我们每天都在和不同的 Chatbot 聊天，期待它们帮我们提升效率，但受限于Chatbot一句一句对话的形式，总感觉并没有最大化提升生产力。按照OpenAI的说法，Chatbot只是AI的level 1水平，如果有一种 AI Agent 真的能够达到OpenAI定义的level3水平，跳出“聊天”桎梏，自主完成复杂任务，会不会是知识工作的下一个效率革命？

上周五全程听了生财有术邀请flowith CMO拐子做的直播，边听边用，发现或许flowith就是我一直在找的一款真正能提升生产力的Agent产品。

flowith：真正让 AI 成为生产力引擎

flowith 是一款基于二维画布交互的下一代 AI 生产力工具，主打多模型协作、知识网络构建和复杂任务自动化，旨在让 AI 成为高效内容创作和知识管理的核心引擎。

不同于传统的对话式 AI，flowith 利用“二维画布”让用户能同时与多个 AI 模型互动，支持多线程、多分支的内容生成和任务处理。它希望让人和 AI 的协作像人类之间一样发散、并行、可复用，彻底突破线性对话的局限，显著提升创造力和效率。

主要特色包括：

• 二维画布交互：支持多线程对话、分支探索，适合长文创作、方案对比、提示调试等复杂场景。

• 多模型选择：可自由切换如 GPT-4o、Claude 3.5、Stable Diffusion、DALL·E 3 等多种文本/图像模型，满足多样需求。

• Oracle 智能代理：可自动规划、分解并完成多步骤复杂任务，支持无限插件调用（如搜索、总结、思维导图、PPT 生成等），无需手动提示工程。

• 知识花园：自动将用户上传的文档、笔记、链接等拆解为知识单元，并建立知识网络，便于高效检索与内容生成，避免信息孤岛。

• 实时协作：天然支持多人协作、评论讨论、链接分享，适合团队共创和知识共建。

• 无缝创作体验：画布内容可一键导入编辑器（Composer）进一步润色、发布，实现从灵感捕捉到成品输出闭环。

典型场景包括：

长篇内容创作、头脑风暴、方案推演、复杂任务自动化、团队协作式知识管理、个人知识库构建、多模型调试与对比。

我最感兴趣的是能不能借助这个画布形式，在一个真正的工作场景中用上Agent，让他自主帮我完成工作且极大提升我的工作效率？

我的 flowith Agent 实战体验

于是我选择了一个真实的工作任务需求来进行测试。这个题目就是在人力资源领域，构建一个印度尼西亚的劳动法规知识库，帮助中国出海企业的HR人员解决出海合规的相关问题。我最通过这个任务去验证agent 模式—— AI 能否不再局限于对话，而是像真正的助理一样“主动把活干到底”？我的这个任务整个过程需要文件收集、资料解析、结构搭建，一层层拆分又层层关联。

任务下达：一句清晰需求，Agent 全面规划

在 flowith 画布中新建 Agent 节点，输入需求：

我需要你帮我做一个知识库，知识库里的内容是关于印度尼西亚劳动法，目的是为了给中国国内要出海的企业的 HR 人员使用，他们可以基于这个知识库进行问答，以便了解企业去印度尼西亚开展业务应该注意哪些人力资源方面的合规要求。 你要充分考虑我的这个需求，如果有什么不理解的可以先跟我讨论，要保证知识库的质量。 补充信息：1.一个结构化的知识库。 知识库库里的认识要按照主题结构化的组织。 2.所有相关的人力资源领域都要覆盖。 3.可以按照通用的来。 4.知识库里的法条需要有引用来源，除了官方法条，还要附加一些专业律师的解读、侧重实际操作层面的指引以及案例分析。常见问题解答也需要有。 5.需要搜索印尼语的权威数据源，翻译成中文给我呈现，同时引用印尼语的原文。

可以看到Neo（Flowith给它的Agent起了一个很酷的名字）在接到任务后， 会自主分解任务：

• 收集权威法规文本

• 查找相关解读

• 下载、解析和归类条款

• 搭建知识网络

左侧是任务规划，右侧是画布呈现的实现步骤

这种自主分解和规划任务才是Agent与workflow的最大区别。 之前扣子等工具上使用的workflow更多的是依靠人的经验告诉AI如何分解任务，适用于一些比较明确的任务场景，且需要投入少一定的工作量来搭建workflow。而Agent的出现，可以让这个过程更多发挥AI的智能，也不需要人更多的参与。

