| name | p2c-process-redesign |
| description | AI Native 产品方法论——流程重构与任务设计的实操 Skill。
用户提供产品形态建议，Skill 自动执行流程重构设计：
任务拆解 → 人机协作模式选择 → 工作流设计 → 节点标注 → 验证与迭代 → 输出流程重构方案。
基于《AI Native 产品方法论》第08章（试验展开-流程重构与任务设计）。
|
| tags | ["ai-product","methodology","workflow-design","human-ai-collaboration","task-design","book-skill"] |
| author | Max |
| source_book | AI Native 产品方法论 |
| source_chapter | 第08章 试验展开-流程重构与任务设计 |
| version | 1 |
| stage | p2c |
| homepage | https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p2c-process-redesign |
流程重构与任务设计 Skill
使用场景
- 产品形态已确定，需要具体设计 AI 如何嵌入工作流程
- 需要在"完全自动"和"纯人工"之间找到正确的协作边界
- 需要把高重复、高信息密度的子任务分配给 AI，把高责任、高例外的部分留给人类
核心概念
- 工作流设计：围绕任务完成，而非围绕页面跳转来设计产品
- 助手模式（Assistant Mode）：AI 提供建议，人保留主要判断权
- 协同模式（Copilot Mode）：AI 与人协同推进任务，人持续修正与确认
- 自主模式（Autonomous Mode）：AI 在明确边界内自动执行，但仍需治理与回退机制
- 人在回路中（Human-in-the-Loop）：AI 持续推进任务，关键节点由人确认
- 人在监督中（Human-on-the-Loop）：AI 在边界内持续运行，人负责监控、干预、叫停和回滚
人机协作模式选择
| 场景特征 | 推荐模式 | 说明 |
|---|
| 高风险、不可逆 | 人在回路中 | 每个关键动作需人确认 |
| 中风险、可监控 | 人在监督中 | AI 执行，人监控，可随时干预 |
| 低风险、边界清晰 | 自主模式 | AI 在规则内自动执行 |
| 高频率、低价值 | 批量自动化 | 定时批量处理，无需实时监控 |
流程重构四步法
第一步：任务拆解
把完整任务拆解为原子子任务：
完整任务
→ 子任务1（高重复、AI可做）→ 自动化
→ 子任务2（中风险、AI辅助）→ Copilot
→ 子任务3（高责任、人为主）→ 人工
→ 子任务4（边界不清、待验证）→ 实验
第二步：分配人机职责
| 子任务 | 模式 | 判断理由 |
|---|
| 信息召回 | AI 自主 | 高频、标准化、无风险 |
| 规则解释 | AI 辅助（Copilot） | 中等风险，需人确认 |
| 风险判断 | 人在回路中 | 高风险、不可逆 |
| 客户沟通 | 人工 | 高同理心需求 |
第三步：节点标注
在流程图上标注关键节点：
- 🔴 决策节点：需要人工判断或确认
- 🟡 AI 辅助节点：AI 提供建议，人最终决定
- 🟢 AI 执行节点：AI 自动处理，无需干预
- ⚫ 回退节点：异常情况回退到人工
第四步：验证与迭代
在真实工作流中测试：
- 记录每个节点的通过率和人工介入频率
- 识别流程瓶颈（AI 处理慢、还是人工确认多）
- 调整节点模式（哪些可以自动化，哪些需要收紧）
- 迭代优化
输出物：流程重构方案
- 任务拆解图：完整任务的原子化拆解
- 人机协作矩阵：每个子任务对应的人机模式
- 流程节点图：含节点标注的完整工作流
- 回退机制：每个节点的降级策略
- 验证计划：如何验证流程重构的有效性
与其他 Skill 的关系
