700人律所如何用AI智能体+ n8n自动化Slack工作流

当一家700到800人的律所把几乎所有协作都搬进Slack，问题并不会因为工具先进而自动消失——长时语音会议没人记录、私信里派发的任务凭空蒸发、新人入职靠人肉带路、漏接的电话无人复盘。一家自动化服务商（视频中称为“soft”）接手了这个客户，用n8n搭起一串“触发器 + AI步骤 + Slack动作”的小链条，把信息收集与任务分派从人手里挪到工作流里。

问题不在Slack，而在“人肉中间层”

这个案例的麻烦很具体：高管和部门负责人在Slack里开会、派活，但没有人做会议纪要；任务通过DM私下传递，没有统一入口；需要出庭的律师得自己翻遍所有频道拼凑案件上下文；新员工入职后不知道做什么，必须有人手动私信告知；电话会议漏接后，没人知道发生了什么。

据视频讲述，这些环节此前都由专门招聘的人员负责收集和转达，形成了一层昂贵且易出错的“人肉中间层”。自动化要做的不是替换Slack，而是把这层传递工作拆解成可复用的工作流。

四条工作流，对应四类高频损耗

服务商为客户设计了四类自动化，每条都遵循同一个极简结构：一个触发事件、一个AI处理步骤、一个Slack内的执行动作。

案件上下文自动聚合

律师出庭前需要的历史信息散落在各个频道。工作流在需要时触发，由AI步骤从相关频道中提取并汇总案件背景，再以结构化形式回传到Slack，减少人工翻频道的时间。

“AI智能体”（AI Agent）在这里并非指一个独立运行的全能程序，而是指工作流中被赋予特定角色与提示词的大模型步骤：它接收从Slack频道抓取的消息文本，按预设指令完成筛选、归并与结构化输出。与单次问答不同，智能体步骤可以结合上下文、调用工具（如检索历史消息）并产出格式化结果。在案件聚合场景中，它需要判断哪些消息与特定案件相关、剔除闲聊噪声，再整理成时间线或要点列表。这类任务传统上依赖人工阅读，正是大模型擅长而规则引擎难以胜任的部分，也是引入AI步骤而非纯关键词匹配的核心原因。

入职引导智能体

新员工入职不再依赖某位同事手动DM。触发后，AI步骤根据角色生成应知应会清单，并在Slack中推送对应任务与指引，把“有人带”变成“流程带”。

漏接电话与长会议复盘

这是两个高频痛点：漏接的电话无人知晓内容，长时语音会议结束后无人记得结论。工作流捕获这些事件后，用AI生成摘要与待办清单，回传到Slack，让“发生了什么”变成可检索的记录。

语音转写与摘要通常分两步完成：先由语音识别（ASR）服务把录音转为文字，再由大模型对文本做摘要、提取待办与责任人。对长会议而言，单纯全文转写的价值有限，关键是生成结构化的结论与行动项，这需要模型在长文本中识别决策点与承诺事项。漏接电话场景则更依赖触发机制——电话系统需通过Webhook把未接来电及录音推送到工作流，否则后续的AI步骤无从启动。理解这一点有助于把握该方案的前提：自动化的效果高度依赖上游事件能否被可靠捕获并标准化为工作流可消费的数据格式。

为什么是n8n而不是纯Slack原生自动化

Slack自带的自动化能力偏向简单触发与通知，跨频道信息聚合、非结构化内容理解这类工作超出其范围。n8n的价值在于把事件触发、AI推理和Slack动作串成一条可维护的链：每个场景都是一条独立的小链条，出错影响面小，也便于按需扩展。

这种“小链条”架构的另一个好处是可解释性——律所这类对准确性敏感的组织，需要能看清每一步做了什么，而不是一个黑箱。

n8n是一款开源的工作流自动化工具，采用可视化节点编排的方式，让用户把不同系统的API调用、数据处理和条件分支串联成一条可执行的流程。与Zapier等SaaS类工具相比，n8n可以自托管，数据不出企业内网，这对律所这类对保密性要求极高的组织尤为关键。它内置了大量连接器，也支持HTTP请求和自定义代码节点，因此能灵活调用大模型API来完成摘要、分类、信息抽取等任务。文章所说的“触发器+AI步骤+Slack动作”，对应的正是n8n中Webhook或定时触发节点、AI/HTTP请求节点与Slack节点的组合。这种节点化设计让每一步的输入输出都可见、可调试，天然满足可解释性需求。

可复用的实施思路

从这一案例可以提炼出几条对中大型组织适用的原则：先识别“信息在哪里产生、在哪里丢失”，再把每个丢失点映射为一条独立工作流；每条工作流保持最小结构，避免过早做大而全的平台；AI步骤只负责理解与归纳，动作仍落在团队已经日常使用的Slack里，降低 adoption 成本。

视频结尾的口号是“把工作从人移到工作流”，但对700人规模的组织而言，更准确的说法可能是：把人从信息搬运中释放出来，去做需要判断的事。