险动作有没有闸门。

用 Planner 和 Executor 拆开复杂任务

普通人最容易踩的坑，是让 AI 一口气完成复杂任务。比如“帮我做一周公考内容运营计划”，如果直接让模型输出，很容易变成漂亮但空的建议。

更稳的方式是拆成两层：

Planner 负责拆任务：分析目标人群、列内容主题、匹配转化节点、安排发布时间。

Executor 负责做动作：查资料、生成标题、整理素材、写脚本、填表、生成复盘。

这样一来，AI 出错时也容易定位：是计划错了，还是执行错了。团队也能把人放在关键节点上审核，而不是每一步都从头重来。

幻觉治理靠流程，不靠祈祷

模型幻觉不是一句“请准确回答”能解决的。更现实的办法是把输出分级：

事实类内容必须带来源； 判断类内容必须写依据； 营销类内容必须过品牌和合规检查； 涉及用户、订单、价格、承诺的话术必须人工确认。

还要设置超时、重试和降级方案。工具调用失败时，不要让 Agent 硬编结果，而是返回“缺少数据，无法判断”。这句话看起来不聪明，但很值钱。

一套可落地清单

如果你想把 AI 用到内容或教育运营里，可以按这个顺序做：

第一，选一个高频但低风险的流程，比如选题整理、素材归档、课程问答初稿。

第二，列出流程里的实体、关系和事件，不超过一页纸。

第三，给 AI 只开放必要工具，先读数据，再写草稿，最后由人确认发布。

第四，记录每次结果：准确率、节省时间、返工原因、用户反馈。

第五，每周复盘一次，把常见错误变成规则、提示词或工具限制。

真正的 Agent 落地，不是把术语背全，而是把“谁能做什么、什么时候做、错了怎么办”设计清楚。对普通团队来说，这比追最新模型更重要。