- 前置：@p2b-product-form-exploration（确定产品形态）
- 后置：@p2d-convergence-decision（收敛决策）、@p2e-shadow-validation（影子验证）
- 协同：@ai-native-agent-skill-design（Agent 形态设计）、@ai-native-ux-design（交互细节）
示例
用户输入
"客服 Copilot 已确定 Copilot 形态，需要设计具体工作流程"
Skill 执行
任务拆解（客服工单处理）:
1. 读取工单信息 → AI自主 ✅
2. 查询订单状态 → AI自主 ✅
3. 召回相关规则 → AI辅助（Copilot）🔶
4. 生成回复建议 → AI辅助🔶
5. 风险标记 → AI辅助🔶
6. 客服确认 → 人工 ✅
7. 发送回复 → 人工 ✅
8. 异常升级 → 人工+AI协助 ⚠️
人机协作矩阵:
| 子任务 | 模式 | 边界 |
|--------|------|------|
| 信息读取 | AI自主 | 无需边界 |
| 规则召回 | Copilot | 高置信度自动推荐 |
| 回复生成 | Copilot | 涉及退款需人工 |
| 风险标记 | AI辅助 | 标记但不拦截 |
| 人工确认 | 人在回路 | 所有高风险项必须确认 |
回退机制:
- AI无响应 → 自动转纯人工流程
- 风险标记>2项 → 强制人工审核
- 会话超过5轮 → 提示转接人工
- 情绪检测异常 → 直接转人工
验证计划:
- 影子验证2周，记录各节点人工介入率
- 目标：信息读取自主率>95%，人工确认集中在风险节点
深入核心概念
基于书稿第08章，以下概念在执行本 Skill 时需深入理解：
- AI 改变的是流程而非单个功能：最容易犯的错误是只给现有系统加一个"智能入口"，却不重构背后的业务流程。AI 的真正价值来自流程重排——例如客服场景中，AI 不只是替代一句回复，而是可以提前理解问题、查询订单、生成候选答复、标记风险。
- AI Native 工作流基本结构：传统流程是 Human → System → Human；AI Native 流程更常见的是 Human → AI → System → AI → Human。AI 可以位于流程前端（理解意图）、中段（信息组织与任务分解）和末端（总结与复盘）。
- 三种控制结构：人在定义中（Human-in-Definition，人定义方向和边界，AI 展开候选路径）、人在回路中（Human-in-the-Loop，AI 推进任务，关键节点人确认）、人在监督中（Human-on-the-Loop，AI 在边界内持续运行，人负责监控和回滚）。三种模式常出现在同一产品的不同节点里。
- 分工原则：AI 适合高重复、高信息密度、大量候选生成、快速比较和持续执行；人适合方向定义、边界设置、关键确认、例外处理、责任承担和最终放行。流程重构的重点不是"把人拿掉"，而是把人从重复劳动里抽离，放回判断和责任的位置。
- 工作流设计是桥梁：工作流设计是试验展开和系统构建之间的重要桥梁。很多能力单看实验不错，但进入流程后暴露出上下文不足、责任边界不清、异常处理缺失等问题。
分步执行指南
基于书稿方法论，本 Skill 的完整执行分为 6 步：
步骤 1：任务拆解与原子化
- 把完整任务拆解为原子子任务
- 每个子任务标注特征：重复度、风险等级、信息密度、例外频率
- 区分哪些子任务可以交给 AI，哪些必须保留人工
- 输出任务拆解图
步骤 2：人机协作模式分配
- 对每个子任务选择模式：AI 自主（高频标准化无风险）、Copilot（中等风险需人确认）、人在回路中（高风险不可逆）、人工（高同理心需求）
- 注意：不是追求"越自动越好"，而是判断哪段流程适合交给 AI，哪段必须保留人为确认
- 输出人机协作矩阵
步骤 3：流程节点设计与标注
- 在流程图上标注关键节点：🔴 决策节点（需人工判断）、🟡 AI 辅助节点（AI 建议人决定）、🟢 AI 执行节点（自动处理）、⚫ 回退节点（异常回退到人工）
