昨天做完第一個真的可以跑的 Workflow 之後，我讓 AI 負責把收到的文字整理成固定格式。

它會從原始內容裡抓出標題、摘要、待辦事項、截止時間，以及這件事情需不需要回覆，最後再把結果交給下一個節點。

做到這裡其實已經可以省掉一些複製整理的時間，但整個 Workflow 還是很笨。

因為不管收到什麼內容，它最後走的路都一樣。

所以今天想讓 AI 第一次真的參與「下一步要做什麼」。

原本的流程其實只是比較聰明的資料整理

昨天的流程大概是：

收到內容
↓
AI 整理
↓
轉成固定 JSON
↓
儲存

這個流程的好處是穩定，而且很好理解。

但實際收到的資訊不會全部一樣。

有些只是通知，看完就好；有些有 Deadline，要變成待辦事項；有些需要我回覆；有些可能根本不重要，不需要再做任何事情。

如果全部都送到同一個地方，最後還是我要自己重新分類一次。

所以今天多加了一個欄位：

{
  "category": "",
  "title": "",
  "summary": "",
  "task": "",
  "deadline": "",
  "need_reply": false
}

category 先不弄得太複雜，只分幾種：

notification
task
reply
reference

接著真正有趣的地方才開始。

AI 的輸出第一次會改變 Workflow

以前 AI 回答完，結果只是拿來看。

今天它回傳的 category 會直接進到下一個判斷節點。

AI 分類
↓
category
↓
Switch / If
├── notification → 留存
├── task → 建立待辦
├── reply → 進入待回覆區
└── reference → 存成參考資料

這樣看起來其實沒有很複雜，但對我來說差別滿大的。

因為 AI 現在不只是處理資料，它的輸出開始影響後面的程式怎麼跑。

也就是從今天開始，如果 AI 判斷錯，問題不會只是一段摘要看起來怪怪的，而是真的可能把資料送到錯的地方。

第一輪很快就分錯了

我拿幾段自己平常可能收到的內容測試。

簡單的都沒什麼問題，例如：

明天下午三點前請繳交報告。

很容易被分類成 task。

但只要內容開始有一點模糊，問題就出現了。

例如：

教授提醒，下週可能會討論目前進度，
有新的內容可以先整理。

這到底算通知還是 Task？

人看到這段話可能會根據上下文決定，但 AI 如果只看到這幾句，也只能猜。

第一次測的時候，它就把一些我認為只是通知的東西分類成 Task。

這時候我才發現，昨天那種「輸出格式錯了」其實還算很好處理，因為 JSON Parse 失敗可以直接抓到。

分類錯誤麻煩很多。

格式完全正確、Workflow 也正常執行，資料只是被送錯地方而已。

整個系統甚至不會知道自己做錯了。

所以我開始替分類加規則

原本的 Prompt 很簡單：

請判斷以下內容屬於 notification、task、reply 或 reference。

後來發現這樣太模糊，我就開始補每個 Category 的定義。

task：
內容中有明確需要使用者完成的行動。

reply：
內容需要使用者提供回覆或確認。

notification：
主要提供資訊，目前沒有明確行動。

reference：
主要內容適合保存，供未來查詢或使用。

接著又補了一條我覺得很重要的規則：

如果無法確定分類，不要自行猜測，
輸出 category = "uncertain"

然後 Workflow 多一條：

uncertain → 等待人工確認

這個節點加下去之後，整個流程反而讓我安心很多。

自動化不一定要把人全部拿掉

我一開始想做 AI 自動化的時候，很容易把目標想成：

最好我什麼都不用管。

但今天真的讓 AI 開始決定 Workflow 之後，我反而覺得這個方向不一定對。

如果一件事情 AI 有 95% 把握，那自動往下跑可能沒問題。

但如果它自己都不確定，硬要逼它四選一，最後只是把原本需要我判斷的事情變成「我之後還要去找它哪裡判斷錯」。

所以現在我的流程比較像：

明確
↓
自動處理

不明確
↓
交給我

這樣 AI 真正幫我省掉的是那些沒有必要每次都重新判斷的事情，而不是為了追求 100% 自動化，連模糊情況也硬塞給它。

我又多加了一個 Confidence

既然有 uncertain，我就順便開始想能不能把 AI 對自己的判斷程度也留下來。

所以輸出又多了一個欄位：

{
  "category": "task",
  "confidence": 0.92,
  "title": "...",
  "summary": "...",
  "task": "...",
  "deadline": null,
  "need_reply": false
}

目前我還不打算直接相信這個數字。

LLM 說自己有 0.92 信心，不代表真的有 92% 機率答對。

但它至少可以先拿來當 Workflow 的一個訊號。

例如：

confidence >= 0.8
↓
自動處理

confidence < 0.8
↓
人工確認

之後如果真的累積很多資料，再回頭看高 Confidence 的分類到底有多常答對，門檻才有機會慢慢調整。

Workflow 開始從直線變成分岔

昨天以前，我做的其實都還是：

A → B → C → D

今天第一次變成：

        ┌→ A
輸入 → AI ├→ B
        ├→ C
        ├→ D
        └→ 人工確認

只是多了一個分類，整個 Workflow 的感覺就差很多。

因為從這裡開始，我不能只想「這個節點能不能跑」，還要開始想「如果 AI 判斷錯會發生什麼」。

如果只是把通知放進 Task，頂多有點煩。

但以後如果 Workflow 真的接到寄信、修改資料、建立行程，甚至其他會直接產生動作的工具，那錯一次的成本就完全不一樣。

所以今天做到最後，我沒有急著把更多服務接進來。

反而先留了一條 uncertain，讓 AI 可以說它不知道。

目前這個 Workflow 還很小，但已經開始有一點我原本想做的感覺了。

前幾天 AI 只是幫我整理資訊，今天它第一次開始決定資訊接下來要去哪裡。

明天我想繼續碰更危險一點的部分：如果 AI 判斷「這封訊息需要回覆」，能不能讓它直接幫我產生回覆草稿？

先從 Draft 開始，不讓它真的送出去。

我還沒有勇敢到第五天就把寄信按鈕也一起交給它。