Arbeidsflyt 1: fra møtenotater til handlingsplan
Bruk denne arbeidsflyten etter samtaler, salgsmøter og planleggingsøkter. Målet er en beslutningsklar handlingsplan med ansvarlige, datoer, åpne spørsmål og oppfølgingspunkter, ikke enda et sammendrag.
Inndata -> prompt -> output -> QA. Hver arbeidsflyt i denne guiden bruker de samme fire trinnene. Hvis det er selve promptsteget du er usikker på, dekker rammeverket prompt engineering for beginners hvordan du skriver instruksjonen, konteksten, begrensningene og formatet som hver mal under forutsetter.
| Trinn | Hva du gir inn | Hvorfor det er viktig |
|---|---|---|
| Inndata | Det reelle materialet: en transkripsjon, en innboks, kildesider, en diff, en oppgaveliste eller et utkast | Vage forespørsler lar modellen gjette ansvarlige, datoer og påstander du aldri ga den |
| Prompt | Rolle, kontekst, begrensninger og det eksakte outputformatet | Begrensninger er det som holder modellen unna private data og beslutninger som krever menneskelig vurdering |
| Output | En navngitt struktur: handlingstabell, prioriteringskø, uttrekkstabell, funnliste, timeplan eller innholdspakke | Et navngitt format er langt lettere å kontrollere enn løpende tekst |
| QA | En sjekk som sporer hvert punkt tilbake til kilden før du handler | Navn, datoer, tall og forpliktelser trenger fortsatt et menneske som godkjenner dem |
Ferdige malpakker. De syv arbeidsflytene under er de generelle formene. Disse to pakkene er de utfylte versjonene, allerede skrevet ut prompt for prompt.
| Mal | Hva den gjør | Best for |
|---|---|---|
| Founder Research Stack | Ni kopierbare prompter for markedskart, konkurrentgjennomganger, prisstruktur, posisjonering og analyse av kundespråk, som ender i et utkast til landingsside | Gründere, konsulenter og operatører som skal bestemme hvor de sikter og hva de skal ta betalt |
| Claude Coding Prompt Pack | Tolv kopierbare prompter for feilsøking, kodegjennomgang, refaktorering, arkitekturgjennomganger og testdesign, med begrensningene som stopper en liten fiks fra å bli en full omskriving | Utviklere som vil ha en diff de kan gjennomgå i stedet for en gjenoppbygd fil |
Inndata: transkripsjon, grove notater, deltakerliste, møtets formål, kjente frister og eventuelle beslutninger du allerede stoler på. Hvis transkripsjonen er lang, merk seksjonene med tema eller tidsstempel før du prompter.
Prompt: "Gjør disse møtenotatene om til en handlingsplan. Kontekst: Møtets formål var [formål]. Deltakerne var [navn]. Notater/transkripsjon: [lim inn]. Begrensninger: Ikke finn opp ansvarlige eller datoer. Merk uklare punkter som trenger bekreftelse. Skill beslutninger fra diskusjon. Format: sammendrag, beslutninger, tabell med handlingspunkter, risikoer, oppfølgingsmelding."
Output: et brev i fem deler med et kort sammendrag, bekreftede beslutninger, en handlingstabell med ansvarlig/dato/status, uavklarte spørsmål og en klar oppfølgings-e-post.
QA: Sjekk hvert handlingspunkt mot transkripsjonen. Fjern alt AI-en tolket for sterkt. Bekreft datoer og ansvarlige før du sender. Hvis outputen blir for bred, kjør prompten på nytt med én ekstra begrensning: "Ta bare med tiltak noen eksplisitt gikk med på å gjøre."
Arbeidsflyt 2: fra e-postsortering til svarkø
Denne arbeidsflyten hjelper deg med å behandle en full innboks uten å la AI-en snakke på dine vegne ukontrollert. Den nyttige outputen er en prioriteringskø, ikke en gruppe roboaktige svar.
Inndata -> prompt -> output -> QA
Inndata: avsender, emnelinje, e-postens innhold, relasjonskontekst, hastegrad og din foretrukne svarstil. For sensitive tråder, fjern private data før du limer inn, og be modellen lage et utkast fremfor å sende.
Prompt: "Sorter disse e-postene for i dag. Kontekst: Min rolle er [rolle], mine prioriteringer er [prioriteringer], og tonen min skal være [tone]. E-poster: [lim inn]. Begrensninger: Ikke svar på spørsmål som krever private kontodata. Flagg alt som trenger menneskelig vurdering. Format: prioriteringstabell, anbefalt tiltak, svarutkast for hver e-post som trygt kan besvares."
Output: en tabell med prioritet, begrunnelse, neste steg, forslag til svar og risikoflagg. Fakturasaker, kontotilgang og løfter bør flagges for manuell gjennomgang.
