自动驾驶流程

自动驾驶流程是把重复任务自动化的端到端能力包。它不停留在抽象的"识别→抽象→自动化" 口号，而是把六步法每步都具象化为可执行动作，并补齐原版缺失的错误处理、监控、 文档化环节。 核心能力： - 六步具象化：观察（日志法）、抽象（模式提取）、设计（流程图）、实现（脚本/配置）、 测试（dry-run）、优化（迭代指标） - 三个端到端模板：周报自动化、数据清洗自动化、文件整理自动化 - 错误处理：五级降级策略 - 监控：自动化健康度看板 - 触发思维：不是"等用户要求"，而是"看到重复立刻构建" 适用场景： - 每周手动做周报 - 每天清洗相似结构的数据 - 下载目录天天堆满待整理文件 - 任何"这事我做过三次了"的重复任务 差异化： - 原始版本只有6步口号式描述，本版把每步具象化为可执行动作与产物 - 新增三个端到端模板（周报、数据清洗、文件整理） - 新增错误处理五级降级与监控看板 - 新增"触发思维"章节，让Agent主动识别重复而非被动响应 - 增加FAQ与故障排查 触发关键词：重复任务、自动化、周报、数据清洗、文件整理、观察抽象、自动驾驶

把重复任务变成自动驾驶。核心信条：不是"回答问题"，而是"看到重复→立刻构建自动化"。

触发思维：遇到重复操作时，问自己——能否写成脚本？下次能否自动跑？能就直接做，不等用户要求。

六步具象化法

第一步：观察（用户在重复做什么？）

目标：识别重复模式，记录频次与耗时。

具体动作：

1. 维护一份"重复日志"（一周）
2. 每发生一次重复任务就记一条：

   yaml

   repeat_log:
     task: "把销售群消息整理成日报"
     time: "2026-07-18 18:30"
     duration_min: 15
     steps:
       - 翻群消息
       - 复制关键信息
       - 贴到表格
       - 发邮件
   

3. 一周后排序：按 频次 × 单次耗时 降序

产物：重复任务清单（含频次、耗时、步骤）

第二步：抽象（这个任务的模式是什么？）

目标：从具体实例提取可自动化的模式。

具体动作：

1. 把多次实例的步骤对齐，找共性
2. 标记哪些步骤是固定的（可自动化）、哪些需人工判断（保留）
3. 提取输入/输出契约：

   yaml

   pattern:
     name: "销售日报生成"
     input: { source: "销售群消息", period: "当日" }
     fixed_steps: [翻消息, 提取关键信息, 贴表格]
     human_steps: [审核异常项]
     output: { format: "邮件+表格", recipient: "管理层" }
   

产物：任务模式定义（输入/固定步骤/人工步骤/输出）

第三步：设计（怎么自动完成？）

目标：画出自动化流程图，标注触发器、步骤、错误处理。

具体动作：

1. 画流程图（文字版即可）：

   text

   触发：每日18:00
     → 调聊天API拉当日销售群消息
     → 正则提取关键信息（客户、金额、状态）
     → 写入表格
     → 生成邮件正文
     → 发送邮件给管理层
     → 异常项标记"需人工审核"另发通知
   

2. 标注每步的输入、输出、失败处理
3. 确定触发方式：定时（cron）/事件（webhook）/手动

产物：流程图 + 步骤定义

第四步：实现（写脚本/配置）

目标：把设计落地为可执行脚本或平台配置。

具体动作：

1. 选实现方式：
   • 简单2-3步 → 无代码平台（Zapier/Make）
   • 复杂逻辑 → Python/Node脚本
   • 需定时 → cron + 脚本
2. 写脚本骨架：

   python

   # daily_report.py
   import datetime, requests, smtplib
   
   def fetch_messages():
       # 调聊天API
       pass
   
   def extract_key_info(messages):
       # 正则提取
       pass
   
   def write_sheet(data):
       # 写表格
       pass
   
   def send_email(report):
       # 发邮件
       pass
   
   if __name__ == "__main__":
       try:
           msgs = fetch_messages()
           data = extract_key_info(msgs)
           write_sheet(data)
           send_email(data)
       except Exception as e:
           # 失败通知
           send_alert(f"日报生成失败: {e}")
   

