夜雨聆风读完这一篇，你会从「会提问」走到「会搭生产线」
上一篇讲清楚了「科研该用哪个模型」。但很多人用了半年还停在「一问一答」。真正拉开差距的，是从大模型 → 智能体 → 工作流这三步跃迁。这篇一次讲透。
关键词：大模型｜智能体 Agent｜工作流 Workflow｜WorkBuddy｜科研效率｜医学写作
01 为什么你用 AI「感觉没提效」？
一个很常见的场景：写综述时打开对话框，问一句、复制一段、再问一句，来回几十轮，最后文稿散落在聊天记录里，图表在桌面，参考文献在另一个文档。
问题不在模型不够强，而在用法层级太低。
· 只把 AI 当「会说话的搜索框」 → 你得到的是答案；
· 把 AI 当「能动手的助手」 → 你得到的是成果文件；
· 把重复动作固化成流程 → 你得到的是可复用的生产线。
这三层，正好对应大模型、智能体、工作流。
02 三个概念，一句话讲明白
| 大模型 LLM | |||
| 智能体 Agent | |||
| 工作流 Workflow |
什么是智能体？
宽泛地说，凡是使用 AI 能力、能帮你完成某一类特定任务的软件程序，都可以叫智能体——豆包、DeepSeek、元宝能答问题写文章，秘塔把 AI 和搜索结合起来帮你检索信息，本质都属于这一类。
更进一步的形态是桌面端智能体，比如Codex、 WorkBuddy 、Open Claw等这类工具。它们与普通聊天式 AI 最大的区别，不是更会聊天，而是能在一个具体的工作空间里读文件、改文件、生成文件、运行任务，最后把结果落到你的电脑里。也就是说，你交给它的事情最终都会落到文件的新增、修改、查找、删除和整理上——你的项目不是长在聊天记录里，而是长在一个文件夹里。
所以可以记住一个朴素的判断标准：
能「说」的是大模型；能「做」的是智能体；能「反复稳定地做」的是工作流。
什么是工作流？
工作流就是把一件事拆成固定的几步，明确每一步的输入、输出和检查点，让它可以被重复执行。比如「文献筛查 → 提取要素 → 生成证据表 → 起草结果段 → 人工核对」，这就是一条科研工作流。智能体的价值，恰恰在于帮你把重复的步骤打磨成工作流。
03 智能体到底长什么样？（以 WorkBuddy 为例）
第一次打开这类客户端，界面大致分几块，理解了就不会懵：
1）左侧：项目文件夹 = 工作空间
每个项目文件夹就是一个独立工作空间。写公众号建一个「内容项目」，做网页单独一个文件夹，不同任务不混在一起。新建时可以选空白项目，也可以直接使用已有文件夹——这一步决定了它接下来在哪里干活。
科研场景建议： Meta分析-XX主题/、SCI综述-XX/、科室数据分析/各建一个。
2）中间：对话工作区
派任务、描述你想要的结果都在这里。同一个项目里可以开多个对话，一个专门写正文，一个专门整理图表素材，这样上下文不互相干扰，自己看也清晰。
3）右侧：结果预览区
它修改文件、生成文档、产出结果的过程和样子，可以在这里直接预览。
4）权限：新手最该关注的一栏
一般有三档：
· 请求批准：执行操作前停下来问你；
· 替我审批：普通操作自己做，遇到风险操作再确认；
· 完全访问权限：全权交给它，但难免有误删文件的风险。
⚠️ 建议新手选前两种。尤其涉及医院数据、患者信息的文件夹，务必最保守设置。
5）模型与用量
通常可调推理档次、模型、生成速度三项：推理档次越高思考越久，日常事务可选高档；速度用标准即可，越快消耗 token 越多；模型直接选当前最强的即可。额度可在设置里查看剩余用量，并可打开「显示上下文窗口使用情况」来监控当前对话的上下文占用。
不写代码也完全没问题——WorkBuddy 有三种模式可切换：Craft（你说我做，直接给结果）、Plan（先出方案、确认后再动手）、Ask（只聊不动手）。还有 100+ 领域专家可以随时拉进来，医学、统计、写作各司其职。
