Flow Insights
AI 工作流 7 分钟阅读

我只是在手机上说了一个想法，
它最后变成了 GitHub PR

同一份上下文，怎样从一段口述连续走到可以审阅的成果。

手机中的语音波形依次经过对话、研究和任务节点，最终形成完成审阅的成果
表达、讨论和执行之间不再需要重新交代同一份背景。

我在手机上说了一段话。

后来，这段话变成了一条 GitHub Issue，又变成了一个 GitHub PR。

事情开始时，我连一份 brief 都没有。脑子里只有几条刚刚碰到一起的线索：互联网上关于 ADHD 的讨论、一些人面对重要任务时迟迟无法开始的体验、张朝阳分享过的“预热法”，以及 Flow 输入法可能在其中发挥的作用。

这些内容混在一起，有观察，有猜测，也有必须核验的事实。我打开 Flow，把它们完整地说了出来。说的时候没有提纲，也没有试图先写成一条完美 Prompt。

Flow 把这段自由口述整理成文字。我把它发给 ChatGPT，故事才真正开始向前走。

第一份材料，不必等到想完整以后

一个想法刚出现时，通常还不具备完整结构。我们知道它似乎值得继续，却说不清核心问题、事实边界和最终产物。

如果此时要求自己先写出严谨的 brief，思考很容易停在空白页前。语音提供了一个更轻的入口。2024 年，Höhne、Gavras 和 Claassen 在一项包含 1,001 名参与者的手机调查实验中发现，随机使用语音回答开放问题的参与者，回答包含更多词，也覆盖了更多主题[1]。

这项实验不能证明语音一定带来更好的创意。它至少说明，当表达阻力降低，人可能更愿意展开背景和细节。关于语音、工作记忆与 AI 上下文的完整分析，可以继续阅读 《给 AI 的信息太少，它只能靠猜》。

真实口述会停顿、重复、改口，也会讲到一半才补充关键背景。CHI 2024 的 Rambler 研究正是从这个问题出发：口述效率很高，但自发语言往往冗长、不连贯，需要提取要点和宏观修订，才能成为更容易继续使用的文字[2]。

Flow 在这一步接住的，是一段还在生长的思考。它准确识别长段表达，处理断句、重复和结构，让一个尚未成形的念头变成可以阅读、检查和继续讨论的材料。

  1. 我先把想法说出来 Flow

    “ADHD、任务启动困难、张朝阳的预热法，能不能和 Flow 形成一篇真正有帮助的内容？”

    没有提纲，观察、经验和待核验信息混在一起。

  2. ChatGPT 先做判断和调研 ChatGPT

    “方向值得做，但要避开医疗宣称。更准确的对象是注意力启动困难的人。”

    继续查 ADHD 边界、拖延研究和张朝阳发言来源。

  3. 我继续补充执行要求 Flow

    “把调研引用保留下来，再创建一个 GitHub Issue，交给后续执行。”

  4. ChatGPT 把对话整理成任务 GitHub

    研究问题、证据边界、文章结构、平台交付和验收标准，被写进同一条 Issue。

同一份上下文经历四轮推进：先说出来，再判断、调研和任务化。

真正有用的部分，发生在多轮讨论里

我没有让 ChatGPT 直接写文章，而是先让它判断这个方向是否成立。

第一轮讨论很快暴露出问题。“Flow 帮助 ADHD 人群”容易越过医学边界；“人均 ADHD”也把临床诊断、注意力困难和普通拖延混在了一起。于是对象被收窄为“注意力容易卡住、任务很难开始的人”。

接下来，ChatGPT 继续查找成人 ADHD 的定义、拖延研究、张朝阳发言的一手来源，以及语音输入如何影响表达。每找到一条证据，原来的想法都会发生一点变化：有些判断被保留，有些说法被缩小，有些缺口需要继续追问。

