场景库

实现步骤

1. 1.配置 Dify 工作流，连接 Brave Search 获取行业热点
2. 2.设置 AI Agent 提示词，定义品牌语调和内容格式
3. 3.让 Agent 生成 7 天内容日历

实现步骤

1. 1.在 n8n 创建 Gmail Trigger 工作流
2. 2.接入 AI 节点判断邮件类型和优先级
3. 3.重要邮件生成回复草稿并标记

实现步骤

1. 1.输入目标公司名称和调研侧重点
2. 2.Agent 自动搜索公司官网、Crunchbase、领英
3. 3.分析融资轮次、估值趋势和投资方

实现步骤

1. 1.用 n8n 从 CRM（HubSpot/Salesforce）定时拉取新增线索
2. 2.设计评分规则：公司规模×行业匹配度×互动频次
3. 3.AI 为每条高分线索生成个性化邮件（引用客户公司最新动态）

实现步骤

1. 1.接入数据源：App Store API / CSV 导入 / Zendesk 工单
2. 2.AI 对每条反馈打标签：功能请求/Bug/性能/UI体验
3. 3.自动聚类相似反馈，统计提及频次

实现步骤

1. 1.收集学员信息：目标考试/当前水平/每天可学习时长
2. 2.AI 拆解考试大纲，生成带优先级的知识点地图
3. 3.每日推送当天学习任务和对应资源

实现步骤

1. 1.梳理营销全链路，识别高重复性环节
2. 2.为每个环节选择合适的AI工具
3. 3.搭建标准化Prompt模板库

实现步骤

1. 1.在IDE中安装AI编程插件（Cursor或Copilot）
2. 2.为AI提供足够的上下文（项目说明、技术栈）
3. 3.用自然语言描述需求，让AI生成代码框架

实现步骤

1. 1.用 Perplexity/Claude 搜索目标关键词的竞品排名内容
2. 2.分析前5名文章的结构、字数和内容差距
3. 3.设计 SEO 优化的文章大纲（H1/H2/H3结构）

实现步骤

1. 1.接入用户反馈数据源（App Store、Zendesk、NPS等）
2. 2.设计 AI 分类 Prompt，定义分类维度和标签体系
3. 3.用 Claude API 批量处理反馈，生成结构化数据

实现步骤

1. 1.整理企业文档：从 Confluence/飞书导出 PDF/Markdown 文件
2. 2.安装依赖：pip install chromadb langchain anthropic
3. 3.编写文档加载脚本：读取文件、切分成 500-1000 字的 chunk、生成向量并存入 Chroma

实现步骤

1. 1.在项目根目录创建 .mcp.json，配置 GitHub MCP 和 filesystem MCP
2. 2.创建 CLAUDE.md 定义 Code Review 规范和输出格式（🔴🟡🟢 分级）
3. 3.在 Claude Code 中测试 "review PR #1" 验证工作流

实现步骤

1. 1.用 RSSHub 聚合目标信息源的 RSS 订阅
2. 2.n8n 定时任务每天早晨 7 点触发抓取
3. 3.AI 对每条内容评估重要性（1-5分），过滤低分内容

实现步骤

1. 1.数据整合：连接 ERP（金蝶/SAP）、银行流水、电商平台数据，建立统一数据管道，Python ETL 脚本每日自动拉取
2. 2.AI 分析层：将标准化数据发送给 GPT-4o，生成关键指标分析、异常检测和与上期/预算对比的叙述性解读
3. 3.报告模板：在 Power BI 建立标准报告模板，AI 分析结果自动填充到预定格式（执行摘要+详细附表+趋势图表）

实现步骤

1. 1.现状分析：分析过去 3 个月工单数据，识别 TOP 20 问题类型，统计各类问题的解决时长和重复率
2. 2.知识库整理：将 FAQ 和客服文档整理为结构化格式（问题描述-解决方案-相关截图-适用版本），迁移到 Notion
3. 3.AI 配置：在 Intercom 启用 Fin AI，连接 Notion 知识库，配置回答风格，设置转人工触发条件

实现步骤

1. 1.评估现有工作流：梳理案件处理各阶段的时间分配，识别最耗时的重复性工作（合同审查、法律研究、客户沟通）
2. 2.部署 Harvey AI：接入合同审查工作流，AI 生成初步审查报告，律师聚焦于策略性判断而非逐字审查
3. 3.建立法律研究数据库：将常见法律问题的研究成果整理为知识库，配合 ChatGPT 快速检索引用

实现步骤

1. 1.沙盘脚本 AI 生成：为不同户型、不同楼层、不同客群（刚需/改善/投资）生成专属讲解话术，销售人员按需调用
2. 2.AI 渲染效果图：用 Midjourney 快速生成不同装修风格的效果图，帮助客户想象入住后的状态
3. 3.HeyGen 数字讲解员：制作 AI 讲解视频，24小时在线，远程客户可以随时了解项目

