任务背景

买车是一个典型的"结构化但繁琐"的任务：

流程明确：

需求确认 → 车型筛选 → 询价 → 对比 → 试驾 → 谈判 → 签约

痛点集中：

• 需要联系多家经销商（8-10家）
• 需要并行追踪报价和库存
• 需要安排试驾时间（考虑通勤、工作日程）
• 需要记住所有细节（“上周那家店的优惠是多少？”）

决策关键但不复杂：

• 最终选择取决于价格、配置、服务
• 不需要创造性思维（不是"设计一款新车"）

这类任务理论上适合 AI 辅助。

任务分解

阶段1：需求定义（人类主导）

明确约束条件：

预算: $35,000 - $40,000
车型: SUV
座位: 7座
区域: 50英里半径
品牌偏好: [日系, 韩系]
必需配置: [倒车影像, CarPlay, 全轮驱动]

这一步不能交给 AI，因为涉及主观偏好和财务决策。

阶段2：信息收集（AI 主导）

让 Clawdbot 执行：

任务2.1：车型筛选

Prompt:
访问 Edmunds.com 和 KBB.com，筛选符合以下条件的车型：
- 价格区间 $35k-$40k
- SUV，7座
- 2024-2025 年款
- 综合评分 > 4.0

输出格式：JSON

AI 调用 Browser Tool，抓取网页数据。

任务2.2：经销商定位

Prompt:
搜索 50 英里内所有销售以下车型的经销商：
[Honda Pilot, Subaru Ascent, Kia Telluride]

提取：
- 经销商名称
- 地址
- 电话
- 官网链接

任务2.3：批量询价

Prompt:
给以下经销商发送邮件询价（使用模板）：

模板：
---
主题：Inquiry for [车型] Pricing

您好，

我正在寻找一辆 [车型]，配置要求：[配置列表]。

请提供：
1. 最终成交价（包括所有费用）
2. 当前库存情况
3. 可安排试驾的时间

谢谢。
---

经销商列表：[从任务2.2获取]

Clawdbot 批量发送，记录每封邮件的状态。

任务2.4：回复追踪

Prompt:
监控 Gmail 收件箱，提取经销商的报价回复。

对于每封回复，提取：
- 报价金额
- 是否包含隐藏费用
- 交付时间
- 联系人

存入 Notion 表格。

阶段3：数据分析（AI 辅助）

Prompt:
基于收集到的报价，生成对比表：

| 经销商 | 车型 | 报价 | 优惠 | 库存 | 试驾时间 | 评分 |
|--------|------|------|------|------|----------|------|
| ...    | ...  | ...  | ...  | ...  | ...      | ...  |

按价格排序，标注最优选项。

阶段4：执行与谈判（人类主导）

AI 整理好信息后，人类接手：

• 实地试驾（AI 无法替代）
• 价格谈判（AI 缺乏"博弈感"）
• 签署合同（法律风险，不能交给 AI）

AI 表现良好的环节

1. 并行信息收集

AI 同时访问 8 个网站，2 小时完成抓取。

人类单线程，至少需要一整天。

2. 数据结构化

AI 将杂乱的网页内容转换为表格：

车型,指导价,经销商报价,优惠金额,库存状态
Honda Pilot Touring,$39200,$38500,$700,有现车
Subaru Ascent Limited,$38500,$37800,$700,需等2周

人类做这个工作容易出错（复制粘贴、手动计算）。

3. 邮件追踪

AI 自动检查收件箱，标记"已回复"和"未回复"的经销商。

3 天未回复的，自动发送催促邮件。

AI 失败的环节

1. 理解隐藏费用

经销商报价：$37,000

邮件末尾小字：*plus dealer fees, taxes, and documentation charges

AI 将 $37,000 标记为"最低价"，实际加上费用后是 $39,500。

原因：AI 容易被"显著数字"吸引，忽视修饰性文本。

2. 识别销售话术

经销商邮件：

这款车非常抢手，我们今天刚卖出 3 辆。
如果您感兴趣，建议尽快预约，否则可能无车可试。

AI 立即回复：“我尽快安排。”

实际上这是标准的"制造紧迫感"话术。

原因：AI 缺乏"社会经验"，无法判断真实性。

3. 物理约束推理

AI 帮忙安排了两场试驾：

• 经销商A：周六 2:00 PM（地址：市北）
• 经销商B：周六 2:00 PM（地址：市南）

两地相距 30 英里，开车至少 45 分钟。

原因：AI 只检查"日历上这个时间是空的"，不考虑地理位置和交通时间。

4. 判断"值不值"

