Workflow 1: mødereferat til handlingsplan
Brug denne workflow efter opkald, salgssamtaler og planlægningsmøder. Målet er en beslutningsklar handlingsplan med ansvarlige, datoer, åbne spørgsmål og opfølgning, ikke endnu et referat.
Input -> prompt -> output -> QA. Alle workflows i denne guide bruger de samme fire trin. Hvis det er selve promptdelen, du er usikker på, dækker rammen prompt engineering for begyndere hvordan du skriver instruktionen, konteksten, begrænsningerne og formatet, som hver skabelon nedenfor forudsætter.
| Trin | Hvad du bidrager med | Hvorfor det betyder noget |
|---|---|---|
| Input | Det egentlige materiale: en transskription, en indbakke, kildesider, en diff, en opgaveliste eller et udkast | Vage forespørgsler lader modellen gætte ansvarlige, datoer og påstande, du aldrig gav den |
| Prompt | Rolle, kontekst, begrænsninger og det præcise outputformat | Begrænsninger holder modellen væk fra private data og beslutninger, der kræver menneskelig vurdering |
| Output | En navngivet struktur: handlingstabel, prioritetskø, udtræktabel, resultatliste, tidsplan eller indholdspakke | Et navngivet format er langt lettere at tjekke end tekstafsnit |
| QA | Et tjek, der sporer hvert punkt tilbage til kilden, før du handler | Navne, datoer, tal og aftaler skal stadig godkendes af et menneske |
Klar-til-brug skabelonpakker. De syv workflows nedenfor er de generelle former. Disse to pakker er de udfyldte versioner, allerede skrevet prompt for prompt.
| Skabelon | Hvad den gør | Bedst til |
|---|---|---|
| Founder Research Stack | Ni klar-til-brug prompts til markedskort, konkurrentanalyser, prisstruktur, positionering og kundesprog, der ender i et udkast til en landingsside | Founders, konsulenter og operatører, der beslutter, hvor de skal sigte, og hvad de skal tage for det |
| Claude Coding Prompt Pack | Tolv klar-til-brug prompts til fejlfinding, kodegennemgang, refaktorering, arkitekturgennemgang og testdesign, med de begrænsninger, der forhindrer en lille rettelse i at blive en omskrivning | Udviklere, der vil have en tjekbar diff i stedet for en ombygget fil |
Input: transskription, hurtige noter, deltagerliste, mødets formål, kendte deadlines og eventuelle beslutninger, du allerede stoler på. Hvis transskriptionen er lang, så inddel afsnit efter emne eller tidsstempel, før du sender prompten.
Prompt: "Lav en handlingsplan ud fra disse mødenoter. Kontekst: Mødets formål var [formål]. Deltagere var [navne]. Noter/transskription: [indsæt]. Begrænsninger: Find ikke selv på ansvarlige eller datoer. Marker uklare punkter som kræver bekræftelse. Adskil beslutninger fra diskussion. Format: resumé, beslutninger, handlingstabel, risici, opfølgningsbesked."
Output: et brief i fem dele med et kort resumé, bekræftede beslutninger, en handlingstabel med ansvarlig/dato/status, uafklarede spørgsmål og en klar-til-afsendelse opfølgnings e-mail.
QA: Tjek hvert handlingspunkt op mod transskriptionen. Fjern alt, som AI'en har tolket for vidt. Bekræft datoer og ansvarlige, før du sender. Hvis outputtet er for bredt, kør promptet igen med en ekstra begrænsning: "Medtag kun handlinger, som nogen udtrykkeligt har accepteret at gøre."
Workflow 2: e-mail triage til svarliste
Denne workflow hjælper dig med at gennemgå en overfyldt indbakke uden at lade AI'en tale på dine vegne ukontrolleret. Det nyttige output er en prioritetsliste, ikke en bunke robotagtige svar.
Input -> prompt -> output -> QA
Input: afsender, emnelinje, e-mailtekst, relationskontekst, hastegrad og din foretrukne svarstil. Ved følsomme tråde, fjern private data før du indsætter, og bed modellen om at udkaste snarere end at sende.
Prompt: "Prioriter disse e-mails for i dag. Kontekst: Min rolle er [rolle], mine prioriteter er [prioriteter], og min tone skal være [tone]. E-mails: [indsæt]. Begrænsninger: Besvar ikke spørgsmål, der kræver private kontodata. Marker alt, der kræver menneskelig vurdering. Format: prioritetstabel, anbefalet handling, svarudkast for hver e-mail, der trygt kan besvares."
Output: en tabel med prioritet, begrundelse, næste handling, foreslået svar og risikomarkering. Faktureringsspørgsmål, kontoadgang og løfter bør markeres til manuel gennemgang.
