如何利用 AI 接管您的工作流程（无须编写代码）

原文標題：非開發人員如何像工程師一樣自動化工作（無需編寫代碼）...
原文作者：Damian Player
編譯：Peggy，BlockBeats

編者按：當大多數人仍將 AI 視為「更高效的搜索工具」時，Perplexity 正在開始執行工作。

本文圍繞一個被反覆忽略的差異展開——為什麼同樣使用 AI，有人只得到一段答案，有人卻直接拿到可以交付的成果。關鍵不在模型能力，而在使用方式：是把工具當作對話窗口，還是當作一個可以被指揮、被調度的執行系統。

以 Perplexity Computer 為代表的新一類工具，將「任務」取代「提問」作為核心互動方式。從合同審核、競品分析，到數據清洗與報告生成，用戶不再描述問題，而是直接定義最終交付物。配合連接企業工具、固化個人背景與風格樣例，這種能力進一步從一次性輸出，演變為可重複使用、可自動運行的工作流。

更重要的是，自動化的邊界正在被重新定義。它不再只是輔助完成某一步，而是可以持續運行、跨工具執行，甚至主動提出補充任務。這意味著，人與工具之間的關係，正在從「使用」，轉向「管理與委託」。

在這一變化下，真正的分水嶺不再是是否使用 AI，而是是否已經開始用它「交付結果」。

以下為原文：

那些把這件事搞明白的人，將獲得一種不對稱的優勢。很快，所有人都會學會怎麼做。但在一切變得顯而易見之前，這裡是你可以提前開始的方式。

過去一年裡，開發者已經在後台運行著自治型 AI 智能體（比如 Claude Code、OpenClaw 等），它們可以自己做研究、搭建產品、直接交付完整成果，不需要人反覆盯著或來回提示。但你其實一直用不上這一套——除非你會用終端，會寫代碼。

而 Perplexity Computer 改變了這一點。這是第一次，非開發人員也能用上同樣的能力。你只需要一個瀏覽器，以及一個可以交給它去完成的任務。

大多數人打開 Perplexity，輸入一個問題，得到答案，然後關掉頁面。他們錯過了關鍵。Perplexity Computer 不是用來回答問題的，它是用來執行任務的。

別再問問題了，開始把真正的工作交給它。

為什麼大多數人會失敗

財務總監、律師、諮詢顧問……他們打開工具，輸入一個問題，得到一個還不錯的答案，然後心想：「哦，一個更高級的 Google。」接著繼續花 90 分鐘去清理上週剛清理過的那張表格。

問題不在工具，而在用法。他們把它當成了聊天機器人。

提問方式：「這份合同有哪些風險？」

任務方式：「審核這份合同。逐條核查所有表述是否有公開來源支持；標出措辭模糊、條款缺失以及可能帶來法律責任的部分；列出最關鍵的 5 個風險點，並附具體條款引用；輸出一份帶修訂痕跡的 Word 文檔。」

同一份合同。一種方式只給你一份清單，讓你自己去讀；另一種方式直接給你一份可以發給客戶的成品。

只需 10 分鐘，把這套系統搭起來

先把工具連上。點擊側邊欄的 connectors。Perplexity 可以連接 400 多個應用：Gmail、Google Drive、Slack、Salesforce、Notion、SharePoint……把你實際在用的都接上。

然後讓它知道你是誰。輸入一次就夠：「我是某個崗位，在某類公司工作。我會定期產出 X、Y、Z 這些內容。請在每次會話中記住這些背景。」它會長期保留這些信息。

再告訴它「什麼是好的」。找 2–3 個你最滿意的成果，上傳並輸入：「這些是我最好的工作範例。請學習它們的格式和語氣，以後生成內容時以此為參考。」

這樣，它就不是在猜你的風格，而是在反向拆解你已經驗證過的成功路徑。

10 分鐘，先做這件事。

一個真實例子：那個不再耗費 90 分鐘的週一

一位金融分析師每週一都會收到一份數據導出，150 行，格式混亂：重複數據、三種日期格式、評級用文字寫而不是數字。在開始分析之前，她每週都要花 90 分鐘清洗數據。同一個問題，每週重複。

她只輸入了一條指令：清理這份文件，去重，統一日期格式，把文字評級轉成數字；在清洗後的數據上做分析；生成一個帶篩選功能的互動式儀表板並提供分享鏈接；輸出一份對比清洗前後的 PDF 報告；所有文件保存到 Drive 的「週一報告」文件夾。

