ChatGPT Work实战：10个AI Agent自动化工作流

ChatGPT正在经历一次身份转变——从对话工具变成能替你交付成果的Agent。区别在于：提示词给你一个答案，工作仍在你自己手上；而ChatGPT Work接收目标与方向后，会自行规划步骤、调用工具、返回完整交付物。

但开箱即用的它，更像一个聪明的新员工第一天上班：能力足够，却需要你每次都从头解释背景。真正的差距来自你围绕它搭建的配置层——一个项目（Project）让它了解你的品牌，一个技能（Skill）让它按你的工作方式执行，一个定时任务（Scheduled Task）让它在你没开口时就自动出现。

ChatGPT Work有两种运行模式：云端（网页或移动端）与桌面本地。多数场景下我们更希望等待电脑关机后Agent仍继续工作，因此云端是主要入口；只有在需要读取本地文件夹中的文件时，才切到桌面端。

以下10个用例，覆盖研究、获客、演示、营销活动等高重复场景，展示Agent如何真正把工作从你手中接手。

1. 演示报告Agent：把数据变成有故事的幻灯片

大多数人的做法是让AI“生成幻灯片”，得到一份漂亮的摘要。但好的演示是一个故事——一个清晰的信息加上支撑证据。

正确顺序是先把品牌上下文装进ChatGPT项目，设置项目指令，让Agent在每次执行任务时都了解品牌调性。案例中是Clarely这家患者接诊平台，手头有报告、会议笔记等材料，需要为团队会议准备叙事。把文件挂载上去（或指向已连接的云盘），再用自定义技能先打磨故事线，而非直接总结报告。

注意这里没有给分步指令——Agent自行规划步骤、逐份阅读文件并做出判断。它产出完整演示并挂在ChatGPT Sites上，每一页都有故事线和核心信息。演示是交互式的：悬停数字可查看细节，一键在“管理层版”与“团队版”之间切换，点击编辑即可改标题与正文，然后下载更新后的版本。团队无需再回头找AI改稿。

由于项目中已内置品牌风格，未来的演示可复用同一流程。这就是“和AI聊天”与“拥有一个Agent”的分界线。

自定义技能（Skill） 是 ChatGPT Work 的配置单元之一，本质是一段可复用的指令包，把特定任务的工作方式（步骤、标准、输出格式）固化下来。与项目（Project）提供背景上下文不同，技能更侧重“怎么做”：例如案例中“先打磨故事线再生成幻灯片”的流程，一旦保存为技能，下次处理同类任务时 Agent 会自动按此流程执行，无需重复描述。技能可以包含对输出质量的检查清单、品牌语调约束或特定工具调用顺序，是让 Agent 从通用助手变为专属工作伙伴的关键机制。

ChatGPT Sites 是 OpenAI 提供的轻量级发布功能，允许 Agent 将生成的网页、交互式演示或提案直接托管为一个可访问的在线站点。与普通文件不同，Sites 产出的页面支持交互（如悬停查看数据、切换视图）、可编辑并保持版本更新，适合需要分享给团队或客户的交付物。案例中的演示报告挂在 Sites 上，团队无需下载文件即可浏览和修改，这也解释了为什么“无需再回头找 AI 改稿”——改动直接在发布页面上完成。

2. 网站重设计Agent：从参考图到可上线站点

品牌官网需要翻新、个人作品集要上线、或者只是想验证一个点子——ChatGPT能把你从现有站点或粗想法带到可运行的网站。

案例中是一个内容老旧、外观过时的宠物美容网站。第一步是去Pinterest找设计参考（Agent的信息源不限于此，但这是创作者的常用习惯），把参考交给ChatGPT。这一步启用了Product Design插件——OpenAI的免费插件，用于快速搭建首个原型，网站、产品、工具皆可。

指令是：先审计转化问题，再用同一品牌与内容重设计，并加上预约表单。Agent会打开线上站点、逐项发现并标注问题，你可以点击查看它正在做什么。随后它用插件返回三套重设计概念稿，可逐一点开细节、在图上批注评论、让它修改后再真正构建。它同时返回审计结果。