右边自由画布方式展开的交付我觉得是Flowith与其他Agent相比最大的特色。画布能够更有全局视角去呈现任务执行状态和效果，对人与AI协作方式的探索是种创新。 我认为不要小看这种在交互方式上的创新，回看历史，iphone最大的创新不就是改变了人与手机的交互方式，让人通过手滑屏幕实现与手机的交互么。什么是人与AI最好的交互方式呢？我觉得这是今后值得一直跟进观察的点。

多工具联动，灵活解决实际难题

在执行中，Neo 自动调用各种工具插件。最让我惊讶的是，当遇到下载链接失效时，它能自动切换方法、尝试不同工具去解决问题，而且非常有韧性，一直在尝试。这种自带“补救方案”的自动化，远比纯聊天式 AI 高效也让人放心。

在我这个案例中，有一份关键文档需要获取，Neo首先通过后台链接下载的方式尝试获取，失败后转而去寻找更多链接，再次失败后，启用了use_browser的工具，开始模拟人去在浏览器里打开网页并下载，最终完成了文件获取任务。

并且整个流程只需我偶尔授权，所有过程和结果都清晰可追踪。每步产出会在画布中生成节点，方便回溯、复用和组合，一改过去被单线对话“卡脖子”的体验。

最终产出，一键收获知识体系

大约二十分钟后，Neo自动生成了结构化的印尼劳动法知识库，每条材料配有出处和智能摘要，直接可用。他甚至给我生成了一个小网站来呈现整个知识库。

这个案例让我第一次感受到，AI 真正能成为实际生产力，而不仅仅是单纯的聊天机器人。

如何用优质提示词高效沟通 Agent？

实践中我也发现：“给 Agent 怎么下指令”，非常影响结果质量。只是“许愿”式的一句话很难达成预期，多层次、结构化的提示词才让 AI 真正 get 到需求重心。就像前两天吴恩达所说的，最重要的技能是“能精确表达你想让AI做什么”。

这次，我将与 flowith Neo 的全部交流记录，输入到 Gemini 2.5 Pro，让Gemini去评价下这次交流情况，并帮我总结今后与Agent交流应该用什么样的提示词。

Gemini对Neo此次任务的评价

Gemini总结如何与Agent高效交流的提示词如下：

                
//Topic：向Agent高效下达任务
//Author：小查
// Model：Gemini2.5pro
// Version：1.0

1. 任务概览 (Task Overview):
* 我是谁/我的角色（可选）： [简述您在当前任务中的角色或视角，例如：“我是一名需要为公司产品撰写营销文案的市场经理。”]
* 核心任务委派： “我需要你帮我/为我完成的核心任务是：[清晰、简洁地描述任务核心]。”
* Agent 角色设定： “为了最好地完成这个任务，请你扮演一名 [具体、专业的角色，例如：资深行业分析师、经验丰富的法律顾问、创意十足的营销策划师等]。”

2. 目标与背景 (Goal & Context):
* 最终目标： “此任务的最终目的是要实现 [描述期望达成的最终成果和价值，例如：一个能帮助用户快速了解XX的知识库，一份能说服潜在投资者的商业计划书等]。”
* 背景与用途： “这项任务的背景是 [简述相关背景]。最终成果将主要用于 [说明成果的用途]，其主要受众/用户是 [描述目标用户群体]，他们希望通过这个成果解决 [用户痛点或需求] 的问题。”

3. 具体要求 (Specific Requirements):
* 内容覆盖：
* “内容上，必须包含以下关键信息/主题：[列点说明1、2、3...]。”
* “针对每个主题/信息点，我期望的深度是 [例如：概览性介绍、深入分析细节、包含正反两面观点等]。”
* 结构组织： “最终成果的整体结构我设想是 [例如：按照主题模块化组织、标准的报告结构（摘要、引言、正文、结论）、问答形式等]，其中包含 [具体章节或组成部分]。”
* 信息来源（若有偏好）：
* “请优先参考/使用以下类型或具体的信息来源：[例如：官方政府网站、特定行业报告、学术论文、指定数据库等]。”
* “请避免使用以下类型的信息来源：[例如：非官方博客、过时数据、未经证实的论坛讨论等]。”
* 语言与风格： “成果的语言应为 [例如：简体中文、美式英语、中英双语对照]。专业术语的使用应 [例如：准确且附带解释、尽量通俗易懂]。整体的语气和风格应为 [例如：专业严谨、轻松活泼、客观中立]。”

