我是制造业工程师，平时使用 TraeWork 比较多的场景，主要集中在 Excel数据处理、数据分析、图表制作、PPT报告和FACA。
刚开始使用的时候，我也喜欢一句话把所有事情都丢给AI：
“帮我分析这个Excel，然后做成PPT，再写一个FACA。”
结果经常发现：上下文越来越长，AI反复修改，Token和积分消耗也比较多。
后来自己摸索了一套工作方式，核心就一句话：
不要让AI一次做完所有事情，而是把工作拆成几个可以复用的小步骤。
① Excel：先分析数据，不要直接让AI做报告
拿到一个Excel，我现在不会直接说：
“帮我做一份分析报告。”
而是先让 TraeWork 做数据体检：
“请先分析这个Excel的数据结构，包括字段含义、数据量、缺失值、异常值和可以分析的维度。暂时不要生成报告。”
确认数据没问题以后，再进行下一步。
这样做有两个好处：
第一，减少无效输出。
第二，可以避免AI一上来就按照错误的数据理解开始生成报告。
② 数据分析：一次只解决一个问题
例如生产数据，我可能只想知道：
“分析各产品型号的不良率，找出不良率最高的TOP10，并按照从高到低排序。”
完成以后，再问：
“分析TOP10不良问题的趋势。”
然后再：
“找出最需要优先改善的3个问题。”
这样比一句话：
“帮我把这个Excel全部分析一下。”
更加省Token，也更容易得到真正有用的结果。
③ 图表：告诉AI“为什么画”，不要只说“画一个图”
这是我比较喜欢的一个技巧。
不要：
“给我做一个柱状图。”
而是：
“请根据不良率数据找出TOP10问题，并使用Pareto图展示，突出累计占比80%的主要问题，同时给出一句管理层能够直接理解的结论。”
这样AI知道：
数据 → 图表 → 结论
而不是单纯生成一张漂亮的图。
制造业常用的：
-
趋势图
-
柱状图
-
Pareto图
-
良率对比图
-
产品对比图
-
月度趋势图
都可以按照这个思路处理。
④ PPT：不要让AI一次生成30页
这是我觉得比较省积分的一招。
以前：
“帮我做一份完整的季度质量分析PPT。”
现在我会拆成：
第一步：只做目录
“根据数据分析结果，设计一份10页以内的管理层汇报PPT结构。”
第二步：确定结构
确认没有问题后：
“根据第1页到第10页的结构，分别给出每页标题、核心数据和结论。”
第三步：再生成具体内容
这样如果目录不满意，只需要修改目录，不需要重新生成几十页内容。
⑤ FACA：让AI做“整理”，不要让AI替你判断根因
制造业里面FACA比较特殊。
我会把已经确认的数据和现场信息给 TraeWork，然后让它帮我整理：
F：Failure
问题是什么？
A：Analysis
可能原因有哪些？5Why怎么展开？
C：Corrective Action
改善措施是什么？
A：Action / Verification
如何验证改善效果？
这里有一个非常重要的技巧：
不要让AI自己编一个“看起来合理”的根因。
例如设备异常，AI可能会给出一个非常漂亮的原因分析。
但工程师真正需要的是：
有数据、有证据、有现场验证的根因。
所以我的做法是：
AI负责：
-
梳理逻辑
-
整理资料
-
生成FACA结构
-
优化文字
工程师负责：
-
判断根因
-
确认措施
-
验证改善效果
⑥ 最后一个技巧：任务结束就开新对话
这个对省Token比较重要。
比如：
今天处理：
生产数据分析
完成以后。
明天我要做：
新品项目PPT
我通常会重新开一个任务。
不会继续在原来的对话里面：
“刚才那个Excel先不用了，现在帮我做新品PPT。”
因为之前的上下文对于新任务基本没有价值。
我的原则是：
一个任务，一个清晰的上下文。
我现在最常用的一套工作流
最终基本形成了：
Excel原始数据
↓
数据结构分析
↓
指标分析
↓
图表/Pareto
↓
提炼结论
↓
PPT汇报
↓
异常问题
↓
FACA
也就是：
一份数据，尽可能形成完整的交付链。
这也是我觉得 TraeWork 对制造业工作比较实用的地方。
以前：
Excel做完了，再复制到PPT；
PPT做完了，再重新写FACA。
现在：
让前一步的分析结果成为后一步的输入。
这样不仅减少重复工作，也减少了AI反复理解同一份资料的次数。
最后总结我的3条省积分经验
① 任务拆小
不要一次让AI做十件事。
② 上下文减负
不同任务尽量新开对话。
③ 简单任务不要过度使用高级模型
Excel公式、简单整理、文字优化等任务，不需要每次都上最强模型。
对我来说，真正的“省积分”不是少用AI。
而是：
让AI每一次调用，都直接产生有价值的工作结果。