AI First 个体工作流：一个税务士如何用 Agent 服务 60 家公司

源站介绍了一个很有代表性的案例：一位日本税务士把原本需要多人处理的重复任务，改造成由 Claude Code、MCP 和外部工具驱动的工作流。重点不在“一个人完成所有事”，而在于先把工作写成一套可检查的公司系统。

工作流的基本结构

案例中，Claude Code 负责协调 Gmail、Google Calendar、Notion 和账务软件等工具。系统定时收集未处理交易，先用较低成本的模型做分类，遇到不确定项才升级给更强模型或人工。这种分层比所有步骤都调用最贵模型更容易控制成本。

四种 Agent 架构

• Supervisor：一个总控 Agent 分配任务并汇总结果。
• Crew：多个角色明确的 Agent 协作完成一条流程。
• Graph：用固定节点和条件分支表达可追踪的业务流程。
• Tool Use：让 Agent 调用邮件、日历、数据库和内部系统。

架构选择应从失败处理和审计需求出发。高风险步骤应是显式节点，保留输入、输出、权限和人工确认记录。

把案例变成可复制方法

1. 先列出每周重复超过三次的任务。
2. 为每项任务写输入、判断标准、输出格式和例外情况。
3. 先让 Agent 生成草稿，不直接执行不可逆操作。
4. 用低风险真实数据试跑，记录节省时间和人工返工。
5. 只有当流程稳定后，才增加工具权限或自动触发。

本地硬件可以降低长期运行多个模型的网络和成本压力，但不能替代数据治理、备份和权限控制。硬件只是基础设施，真正的壁垒仍是可维护的流程与业务知识。

来源

本文根据 AI 邮报原文 整理，文中案例、模型和硬件信息请以源站原文及厂商最新资料为准。