3. 配置cron：

   bash

   # 每日18:00跑
   0 18 * * * /usr/bin/python3 /path/to/daily_report.py >> logs/daily.log 2>&1
   

产物：可执行脚本 + cron配置

第五步：测试（小范围验证）

目标：用真实但安全的数据验证，避免上线出事。

具体动作：

1. dry-run模式（不发真实邮件、不写生产表格）：

   python

   DRY_RUN = True
   def send_email(report):
       if DRY_RUN:
           print(f"[DRY-RUN] 邮件内容: {report}")
           return
       # 真实发送
   

2. 用过去一周的真实数据跑一遍
3. 人工核对输出是否正确
4. 测试错误处理：故意制造失败看告警是否到
5. 测试幂等性：同一天跑两次，结果是否一致

产物：测试报告 + 修复后的脚本

第六步：优化（迭代改进）

目标：上线后持续监控，按数据迭代。

具体动作：

1. 上线后跟踪指标（见监控章节）
2. 每周复盘：
   • 成功率是否>99%？
   • 平均耗时是否稳定？
   • 人工干预次数是否在降？
3. 发现模式优化：
   • "某客户消息总是提取错" → 加白名单规则
   • "邮件经常被判垃圾" → 换邮件服务商
   • "耗时从10秒涨到60秒" → 数据量增长，加分页

产物：优化后的脚本 + 迭代记录

---

三个端到端模板

模板1：周报自动化

text

触发：每周五17:00
观察：每周五花30分钟手工整理本周数据发周报
抽象：从多个系统拉数据→计算KPI→套模板→发邮件
设计：
  → 从项目管理工具拉本周完成任务
  → 从CRM拉本周新增线索
  → 计算KPI（完成率、转化率）
  → 套用周报模板
  → 发邮件给干系人
实现：Python脚本 + cron
测试：用上周数据dry-run，核对数字
优化：发现某KPI总算错→修公式；邮件被判垃圾→加SPF

模板2：数据清洗自动化

text

触发：每日09:00（处理昨日上传的原始数据）
观察：每天手工清洗上传的CSV（去重、补缺失、标准化）
抽象：读CSV→去重→补缺失→标准化格式→输出干净CSV
设计：
  → 读昨日上传目录的CSV
  → 按主键去重
  → 数值列补均值、文本列补"未知"
  → 日期格式统一为ISO8601
  → 输出到cleaned/目录
实现：Python脚本（pandas）+ cron
测试：用样本CSV跑，对比手工清洗结果
优化：发现某列缺失率高→告警数据源；耗时涨→改流式处理

模板3：文件整理自动化

text

触发：watch监控下载目录（新增文件）
观察：下载目录天天堆满，每周手工整理一次
抽象：按文件类型/日期/来源归类移动
设计：
  → 监控~/Downloads/新增文件
  → 按扩展名分类（图片→Pictures、文档→Documents、压缩包→Archives）
  → 按日期建子目录（YYYY-MM）
  → 移动文件
  → 重复文件名加序号
实现：Python脚本（watchdog库）+ 常驻进程
测试：在测试目录跑，验证分类规则
优化：发现某些文件归类错→加规则；重复名太多→改用hash去重

---

错误处理：五级降级

text

L1 重试：瞬时错误（超时、限流）→ 指数退避重试3次
L2 回退：服务不可用 → 用缓存数据、备用API、简化逻辑
L3 排队：服务恢复后再处理 → 写入待处理队列
L4 告警：无法自动恢复 → 通知人工，附上下文与建议
L5 安全停止：保留状态、不丢数据 → 停止自动化，等待人工

错误处理示例

python

import time, random

def with_retry(func, max_attempts=3, base_delay=1):
    for attempt in range(max_attempts):
        try:
            return func()
        except TransientError:
            delay = base_delay * (2 ** attempt) + random.uniform(0, 1)
            time.sleep(delay)
        except ServiceUnavailable:
            # L2 回退：用缓存
            return load_from_cache()
        except Exception as e:
            if attempt == max_attempts - 1:
                # L4 告警
                send_alert(f"任务失败: {e}")
                # L5 安全停止
                save_state()
                raise
            time.sleep(base_delay)