实现步骤

1. 1.市场调研 AI 加速：用 AI 分析竞品、生成访谈提纲，完成 20 个用户访谈，AI 提炼关键洞察
2. 2.AI 辅助产品规划：将用户洞察输入 Claude，生成 PRD（产品需求文档）和功能优先级矩阵
3. 3.Figma AI 快速原型：用 Figma AI 生成 UI 框架，完善设计，1天完成 20 页原型

实现步骤

1. 1.工具选型测试：对比 Midjourney、Firefly、SD 在产品图生成中的准确度、效率、成本，选择最适合的工具组合
2. 2.建立 Prompt 库：为不同产品类别（服装/数码/家居）建立标准化的生成 Prompt，确保品牌风格一致
3. 3.工作流标准化：前端产品图 → Photoshop 抠图 → AI 换背景 → 批量生成场景图，形成标准 SOP

实现步骤

1. 1.诊断测评体系搭建：设计标准化学情诊断题库（每科 200 题），学生入学测评后 AI 自动输出知识点掌握度报告和薄弱项清单
2. 2.个性化学习路径生成：根据诊断结果，AI 为每位学生生成针对性练习计划，优先攻克高频考点中的薄弱知识点
3. 3.AI 辅助备课：教师将教学目标输入讯飞星火，AI 自动生成课件初稿、练习题和课后作业，教师审核修改，备课时间从 3 小时降至 1.5 小时

实现步骤

1. 1.AI 需求预测：接入历史销售数据（每天每菜品销量）、天气、节假日、周边活动信息，建立 LSTM 预测模型，每天早 8 点推送次日各门店备货建议（精确到每个菜品的备货量）
2. 2.智能点餐系统：小程序点餐页面根据时段、用户历史订单、当前库存动态调整菜品推荐顺序和展示方式，快速消耗即将到期食材
3. 3.个性化营销：分析会员消费行为，将用户分为 5 类（高频常客/价格敏感/尝新型/家庭型/单人型），针对性推送优惠券（常客推新品/价格敏感推满减）

实现步骤

1. 1.趋势监控体系搭建：用 Python 爬取小红书、抖音、Instagram 上的热门内容标签，接入 Google Trends API，每天自动生成"趋势热词排行榜"和"新兴风格方向"报告
2. 2.AI 选品分析：将趋势报告、竞品上新数据、历史同类款销售数据输入 ChatGPT，生成"入选推荐理由+预测销售区间+风险提示"的综合选品建议
3. 3.小批量测款：AI 推荐款选 50 件首单测款，根据 7 天销售速度（日均销量+复购率+加购率）决定是否追货

实现步骤

1. 1.全渠道接入：通过 Zendesk API 整合淘宝旺旺、微信企业号、亚马逊 Seller Central 消息，统一流入同一客服工作台，客服无需切换平台
2. 2.统一知识库建设：将产品说明、退换货政策、常见问题整理为结构化知识库（JSON 格式），接入 ChatGPT API，支持多平台同步更新
3. 3.AI 分级处理：AI 自动解决标准问题（快递查询/退款状态/产品咨询）；复杂问题（纠纷/特殊退换/投诉）自动转人工，附带 AI 生成的问题摘要

实现步骤

1. 1.选题系统化：每周一用 ChatGPT 分析各平台热点，结合账号定位生成 20-30 个选题，筛选出 10 个最具传播潜力的主题，建立 Notion 内容日历
2. 2.一稿多用：先写一篇 2000 字深度文章，AI 自动改写为：抖音/视频号脚本（500字）、小红书图文（300字5图）、微信公众号推文（1500字）、Twitter/LinkedIn（280字）
3. 3.图片批量生成：用 Midjourney 生成符合各平台尺寸的封面图，Canva AI 快速调整排版和品牌元素，每套视觉素材制作时间从 1 小时降至 15 分钟

实现步骤

1. 1.AI 简历初筛：在 ATS 系统集成 AI 评分模块，根据 JD 关键要求自动评分（技能匹配度/经验相关性/学历），只有 60 分以上的简历才进入人工审核，初筛时间减少 70%
2. 2.岗位 JD 优化：用 AI 分析过去 3 年的成功雇佣案例，识别真正预测成功的候选人特征，重写 JD 更精准（减少无效投递 40%），并检查 JD 中的性别/年龄偏见用语
3. 3.面试题库智能化：AI 根据不同岗位生成结构化面试题目（行为问题+情景问题），配套评分标准，减少面试官主观偏差，同时建立候选人回答质量评估参考

实现步骤

1. 1.输入目标关键词和竞争对手域名
2. 2.Agent 自动分析 SERP 结果和用户意图
3. 3.生成 SEO 优化的文章大纲

实现步骤

1. 1.在 Cursor 中安装 GitHub MCP Server
2. 2.设置代码 Review 提示词模板
3. 3.触发自动 Review 并查看建议