选定方案一后确认构建。ChatGPT生成新版本并作为线上站点发布，是一个完全可用的网站——首屏大图、行动号召横幅都在，文案保持不变，仅更新设计。还可以实际走一遍预约流程，线索捕获功能正常工作，后台能看到采集到的线索。

它并非最终完美版本——图片仍有AI感、缺少细微动效——但对比旧版已是巨大升级。同一套Agent可用于任何自有或客户网站：给它品牌资产包，让它快速出一版翻新。

Product Design 插件 是 OpenAI 提供的免费插件，专为快速生成产品原型而设计。它并非直接产出最终代码，而是根据指令和参考图生成多套设计概念稿，供用户比较、批注和迭代。其价值在于把“想法→视觉原型”的周期压缩到几分钟，且支持在图上直接评论让 Agent 修改。案例中 Agent 先用该插件返回三套重设计概念，用户选定后再执行实际构建，这种“先概念后构建”的分段方式避免了直接生成完整站点带来的返工成本。插件与项目、技能的区别在于：插件扩展的是 Agent 的能力边界（如设计、数据分析），而非工作流程。

3. 受众研究Agent：并行深挖真实用户声音

好文案来自客户之口，但在还没有足够用户信号时怎么办？答案是社交聆听——但读完数百条Reddit帖子和评论，轻松耗掉一整天。

案例是为面向小微企业主的会计软件Wave做营销。给Agent一个高层方向：找出小企业主在会计工具上的痛点，指定Reddit社区、软件评测站等来源，并要求它按来源拆分子Agent并行执行。这样做是为了让每个子Agent专注一个来源，比单个Agent全部浅扫更快也更深——研究范围越大，这个策略越有价值。

Agent用云端浏览器实际浏览网站，派出三个子Agent各抓取一个数据源。超过35分钟后，返回一份30多页的受众洞察报告：核心发现、建议的信息传达方向。这类发现之所以珍贵，是因为它们基于真实评论、真实需求、对竞品的真实抱怨，可以看到买家共同的摩擦点。每条线索都可点击回溯验证。

Agent还对比了品牌现有落地页，基于这批真实数据提出新的定位方向——“简单记账，少琢磨”。这套流程几乎适用于任何细分行业，而且可以保存为技能，下次换个产品或品牌直接复用。

子 Agent（Sub-agent） 是 ChatGPT Work 在复杂任务中采用的并行执行策略。主 Agent 将大任务拆分为多个子任务，每个子 Agent 专注一个数据源或一个竞品，独立执行后汇总结果。这样做的好处是深度与速度兼得：单个 Agent 顺序处理所有来源时容易浅尝辄止，而子 Agent 可以各自深入爬取、分析，最后合并为一份综合报告。案例中三个子 Agent 分别抓取 Reddit、评测站等来源，35 分钟后返回 30 多页报告。研究范围越大、来源越异构，并行子 Agent 的优势越明显；但需注意主 Agent 的汇总质量取决于拆分逻辑是否清晰。

4. 数据分析Agent：从“发生了什么”到“为什么”

多数仪表盘只告诉你发生了什么，而利益相关方想知道为什么，找人通常要花数小时挖数据。

案例是一家客户支持软件品牌，Google Sheets中有演示申请、广告花费、网站流量三份数据。当分析涉及两个以上数据源时，建议先清洗数据，把Google Sheets或BI工具作为LLM的数据分析层。

该品牌上月演示申请下降约30%。借助Data插件，让Agent找出原因：逐一核查每个可能原因，并构建交互式仪表盘。约15分钟后，仪表盘先给出结论——移动端转化断裂解释了95%的线索流失；随后围绕这个故事呈现按设备拆分的指标和趋势线，并列出其他潜在解释。

最有价值的部分，是让Agent跨数据集综合、提出多个假设。这类分析过去很耗时，因为必须从不同角度逼近同一问题才能形成准确判断。Agent在此类假设构建上很有帮助——不是盲信它说的每句话，而是获得多个视角，供你进一步深挖并给出有效方案。

