背景与核心痛点：从聊天机器人到并行工作流
我是Matt Rigon，Range公司的注册财务规划师（CFP）。在Range这家全栈财富管理公司中，我负责领导规划团队的AI采用工作。与大多数由平台构建者或工程师主导的AI演讲不同，这次分享来自平台的最终用户——即那些将平台交付给专业人士的人。我们的业务处于强监管环境，输出的是面向真实客户的财务建议，因此审查步骤是强制性的，而非可选的。这并非供应商的产品推销，而是一套经过验证的方法论。起初，我们像所有人一样从聊天机器人开始：我手动撰写客户消息，粘贴到AI中请求润色或简化。虽然这节省了一些时间，但我仍然在手动完成所有工作，只是速度稍快而已。这种效率提升并未解决根本问题。
"A planner's constraint was never typing speed... It's that we can only be in one place at a time."
真正的转折点在于认识到规划师的限制从来不是打字速度，而是无法同时处于两个地方。如果在与客户通话，就无法为另一位客户构建计划。仅仅加快写作速度无法解决这一瓶颈。真正能解决问题的是在我处理其他事务时，后台自动进行的工作。现在的日常工作流是：当我与客户通话时，AI智能体正在为另一位客户起草完整的现金流分析或保险分析报告。通话结束后，我打开草稿进行全面审查、调整必要部分并发送建议。智能体从不直接发送给客户，每一封推荐邮件都必须经过规划师的最终审核。这种改变的核心在于：第一稿不再需要我坐在电脑前盯着它，而是由智能体在后台完成初稿。
构建前提：工作场所嵌入与机构特异性知识
要实现上述变革，必须满足两个关键条件。首先，智能体必须在工作发生的地方运行，而不是在一个独立的聊天窗口中让我反复复制粘贴。其次，智能体必须了解我们公司的具体工作方式，而不仅仅是通用的财务规划知识。模型虽然知道通用规则，但智能体需要掌握Range公司的具体做法：我们首先关注什么、总是标记哪些风险点、如何措辞特定的建议。这种组合构成了“技能”（Skill）的核心定义。我们的公司执行特定工作的书面化流程，使得智能体能够遵循这些步骤。构建技能的过程分为五个步骤：选择（Pick）、教学（Teach）、打包（Pack）、测试（Test）和发布（Ship）。这些步骤都不需要编写代码，但每一个都要求构建者对工作内容有极深的理解。正因为如此，从事这项工作的人应当是构建智能体的人。
"The agent has to work where the work lives... and it has to know how we do it, not how financial planning works in general."
第一步：选择高频且可评估的工作流
在构建智能体时，直觉往往驱使我们去挑战最复杂、耗时最长的任务。然而，正确的策略是选择每周重复执行且你已清楚“优秀标准”的工作流。你需要能够一眼识别出糟糕的草稿，否则无法进行测试和建立信任。对于Range而言，这意味着从现金流分析和保险审查开始，因为这些流程涉及大量手动工作。选择标准有两个：一是频率高（你经常做），二是可评估性（你知道如何判断结果好坏）。如果无法快速评判输出质量，就无法验证智能体的准确性。选择最简单的流程作为起点，但确保这些流程需要大量的手动干预。通过这种方式，你可以利用现有的专业知识来训练智能体，而不是试图一次性解决最棘手的难题。这种策略降低了初期失败的风险，并为后续更复杂的自动化奠定了基础。
第二步：通过真实案例进行“有声思维”教学
一旦选定了工作流，下一步是展示几个真实的过往案例。选取实际交付给客户的计划，从头到尾演示整个工作过程。关键在于边操作边大声叙述你的判断逻辑。这不仅仅是记录“下一步我打开什么文件”，而是要解释为什么打开它、你在寻找什么信息、什么情况会让你停下来提问或停止操作。这种叙述是整个过程的核心。步骤本身很容易写下来，但判断力才是区分你们公司的工作与通用建议的关键所在。通过这种“有声思维”（Think-aloud）的方式，你将隐性的专业知识转化为显性的指令。智能体不仅学习动作序列，更学习背后的决策逻辑和风险提示点。这种方法确保了生成的建议符合公司的专业标准，而不仅仅是基于通用数据的堆砌。