4 分鐘後：乾淨的數據集、互動式儀表板、分享鏈接、PDF 報告——全部出現在她的 Drive 裡。

然後她又問了一句：「有沒有我還沒問，但能讓這件事更有用的改進？」

系統建議了兩點：一是把這個任務設為每週一早上 7 點自動運行；二是新增一個任務，根據表現不佳的板塊生成週二的管理層簡報。

她把兩項都設好，關掉頁面。

之後每週一，它都會自動運行——無論她的電腦是否開著。

這正是開發者過去一年在用的那套能力。現在，你在瀏覽器裡就能用。

人們已經在用它做什麼

@gregisenberg 在 @startupideaspod 播客中做了現場測試。

他只給了一個任務：找出在競品播客投放廣告的公司，識別真正負責贊助的人，並為每個人寫一封個性化郵件。

系統找到了 Ramp 的增長副總裁，抓取了他兩周前參與的一期播客內容，寫出一封冷郵件，引用了他在節目中的具體發言，然後直接發送。Greg 並沒有說「發送」，系統判斷任務完成並自行執行。

接著它又主動建議：監控競品播客，一旦有新品牌開始投放廣告，立刻提醒並附上對應聯絡人——「在預算剛啟動時就聯絡」。

最終，這個流程並行完成了 96 個潛在客戶的調研，並安排了第 3 天和第 7 天的跟進郵件。

在 Marketing Against the Grain 节目中，团队用它审计了整个 HubSpot 產品頁面：自動爬取全站、按自定義標準評分、排序問題，並生成一個可分享的網站報告。本來需要團隊一周的工作，在錄節目時就完成了。

這些都是現場完成的，不是演示，也不是預設腳本。

針對具體工作的用法

在金融領域，一位投資組合分析師在英偉達財報發布前只下達了一個任務。

返回結果是：一個實時互動式儀表板，包含 1305 億美元營收、75% 毛利率、114.2% 增長率、完整利潤表，以及從 2021 財年到 2028 年預測的利潤率趨勢，全部支持篩選和分享鏈接。

沒有 Excel，沒有手動找數據，5 分鐘完成。

Perplexity 可以直接調用 SEC 披露、FactSet、標普全球、PitchBook 等數據源——不需要 API 金鑰，也不需要額外授權，系統內建完成。

法律場景：
「審核這份合同。逐條核查所有表述是否有公開來源支持；標出措辭模糊、標準條款缺失，以及在 [具體州] 合同法下可能產生法律責任的內容；列出最關鍵的 5 個風險點，並附具體條款引用；輸出一份帶修訂痕跡的 Word 文件。」

有位審核人員曾上傳一份提案，聲稱某市場同比增長 43%。Perplexity Computer 查出真實數據只有 4%，在簽約前就攔下了問題。

行銷場景：
「分析 [競品 1]、[競品 2]、[競品 3] 過去 30 天表現最好的內容；找出互動最高的內容形式與主題；識別內容空白；基於這些空白生成一個 30 天的內容日曆，並保存為 Google Doc。」

把它設為定時任務。每週一自动生成最新競品分析，無需人工調研。

運營場景：
「這是我們 Q1 的 CSV 數據。請清洗數據；按區域和產品線分析收入；識別三個最大問題；生成一頁紙的行動建議；製作一頁汇報用 PPT；所有文件保存到專案文件夾。」

五個交付物，一條指令。你在開會的時候，它就已經做完了。

模型評審（Model Council）：60 秒獲得三種判斷

當你面臨一個有實際後果的決策時，只需輸入一次問題。Perplexity 會同時調用 Claude、ChatGPT 和 Gemini，並由一個「綜合器」總結它們的共識與分歧。

· 三者一致的部分：高置信結論

· 存在分歧的部分：需要進一步判斷

有人問產品定價該選 $297 還是 $497。三個模型給出不同答案，但綜合器發現它們唯一一致的結論是：不要低於 $297。決策就此完成。

很多公司會花錢請諮詢公司把分析師關在會議室裡得出結論。

這裡，只需要一條指令。

真正的核心能力

想從 Perplexity Computer 中獲得實際價值，80% 取決於一件事：你能否清晰描述「最終產出」。

不是技術配置。而是你是否足夠清楚自己要交付什麼。不要描述步驟，要描述結果。

每次任務完成後，記得再問一句：「有沒有我還沒問，但能讓這個結果更有用的地方？」

它幾乎每次都會指出盲區。每次都用。

從這裡開始

打開 Perplexity（pro 版 $20/月）。進入 Computer 頁面，點擊 connectors，先連接 Gmail 和 Google Drive。

輸入你的三句背景介紹（只需一次）。上傳 2–3 個你最好的工作範例，讓它學習你的風格。然後選一個你上周花了 2 小時以上、且每次輸出都類似的任務：用「最終交付物」的方式描述它，發送。觀察執行過程。如果是重複任務，在關閉頁面前設為自動運行。

開發者已經用這一套一年了。他們和其他人的產出差距，是真實存在的。

這，就是縮小差距的方法。

[原文連結]