ARTICLE · 1271146
社区工作AI怎么用?这些场景可以试一试
写通知、做台账、回工单社区工作者的 AI 实操手册
一场 AI 讲座之后，我们收到了七张写满困惑的小纸条。这篇把它们的答案整理成了能照着做的步骤和可以复制的提示词。
前阵子在一场"AI 数智赋能"的培训现场，我们向到场的社区工作者提了两个问题：你最希望 AI 帮你做什么？以及你还有什么想不通的地方？
收上来的答案很朴素，实实在在都是想解决实际的问题：
"写各种总结、上传各种文件、居民信息表……""100 名志愿者从 7 月到 10 月，怎么高效地按项目分类汇总？""修改润色案例、新闻稿、工作报告。""想积攒自己的知识库来训练智能体，具体怎么做呢？""可以更具体到案例会更好。"
最后这句是全场最实在的一条建议。所以这篇文章不做科普，不谈趋势，只做一件事——按任务类型逐个拆解，每一类都给出能马上照着做的步骤，以及可以直接复制使用的提示词。
需要说明的是：下面提到的工具都是公开可用的常规 AI 产品，社区同事用它们处理日常事务完全合适。真正需要留意的是一套分工逻辑——哪件事该用哪把工具，比工具本身更重要。
00三把钥匙：谁干什么最划算
在讲具体任务之前，先建立一个粗略的判断框架。
三者不是竞争关系，而是分工关系。
| 通用大模型 | ||
| 知识库工具 | ||
| 自动化工作台 |
一句话记住它：写东西找通用大模型，攒家底找知识库，干重活找工作台。
通用大模型每次对话都是"新的一天"，你想让它记住社区的流程，就得每次重新粘贴一遍；它也无法直接操作你电脑里的文件、把活干完交付给你。这两件事，恰好是后两者的强项。
01文档撰写类：通知、总结、新闻稿
现场反馈里比例最高的一类。通知、各种总结、会议纪要、案例和新闻稿润色，几乎是每条都在写。
这类任务的核心不是"AI 会不会写"，而是你怎么把要求说清楚。同样的需求，一句话提问和一段结构化的提示词，产出的东西差得很远。
技巧一：给 AI 一个身份，再给一个框架
直接说"帮我写个重阳节活动通知"，AI 会给你一篇能用的通稿。但如果你先给它身份、再限定结构、再规定字数和语气，出来的东西基本改两处就能发出去。
一个好用的万能句式是：你是谁 + 做什么事 + 按什么结构 + 有什么硬要求 + 给个例子（可选）。
场景 1.1 ｜ 写一份活动通知
- 给范本：
把以前写得最好的一份通知粘贴进去，加一句"请参照这个风格写"，风格一致性会明显提升。 - 让它反问：
开头加一句"如果信息不完整，请先向我提问"，AI 会先列出还缺什么，避免它凭空编造时间地点。这一条对公文尤其重要。 - 一次给几版：
末尾加"请提供正式版和亲切版两个版本"，一个偏规范一个偏口语，群里发和公告栏贴可以用不同版本。
场景 1.2 ｜ 把零散记录整理成会议总结
现场好几位同事提到"写各种总结"。这类任务的痛点是：手上有零散的原始记录，但要整理成规范的书面材料。这恰恰是 AI 最擅长的转换工作。
场景 1.3 ｜ 润色新闻稿、案例和工作报告
"修改润色"这个需求有个陷阱：如果你只说"帮我润色一下"，AI 通常会把文章改得更漂亮，但也可能顺手改掉你的真实数据。所以润色提示词的关键动作是——明确划出不许动的区域，并要求它先说明改了什么。
这一步是给你自己留的一道人工复核关口。你看修改说明比通读全文快得多，也能立刻发现它是不是偷偷改了数据。对外发布的材料，这道关口不能省。
02表格与数据类：报表、台账、重复劳动
这一类最能体现"工具分工"的价值：一次性的活和重复性的活，解法完全不同。
先分清：这事你下次还要做吗？
这是选型的第一步。判断标准极其简单：
- 就这一次
（临时要个数据、年底出一张表）→ 用通用大模型上传文件直接问，最省事。 - 每周每月都要来一遍
（志愿者月度汇总、周报表）→ 用自动化工作台，一次配好之后重复执行。
场景 2.1 ｜ 一次性分析：上传表格直接问
操作只有两步：把表格拖进对话框，然后用自然语言说你要什么。不用写公式，不用做透视表。
AI 遇到混乱的填报数据，默认行为是"聪明地"帮你归类——而它猜错的那些，会安静地消失在你的统计里。强制它先列清单确认，是防止数据被静默篡改的最简单办法。
场景 2.2 ｜ 重复劳动：交给自动化工作台
当一件事每月都要做一遍时，你要的不再是"帮我算一下"，而是"帮我把这个活干完并把文件给我"。自动化工作台的价值就在这里：它不只是回答问题，它真的去动那个文件。