更进一步，可以设为定时任务：每周一刷新最新数据，演示申请下降超过10%时自动提醒。

5. 线索生成Agent：用老线索挖出新机会

多数人以为线索生成就是抓取新名字。但最快找到新客户的方式，是从那些几个月前因预算或时机而流失的线索开始。

案例是为面向B2B SaaS团队的AI内容与SEO平台SiteLib做获客。先用LinkedIn插件（免费，基于公开信息，不涉及敏感数据）查找目标职场人士，再用演示工具搭建拓客计划，选择模板并接入Gmail以便起草个性化邮件。

Agent审阅全部线索数据，用LinkedIn确认其最新任职公司，并识别购买信号——新融资、招聘内容营销人员、产品发布等。它确实筛出了一些线索：有人已换岗，但这不是过时线索，而是一家新公司的温暖联系人，对方本就认识你。

随后按三个维度打分：ICP匹配度、关系温度、时机紧迫度，三者越强得分越高。Agent产出拓客计划、邮件草稿和优先账户清单。计划本身设计不算精美，但内容更重要：对话回顾方式、打分定义、每个账户基于三项标准的评分卡，以及针对每个账户的切入角度、关键联系人、分数和渠道。它还发现了新的融资消息和相似账户，并给出两周执行计划，从CRM归属到合格账户再到新账户，甚至为每个对象起草个性化邮件。

真实场景中，你可能想拆成两步，或用更多ABM工具丰富信号。但核心逻辑成立：给它你的数据与上下文，Agent能帮你丰富线索信号、找到高优先级目标，甚至搭建触达计划。

6. 营销活动Agent：从简报模板到全套素材

营销人总在策划活动、准备简报、头脑风暴方向，还要反复解释品牌是什么。

第一步是建立一个Google团队云盘，存放品牌资产、产品图等全部素材，在ChatGPT项目的指令中连接该云盘。然后用模板创建插件生成可复用的活动简报模板——小技巧：如果有表现不错的历史活动，上传其简报并在其基础上构建模板效果更好。于是得到一个带品牌感的模板，供Agent起草活动计划时使用。

实战场景是规划一个假日季活动，已有初步想法与方向。让Agent先提出三个活动创意，它会基于对品牌的了解给出三个核心角度。选定方向一后，让Agent完成活动简报、生成创意素材，并把所有文件保存到团队云盘。约15分钟后，简报与素材包返回并已存好。

素材预览显示共六份，涵盖信息流尺寸、方形尺寸、故事尺寸，且使用了云盘中的产品图。冬季礼盒活动简报涵盖信息传达、优惠、创意方向、渠道等细节。这不意味着它已定稿可发布，但你可以让Agent基于成功标准，为未来任何活动完成初稿。

7. 竞品研究Agent：像买家一样点击每个环节

竞品研究不是网站摘要，真正的洞察藏在细节里——信息传达、优惠、漏斗流程，这正是Agent能省时间的地方。

案例是一个法语教学品牌。给Agent三个竞品网站加自家网站，要求它像买家一样探索每一个，并做完整拆解。它把工作拆成三个子Agent，各自同时点击一个竞品站点。20多分钟后，所有结果存入云盘，包括SWOT文件和竞品追踪表。

追踪表按竞品品牌组织，每个文件夹下保存带批注的关键漏斗阶段。这种拆解过去极耗时，如今Agent在后台慢慢爬取并把一切收进SWOT文件。

另一份产出是竞品追踪表：每个品牌按目标买家、定位、行动号召与优惠、定价、线索磁铁、注册流程等维度拆解。它让横向对比一目了然，还包含每个品牌的漏斗拆分及观察结论，以及变更日志和项目计划。项目计划部分略显冗余，但竞品追踪表在制定任何营销策略时都极为有用——结合前面提到的受众研究，Agent能让你更清楚品牌该如何定位、增长机会在哪里。

8. 声音克隆Agent：从样本模仿到风格剖析

需要以特定声音写作的人都适用。多数人的做法是粘几段样本告诉AI“照这个写”，但这样只复制了表面，AI并不知道你哪种写法真正有效。

更好的方式是：作者要为自己创建脚本起草技能，先让Agent调取最近20期长视频脚本（用YouTube分析工具拉取字幕，或把字幕整理到文件夹指向它），分析说话模式、节奏、结构方式、用词习惯，建立声音档案和可复用技能。一个技巧是让它按需拆分子Agent，因为这是典型的繁琐批处理任务。