QA: Læs prioritetsbegrundelsen først. Hvis modellen ikke kan forklare, hvorfor en e-mail haster, så nedgrader den. Tjek alle navne, datoer, løfter, priser og vedhæftede filer. Hold en personlig regel: AI kan udkaste svar, men mennesker godkender aftaler.
Workflow 3: konkurrentanalyse til research-brief
Brug dette som en AI workflow til research, når du har brug for et hurtigt, men sporbart overblik over et marked uden at drukne i faner.
Input -> prompt -> output -> QA
Input: konkurrentnavne, hjemmesidenoter, prisnoter, produktsider, anmeldelsesuddrag, målkunde og den beslutning, du forsøger at træffe. Du kan også starte fra Whizis Founder Research Stack, hvis du vil have en mere komplet skabelon.
Prompt: "Lav en konkurrentanalyse for [marked]. Kontekst: Jeg skal beslutte [beslutning]. Konkurrenter og noter: [indsæt]. Begrænsninger: Brug kun de leverede noter. Adskil fakta fra tolkning. Find ikke selv på priser, kunder eller funktioner. Format: sammenligningstabel, positioneringsmønstre, huller, risici og næste researchspørgsmål."
Output: en sammenligningstabel med konkurrent, målgruppe, løfte, funktioner, prisnoter, beviser og udledt positionering. Den bedste version indeholder også en "hvad skal verificeres næste" kolonne, så researchen ikke lader som om den er endelig.
QA: Spor hver påstand tilbage til en note eller kildeuddrag. Fremhæv ubegrundede tolkninger. Ved vigtige beslutninger, kør samme prompt i en anden model og sammenlign, hvilket output tydeligst adskiller belæg fra mening.
Workflow 4: PDF opsummering til verificeret udtræk
Generiske PDF opsummeringer er risikable, fordi de kan overse forbehold eller overdrive konklusioner. Denne workflow beder om udtræk og verifikation, før nogen opsummering.
Input -> prompt -> output -> QA
Input: PDF teksten eller det uploadede dokument, dokumenttype, dit formål, de vigtigste afsnit og det præcise output, du har brug for. Hvis dokumentet er langt, bed om opsummeringer på afsnitsniveau, før du beder om syntese.
Prompt: "Analyser dette dokument til [formål]. Kontekst: Dokumenttypen er [type], og det, jeg går mest op i, er [emner]. Begrænsninger: Citer eller henvis til afsnitsnavne, hvor det er muligt. Marker usikre punkter. Opsummer ikke afsnit, du ikke kan se. Format: enkeltsidet resumé, tabel med nøglefakta, risici/forbehold, udtrukne datoer/tal/navne og verifikationstjekliste."
Output: et kompakt resumé plus en struktureret udtrækstabel. En tabel til en forskningsartikel kan indeholde påstand, evidens, metode, begrænsning og sikkerhed. En kontrakttabel kan indeholde forpligtelse, part, deadline, afsnit og risiko.
QA: Søg i det originale PDF efter hvert tal, hver deadline, navngiven enhed og citat. Bed om endnu en gennemgang: "List fem måder, dette resumé kunne være vildledende på." Hvis svaret påvirker juridiske, medicinske, finansielle eller ansættelsesmæssige beslutninger, så betragt AI outputtet som et læsehjælpemiddel, ikke rådgivning.
Workflow 5: kodegennemgang til sikrere ændringsliste
Denne AI workflow til kodning er nyttig, når du har en diff, en pull request eller en fil, du vil have gennemgået. Pointen er at reducere risiko, ikke at outsource vurdering.
Input -> prompt -> output -> QA
Input: kode diff, omkringliggende funktion eller modul, forventet adfærd, testoutput, fejlmeddelelser, begrænsninger og hvad der ikke må ændres. Indsæt aldrig hemmeligheder, produktionslegitimationer eller private kundedata.
Prompt: "Gennemgå denne kode som en senior udvikler. Kontekst: Forventet adfærd er [adfærd]. Målet med ændringen er [mål]. Kode/diff: [indsæt]. Begrænsninger: Prioriter fejl, regressioner, sikkerhedsproblemer, kantsager og manglende tests. Undgå ren stilfeedback, medmindre den skjuler en fejl. Format: resultattabel med alvorsgrad, fil/funktion, problem, hvorfor det betyder noget, foreslået rettelse og test der skal tilføjes."
Output: en prioriteret gennemgangsliste, foreslåede tests og en minimal ændringsplan. Ved refaktorering, bed om den mindste læsbarhedsforbedring, der bevarer adfærden, og list derefter tests, der beviser det.
QA: Genskab hver fejl før du retter den, hvis muligt. Accepter ikke et foreslået patch uden at læse det. Kør tests, lint og typetjek lokalt. Hvis to modeller er uenige, brug uenigheden som en tjekliste til gennemgang snarere end en afstemning.