---

监控：自动化健康度看板

yaml

dashboard:
  automation: "周报自动化"
  period: "last_7_days"
  reliability:
    total_runs: 7
    successful: 7
    failed: 0
    success_rate: "100%"  # 目标>99%
    avg_duration: "12s"
  impact:
    time_saved_hours: 3.5  # 每周省3.5小时
    tasks_automated: 7
  quality:
    human_overrides: 1  # 本周人工修正1次
    accuracy_rate: "98%"
  alerts:
    - "周三邮件被判垃圾，已换邮件服务商"
  optimization:
    - "建议下版本加'异常项高亮'减少人工审核"

周度巡检5问

1. 本周自动化都跑了吗？
2. 有没有失败？根因是什么？
3. 人工干预了几次？能不能减少？
4. 耗时有没有变长？
5. 还有什么新的重复任务可自动化？

---

触发思维（Agent主动识别）

不是等用户说"帮我自动化"，而是Agent看到重复就主动提议。

识别信号

• 用户第三次问类似问题 → 提议自动化
• 用户粘贴相似结构数据 → 提议模板化
• 用户说"又来了一遍" → 提议脚本化
• 用户每周固定时间做某事 → 提议cron

主动提议模板

text

我注意到你这周第三次处理类似的数据清洗任务了。
要不要我帮你写个脚本，下次自动跑？大概15分钟能搞定，
之后每次能省你20分钟。

---

边界情况与陷阱

• 不要过度自动化：罕见或需判断的任务手工做
• 先优化再自动化：别自动化坏流程，先修流程
• 必有错误告警：自动化坏了不知道最危险
• 测试用真实数据：别用假数据测试，上线才发现问题
• 保留人工出口：关键步骤留人工审核门
• 文档化：未来自己也能看懂怎么配的

---

FAQ

Q：怎么判断一个任务该不该自动化？ A：用"三次规则"——做过三次以上的重复任务就值得。再算ROI：每周频次 × 单次耗时 > 1小时就值得。

Q：自动化上线后坏了怎么办？ A：必须有错误告警（L4）+ 状态保存（L5）。坏了告警通知人工，状态不丢，修复后能从断点继续。

Q：不会写脚本能自动化吗？ A：简单2-3步用无代码平台（Zapier/Make）。复杂逻辑才需要脚本。先从无代码起步。

Q：自动化越攒越多管不过来？ A：每周巡检5问。月度审计禁用未使用的。每个自动化配健康度看板。

Q：Agent怎么主动发现重复？ A：用触发思维——用户第三次问类似问题、第三次粘贴相似数据、说"又来一遍"时，主动提议自动化。

---

故障排查

症状	可能原因	解决
自动化不触发	cron未配/进程未起	检查cron配置、进程状态
间歇失败	API限流/超时	加重试、加延迟
输出错乱	数据源schema变了	加schema校验，dry-run对比
耗时变长	数据量增长	改流式/分块处理
静默失败	无错误告警	必加L4告警到Slack/邮件
重复执行	无幂等键	按唯一ID去重

---

依赖说明

运行环境

• Agent平台：支持SKILL.md的任意AI Agent（Claude Code / Cursor / Codex / Gemini CLI等）
• 操作系统：Windows / macOS / Linux
• Python：3.8+（脚本实现时）

第三方依赖

依赖项	类型	是否必需	获取方式
LLM API	API	必需	由Agent内置LLM提供
Python运行时	运行时	可选（脚本实现）	python.org
无代码平台	SaaS	可选	Zapier/Make/n8n各自官网
通知通道	集成	可选	用户自有账号

API Key 配置

• 本skill基于Markdown指令，无需额外API Key
• 涉及外部系统集成时，通过环境变量配置各API Key

可用性分类

• 分类：MD+EXEC（Markdown指令 + 脚本执行）
• 说明：通过自然语言指令驱动Agent按六步法构建并落地自动化