你要学会什么
核心不是 RPA，也不是某个脚本参数。核心是一个普通用户如何把 AI 从「聊天回答」推到「工程交付」。
这个案例的核心不是八爪鱼 RPA，也不是某个具体的技术脚本。核心是：一个非技术背景的普通用户，如何把 AI 从一个只会口头作答的聊天玩具，一步一步推到真正落地生产的工程交付闭环。
绝大多数人面对 AI 的失败，都源于在一无所有时要求 AI 盲目输出。真正的工程方法是建立清晰的阶段性交付物：用 PRD 锁住需求，用技术方案锁住架构，用独立质检拦截缺陷，用完整归档沉淀资产。
整理 PRD 文档
把零散日常的聊天对话，转化为结构化的产品需求，明确目标、场景与边界。
升级需求与方案
让 AI 将需求细化为工程文档和技术方案，设计清晰的状态机与回滚预案。
多 Agent 并行流水线
拒绝单体 AI 闷头乱改，将工作拆分为多个单一职责工作包并行开发。
独立 Agent 盲审
引入不参与编写的第三方质检 Agent，以极其挑剔的眼光专门审查代码漏洞。
持续修复与复核
建立「发现问题 → 精准修复 → 重新盲审」闭环，直至高危阻断项全部清零。
可验收交付与沉淀
不仅交付代码，更将原始对话、验收记录与学习网页全量归档入库。
完整流程：照着做就行
从原始材料收集，到 PRD、需求 v2、技术方案、多 Agent 实现、对抗质检、修复闭环、验收归档，再到可学习网页。
先把真实聊天收集起来
不要一开始就要求 AI 写代码。先让 AI 回顾你们之前怎么讨论、遇到过什么问题、临时怎么解决。
把之前关于这个 RPA 技能的聊天和操作过程整理成 PRD，保留真实问题、临时脚本、失败点和最终目标。 让 AI 产出标准 PRD
PRD 是「为什么做、做什么、哪些场景必须覆盖」。检查：有没有背景、目标、用例、非目标、验收标准。
按背景、目标、用户场景、功能需求、非功能需求、验收标准，生成一份可执行 PRD。 再让 AI 拆成需求规格 v2
PRD 往往偏宏观。需求规格要更加工程化：清晰定义动作语义、安全确认机制、状态机跃迁、输出契约与测试矩阵。
让技术 Agent 撰写方案
技术方案绝对不是马上改代码，而是说明怎么改、改哪些文件、确保哪些现有行为绝不被破坏、以及出现故障如何安全回滚。
让实现 Agent 分包执行
严禁单个 Agent 贪大求全。将任务原子化拆解为：契约骨架、核心运行逻辑、环境回退方案、文档与测试工作包。
引入独立质检 Agent 盲审
开启一个全新的 Agent 只看需求契约和当前代码，不了解实现者的内部心智，站在第三方角度挑刺，重点深挖 High/Medium 缺陷。
修复 → 再质检 → 再修复
严格遵循修复闭环。每一轮质检发现问题立即排期修复，修完再次提交盲审，直至所有阻断性项彻底归零。
生成最终验收报告
验收报告必须以客观事实与证据说话：自动化测试全通结果、精确提交哈希（commit hash）、生产部署地址与明确的残余风险说明。
把所有材料归档到 Git 仓库
将 PRD、需求、方案、各轮修复记录、验收报告等所有文件原文保存到 Git 仓库版本树中，成为团队可追溯资产。
构建可学习、可体验的知识网页
把整个协作过程提炼为教学系统：核心故事、证据链网、小白实操教程、真实交互演示，并完成自动化云端部署。
可复制指令
把对话里真正起作用的指令沉淀下来，形成可复制、可重用的提示词骨架。
1. 把之前关于这个 RPA 技能的聊天整理成 PRD。 2. 基于 PRD 生成需求 v2，要求每条需求都能测试、能验收。 3. 基于需求 v2 写技术方案，不要先改代码；先写架构、风险、测试、回滚。 4. 拆多个子 Agent 并行实现，每个 Agent 只负责一个工作包。 5. 开独立质检 Agent 盲审，Findings first，重点找 High/Medium。 6. 发现问题继续修复，再质检，直到没有 High/Medium。 7. 每 20 分钟汇报进度：已完成、正在做、阻塞、下一步。 8. 生成最终验收报告，列出证据、测试结果、残余风险。 9. 把所有原文和过程文档归档到 git，并做成可学习网页。
小白验收清单
检查 PRD、需求、方案、质检、修复、归档、学习网页这几道关卡是否都留下证据。
PRD 是否讲清楚「为什么做」和「做成什么样」，是否有明确的非目标说明？
需求文档是否有安全确认机制、边界异常处理策略和清晰的验收判定标准？
技术方案是否明确指出改动涉及的文件、行为不变保证与具体的回滚步骤？
质检报告是否真正由独立 Agent 挑出了代码死角，而不是毫无意义的「看起来很好」？
所有 High 和 Medium 缺陷是否均具备可复现的修复证据并通过回归验证？
是否有正式签署的验收报告？代码与文档是否完成 Git 提交并推送到远端仓库？
常见避坑指南
把对话里反复踩到的协作误区抽出来，标注成 5 条高风险陷阱，让你提前避开。
跳过 PRD 和架构分析，想到哪改到哪。
没有边界和契约约束，代码越改越乱，老功能频频遭到破坏。
先让 AI 产出 PRD 与需求文档，锁定不变行为再动手。
写代码的 AI 同时宣称「测试全部通过」。
AI 会陷入自我逻辑盲区，掩盖掉未考虑到的边界错误。
拉起独立的质检 Agent 实行对抗审查，Findings first。
听到 AI 汇报完成就不做验证直接上线。
大模型常产生乐观幻觉，实际存在死链或运行崩溃风险。
向 AI 索取真实证据：测试报告、Git 哈希与部署链接。
任务完成后对话一关，过程文件随手丢弃。
无法复用经验，遇到类似问题只能重头踩坑，无法传承。
将原始材料和验收记录一并提交版本库，做成学习沉淀。
你作为一个初学者，根本不需要去卷如何手工写出复杂的算法。你的核心竞争力是：以极其冷酷的工程品味，驱动 AI 构建出「文档化契约 → 多 Agent 协作 → 独立对抗审查 → 闭环持续修复 → 证据系统归档」的高可靠流水线。