QA: Les prioriteringsbegrunnelsen først. Hvis modellen ikke kan forklare hvorfor en e-post haster, nedgrader den. Sjekk alle navn, datoer, løfter, priser og vedlegg. Behold en personlig regel: AI kan lage utkast til svar, men mennesker godkjenner forpliktelser.
Arbeidsflyt 3: fra konkurrentanalyse til researchnotat
Bruk dette som en AI-arbeidsflyt for research når du trenger et raskt, men sporbart bilde av et marked uten å drukne i faner.
Inndata -> prompt -> output -> QA
Inndata: konkurrentnavn, notater fra nettsider, prisutdrag, produktsider, anmeldelsesutdrag, målkunde og beslutningen du prøver å ta. Du kan også starte fra Whizis Founder Research Stack når du vil ha en mer komplett mal.
Prompt: "Lag en konkurrentanalyse for [marked]. Kontekst: Jeg skal ta beslutningen [beslutning]. Konkurrenter og notater: [lim inn]. Begrensninger: Bruk bare de oppgitte notatene. Skill fakta fra tolkning. Ikke finn opp priser, kunder eller funksjoner. Format: sammenligningstabell, posisjoneringsmønstre, hull, risikoer og neste researchspørsmål."
Output: en sammenligningstabell med konkurrent, målgruppe, løfte, funksjoner, prisnotater, bevispunkter, svakheter og antatt posisjonering. Den beste versjonen har også en kolonne for "hva som bør verifiseres videre", slik at researchen ikke later som om den er endelig.
QA: Spor hver påstand tilbake til et notat eller kildeutdrag. Marker ubegrunnede tolkninger. For viktige beslutninger, kjør samme prompt i en annen modell og sammenlign hvilken output skiller bevis fra mening klarest.
Arbeidsflyt 4: fra PDF-sammendrag til verifisert uttrekk
Generiske PDF-sammendrag er risikable fordi de kan hoppe over forbehold eller overdrive konklusjoner. Denne arbeidsflyten ber om uttrekk og verifisering før noe sammendrag.
Inndata -> prompt -> output -> QA
Inndata: PDF-teksten eller det opplastede dokumentet, dokumenttype, formålet ditt, seksjonene som betyr mest, og den nøyaktige outputen du trenger. Hvis dokumentet er langt, be om sammendrag på seksjonsnivå før du ber om en syntese.
Prompt: "Analyser dette dokumentet for [formål]. Kontekst: Dokumenttypen er [type] og jeg bryr meg mest om [temaer]. Begrensninger: Siter eller referer til seksjonsnavn der det er mulig. Merk usikre punkter. Ikke oppsummer seksjoner du ikke kan se. Format: ettsides sammendrag, tabell med nøkkelfakta, risikoer/forbehold, uttrukne datoer/tall/navn og en verifiseringssjekkliste."
Output: et kompakt sammendrag pluss en strukturert uttrekkstabell. En tabell for en forskningsartikkel kan inkludere påstand, bevis, metode, begrensning og sikkerhet. En kontraktstabell kan inkludere forpliktelse, part, frist, seksjon og risiko.
QA: Søk i det originale PDF-dokumentet etter hvert tall, hver frist, hver navngitt enhet og hvert sitat. Be om en ekstra runde: "List fem måter dette sammendraget kan være misvisende på." Hvis svaret påvirker juridiske, medisinske, økonomiske eller ansettelsesrelaterte beslutninger, behandle AI-outputen som en lesehjelp, ikke rådgivning.
Arbeidsflyt 5: fra kodegjennomgang til tryggere endringsliste
Denne AI-arbeidsflyten for koding er nyttig når du har en diff, en pull request eller en fil du vil ha gjennomgått. Poenget er å redusere risiko, ikke å sette bort vurderingen.
Inndata -> prompt -> output -> QA
Inndata: kodediff, omkringliggende funksjon eller modul, forventet oppførsel, testresultater, feilmeldinger, begrensninger og hva som ikke skal endres. Lim aldri inn hemmeligheter, produksjonslegitimasjon eller private kundedata.
Prompt: "Gjennomgå denne koden som en senior utvikler. Kontekst: Forventet oppførsel er [oppførsel]. Målet med endringen er [mål]. Kode/diff: [lim inn]. Begrensninger: Prioriter feil, regresjoner, sikkerhetsproblemer, grensetilfeller og manglende tester. Unngå tilbakemeldinger som bare handler om stil, med mindre det skjuler en feil. Format: funntabell med alvorlighetsgrad, fil/funksjon, problem, hvorfor det betyr noe, forslag til fiks og test som bør legges til."
Output: en rangert gjennomgangsliste, foreslåtte tester og en minimal endringsplan. For refaktorering, be om den minste lesbarhetsforbedringen som bevarer oppførselen, og list deretter testene som beviser det.
QA: Reproduser hver feil før du fikser den, når det er mulig. Ikke godta en foreslått fiks uten å lese den. Kjør tester, linting og typesjekker lokalt. Hvis to modeller er uenige, bruk uenigheten som en sjekkliste for gjennomgang i stedet for en avstemning.