下面这份提示词直接对应现场那位同事的 100 人台账问题：
第一次跑通之后，把提示词原样保存下来。下个月新台账来了，只换文件、不换指令，一遍跑完。原本需要一整天的活，压到一两个动作。
场景 2.3 ｜ 居民信息表怎么管
现场还有同事提到"居民信息表"。这里要特别说清楚一件事：居民信息台账不建议直接完整上传到公网 AI。
可行的做法是"脱敏之后再处理"：删掉身份证号、手机号、详细住址这些字段，或者替换成编号；让 AI 处理结构和格式问题（合并重复项、规范字段名、生成统计口径），敏感内容留在本地。文末我们专门列了安全红线。
03专项业务类
有明确规则、有固定流程的业务。AI 在这里的价值不是代你做决定，而是帮你把规则吃透、把草稿起好。
场景 ｜ 批量上传与文件整理
"整理文件"这类重复动作，如果是零散几个，手工做了就是；如果是几十上百个，交给WorkBuddy做批量处理。
注意那个"每一步之前先向我确认"。操作本地文件是不可逆的，不要让它一次性跑到底。
04学习方法类：怎么攒知识库、怎么训智能体
现场最有价值的一句追问："积攒自己的知识库以更好地训练智能体，具体怎么做？"
这是一个指向"长期能力"而不是"临时省力"的问题。答案很明确：知识库这件事，专用知识库工具远强于通用大模型。
原因很简单——通用大模型每次对话都从零开始，你今天教它的社区流程，明天它全忘了，你得重新粘贴一遍。而知识库产品是把你的资料存起来持续可用的。
从零搭一个社区知识库，分四步
- 先收文件，别贪全。
把最常用的 10 份先放进去：上级下发的政策文件、本社区的办事指南、标准流程 SOP、写得好的历史材料和通知模板。够用就先跑起来。 - 按业务线分文件夹。
常见的分法是：政策法规、办事指南、内部流程、典型案例、文书模板。分类不用纠结，先分出来再说。 - 先问一个问题试试。
不要等"建完"，传完第一批文件就可以开始用了。从最简单的查询开始。 - 用完就归档。
一份材料用过、确认有效，就顺手传进知识库。三个月后你会发现，它已经比任何人都记得清楚。
政策问答最怕的就是 AI 用看似合理的语气给出一个并不存在的条款。强制它"没有就说没有、有就给原文"，这条底线要在提示词里写死。
还有一种用法：把长政策转成居民看得懂的话
知识库负责"你问它有答"，通用大模型适合"把文件翻成人话"。
05一张表：拿到任务先查这里
三者还能串着用
成熟的做法不是只用某一个，而是把活拆开分给它们：
- 第一步（知识库）：
把社区的制度、口径、模板存成知识库，作为唯一的事实来源。 - 第二步（通用大模型）：
把知识库里查到的口径，作为上下文喂给大模型起草文稿。 - 第三步（自动化工作台）：
模板定稿后，用它批量套用、批量处理表格、产出最终文件。
这样既解决了"AI 会编数据"的问题（因为有知识库约束），也解决了"重复劳动"的问题（因为有自动化）。
06五条安全红线
这部分比前面所有技巧都重要。
- 敏感信息先脱敏再上传。
居民身份证号、手机号、详细住址、家庭关系、低保与健康状况等信息，上传公网 AI 前必须删除或替换为编号。 - 内部未公开材料不上公网。
涉密文件、内部通报、未定稿的处置意见、尚未公开的统计数据，只用本地工具处理。 - 对外发布必须人工复核。
AI 会把数字、人名、时间改错，而且改得毫无痕迹。所有对外材料，签发人是负责的。 - AI 输出永远是草稿。
责任人是"我"、时限是"我填"、是否属实只有"我"知道。工艺可以用，责任不能外包。 - 重要数据留本地台账。
AI 处理完的结果及时落表归档，不要只存在某个对话框里——聊天记录会丢，台账不会。
写在最后：从"用过 AI"到"用惯 AI"
回到那七张纸条。它们共同的特点是——没有人问"AI 是什么"，所有人都在问"我的这件活能不能少费点劲"。这说明大家其实已经想明白了，缺的只是一个具体的抓手。
如果要给三条最朴素的建议，会是这样：
- 先挑一件最烦的事，连做两周。
不要贪多。把它做成固定流程之后，你会发现第二件第三件事的门道是相通的。 - 攒一本自己的提示词本。
这篇里的模板改改就能用；跑通一次的，存下来。半年之后，这就是你个人的工作经验库。 - 尽早开始攒知识库。
哪怕今天只往里放十份文件。它是这三件事里唯一会随时间增值的——今年存进去的政策，明年还在。
所有模板都可以直接复制使用。【】标注的部分替换成你自己的实际信息；（）里的内容是操作提示，使用时删掉。建议先小样本试跑一次，确认结果符合预期再上真实材料。
