Claude Cowork 用不了沒關系，學會這套Agent工作流思路就夠了

大家好，我是 Ai 學習的老章

剛重看 Anthropic 官網一篇案例文章，講他們自己內部的營銷運營團隊怎么用 Claude Cowork 把繁重的重復性工作自動化了。兩個人，一個把每周一兩天的報告工作壓縮到兩小時，另一個把整套活動搭建流水線交給 Agent 自動跑

Claude Cowork 咱們確實用不了 —— 但這篇案例的價值不在產品本身。它展示了一套非常成熟且可復制的 Agent 工作流設計范式。這套思路用 Codex、Claude Code、Dify、n8n 或者任何 Agent 框架都能實現

痛點一：每周營銷數據周報

Anthropic 營銷運營的 Ian 每周要給領導層出一份營銷指標周報

理想情況下所有數據都在 Dashboard 里一鍵導出

但現實永遠不是理想情況

• 有些指標確實在 Dashboard 里

• 有些還在數據倉庫里，還沒人寫 query 搬出來

• 有些存在于某個同事上周發的 Slack 消息里

• 新指標可能只存在于某次會議的錄音轉寫里

• 業務變化太快，數據源每周都在變

結果就是 ——每周花一到兩天時間滿世界找數據、核對數據、手動拼報告

如果你做過任何形式的"匯總報告"類工作，這個痛點應該非常能共鳴。本質是：數據散落在十幾個系統里，沒有人力去做實時整合

解決方案：定時任務 + Skill 編排 + 數字溯源

Ian 搭建的自動化系統核心架構是這樣的：

周日晚上（定時任務自動運行）：

1. Claude 讀取上周的周報（了解上次寫了什么）

2. 讀取最新的會議記錄（了解本周重點方向）

3. 查 Slack 頻道（了解銷售團隊在關注什么）

4. 查詢數據倉庫（拉具體數字）

5. 把所有信息整合成一個文件夾，包含數字 + 建議關注點

周一早上 Ian 上班：

1. 打開 Claude Cowork，拉取初稿（指標表格 + 建議 Headlines）

2. 快速瀏覽，確認或調整本周敘事方向

3. 告訴 Claude "展開這幾個方向"，Claude 補充支撐細節和例子

4. Claude 自動生成領導層演示 Slide

5. 后續跟進事項自動變成 Asana 任務

整個流程從"一到兩天"變成了"兩小時以內"，而且 Ian 的時間從"找數據"變成了"審核數據 + 決定敘事方向"

三個關鍵 Skill：

Skill 名稱

功能

核心價值

Prep Skill

驅動報告組裝：確定焦點、寫標題、展開細節

把報告的"骨架"搭好

Proofreading Skill

每一個數字都必須追溯到可驗證的數據來源

解決"AI 編數字"的信任問題

Action-items Skill

把報告中的后續跟進轉成 Asana 任務

讓報告產生行動，不是寫完就完

最讓我印象深刻的細節：當數字對不上時 Claude 會主動標記差異，而不是瞎猜一個數填上去。比如銷售團隊重組后導致報告口徑不一致，Claude 直接說"這里有 gap，你要怎么處理？"

