最近开始学 Agent，看到很多人推 Flowith，于是想起来捣鼓下。其实很早就知道这个产品，画布式，多线程，在当时都是 chatbot 类形态的产品中独树一帜，记得李楠中在《脑放电波》的一期节目中还提起过。但到底没有去用。Flowith 呢，似乎也不温不火，直到 Manus 爆火，因为邀请码的问题，Flowith 抓住了机会，而成为前者的平替，也是坐上了一程顺风车。
至于我呢，因为工作中，要做数字人的需求，得了解下智能体的原理，和公司算法部的工程师沟通，让我用 Coze 或者 Dify，自己体验下。Workflow 的方式我大抵是清楚的，但刚好 Flowith 的 Oracle 模式更省心，全程交由 AI 规划。那么就来尝试下吧。
科学上网后，打开 Flowith，使用邀请码创建账号，我用的是 Flowith 2025 全球智能体创作大赛发出的邀请码「Y8Q6WV」，有 100 次 Oracle 的免费使用次数。
注册完成后，进入首页，打开输入框右上角的 ORACLE MODE ，在输入框中输入对话即可。
最开始的时候，我牛刀小试了下，让它给我做个「 分享卡片 」，提示词如下：
生成一个可交互式的分享卡片网页：
网页提供输入框供用户输入，文案提示：请输入您想要分享的内容，不超过 100 字；
用户输入后，点击确认按钮，进行卡片生成；
生成卡片背景颜色使用渐变色，有毛玻璃特效；
生成效果如下：
可以看到，Oracle 模式下，AI 会自动帮我完善需求，比如我提到了渐变色，它便在页面中增加了 Card style 的选项，同时确认按钮的文案也变成凉更人性化的 Generate Card，还附带一个✨ 图标，交互和 UI 上更周到。
当然，它也有未实现的需求，比如我提到的毛玻璃特效。
Flowith 生成的内容支持重新润色，点击左下方的 Refine AI ，即可继续输入想要修改的内容。
我在其中输入了：未生成毛玻璃特效，请继续生成。AI 重新执行了我的指令，但生成后的内容仍然不具备毛玻璃效果。事实上，这是一个在使用 Flowith 中我所遭遇的最大问题，我需要去处理一些明显不符合预期的需求，但无论重试多少次，AI 都不会如我所愿。
既然 Refine 无法满足我的需求，索性重开一个分支。点击画布的起点，选择新建分支，修改提示词，这也是多线程的好处，可以比较修改后的差异。这一次，我把背景色去掉，只保留毛玻璃，并且强调毛玻璃就是高斯模糊。
这一次生成的页面风格相比上一次，就朴实很多，趋近于线框图。
但效果却不错，高斯模糊实现了，而且支持下载成 PNG 格式图片。
其实处理这些小工具，当下的大模型真的已经足够，以后读书笔记用这种小工具润色，会方便许多，而且样式随自己掌控。但不好的地方就在于抽卡，有时候要看天意。
接着继续来小试牛刀，搞一个「 名言生成器 」。提示词如下
帮我创建一个网站，该网站能够随机生成一些名人的金句，并以卡片形式展示：
用户可以选择：鲁迅、古龙、金庸三位作家；
选择作家后，点击【生成金句】，系统将从所选作家的作品中挑选出一句金句并展示；
这次生成过程比较顺遂，AI 先是分解了我的需求，先在网上找了三位作家的一些名言，存储下来。再生成了一个交互式的网页。一开始缺头像，后来我用了 Refine with AI，给我生成了三位作家的姓氏头像。
这里可以看到，AI 又主动帮我润色了下，提供了每个作家的在世时间。名言的展示 UI 我也润色了下，使用橙红渐变色，并且有粒子特效。因为是截图，所以粒子是静止的，实际上这些粒子是移动的。说起这个特效，也调了好久，如果只对 AI 说 “让粒子移动 ”—— 那是一点效果都没有的，直到我把提示词改成具体的要求：让粒子每 0.1s 移动一次才奏效。有的时候，大模型也和人一样，明确的指令才能让 AI 行动。
其实这个网页还可以继续优化，最大问题在于目前的数据库是静态、有限的，应该实时获取到新的内容，每一次生成都是新的内容。但我不用继续往下了，这两个 Case 只是用来练手，熟悉 Flowith 的基本用法而已。
实际上，在 Oracle 模式下，只需要把握三点：
而怎么提出需求，我自己摸索下来的感知是，越具体，执行的成功率就越高。而另一个重要的原则是：如果自己有拆解的能力，那么最好自己把任务规划好。虽然这一点和自主感知决策的超级智能体逻辑是相悖的。
牛刀小试后，可以进入正菜了，我需要使用 Oracle 来解决在工作场景中遇到的真实问题。实际上这个问题是我的对象抛给我的，她的工作中需要对海外用户投放问卷，问用户对于某些服务的价格偏好，比如「你愿意为 xx 服务花多少钱？」。
由于海外用户来自不同国家，所以问卷的填写五花八门，货币单位也不尽相同，但最终这些答案要被转化为统一的货币——美元。
这是用户的原始回答，数据量在 1500 条以上。正常情况，这些数据得人工清洗一遍，然后手动计算：