- 设计每个节点的输入、输出、上下文需求和系统权限
- 明确失败后谁接管、如何回退、是否保留人工确认
步骤 4：回退机制与降级策略设计
- 为每个节点设计降级策略：AI 无响应 → 转纯人工；风险标记过多 → 强制人工审核；会话超限 → 提示转接；情绪异常 → 直接转人工
- 设计熔断机制：连续 N 次异常自动暂停
- 确保回退路径始终可用
步骤 5：最小检查表验证
- 回答五个关键问题：AI 承担的是助手/协同执行者/受限代理？哪个节点由 AI 触发/人触发？AI 需要哪些上下文和权限？失败后谁接管如何回退？哪些输出可直接使用/必须确认？
- 只有这五个问题被回答清楚，流程设计才不是概念图，而是真正可被工程化的工作链
步骤 6：真实工作流验证与迭代
- 在真实工作流中测试完整流程
- 记录每个节点的通过率和人工介入频率
- 识别流程瓶颈（AI 处理慢 vs 人工确认多）
- 调整节点模式（哪些可以自动化，哪些需要收紧）
- 输出流程重构方案文档
示例一：客服工单处理流程重构
用户输入
"客服 Copilot 已确定 Copilot 形态，需要设计具体工作流程。当前流程是客服读工单、查订单、查物流、翻政策、组织回复、发送。"
Skill 执行
任务拆解（客服工单处理）:
1. 读取工单信息
特征: 高重复、无风险、标准化
模式: AI 自主 ✅
2. 查询订单状态
特征: 高重复、无风险、系统调用
模式: AI 自主 ✅
3. 查询物流状态
特征: 高重复、无风险、系统调用
模式: AI 自主 ✅
4. 召回相关规则
特征: 中等风险、需匹配准确性
模式: AI 辅助（Copilot）🔶
5. 生成回复建议
特征: 中等风险、需上下文理解
模式: AI 辅助（Copilot）🔶
6. 风险标记
特征: 高重要性、不能漏过
模式: AI 辅助（标记但不拦截）🔶
7. 客服确认与编辑
特征: 高责任、需判断力
模式: 人在回路中 🔴
8. 发送回复
特征: 不可逆、需最终确认
模式: 人工 ✅
9. 异常升级
特征: 高复杂度、需同理心
模式: 人工 + AI 协助 ⚠️
人机协作矩阵:
| 子任务 | 模式 | 边界 | 上下文需求 |
|--------|------|------|-----------|
| 工单读取 | AI 自主 | 无 | 工单内容 |
| 订单查询 | AI 自主 | 无 | 订单号 |
| 物流查询 | AI 自主 | 无 | 物流单号 |
| 规则召回 | Copilot | 高置信度自动推荐，低置信度标记 | 工单类型+客户历史 |
| 回复生成 | Copilot | 查询类可直接生成，退款类需标记 | 全部上下文 |
| 风险标记 | AI 辅助 | 标记但不拦截（人工做最终判断） | 风险规则库 |
| 人工确认 | 人在回路 | 所有高风险项必须确认 | AI 生成的全部建议 |
| 发送回复 | 人工 | 最终不可逆动作 | 确认后的内容 |
| 异常升级 | 人工+AI | AI 提供摘要，人工做判断 | 会话全程记录 |
流程节点图:
🟢 工单进入 → 🟢 AI 读取工单 → 🟢 AI 查询订单/物流
→ 🟡 AI 召回规则+生成回复 → 🟡 AI 风险标记
→ 🔴 客服确认/编辑 → 🔴 发送回复
→ ⚫ 异常时: 转人工升级
回退机制:
- AI 无响应（> 5秒）→ 自动切回纯人工流程
- 风险标记 > 2 项 → 强制人工逐项审核
- 会话超过 5 轮未解决 → 提示转接高级客服
- 情绪检测异常（愤怒/投诉倾向）→ 直接转人工
- 连续 3 次 AI 建议被标记不准确 → 暂停该场景 AI 辅助
最小检查表验证:
✅ AI 承担角色: 协同执行者（Copilot）
✅ 触发节点: 工单进入由系统触发，确认由人触发
✅ AI 所需上下文: 工单内容、订单状态、物流状态、规则库、客户历史
✅ 失败接管: 纯人工流程（降级路径已设计）
✅ 输出处理: 查询类可直接使用，回复类必须人工确认
验证计划:
- 影子验证 2 周，记录各节点人工介入率