這就是 Proofreading Skill 的威力 —— 讓 Agent 學會說"我不確定"比讓它學會寫報告更重要

痛點二：營銷活動搭建流水線

第二個場景更復雜

Annabel 負責為每個營銷活動搭建技術基礎設施

每一個活動（線上研討會、線下會議、郵件 campaign）都需要：

• Salesforce 建 campaign

• HubSpot 配郵件序列和自動化工作流

• Swoogo 做注冊頁和活動落地頁

• 各平臺之間的數據集成打通

• 確認郵件、提醒郵件配置

• 測試驗證整個流程

每次都是同樣的流程，每次都要手動點幾十個按鈕。更要命的是 —— 這些平臺之間的集成從來就不是"開箱即用"的，總有各種奇怪的邊界情況

解決方案：調度器 + 專家 Skill + 獨立審計

Annabel 搭建的系統要復雜得多，是個多層架構：

用這張圖來理解整體工作流：

Agent 工作流架構：調度器+專家Skill

第一層：Dispatcher Skill（調度器）

• 每小時自動輪詢 Slack 請求頻道

• 讀取新請求，判斷類型和優先級

• 給請求蓋時間戳（防止重復處理）

• 把任務分派給對應的專家 Skill

關鍵設計：Dispatcher 本身不做任何具體工作，只做路由和調度。這樣每個專家 Skill 可以獨立迭代升級，不影響其他部分

第二層：五個專家 Skill

Skill

職責

復雜度

Event-Build

端到端活動搭建：CRM → 自動化 → 活動平臺 → 郵件 → 落地頁 → 集成

最高

Webinar-Landing-Page

專做 Webinar 落地頁生成

Apply-to-Attend

處理注冊流程中的臨時變更

Approval-Support

處理活動審批流程，定時發提醒郵件

Data-Import

清洗參會者列表，處理數據導入

第三層：Audit Agent（審計代理）

這是整套系統最精妙的設計 ——

Audit Agent 是一個全新的 Claude 實例，啟動時零上下文，不知道之前發生了什么。它的工作是：

1. 拿到一個活動的 URL

2. 像真實用戶一樣提交注冊

3. 去 Gmail 里打開確認郵件

4. 驗證所有流程是否正常

5. 正常 → 標記 Asana 任務完成

6. 異常 → 報錯給 Annabel

為什么要用獨立實例？因為如果用同一個 Agent，它可能會"記住"自己剛剛搭建的過程而跳過驗證步驟。零上下文確保了審計的客觀性

第四層：Manager Agent（經理代理）

Annabel 還搞了一個獨立的"經理" Agent。當某個 Skill 跑出問題時，她不是自己去查 log —— 而是打開 Manager Agent 問它"看看剛才那個活動搭建哪里出了問題"，讓它分析并建議修改

最核心的方法論：Skill 的持續進化

整篇案例最有價值的不是具體的技術方案，而是他們運營 Skill 的方式：

1. 每次 session 結束時的"反思"環節Ian 每周周報做完后，會問 Claude："這次過程中有什么值得記錄進 Skill 的？"

• 銷售團隊重組了？→ 記進 Skill

• 發現一個新的數據源？→ 記進 Skill

• 某個標題的寫法被領導表揚了？→ 記進 Skill

2. 讓 Agent 說出"哪里難"新流程第一次跑完后，Annabel 會問 Claude："你覺得我給的指令哪里不好理解？"然后把 Claude 的反饋直接寫回 Skill

這個思路太妙了 —— AI 讀指令的方式和人寫指令的方式是不一樣的。讓 AI 自己說出理解困難的地方，再反哺優化指令，形成正向循環

3. 重復糾正 = 該寫 Skill 了如果你發現自己在糾正 Agent 同一個錯誤第三次，就該把糾正內容固化成 Skill 指令

國內怎么復現這套方案

Cowork 能力

國內替代方案

具體工具

Scheduled Tasks（定時任務）

cron + Agent API

Codex 任務 / cc-connect cron / n8n 定時觸發

Skills（Skill 指令）

Markdown 指令文件

Claude Code Skills / AGENTS.md / Dify 提示詞模板

Connectors（平臺連接器）

MCP Server / API 封裝

自己寫 MCP 或用現成的連接器

Multi-Agent 調度

Agent 編排框架

CrewAI / AutoGen / 自定義調度腳本

Audit Agent（審計實例）

新 session 零上下文

Codex 新任務 / Claude Code 新 session

場景1 復現建議（周報自動化）：

定時任務 → 觸發腳本
  → MCP/API 拉數據（飛書文檔/數據庫/企微消息）
  → Agent 按 Skill 模板組裝報告初稿
  → Proofreading Skill 做數字溯源
  → 人工審核確認方向
  → Agent 展開細節 + 生成 Slide
  → Action-items 轉待辦

場景2 復現建議（活動/任務流水線）：

Dispatcher Agent（定時輪詢任務隊列）
  → 路由到對應專家 Agent
  → 專家 Agent 執行跨平臺操作
  → 獨立 Audit Agent 驗證（新 session）
  → 人工最終確認

原文給的四條建議，每一條都是從實戰中提煉出來的：

1. 重復糾正兩次以上 → 寫進 Skill不需要你自己寫 —— 告訴 Agent "把我剛才的糾正整理成 Skill 指令"，它能自己寫

2. 先搞 Proofreading Skill這是建立信任的第一步。如果 Agent 輸出的數字沒有來源追溯，你就永遠不敢放心交給它

3. 讓 Agent 反思"哪里難"AI 理解指令的方式跟人不一樣。第一次跑完問它哪里理解困難，比你自己改十遍 prompt 有效得多

4. 善用定時任務能每周日自動跑的事就不要讓人記著去做。人會忘，cron 不會

Claude Cowork 國內無法直接使用

但這篇案例真正有價值的東西 —— 定時觸發 + Skill 體系 + 調度分發 + 獨立審計 + 持續反思進化 —— 這一整套方法論是工具無關的

核心思想就一句話：把重復性工作拆解成 Agent 能跑的環節，把驗證環節獨立出來保證質量，把每次糾正都回寫成 Skill 讓系統越來越聰明

花兩天做手工活，還是花兩小時審核 Agent 的輸出 —— 只要你把第一版 Skill 搭起來，后面就是滾雪球