用 AI 一天搭出内部工具:完整工作流拆解

运营提了个需求，开发排期两周——我用 AI 一天交付了

开头：内部工具的尴尬处境

运营每天要手工处理一批产品图：压缩到指定尺寸、按规则重命名、按类目归档，一次半小时。

提需求给开发，反馈是排期两周。

我用 AI 一天搭了个自助工具，运营自己两分钟搞定，我腾出了两周排期。

这篇把完整工作流拆给你，含踩过的坑。

场景

运营需求原话：“帮我弄个能批量处理图片的东西。”

翻译成要做的事：把一批产品图批量压缩、按规则重命名、按类目归档。

工作流七步

第一步：先让 AI 把模糊需求拆成清单

我给 AI 的 prompt：

把下面这句模糊需求拆成可执行的功能清单，包含输入输出、异常处理和验收标准：“帮我弄个能批量处理图片的东西”

它输出：支持批量上传或选择文件夹；压缩到指定宽高或体积上限；按“类目_编号_序号”重命名；按类目建文件夹归档；失败文件单独列出不中断；处理完给摘要。

这一步别省：需求不拆清，AI 后面一定跑偏。

第二步：技术选型让 AI 给方案，你来拍板

AI 给了三套：纯 Python 脚本 / Python + Flask Web / Electron 桌面。

我选 Python + Flask：运营不用装环境，浏览器打开就能用；技术栈我熟，好维护。

原则：选你 hold 得住的，不是选最炫的。

第三步：生成项目骨架

让 AI 直接出目录结构和依赖：

用 Python + Flask 搭一个图片批量处理工具，给出目录结构、依赖清单、启动命令。

它给了 app.py / processors/ / static/ / requirements.txt。照着建，5 分钟。

第四步：核心逻辑逐块实现，边写边测

先实现压缩（Pillow），再重命名规则，再归档。

关键是一次只让它做一件事，每步本地测通再进下一步。

踩坑：它默认按最长边缩放，我要的是“体积上限优先”，改了一版才对。

第五步：让它顺手写个能用的 UI

不需要好看，要能用：拖拽上传区 + 参数输入框 + 进度条 + 结果摘要。

prompt 里明确写：“优先可用性，不要动画和复杂样式。”

10 分钟出一个能跑的页面。

第六步：调试踩坑（这段最值钱）

Windows 路径分隔符：它写死了 /，运营机器是 Windows，改成 os.path.join。

中文文件名编码：部分素材名带中文，压缩后乱码，显式指定 utf-8。

大批量内存：一次读 500 张直接爆内存，改成流式分批处理。

失败静默：最初失败文件被跳过且无提示，改成失败列表显式输出。

这四个坑占了整个工时的三分之一，而且都是 AI 不会主动替你想的边界。

第七步：内网部署交付

Flask 起在内网一台机器，用 waitress 替代自带 server（更稳），配置开机自启。

给运营一个内网地址 + 一页使用说明。

全程 8 小时：需求沟通和验收占 2 小时，写代码只有 3 小时。

结果

• 原来单次处理 30 分钟 → 现在 2 分钟
• 运营自助，不再排队等开发
• 我腾出两周排期

哪些环节 AI 替不了你

需求确认：得跟真人聊清楚“什么算处理成功”。

安全边界：内网工具也要限制上传大小和文件类型，别让它生成能执行任意代码的东西。

验收：AI 说完成不等于能用，必须自己跑一遍真实素材。

你来做

这套工作流你可以直接套。

留言告诉我：你手上最想用 AI 自动化的重复性工作是什么？ 我挑一个写成下期工作流。