很多人把 Workflow 当作提示词的替代品，但实际上，真正让 Workflow 不可替代的，是在流程中沉淀下来的知识。你跑一百次流程，每一次中间结果、每一次人工修正，都是知识资产的积累。——腾讯技术专家洪铭
从提示词到知识沉淀：腾讯团队的工作流方法论
洪铭是腾讯 AI 工程团队的核心成员，长期专注于大模型应用落地与企业级工作流设计。他在社交媒体上分享的这篇观点，直指当前 AI 行业的一个普遍误区：把工作流（Workflow）等同于提示词工程的升级版。据腾讯内部数据显示，其客服场景中引入结构化工作流后，问题解决率从 67% 提升至 92%，而单纯优化提示词仅带来约 8% 的提升。洪铭指出：”提示词可以复制，但一个团队在无数次迭代中积累的中间数据、失败案例和人工修正记录，才是竞争对手拿不走的资产。”他进一步透露，腾讯某内部业务线在搭建工作流知识库后，新成员上手时间从原来的三周缩短至四天。
从技术架构角度看，洪铭强调工作流知识库既是存储对话记录，更关键的是对每一次决策路径的结构化标注。团队设计了一套”过程日志”机制，每条工作流执行完毕后，系统自动记录 AI 的推理路径、置信度分数以及人工干预节点。经过三个月的数据积累，该团队训练出一个轻量级路由模型，能够预判哪些任务需要直接走自动化路径，哪些必须转人工，准确率达到 89%。这与 Anthropic 在 2025 年底提出的”可观测 AI”理念高度吻合——让每一次模型调用都变成可追溯、可复用的工程资产。
价值评估：工作流竞争已从”写提示词”转向”建知识库”
洪铭的观点揭示了 AI 工程化的一个重要拐点。2024 年行业还在比拼谁写的 prompt 更巧妙，到了 2026 年，真正的分水岭变成了谁能更高效地积累和复用领域知识。Gartner 在 2026 年第一季度的报告中预测，到 2027 年，超过 60% 的企业级 AI 部署将配备专门的知识管理模块，工作流平台的市场规模预计达到 180 亿美元。这意味着，早期投入知识库建设的团队将具备显著的先发优势——每一次人工修正都在为系统”喂”高质量的训练信号，形成数据飞轮效应。
对于中小团队而言，这一趋势既是挑战也是机会。挑战在于，知识库的搭建需要投入大量的标注和治理成本，不是买一个 LLM API 就能解决的问题；机会在于，一旦形成了特定领域的知识壁垒，后来者即使拥有更强的基座模型，也很难在短时间内超越。洪铭的建议是：不必追求大而全，选择一条核心业务线，扎进去积累三个月，你会看到复利效应。正如他在推文中所说，”工作流最大的价值不是跑通流程，而是在流程中长出属于你自己的知识肌肉。”