可想而知，这是一件十分琐碎且费时的工作，有时候光这一张表格就得处理一天。而经过上述两个用户 Case 后，我对 Flowith 充满了迷之自信，而欣然包揽了将这项工作自动化的任务。
天真的我一上来就上传了文件，然后把所有的问题抛出：
文档中每一列包含货币数字和单位，请将每一列换算成美元
计算换算成美元后，所有列加在一起的平均数
无任何数字可以无视
如果只含数字不含货币单位则视为美元
输出格式：原数值 原货币单位 换算后美元
这次的生成结果对我来说简直就是一场噩梦，AI 拆解任务的逻辑倒是很清晰：
可在实际操作中，压根不是那么回事。首先它根本没有解析文件，而是直接在线搜索进行了货币换算。然后，它又让我上传了一遍文件，又重复了一遍先前的操作，最后莫名其妙给我生成了一张表格：
这都哪跟哪儿呀，于是我又重新运行了一次节点，但结果还是一样。
是不是我的需求太过复杂？我在心里思考。于是我决定给 AI 减轻点工作量，把需求改下：
文档中 第一列包含货币数值和单位，请将数值和单位分开
这下，AI 总算动起来了… 不过我忽略了一件事：Flowith 是构建在画布基础上的产品。众不所周知，画布本来就吃渲染，而要在画布上处理 1500+ 条的数据，那么结果就是：卡卡西。
怎么说呢，真就有种尬住的感觉。那一瞬间我意识到，画布的形态不适合用来做数据处理，而实际上我也不应该直接在工作流里这么去定义，它做出来是要能交付给别人去使用的。
所以我再一次修改了自己的需求：
作为数据分析行业的程序员，创建一个网站，该网站需要：
支持用户上传 Excel 文件；
处理 Excel 文件，其中第一列包含混杂的货币数值、单位和无效数据；
在第二列中提取并显示第一列中的数值；
在第三列中提取并显示第一列中的货币单位。
这样，其实所有的数据逻辑处理就不在画布中了。
这一次，AI 如愿生成了一个能够上传 xlsx 文件的网站，并且主动增加了【处理文件】的按钮，文件上传后点击该按钮，就自动解析出来。不过第一次解析的结果有些问题，像澳大利亚货币有多种写法，如 $500 AUD 这种的都解析成了美元，所以我又通过 Refine With AI 补充了特殊货币的解析规则。
这是最后呈现的结果（实际上经过了多轮生成），也可以下载为 xlsx 文件，还有一些不满意的地方，比如我希望无货币单位的数值能够直接被处理为美元，但可惜我多次进行 Refine，都没有生效，我又害怕再重头来过，先前调整好的 refine 又得重来，就保留了这个缺陷，反正后面我可以通过 Excel 手动补全。
我把这个网站称为【 货币数据提取器 】，本来我想一鼓作气，基于这个网站，直接把汇率、平均数都一起怼上，但是，血泪的教训又来了，无论我怎样修改提示词，甚至重新运行节点，汇率和平均数都完全不生效。从晚上 10 点多，到夜里 1 点多，将近 3 个小时，我反复生成，都没有得到我想要的结果，甚至毫无方向。
没辙了。
也许这任务实在太过复杂，如果说货币数据提取利用表格操作和正则表达就能搞定，那汇率计算就涉及到联网和实时换算，以及逐行写入，最后还要加总计算平均数，每一步看似都很无脑，但加总在一起就是一座山，任何一个环节出错都可能导致整个程序运行不起来。
既然这样，索性还是把任务进行拆分，做一个【 货币转换器 】：
这样，整个任务就被简化成三步：
虽然没法一步到位，但通过任务的拆解，99% 的工作其实被【货币数据提取器】和【货币转换器】所承接，人的工作量大幅减少。
那么闲话少叙，正式开始【货币转换器】的生成：
设计一个网站，支持上传 Excel 文件，解析文件，并计算出第二列的数值按第一行的货币单位转换成美元后的值
一开始的提示词如上，但太过复杂，AI 生成的结果并不好，无法获取到实时汇率，最后尝试了五六次，提示词改成如下：
请设计一个网站，支持上传 Excel ，请列出 Excel 中第一列包含的货币代码，当前同美元的实时汇率
逻辑越是简单，越是具体，AI 生成的成功率越高。 这一次，它生成了令我满意的结果：
大功告成，到这里已经凌晨 1 点多了。这就是所谓的 Vibe Coding 么，像抽卡一样，不只是提示词要反复调整，每一次还得看运气，看模型生成的效果，有的效果好一次就可用，有的效果不好，还得反复调试或是重新生成。所有的逻辑和代码运行都是黑盒，一切都是天意。
但要说和传统手工编程相比，那 Vibe Coding 还是快的，整个任务算上调试的时间，其实最多 3-5 小时，这中间可能超过一半的时间是等待大模型在运行，如果运行的速度能加快，那时间还能被缩短。
当然，工具的使用也有一些毛病：
At last，总结下这次实践下来的经验：
彩蛋：实际核下来数据有丢失，emm… 丢了，1500 多条里丢了 20 来条，所以这玩意只适合大样本量呀。代码生成的工作还是交给专业的工具吧，画布还是更适合 Deep Research 的工作。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。