04 落到实际：四条可直接抄的科研工作流
📚 流程一：SCI 综述从 0 到初稿
1. 建工作空间：新建 综述-主题名/，下设 01_文献PDF、02_提取表、03_草稿、04_图表。
2. 喂料：把检索到的 PDF 全部放入 01_文献PDF。
3. 派任务（一句话讲清边界）：
「读取 01_文献PDF 内所有文献，按[研究类型/人群/干预/主要结局/效应量/局限]提取成表格，输出到 02_提取表/evidence.csv，不确定的字段留空并标注。」
4. 搭骨架：让它基于证据表生成大纲，你手动改结构（这一步别外包）。
5. 分段成稿：一个小节一次任务，写完立即读一遍。
6. 人工质控：作者、期刊、年份、DOI 逐条核对。
⚠️ 参考文献是幻觉高发区，这条铁律和第一篇一样：AI 给的文献一律不可直接引用。
🔢 流程二：Meta 分析 / 数据分析
1. 原始数据放入项目文件夹，先脱敏再放。
2. 让智能体写 R/Python 脚本（而不是让它「口算结果」）——脚本可复核、可复现，这是关键差别。
3. 要求它把脚本、日志、输出图表分别落盘，形成可追溯目录。
4. 关键统计假设、模型选择由你决定，AI 只做实现与检查。
🔍 流程三：文献筛查（标题摘要初筛）
1. 导出检索结果为 CSV。
2. 给出明确的纳入/排除标准（写成清单，越具体越好）。
3. 让它逐条判定并必须给出判定理由，输出为三列：纳入/排除/待定。
4. 「待定」与「排除」由人复核，AI 只负责减少工作量，不负责拍板。
✍️ 流程四：科普与推文生产线
固定四步：选题库 → 证据核查 → 结构化成稿 → 排版检查。
把你的写作偏好（语气、段落长度、禁用词、免责声明模板）写成一个 写作规范.md 放进项目根目录，每次让它先读规范再动笔——这是工作流最省力的一招。
05 避坑清单（比技巧更重要）
1. 权限先收紧：不给「完全访问」，尤其是含临床数据的目录。
2. 一个对话只干一件事：避免上下文污染。
3. 成果落文件，不落聊天：项目长在文件夹里，才谈得上复用。
4. 数据合规是红线：患者身份信息、未公开的院内数据，不上传公有云模型；按本单位制度执行。
5. AI 的产出一律视为「草稿」：临床结论、统计推断、参考文献，三处必须人工把关。
6. 别一次给太大任务：任务越大越容易跑偏，拆到「一步一交付」最稳。
06 一张图记住升级路径
第 1 层：会提问（大模型）第 2 层：会派活（智能体：给工作空间、给权限、给验收标准）第 3 层：会建线（工作流：固定步骤 + 质控点 + 可复用模板）第 4 层：会进阶（技能、自动化任务、连接器、多模态生成等）
大多数人卡在第 1 层，而科研效率的真实增量，发生在第 2 到第 3 层。
写在最后
大模型是「能力」，智能体是「手脚」，工作流是「制度」。三者缺一，AI 就只是个聊天窗口。
先从最小一步开始：今天就在电脑上建一个项目文件夹，把手里那篇正在写的综述放进去，交给它做第一件事——提取一张证据表。
👉 下一期我们打算拆解《AI智能体大比拼：常见智能体测评及使用流程》想看的朋友，记得点个赞👍、推荐❤️，加个关注，不迷路！
声明1. 本文仅用于医学科普与学术交流，不构成任何形式的诊断或治疗建议，亦不能替代专业医疗服务。2. 文中提及的 AI 模型及产品，仅为功能体验和使用场景介绍，不构成商业推广或价值判断。3. 文中观点仅代表作者个人，不代表所在机构立场。实际使用中请结合所在单位相关制度、数据合规与隐私保护要求，谨慎选择和配置工具。
微讯：kill bill
审核：kill bill