经销商A：$38,000，全新车，但需等 3 周

经销商B：$38,200，现车，当天可提

AI 推荐 A（“价格更低”）。

但对于着急用车的人，多花 $200 能立刻开走更合理。

原因：AI 不理解"机会成本"和个人偏好权重。

任务边界设计

明确"AI 能做"和"人类必做"

AI 负责：
  ✓ 信息收集（网页抓取、邮件发送）
  ✓ 数据整理（生成表格、计算平均值）
  ✓ 流程提醒（"今天下午 3 点试驾"）

人类负责：
  ✓ 主观判断（"这车外观我喜欢吗？"）
  ✓ 风险决策（"要不要买延保？"）
  ✓ 最终确认（签合同前复核所有条款）

设置"确认点"

不要让 AI 全自动运行，每个关键步骤等待人类确认：

// 任务定义
const workflow = [
  {
    step: 'collect_quotes',
    executor: 'ai',
    approvalRequired: true  // 完成后需要确认
  },
  {
    step: 'schedule_test_drive',
    executor: 'ai',
    approvalRequired: true
  },
  {
    step: 'negotiate_price',
    executor: 'human',  // 人类亲自执行
    approvalRequired: false
  }
];

for (const task of workflow) {
  if (task.executor === 'ai') {
    const result = await ai.execute(task.step);
    
    if (task.approvalRequired) {
      const approved = await waitForHumanApproval(result);
      if (!approved) {
        console.log('用户拒绝了结果，重新执行');
        continue;
      }
    }
  } else {
    await notifyHuman(`请手动完成：${task.step}`);
    await waitForCompletion();
  }
}

可复制到的其他场景

场景1：租房

AI 能做：

1. 爬取租房网站（Zillow、Craigslist）
2. 筛选符合条件的房源（价格、面积、地段）
3. 给房东批量发消息预约看房
4. 计算通勤时间（调用 Google Maps API）

人类必做：

1. 实地看房（采光、噪音、邻居素质）
2. 判断房东靠不靠谱
3. 签租约（法律风险）

场景2：找工作

AI 能做：

1. 抓取招聘网站（LinkedIn、Indeed）
2. 筛选符合技能要求的职位
3. 生成定制化简历（针对每个职位）
4. 投递并追踪申请状态

人类必做：

1. 面试（AI 无法替代）
2. 判断公司文化是否匹配
3. 薪资谈判（需要博弈技巧）

场景3：竞品分析

AI 能做：

1. 访问竞品网站，提取产品参数
2. 爬取用户评论（Reddit/Twitter/App Store）
3. 生成功能对比表
4. 统计高频抱怨点

人类必做：

1. 判断哪些反馈是真实痛点
2. 决定是否要模仿竞品功能
3. 制定差异化策略

成本控制

Token 消耗预估

购车任务的 Token 消耗：

信息收集阶段:
  - 访问 10 个网页，每个 5000 token → 50k tokens
  - 生成 8 封邮件，每封 500 token → 4k tokens

数据分析阶段:
  - 解析 8 封回复邮件，每封 3000 token → 24k tokens
  - 生成对比表 → 2k tokens

总计: ~80k tokens
成本: 80k × $0.000015 = $1.2 (使用 Claude Haiku)

如果使用 Opus-4.5，成本约 $6。

设置预算上限

{
  "tasks": {
    "car_shopping": {
      "maxCost": 10.0,  // 最多花 $10
      "stopIfExceeded": true
    }
  }
}

超过预算后，AI 会停止执行并通知你。

风险与失败案例

风险1：AI"编造"数据

如果某个经销商网站打不开，AI 可能：

• 报告"该经销商无库存"（实际是网站挂了）
• 或者干脆编一个价格（幻觉）

防护：对关键数据要求 AI 标注"置信度"

Honda Pilot @ ABC Motors: $38,500 (置信度: 高, 来源: 官网)
Toyota Highlander @ XYZ Auto: $40,000 (置信度: 低, 来源: 第三方网站)

置信度低的数据需要人工复核。

风险2：被钓鱼

如果有人给你发邮件：

主题：Re: Honda Pilot 询价

我们有特别优惠，$30,000 全包。

请尽快转账 $5000 定金到以下账户...