Workflow 6: daglig planlægning til fokuseret tidsplan
En daglig AI rutine bør hjælpe dig med at vælge, hvad du ikke skal gøre. Denne workflow forvandler en rodet liste til en fokuseret plan med realistiske blokke, afvejninger og et afslutningspunkt.
Input -> prompt -> output -> QA
Input: opgaveliste, kalenderbegrænsninger, deadlines, energiniveau, møder, skal-gøres punkter, valgfri punkter og ét strategisk mål. Jo mere ærlige input, jo bedre plan.
Prompt: "Planlæg min dag omkring resultater, ikke travlhed. Kontekst: Dagens tilgængelige arbejdsblokke er [blokke]. Skal-gøres er [skal-gøres]. Valgfrie opgaver er [valgfrit]. Energiniveau er [energi]. Strategisk mål er [mål]. Begrænsninger: Beskyt fordybelsestid, indregn buffere, undgå at overbelaste, og forklar afvejninger. Format: tidsplan, top 3 resultater, udsæt-liste, risikoliste, afslutningstjekliste."
Output: en tidsblokeret plan, tre resultater, en udsat-liste og en afsluttende 10-minutters afslutningsrutine. Udsæt-listen betyder noget, fordi den forhindrer AI'en i at få en umulig dag til at se pæn ud.
QA: Tjek om planen passer til din faktiske kalender. Skær 20 procent, hvis den føles for fyldt. Hvis en opgave ikke har en definition på succes, bed modellen om at definere "færdig", før du går i gang.
Workflow 7: genbrug af indhold til publiceringspakke
Denne AI workflow til skrivning forvandler én nyttig kilde til flere publicerbare materialer uden at få alt til at lyde ens.
Input -> prompt -> output -> QA
Input: kildeindhold, målgruppe, kanalliste, brandstemme-eksempel, påstande der skal forblive korrekte, påstande der skal undgås, og de ønskede formater. Inkluder eksempler på dit bedste eksisterende indhold, hvis du vil have mindre generisk output.
Prompt: "Genbrug denne kilde til en publiceringspakke. Kontekst: Målgruppen er [målgruppe]. Kanalerne er [kanaler]. Stemmeeksempel: [indsæt]. Kilde: [indsæt]. Begrænsninger: Bevar fakta, undgå hype, tilføj ikke ubegrundede statistikker, og gør hver kanal naturlig i sit format. Format: kernebudskab, 5 postidéer, e-mailudkast, korte sociale opslag, langt socialt opslag, nyhedsbrevsafsnit og QA tabel."
Output: en indholdspakke med genanvendelige vinkler, kanalspecifikke udkast og en QA tabel med oprindelig påstand, genbrugt påstand, kildeplacering og risiko.
QA: Sammenlign hvert udkast med kilden. Fjern påstande, der blev tilføjet for dramatikkens skyld. Tjek om e-mailen, opslaget og artikelintroen har forskellige formål i stedet for at gentage den samme sætning. Gem promptet som en genanvendelig ai prompt skabelon først efter den har virket på et rigtigt stykke indhold.
- Start hver AI workflow med rigtige input, ikke en vag forespørgsel.
- Definer outputtet, før du kører promptet: tabel, tjekliste, notat, udkast, plan eller udtræk.
- Tilføj begrænsninger for evidens, privatliv, tone, længde og usikkerhed.
- Bed om et QA trin som en del af outputtet, ikke bagefter.
- Gem genanvendelige prompts efter workflow, ikke efter model: et Whizi projekt rummer op til 10 fastgjorte filer og 32.000 tegn faste instruktioner.
- Kør vigtige workflows på tværs af mere end én model, og sammenlign nøjagtighed, struktur og oprydningstid.
- Opdater hver skabelon, efter du har brugt den på en rigtig opgave.
Ofte stillede spørgsmål
Hvad er en AI workflow skabelon?
En AI workflow skabelon er en genanvendelig proces, der definerer input, prompt, forventet output og kvalitetstjek for en bestemt opgave, som at opsummere PDF'er, gennemgå kode eller prioritere e-mail.
Hvordan bygger jeg en AI workflow til arbejdet?
Start med én tilbagevendende opgave, list de input den kræver, skriv en prompt med begrænsninger og outputformat, og tilføj derefter en QA tjekliste, der verificerer fakta, beslutninger, navne, tal og næste skridt.
Skal jeg bruge samme AI model til hver workflow?
Nej. Forskellige modeller kan klare sig bedre på forskellige opgaver. Ved vigtige workflows, kør samme prompt på tværs af modeller og behold den version, der giver det mest nøjagtige og brugbare output.