我又通过 Flow 补充要求：保留调研引用，明确不能使用的医疗宣称，并把讨论整理成 GitHub Issue，交给后续执行。

这时产生的已经不再是一条 Prompt。它是一段经过追问、查证和取舍的上下文。后续接手的人或 AI，可以知道这个方向为什么值得做，也能看到哪些内容仍然不能直接下结论。

研究并创作“任务预热 × 注意力启动困难”内容系列 Issue

核心命题：Flow 把预热变成产出

  1. 01

    研究层

    先把事实和边界查清

    ADHD 与普通拖延的边界 · 张朝阳发言的原始来源 · 语音回答实验及其局限

  2. 02

    创作层

    把同一组事实变成完整内容

    研究底稿与知乎长文 · 小红书视觉脚本 · 微博、即刻等平台文案

  3. 03

    执行层

    让成果可以检查、修改和发布

    渲染图片并自动校验 · 提交 GitHub PR · 人工 review 后再发布

最终产物 research.md · longform.md · 9 张图 · 4 个平台版本 · GitHub PR

Issue 保存目标和边界，后续继续生成研究、内容、图片与 PR。

一条 Issue，让聊天进入执行

方向明确以后，ChatGPT 把讨论整理成了一条 GitHub Issue。

Issue 里不只有一句“写一篇文章”。它保存了研究问题、已有证据、事实边界、内容结构、平台交付物和验收标准。最初那段混乱口述，由此变成了其他人或 AI 都能继续接手的任务。

随后，Codex 读取 Issue、仓库规范和历史内容，继续核对来源，完成研究底稿、知乎长文、小红书图文、视觉方案和多个平台版本。所有改动进入 GitHub PR，再由人检查故事是否成立、引用是否对应、产品口径是否准确、图片有没有溢出。

Flow 接住表达，ChatGPT 补齐问题，GitHub 保存边界，Codex 推进执行，人负责最终判断。

OpenAI 当前把 ChatGPT Work 定位为适合研究、分析和文档等多步骤成果的工作方式，把 Codex 用于代码、测试、命令、审阅和仓库工作[3]。因此，同一个手机上出现的想法可以根据任务类型走向不同的执行环境：开发事项进入 GitHub 和 Codex，研究或办公事项则继续形成报告、表格、演示文稿或其他成果。

如果目标就是给 Codex 讲清一个复杂开发需求，可以查看更具体的 Codex 语音输入使用场景。

真正省下的，是上下文反复归零

过去，一个念头先留在脑子里；坐回电脑前重新回忆；打开 ChatGPT 后再解释一次；真正执行时，又要把聊天重新整理成任务。

现在，同一份上下文可以一路向前：先被说出来，再被追问、查证、任务化和执行。手机不只用来接收消息，也可以成为工作的入口。

这套方法可以压缩成四步：

  1. 用 Flow 完整说两分钟：我观察到了什么，为什么值得做，哪里还没想清楚？
  2. 把整理后的文字交给 ChatGPT，让它区分事实、假设和判断，并指出需要补齐的问题。
  3. 把开发事项整理成 GitHub Issue；研究和办公事项则明确目标、来源、输出与边界。
  4. 让 Codex 或 ChatGPT Work 继续执行，最后由人检查并决定是否采用。

AI 可以生成很多答案。更有价值的能力，是让一个原本可能消失的想法，持续走到可以审阅、可以修改、也可以真正行动的结果。

先把它说出来。

让一个想法，从说出来开始向前走。

Flow 输入法支持 iPhone、macOS 和 Windows；Android 版目前为邀请测试。

下载 macOS 版 获取 iPhone 版 下载 Windows 版 加入 Android 测试

引用

  1. Höhne, J. K., Gavras, K., & Claassen, J. (2024). Typing or Speaking? Comparing Text and Voice Answers to Open Questions on Sensitive Topics in Smartphone Surveys. Social Science Computer Review, 42(4), 1066–1085. ↩
  2. Lin, S., et al. (2024). Rambler: Supporting Writing With Speech via LLM-Assisted Gist Manipulation. CHI 2024. ↩
  3. OpenAI. ChatGPT Work and Codex. ↩