AI 可能将其标记为"最优报价"。

防护：对"异常低价"和"要求转账"的邮件，自动标记为"需人工审核"。

风险3：谈判失误

AI 按照字面理解"谈判"，可能：

• 第一轮就报出你的心理底价
• 接受第一个反价（没有议价空间）
• 被销售的话术影响（“这是今天的最后一个优惠”）

防护：谈判阶段完全由人类接手，AI 只负责记录。

实施建议

Step 1：任务拆解

将大任务拆成可验证的小步骤：

const tasks = [
  {
    id: 'list_models',
    description: '列出符合预算的车型',
    executor: 'ai',
    validation: 'human',  // AI 执行，人类验证
    estimatedCost: 0.5
  },
  {
    id: 'find_dealers',
    description: '找出附近的经销商',
    executor: 'ai',
    validation: 'auto',  // 自动验证（检查数据格式）
    estimatedCost: 0.3
  },
  {
    id: 'send_inquiries',
    description: '发送询价邮件',
    executor: 'ai',
    validation: 'human',  // 人类审核邮件草稿
    estimatedCost: 1.0
  }
  // ... 更多步骤
];

Step 2：配置 Tools

Clawdbot 需要的工具权限：

{
  "tools": {
    "browser": {
      "enabled": true,
      "allowedDomains": [
        "edmunds.com",
        "kbb.com",
        "*.dealer-websites.com"
      ]
    },
    "gmail": {
      "enabled": true,
      "allowSend": true,
      "requireApproval": true  // 发送前需要人工确认
    },
    "calendar": {
      "enabled": true,
      "calendars": ["personal"]  // 只访问个人日历
    },
    "notion": {
      "enabled": true,
      "database": "car_shopping_db"
    }
  }
}

Step 3：监控执行

每天检查 AI 的工作日志：

# 查看今天的操作
clawdbot logs --since today --filter task=car_shopping

# 输出示例
[10:30] browser: 访问 edmunds.com，提取 15 款车型
[10:35] gmail: 生成 8 封邮件草稿 (待审核)
[14:20] gmail: 发送邮件到 dealer-a@example.com
[16:00] notion: 更新数据库，新增 3 条报价记录

发现异常（比如访问了不相关的网站）立即停止。

Step 4：记录失败案例

AI 每次犯错，记录到"教训库"：

## 教训1：不要第一轮就报底价

日期: 2026-01-15
场景: 与 ABC Motors 谈价
问题: AI 直接说"我们的预算是 $38,000"
后果: 经销商知道底线，拒绝进一步降价
修复: 在 prompt 中增加"初次报价要比目标价低 10%"

这些教训会被写入 Skill 文件，供后续任务参考。

结果评估

投入 vs 产出

人类投入时间:
  - 任务定义: 30分钟
  - 审核 AI 输出: 每天 15 分钟 × 14 天 = 3.5 小时
  - 试驾与谈判: 6 小时
  总计: ~10 小时

AI 节省的时间:
  - 如果完全人工: 预计 40-50 小时
  
节省: 30-40 小时
成本: ~$5 (API 费用)

价格优势

对比 8 家经销商后，找到比"第一家报价"低 $1,500 的选项。

如果没有 AI 帮忙收集信息，很多人会因为懒得联系多家，直接在第一家成交。

不适合用 AI 的任务

任务类型对比

任务类型	适合 AI	原因
信息收集	✓	结构化、可验证
数据对比	✓	逻辑明确
流程提醒	✓	无需判断
主观决策	✗	涉及个人偏好
风险判断	✗	需要经验和直觉
创造性工作	△	取决于任务复杂度

反例：不该让 AI 做的事

错误示例1: "帮我决定买哪辆车"
  → 最终决策必须由人类做

错误示例2: "帮我谈到最低价"
  → 谈判需要博弈，AI 容易被套路

错误示例3: "自动签合同"
  → 法律风险，绝对不能自动化

结论

AI 助手在"购车"这类任务中的价值：

不是"替你做决定"，而是"帮你收集信息和执行重复性任务"。

核心原则：

1. 人类定义目标和约束
2. AI 执行信息收集和初步分析
3. 人类验证结果和做最终决策

这不是"AI 取代人类"，而是"AI 增强人类"。

如果守住这条线，AI 助手是放大器。

如果失守，AI 助手是地雷。