实现步骤

1. 1.配置数据库 MCP Server 连接到目标库
2. 2.设置只读权限保障数据安全
3. 3.编写系统提示词，描述数据库表结构

实现步骤

1. 1.将 PDF 上传到指定文件夹
2. 2.配置 filesystem MCP 读取文件
3. 3.让 AI 提取关键信息并结构化

实现步骤

1. 1.列出目标竞品清单
2. 2.Agent 自动访问官网、AppStore评价、社交媒体
3. 3.分析产品特性矩阵和差异化优势

实现步骤

1. 1.会议结束后上传录音文件
2. 2.Whisper API 自动转录为文字
3. 3.AI 提取 Action Items 和负责人

实现步骤

1. 1.输入目标品类和目标平台
2. 2.Agent 搜索热销商品和市场数据
3. 3.分析竞争格局和价格带

实现步骤

1. 1.配置 filesystem MCP 让 AI 读取代码库
2. 2.让 AI 分析 Controller/Route 层代码
3. 3.自动识别接口参数和返回值结构

实现步骤

1. 1.将简历 PDF 存入指定文件夹
2. 2.让 AI 提取教育、经验、技能信息
3. 3.按岗位 JD 自动评分和排序

实现步骤

1. 1.在 Dify 创建「JD 生成」工作流，输入岗位关键信息
2. 2.AI 根据模板和行业规范生成完整 JD
3. 3.用 browser-use 控制浏览器自动登录各招聘平台

实现步骤

1. 1.梳理现有销售流程，识别最耗时的重复环节
2. 2.接入 CRM 数据，配置线索数据增强工具（Clay等）
3. 3.设计个性化邮件 Prompt 模板，基于客户画像动态生成

实现步骤

1. 1.整理商品参数表，包含型号、规格、材质、适用场景等字段
2. 2.设计分平台的 Prompt 模板（淘宝侧重情感、京东侧重参数）
3. 3.Python 批量读取参数，逐行调用 OpenAI API 生成文案

实现步骤

1. 1.AI 客户画像分析：整合客户来源渠道、浏览记录、提问关键词、看房行为数据，训练客户意向预测模型，将客户分为"高/中/低意向"三类，自动分配跟进优先级
2. 2.带看前 AI 准备：经纪人输入房源信息和客户画像，AI 生成个性化带看话术（针对不同关注点：学区/投资/自住），以及可能遇到的 30 个常见问题和参考答案
3. 3.带看中实时辅助：开发微信小程序，经纪人可以实时调取 AI 建议（竞品对比数据、同小区历史成交价、贷款计算器），回答客户问题更及时专业

实现步骤

1. 1.切换模型后手动将thinking level调至任务实际需要的档位，避免沿用高推理档位浪费token。
2. 2.大项目阶段性使用/graphify或/compact压缩会话，避免历史过长导致每条新消息成本升高。
3. 3.复杂agentic任务前先用便宜模型拆解任务、明确范围，再交给Fable执行，减少摸索轮数。

实现步骤

1. 1.打开Claude Code（Fable 5或Codex），输入一句话需求，例如‘用HTML和JS复刻经典坦克大战，包含前十关’。
2. 2.等待AI自动编写代码、生成游戏逻辑、绘制像素风格画面，无需干预。
3. 3.提出升级需求，例如‘将像素风格升级为3D，使用Three.js，支持视角旋转和缩放’。

实现步骤

1. 1.从 Opus 切换到 Fable 后，第一时间检查 thinking level，手动设为 low 或任务实际需要的档位，避免沿用 Extra High 浪费 token。
2. 2.大项目每完成一个阶段，使用 /graphify 或 /compact 压缩会话，控制历史长度，降低每条新消息的成本。
3. 3.运行复杂 agentic 任务前，先用便宜模型（如 Sonnet）拆解任务、划定范围，再让 Fable 执行，减少其摸索轮数。

实现步骤

1. 1.使用Opik装饰器（@opik.track）对智能体代码进行埋点，实现全链路运行监控，自动记录每次大模型调用、工具调用及耗时、Token消耗等数据。
2. 2.当智能体出现故障时，利用Opik内置编码智能体Ollie分析运行跨度树，定位故障根因；在项目根目录执行opik connect开启代码修复模式，Ollie会生成代码修改差异文件（Diff），人工审批后自动应用修复。
3. 3.使用Opik测试套件以自然语言编写测试断言（如“响应必须包含具体交易详情”），执行自动化测试，确保修复不影响原有功能。

实现步骤

1. 1.通过装饰器@opik.track为智能体代码添加全链路追踪，自动记录每次调用、工具使用及耗时。
2. 2.在项目根目录执行opik connect开启代码修复模式，Ollie智能体将自动分析故障轨迹并定位问题代码行。
3. 3.审查Ollie生成的代码修改差异（Diff），确认后允许其应用修复并自动重测。

实现步骤

1. 1.安装Vanna 2.0：pip install vanna，确认版本为v2.0.2或更高。
2. 2.配置数据库连接：在代码中设置数据库类型（如PostgreSQL、MySQL）和连接参数。
3. 3.训练知识库：运行vanna.train()，传入DDL、文档或历史SQL，自动向量化存入ChromaDB。