判断一项工作能否自动化，先看流程中的判断点：输入是否明确，规则是否写得出来，例外由谁处理，输出是否能够核验，以及结果会不会在复核前进入下一步。不要把“能生成结果”直接等同于“可以无人值守”；更稳妥的做法是拆开流程，把适合自动化的环节与必须保留人工确认的环节分开。
先找流程中的判断点
不要只问“这件事能不能做”，还要问“哪一步需要作判断”。可以从下面几类问题开始：
| 判断点 | 要核对的问题 | 未明确时先做什么 |
|---|---|---|
| 输入判断 | 所需资料、字段、术语和任务边界是否清楚？缺少信息时能否识别，而不是自行补全？ | 补充资料，或保留人工确认 |
| 规则判断 | 判断标准能否写明并重复使用？同一输入是否需要依赖个人经验权衡？ | 澄清规则，或保留人工判断 |
| 例外判断 | 遇到模糊、冲突或不完整资料时，是否有明确的人工处理或升级路径？ | 设置例外分支和接管点 |
| 输出判断 | 结论、计算、引用能否回到原始资料或判断标准核对？ | 先把结果标记为待核查内容 |
| 后续依赖 | 结果会不会被用于代码、数据分析、决策或实际动作？ | 在后续使用前设置复核和拦截 |
关键不是生成文字是否流畅，而是判断是否能够说明、核验和退回。只要某个关键判断无法核验，流程就应先按辅助或半自动来设计。
清晰示例和结果复核要分开
当需要让 GPT 输出更一致时，OpenAI 帮助中心建议加入一两个清晰示例。对工作流程来说，示例可以把抽象要求具体化为输入、判断标准和期望结果；但示例不能替代对例外、原始事实和当前案例的确认。
在数据分析场景，《OpenAI 使用 ChatGPT 进行数据分析》建议，在依赖数据分析结果之前审查生成的代码、输出和假设。换成流程语言，就是分别检查处理过程、结果和前提，不能只看最后一段文字。
用一个短流程做初筛
可以先把任务写成一条从输入到后续动作的流程，并在每个判断点旁写明输入、标准、输出和需要谁确认。
- 为规则明确的部分提供清晰示例。
- 为缺失、冲突和例外资料写明暂停、升级或人工处理方式。
- 在结果被引用、运行或执行前，核对事实、计算、假设和适用边界。
- 用新的样例检查边界，把“模型生成了什么”和“流程是否允许继续”分开记录。
发现问题时，应回到对应的输入、规则或假设重新确认，而不是只让模型重新生成一次结果。
哪些部分仍需自己确认
自动化可以先让模型参与整理、生成或分析等环节，但以下内容不能由模型输出替代确认：
- 原始资料是否完整、相关，任务边界是否清楚；
- 判断标准是否适用于当前案例，例外是否需要人工处理；
- 输出中的事实、计算、假设和不确定性；
- 错误会影响哪些后续动作，以及何时必须停下升级。
因此，先列出判断点，再验证它们是否明确、可复核、可拦截。清晰示例有助于统一行为，审查代码、输出和假设有助于在依赖结果前发现问题；无法明确核验的部分，则应保留人工确认。