Arbeidsflyt 6: fra daglig planlegging til fokusert timeplan
En daglig AI-rutine bør hjelpe deg å velge hva du ikke skal gjøre. Denne arbeidsflyten gjør en rotete liste om til en fokusert plan med realistiske tidsblokker, avveininger og et avslutningspunkt.
Inndata -> prompt -> output -> QA
Inndata: oppgaveliste, kalenderbegrensninger, frister, energinivå, møter, må-gjøre-punkter, valgfrie punkter og ett strategisk mål. Jo ærligere inndataene er, jo bedre blir planen.
Prompt: "Planlegg dagen min rundt resultater, ikke aktivitet. Kontekst: Dagens tilgjengelige arbeidsblokker er [blokker]. Må-gjøre-punktene er [må-gjøre]. Valgfrie oppgaver er [valgfritt]. Energinivået er [energi]. Det strategiske målet er [mål]. Begrensninger: Beskytt dyp arbeidstid, inkluder buffere, unngå å love bort for mye, og forklar avveininger. Format: timeplan, topp 3 resultater, utsettelsesliste, risikoliste, avslutningssjekkliste."
Output: en tidsblokkert timeplan, tre resultater, en utsettelsesliste og en avsluttende rutine på 10 minutter. Utsettelseslisten betyr noe fordi den hindrer AI-en i å få en umulig dag til å se ryddig ut.
QA: Sjekk om planen passer med kalenderen din i praksis. Kutt 20 prosent hvis den føles for full. Hvis en oppgave ikke har en definisjon på "ferdig", be modellen definere det før du starter.
Arbeidsflyt 7: fra gjenbruk av innhold til publiseringspakke
Denne AI-arbeidsflyten for skriving gjør én nyttig kilde om til flere publiseringsklare tekster uten at alt høres likt ut.
Inndata -> prompt -> output -> QA
Inndata: kildeinnhold, målgruppe, kanalliste, en smakebit på merkevarens tone, påstander som må forbli korrekte, påstander som skal unngås, og de ønskede formatene. Ta med eksempler på ditt beste eksisterende innhold hvis du vil ha mindre generisk output.
Prompt: "Gjenbruk denne kilden til en publiseringspakke. Kontekst: Målgruppen er [målgruppe]. Kanalene er [kanaler]. Smakebit på tone: [lim inn]. Kilde: [lim inn]. Begrensninger: Behold fakta, unngå oppblåst språk, ikke legg til ubegrunnet statistikk, og gjør hver kanal naturlig for sitt format. Format: kjernebudskap, 5 ideer til innlegg, e-postutkast, korte innlegg til sosiale medier, langt innlegg til sosiale medier, nyhetsbrevseksjon og QA-tabell."
Output: en innholdspakke med gjenbrukbare vinklinger, kanalspesifikke utkast og en QA-tabell som lister original påstand, gjenbrukt påstand, kildeplassering og risiko.
QA: Sammenlign hvert utkast med kilden. Fjern påstander som ble lagt til for dramaets skyld. Sjekk om e-posten, innlegget og artikkelens innledning har ulike oppgaver i stedet for å gjenta den samme setningen. Lagre prompten som en gjenbrukbar ai-promptmal først etter at den har fungert på et ekte stykke innhold.
- Start hver AI-arbeidsflyt med ekte inndata, ikke en vag forespørsel.
- Definer outputen før du kjører prompten: tabell, sjekkliste, notat, utkast, plan eller uttrekk.
- Legg til begrensninger for bevis, personvern, tone, lengde og usikkerhet.
- Be om et QA-steg som del av outputen, ikke i etterkant.
- Lagre gjenbrukbare prompter etter arbeidsflyt, ikke etter modell: et Whizi-prosjekt rommer opptil 10 festede filer og 32 000 tegn med faste instruksjoner.
- Kjør viktige arbeidsflyter i mer enn én modell og sammenlign nøyaktighet, struktur og opprydningstid.
- Oppdater hver mal etter at du har brukt den på en ekte oppgave.
Vanlige spørsmål
Hva er en ai workflow template?
En ai workflow template er en gjentakbar prosess som definerer inndataen, prompten, forventet output og en kvalitetssjekk for en spesifikk oppgave, som å oppsummere PDF-er, gjennomgå kode eller sortere e-post.
Hvordan bygger jeg en AI-arbeidsflyt for jobben?
Start med én tilbakevendende oppgave, list opp inndataene den trenger, skriv en prompt med begrensninger og outputformat, og legg til en QA-sjekkliste som verifiserer fakta, beslutninger, navn, tall og neste steg.
Bør jeg bruke samme AI-modell for hver arbeidsflyt?
Nei. Ulike modeller kan prestere bedre på ulike oppgaver. For viktige arbeidsflyter, kjør samme prompt på tvers av modeller og behold versjonen som gir den mest nøyaktige og brukbare outputen.