- 目标: 信息读取自主率 > 95%，人工确认集中在风险节点
- 迭代: 根据影子验证结果调整哪些节点可以提升自动化程度
示例二：智能运维告警处理流程重构（对比案例）
用户输入
"运维告警分析已确定混合形态（自动流程+工作台+Copilot），需要设计具体工作流程。当前流程是告警触发、运维查看、手动查日志、人工判断、执行修复。"
Skill 执行
任务拆解（运维告警处理）:
1. 告警接收与分类
特征: 高重复、无风险、模式明确
模式: AI 自主 ✅
2. 告警聚合（去重+分组）
特征: 高重复、低风险、模式明确
模式: AI 自主 ✅
3. 误报识别
特征: 中风险、需一定判断
模式: AI 辅助（自动标记+人工批量审核）🔶
4. 单一故障根因分析
特征: 中高风险、需准确性
模式: Copilot（AI 分析+人工确认）🔶
5. 复合故障关联分析
特征: 高风险、需经验判断
模式: 人在回路中（AI 建议+人工判断）🔴
6. 处理建议生成
特征: 中风险、需上下文
模式: Copilot 🔶
7. 执行修复操作
特征: 不可逆、高风险
模式: 人在回路中（人工确认后执行）🔴
8. 修复验证
特征: 需系统确认
模式: AI 自主（自动检测）+ 人工确认 ✅🔴
9. 复盘与知识沉淀
特征: 低风险、高价值
模式: AI 辅助（自动生成复盘草稿）🔶
人机协作矩阵:
| 子任务 | 模式 | 边界 | 上下文需求 |
|--------|------|------|-----------|
| 告警接收 | AI 自主 | 无 | 告警源+时间戳 |
| 告警聚合 | AI 自主 | 无 | 历史告警模式 |
| 误报识别 | AI+审核 | 标记疑似误报，人工批量确认 | 历史误报模式 |
| 单一根因 | Copilot | Top-3 候选+置信度，人工选择 | 告警上下文+日志+架构 |
| 复合故障 | 人在回路 | AI 提供关联分析，人工做最终判断 | 跨系统日志+拓扑 |
| 处理建议 | Copilot | 已知故障自动匹配，未知故障人工确认 | 知识库+历史处理记录 |
| 执行修复 | 人在回路 | 人工确认后执行，AI 预检影响范围 | 变更管理系统 |
| 修复验证 | AI+确认 | AI 自动检测恢复，人工最终确认 | 监控指标 |
| 复盘沉淀 | AI 辅助 | AI 生成草稿，人工审核入库 | 全程处理记录 |
流程节点图（分层）:
低风险路径:
🟢 告警进入 → 🟢 AI 分类+聚合 → 🟢 AI 误报标记
→ 🟡 批量人工审核误报 → 🟢 已知故障自动匹配处理建议
中风险路径:
🟢 告警进入 → 🟡 AI 根因分析 → 🔴 运维确认根因
→ 🟡 AI 处理建议 → 🔴 运维确认+执行
高风险路径:
🟢 告警进入 → 🟡 AI 关联分析 → 🔴 运维判断
→ 🔴 人工制定方案 → 🔴 人工执行 → 🔴 验证确认
回退机制:
- AI 根因分析置信度 < 60% → 提示"建议人工排查"，不展示自动结果
- 连续 3 次根因判断被标记不准确 → 暂停该类型告警的 AI 分析
- 复合故障自动降级为 Copilot 模式（仅建议不执行）
- 修复操作影响范围 > 预设阈值 → 强制人工审批
- AI 分析延迟 > 30秒 → 跳过 AI 直接人工处理
最小检查表验证:
✅ AI 承担角色: 低风险自主执行者，中风险协同执行者，高风险建议者
✅ 触发节点: 告警由系统触发，修复由人触发
✅ AI 所需上下文: 告警数据+日志+架构拓扑+历史处理记录+知识库
✅ 失败接管: 人工全流程处理（低风险也能秒级降级）
✅ 输出处理: 聚合和误报标记可自动使用，根因和修复必须人工确认
验证计划:
- 影子验证 3 周（运维场景更保守）
- 第 1 周: 仅低风险路径（告警聚合+误报标记）
- 第 2 周: +中风险路径（单一根因分析）
- 第 3 周: +高风险路径（复合故障 Copilot）
- 目标: 告警聚合自主率 > 98%，根因分析采纳率 > 65%，人工确认集中在修复执行节点