声音档案包含摘要、声音身份、说话模式、故事结构方式，准确度相当高，还给出了不同示例和定稿前的检查要点。实际使用时，用ChatGPT文档功能挂上该技能，基于视频大纲产出开场钩子和引入段落并存为工作文档。产出的钩子与作者的说话方式相当接近，尤其是段落间的过渡。

同一原理可迁移到邮件、社媒帖、newsletter，或服务多个客户与品牌时使用。这里真正起决定作用的是你喂给Agent的源材料——多花时间收集好素材，效果会有天壤之别。

9. 提案Agent：把发现通话变成可成交的网页

很多人已用AI写提案，但仍要手工粘贴定价、翻找案例、修设计。

案例回到SiteLib，项目里已备好定价、过往提案、品牌资产。用Sites插件附上潜客的发现通话记录，指令是把它变成能赢单的提案。Agent先从通话中梳理对方需求，再开始研究，同时构建PDF提案和网页版。

网页版提案已上线：符合品牌调性，包含潜客品牌名与Logo，以对方处境而非模板开场白开篇，配上最相关的案例研究来支撑故事，最后是三个定价方案，潜客可直接选择并更新提案，也能就地提交接受，或下载包含全部信息的PDF。整个体验像一个自助门户。

还可以保存为提案技能：下个客户只需附上新通话记录。真正的价值不在提案本身，而在于把不变的东西放进项目，只附加变化的部分，然后向Agent要成品。自由职业者可用它做工作说明书，企业营销人可用它做预算申请，顾问可用它做审计报告——应用场景无穷。

10. AI可见度Agent：反向工程AI给出的答案

AI搜索已是品牌优先级，但多数人止步于追踪AI是否提到品牌。追踪本身不改变答案。应当反向工程AI已经说了什么，找到它引用的具体句子，让品牌成为AI下次最可能选中的显眼答案。

开工前先让Agent基于已有品牌事实，创建一份可复用的品牌化AI搜索内容简报模板。目标定为提升AI可见度：购物者问AI“买什么”时能找到我们，针对前期研究锁定的一个高意图问题优化。建议一次只做一个问题，这样洞察更深——AI搜索优化永远质量优先于数量。

Agent用浏览器检查ChatGPT与Google AI Mode上的结果（有时它会被拦截，可能需要登录绕过限制）。约15分钟后结果存入内容规划文件夹，包括捕获的回答和内容简报。这份简报相当细致：不仅有AI回答快照，还有从可见答案推断出的漏斗图谱、基于品牌事实我们希望AI如何描述自己、内容结构建议（标题与证据），以及为提升独特性应提供的原创数据或证据。

尤其值得称道的是附录中的逐会话写作任务，涵盖所有潜在漏斗查询的问答，尽可能覆盖与核心话题相关的搜索问法。最大价值在于：Agent把AI搜索从猜测变成一份有真实数据支撑的清晰写作计划，而你无需手工完成这些。

AI 搜索可见度（AI Search Visibility） 指品牌内容在 AI 生成答案（如 ChatGPT、Google AI Mode）中被引用或提及的程度。传统 SEO 追踪关键词排名，而 AI 搜索优化关注的是“AI 在回答用户问题时引用了哪句话、哪个来源”。反向工程的核心是：先捕获 AI 对目标问题的现有回答，分析其引用的具体句子和证据类型，再针对性地创作内容，使品牌成为 AI 下次生成答案时最可能选中的显眼来源。这要求内容具备结构化证据（数据、原创研究、明确结论），而非仅靠关键词密度。案例中的内容简报正是基于真实 AI 回答反推写作计划，把优化从猜测变为有数据支撑的行动。

这10个用例的共同逻辑

回看整份清单，重复出现的不是某个具体任务，而是一种配置思路：把稳定的部分——品牌上下文、工作标准、数据结构——固化为项目与技能；把变化的部分——新报告、新通话、新线索——作为附件传入；然后向Agent要成品。差异不在提示词写得多巧，而在你围绕它搭了什么。