超越实习期的自动化工具:AI驱动的播客工作流与Slack导出器

本文详细介绍了两款基于Claude AI模型构建的自动化工具:播客工作流每年节省1250小时人工审核时间,Slack导出器实现企业知识快速检索。文章包含具体技术实现方案、问题解决思路及实际应用效果。

超越实习期的实习项目

Trail of Bits 与其他公司不同。作为今年夏天在 Dan Guido 和 Sam Sharps 指导下的业务运营实习生,我使用 Claude(Anthropic 的 AI 模型)构建了两个自动化工具:一个每年节省 1,250 小时的播客工作流,以及一个让员工通过单一查询就能找到重要公司知识的 Slack 导出器。这两个工具在我实习结束后仍将在整个组织中使用。

播客工作流

Trail of Bits 在各个业务领域(AppSec、AI/ML、区块链和密码学)拥有专家团队,其中许多是博士级别。他们希望扩大在志同道合的播客中的嘉宾参与,分享我们在网络安全领域推动边界的所有方式(并鼓励其他人也这样做)。为了最好地贡献社区,他们专注于填补少数其他人能够解决的超特定知识空白。但手动为这些关键词搜索播客需要每周数百小时的收听和研究。

为了确保我们能够大海捞针(并大规模进行),我们需要一个自动化工作流程。具体如下:

图 1:播客工作流流程图

用户可以手动运行它,或在特定日期和时间安排运行。在检查剧集是否包含正确的关键词后,Claude 会生成各种基本信息:剧集摘要、演讲者观点、带时间戳的引用、外发邮件草稿等。一个 Replit 前端显示所有这些输出。

在构建工作流时,我注意到 Claude 有局限性。例如,在确定哪位 Trail of Bits 员工应该出现在特定播客上时,它创建了虚假员工。为了解决这个问题,用户将一个 Excel 文件上传到 Replit 前端,该文件将 Trail of Bits 员工映射到他们擅长的关键词。Claude 也未能获取主持人的联系信息。但是,它可以提取主持人的名字、姓氏和他们的网站,外部 API 使用这些信息来获取联系信息。以下是 Claude 和其他补充工具(如 Excel 文件)生成的洞察示例。

图 2:播客工作流输出示例

该工具监控超过 50 个每周更新的播客。每年就是 2,500 集!保守估计每集持续 30 分钟,这个工作流每年节省 1,250 小时的收听时间。这还不包括获取主持人联系信息、将 Trail of Bits 专家映射到相关播客以及撰写外发邮件所需的时间。

Slack 导出器

由于数百个 Slack 频道包含数百甚至数千条消息,搜索和分析历史信息非常耗时。因此,Trail of Bits 在终端中实现了一个 Slack 导出器,将频道导出为 JSON 和/或 Markdown。然后用户将频道上传到 Claude 以获取摘要和洞察。

然而,这个实现有两个主要限制。首先,所有员工都需要 Slack 导出器,但由于其终端实现,只有工程师可以访问。其次,用户必须知道哪些 Slack 频道包含必要的信息,因为所选频道是聊天机器人唯一的上下文。

为了解决第一个挑战,我分发了一个 Slack 导出器 Electron 应用程序。用户启动应用程序,就可以开始导出。不需要终端命令,因此任何人都可以使用它。

与在终端实现中手动阅读每个频道不同,用户现在拥有一个更高效的 UI,可以搜索甚至一次选择所有频道:

图 3:Slack 导出器 Electron 应用程序实现中的频道搜索

一旦用户选择一个或多个频道,他们会收到这些导出选项:

图 4:Slack 导出器 Electron 应用程序实现中的导出选项

为了解决终端导出器的第二个限制,我使用了 Claude 的 MCP(模型上下文协议)将我们的 Slack 工作区暴露给 Claude。现在,通过 Claude 的桌面应用程序和/或 Claude 代码,用户可以搜索所有公共频道和他们加入的私人频道,而无需导出。

需要了解每个公司项目的进度吗?我的改进实现只需一次查询即可完成。需要入职新员工,但所有团队成员都很忙?同样,一次查询。由于该工具的广泛应用,我们的团队可以专注于推动网络安全的前沿,而不是在 Slack 频道中筛选。

从下面的图片中可以看出,应用是无穷无尽的:

图 5:Claude MCP 桌面 Slack 输出

激发热情

每个人都在谈论应用 AI,但在聊天机器人之间复制和粘贴只是冰山一角。这些项目展示了 AI 应用可以走得更远。然而,要构建这些应用,你需要理解用户的问题并让他们参与循环。我的测试过程是这样的:发现一个错误,疯狂地实时修复它,收到一个功能请求,然后在当天晚些时候测试该功能。

与实习生离开后即被废弃的典型实习项目不同,我的工具得以保留,因为通过测试,人们将这些工具应用于他们自己的挑战,体验了生产力的提升,然后将它们整合到他们的日常工作流程中。同样重要的是,他们与其他员工分享他们的兴奋,使这些工具成为公司范围内的工具。

通过这些项目,Dan、Sam 和我希望激发一种热情,即 AI 不会取代员工,而是增强他们的能力。每个团队都有等待被发现的 AI 用例。在 Trail of Bits,我们正在寻找并实现它们,每个人都在贡献,即使是实习生。

comments powered by Disqus
使用 Hugo 构建
主题 StackJimmy 设计