第三步：打包技能——定义问题与边界
将工作流转化为“技能”时，不能仅列出步骤清单。最重要的两个要素是：它必须在开始前提出的问题，以及它必须遵守的限制。对于问题部分，需要明确智能体在启动前需要了解哪些信息，以及它应该向我确认什么而不是盲目猜测。对于限制部分，必须明确规定智能体绝对不允许自行执行的操作。在财务规划领域，最大的红线是：它永远不直接向客户发送任何内容；它只负责起草，然后由规划师决定是发送还是调整。如果只写步骤，你会得到一个自动运行的工具；但如果写出问题和设定限制，你就能获得一个可信的工具。将技能视为食谱：一旦Claude（或其他模型）学会了这个“食谱”，它就会在命令下重复你的特定流程。这种结构化的限制是建立信任的基础，防止智能体在缺乏上下文的情况下做出错误决策。
第四步：真实案例测试与迭代优化
在任何人看到智能体之前，必须在5到10个真实案例上运行它。这是大多数人想要跳过的步骤，但每一次运行都会教会智能体之前未知的内容：可能是边缘情况、它应该问但未问的问题，或者是它自信满满却出错的地方。你需要修复这些问题，保存技能，然后再次运行。5到10次迭代听起来很多，但这远比将半成品分发给团队中的15、20或100人后花费大量时间清理错误要轻松得多。反复测试是确保技能可靠性的必要成本。通过这种迭代，智能体逐渐适应复杂的现实场景，减少幻觉和错误。这一阶段的目标是发现并修补逻辑漏洞，确保智能体在正式投入使用前具备足够的鲁棒性。
第五步：发布与责任归属机制
智能体发布时，必须指定所有者（Owner）和审查者（Reviewer）。所有者负责保持技能的更新，因为我们的流程、税务规则等都在不断变化；三月正确的技能在十二月可能已过时。审查者必须在团队依赖该技能之前进行检查，且不能是作者本人。正如我们不会给自己评分一样，审查机制确保了独立性和问责制。一旦其他人依赖某个技能，就必须有人对其准确性负责。这是个人快捷方式与团队可构建资产之间的区别。通过明确的责任归属，智能体从实验性工具转变为生产级基础设施。这种机制确保了技能的长期可用性和准确性，避免了因人员流动或知识断层导致的系统失效。
实施成果与组织扩散效应
六个月后，Range公司内部已拥有24个技能，其中17个属于规划团队。令人意外的是，这一实践自发扩散到了销售、产品和营销部门，无需任何强制命令。人们看到规划师的做法后，开始自行构建自己的智能体。所有这些技能均由非技术人员（规划师、营销人员、销售人员）编写和维护，而非开发人员。当主题专家为自己所在的利基市场构建工具时，技能变得更加具体。例如，最懂保险的人构建保险技能，最懂税法的人构建税务技能。审查也变得自然而然：我们本来就互相审核计划，现在只是以同样的习惯审核彼此的技能。这是一种相同的工作习惯应用于新对象的过程。这种自下而上的扩散证明了方法论的可复制性，无需顶层强制推动即可在组织内生根发芽。
瓶颈转移与未来展望
当前的核心问题已经改变。模型能否起草现金流分析？这个问题已得到解决，答案是肯定的。未解决的问题是：谁写下你们公司执行工作的具体方式？谁在发布前测试它？当15个人依赖它时，谁来拥有和维护它？ 如果你们被要求将智能体推广出工程部门，你将直接面对这些问题。目前关于这一领域的实地数据尚少，但这是我们在Range的实践路径。瓶颈已从技术实现转移到知识工程和组织治理。企业需要建立由领域专家主导的技能构建、测试和维护体系，而非依赖中央工程团队。这种转变要求组织重新定义AI项目的责任归属和协作模式。只有当业务人员掌握智能体的构建权时，才能真正实现AI与业务的深度融合。
结论
Range的经验表明，财务规划师无需编写代码即可构建高效的AI智能体。通过选择高频、可评估的工作流，利用真实案例进行有声思维教学，明确技能的问题与边界限制，并在发布前经过严格的迭代测试和责任归属机制，非技术人员能够成功将专业知识转化为可复用的智能体技能。这种方法不仅解决了规划师的时间瓶颈，实现了并行工作流，还通过自下而上的方式在组织内扩散，提升了各业务部门的专业化AI应用水平。核心在于将智能体的构建权交还给领域专家，确保技能的具体性、准确性和可持续性。