4. 交付成果 (Deliverables):
* 最终产出物： “我最终需要得到的是一个 [例如：Word文档、PDF报告、可在线访问的网页、演示文稿PPT、结构化数据集CSV文件、可执行的代码包等]。”
* 格式细则（若有）： “关于格式，请确保 [例如：文档包含页眉页脚和目录、图表清晰且有编号、代码注释清晰等]。”

5. 约束与边界 (Constraints & Boundaries):
* 范围界定： “请注意，以下内容明确不需要在本任务中涉及或包含：[列出排除项]。”
* 关键提醒： “在执行过程中，请特别注意 [例如：数据的时效性、引用的准确性、避免版权问题、保护隐私信息等]。”
* 禁止事项（若有）： “请不要采取 [某些具体行动或方法，例如：直接抓取整个网站而不做筛选、使用付费工具（如果有限制）等]。”

6. 协作与流程 (Collaboration & Process):
* 计划先行与确认： “在正式开始大规模执行前，我希望你能首先制定一个详细的行动计划或大纲，其中应包含主要步骤和预期的时间节点（如果适用）。请将此计划提交给我确认。”
* 主动沟通与提问： “如果在任务执行过程中，你遇到任何不明确之处、需要我做出决策，或者认为初步计划需要调整，请随时向我提问和沟通。”
* （可选）中期检查点： “我希望在 [某个关键阶段完成时/大约X天后] 得到一个简要的进展更新或初步成果，以便我们能及时调整。”

7. 成功标准 (Success Criteria):
* 衡量标准： “我将主要从以下几个方面来评估任务的完成质量：
* 1. 准确性：[例如：所有数据和信息均有据可查且无误]
* 2. 完整性：[例如：覆盖了所有要求的主题和信息点]
* 3. 实用性/可用性：[例如：最终用户能够轻松理解和使用成果]
* 4. 时效性（若适用）：[例如：信息更新至最新状态]
* 5. 符合特定要求：[例如：完全按照要求的格式和结构呈现]
* [其他您认为重要的标准]”
          

高效的提示词不是越啰嗦越好，而是要足够具体与结构化！主动“校对”、及时反馈，能极大放大 Agent 的实际作用。

不足与改进空间：画布交互的学习成本

当然，flowith 作为新一代 AI 协作工具，在体验细节上还有提升空间——

• 画布虽然直观，但操作有一定学习曲线。刚开始我不太清楚什么时候该用分支，多个分支怎样才能合并回主线（后来看到网友的方法，要通过使用自由节点来引用内容）。

• 节点管理还需优化。打开多个节点缩放浏览后，常常找不到刚才聚焦的页面，快速找到某节点也不够直观、便捷。

• 信息量大时容易失控。期待后续有更智能的“节点定位”“一键引用”等功能，进一步降门槛提效率。

这些都不会影响 flowith 的“核心生产力”，但确实是新用户上手和深度使用过程中会碰到的实际问题——希望产品团队持续关注，能够在今后版本中继续提升用户使用体验。

总结：AI 协作工具的“下一站”

flowith 用创新的画布交互、多模型协作和智能 agent，让 AI 真正渗透到内容创作、知识管理的全流程。它跳出了线性对话的局限，用自主、自动的多线程处理，让复杂任务一气呵成。

实际案例见证了 Agent 的全自动执行和强大补救能力，也让我更直观认识到“提示词结构化”的重要性。对于渴望用 AI 辅助生产与创新的知识工作者、内容创作者来说，这不仅是一个工具，更是未来工作的新范式。

希望每一个对AI充满热情的朋友都能带着自己的需求去尝试，期待你们更多有用、有趣的玩法！

彩蛋

这篇文章也是我跟Neo一起写出来的，我发现这个画布节点的方式真的超级方便，可以同时去完善正文内容、修改题目和绘制封面，互不干扰，用起来很爽。