一直在考虑如何让GPT融入自身工作流的方法，但因为网页版使用仍然有其便利性，而工作流的开发则需要时间。你往往会因为“紧急”而忽视了“重要”，而“重要”却是更长期有效且效率更高的。因此，不得不将注意力从“紧急”转到“重要”上来。

首先让我们来思考，工作流中高频且只需一次对话便能够完成的场景有哪些？

• 会议纪要
• 梳理任务清单
• 邮件润色
• 文档大纲生成
• 文档总结概述
• 日程安排
• 翻译
• 专业术语解释
• 文案创作
• 文档分类

尝试将以上场景进行分类，可归类为：

• 文档工作
• 大纲生成
• 总结概述
• 会议纪要
• 文档分类
• 邮件润色
• 任务管理
• 梳理任务清单
• 日程安排
• 解析或创作
• 文案创作
• 翻译
• 专业术语解释

假设以上工作都只需要一次对话即可完成，那么我们的py程序的输入、处理过程和输出则是：

输入参数：工作场景+语料 处理步骤1：调用调试好的对应prompt 处理步骤2：将prompt+语料组合并发起对话请求 输出：提取api返回结果

利用Alfred工作流将上面的核心程序连接到你的使用场景中，比如：

1. 通过快捷键触发工作流，如 shift+command+P
2. 获取你鼠标选中的文本→作为语料
3. 输入到py程序
4. 输出到剪贴板

通过Alfred工作流来做的好处是，你可以在不同的工具中去调用，无论是Logseq还是Obsidian（当然Obsidian的TextGenerator插件也能完成），还是其他任何一个能记录文字的地方都可以调用，并且使用的是同一套prompt。

以下是py程序的示例：

import os, sys
import openai
import json

# 运行环境初始化
os.environ["http_proxy"] = "http://127.0.0.1:1088" #修改为你的本地代理端口
os.environ["https_proxy"] = "http://127.0.0.1:1088" #修改为你的本地代理端口

openai.api_key = "你的openai key"

# 输出标准化
def stdout_write(output_string: str) -> None:
	output_string = "..." if output_string == "" else output_string
	sys.stdout.write(output_string)

# 请求函数
def call_gpt_response(chat_template, chat_prompt, stream_msg=[]):
	# chat_template 模板取自各个模版md文件
	# chat_prompt 提问
	prompt_messages = []
	chat_prompt = chat_template + chat_prompt
	system_content = {"role": "system", "content": "你是任务规划助手"}
	user_content_final = {"role": "user", "content": chat_prompt}
	prompt_messages.append(system_content)

	i = 1
	for msg in stream_msg:
		if i%2 == 1:
			user_content_previous = {"role": "user", "content": msg}
		else:
			user_content_previous = {"role": "system", "content": msg}
		prompt_messages.append(user_content_previous)
		i = i + 1

	prompt_messages.append(user_content_final)
	response = openai.ChatCompletion.create(
		# model = "gpt-3.5-turbo-0301",
		model = "gpt-4",
		messages = prompt_messages
	) # 修改你希望调用的模型

	res = json.loads(str(response))
	res_status = res['choices'][0]['finish_reason']
	res_content = res['choices'][0]['message']['content']

	if res_status == 'stop':
		return res_content
	else:
		print('Something wrong:{}'.format(res_status))
		return 999

if __name__ == '__main__':
	# 根据输入参数，调用不同的模版
	template = "".join(sys.argv[1])
	input_selection = "".join(sys.argv[2])
	# 根据template参数读取对应md文件
	template_text = open("./templates/{}.md".format(template), 'r', encoding='utf-8').read()

	# 发起请求
	response = call_gpt_response(template_text, input_selection)
	response.replace('`', '').replace('\n\n', '\n')
	stdout_write(response)

工作流图

其中执行py程序的算子示例（此处为了数据脱敏，用了~来表示，实际使用时建议用完整路径）：

cd ~/code/alfred-workflow

~/opt/anaconda3/envs/py37/bin/python ~/code/alfred-workflow/text_chat_main.py planner $1

每一个prompt最好都先在网页端进行多次尝试，等生成内容格式相对固定且内容质量稳定后再放入模板进行使用，比如这个是用于任务规划的prompt：

作为一个个人任务规划管理师，你将为我对目标进行合理分解细化，并给出每个任务的预估工作量。你将为我分析任务之间的依赖关系，并将其以优先级区分，保证工作可有序高效进行。我是智慧城市产品经理和大数据技术经理，一般工作任务都跟产品管理与技术管理更为相关。

输出规则如下：

{
- 整个清单以Markdown格式输出
- 一级任务是无序列表，将```TODO```字眼，优先级(由高到低是#A、#B、#C)，任务描述，依赖关系，预估工作量写在一行，格式是：```- TODO [#A] 任务描述-依赖关系-预估工作量```
- 二级子任务是有序列表
}

以下是一个粗略的任务清单，请将其整理为规划好的一二级任务清单，只输出清单即可：