【Python自动化】用AI工作流把重复工作全自动化，实测节省70%时间

前言

2026年，打工人的工作效率差距，本质上是"会不会用AI工具"的差距。

今天船长分享一套自用的 Python + AI 工作流，从数据采集到报告生成，全部自动化。实测节省 70% 的重复工作时间。

这套工作流不需要你懂高深的技术，只需要会写 Python 基础代码 + 会用 AI 辅助。

一、环境准备：3个工具搞定一切

1.1 Python 环境

推荐使用 Anaconda 管理 Python 环境，一键安装所有依赖：

# 下载 Anaconda
wget https://repo.anaconda.com/archive/Anaconda3-2024.02-1-Linux-x86_64.sh
bash Anaconda3-2024.02-1-Linux-x86_64.sh

# 创建虚拟环境
conda create -n ai_workflow python=3.10
conda activate ai_workflow

# 安装核心依赖
pip install pandas openai requests schedule jupyter

1.2 API 配置

本教程使用 OpenAI API（DeepSeek API 逻辑相同，只需改 base_url）：

import os
from openai import OpenAI

# 设置 API Key（建议使用环境变量，不要硬编码）
os.environ["OPENAI_API_KEY"] = "your-api-key-here"

# DeepSeek API 配置（国产替代，速度快且便宜）
client = OpenAI(
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url="https://api.deepseek.com"  # 换成这个就是 DeepSeek
)

# OpenAI API 配置
# client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

二、场景1：自动生成数据报告

2.1 数据采集

import pandas as pd
import requests
from datetime import datetime, timedelta

def fetch_stock_data(stock_code: str, days: int = 30) -> pd.DataFrame:
    """
    获取股票历史数据
    使用 AKShare 免费数据源
    """
    try:
        import akshare as ak
        
        # 获取日线数据
        df = ak.stock_zh_a_hist(symbol=stock_code, period="daily", 
                                  start_date=(datetime.now() - timedelta(days=days)).strftime('%Y%m%d'),
                                  end_date=datetime.now().strftime('%Y%m%d'),
                                  adjust="qfq")
        
        return df
    except ImportError:
        print("请安装 akshare: pip install akshare")
        return pd.DataFrame()

# 示例：获取茅台数据
df = fetch_stock_data("600519")
print(f"获取到 {len(df)} 条数据")
print(df.tail())

2.2 AI 数据分析

def analyze_with_ai(client, df: pd.DataFrame, stock_name: str) -> str:
    """
    使用 AI 自动分析数据并生成报告
    """
    # 生成数据摘要
    summary = df.describe().to_string()
    
    prompt = f"""
你是一个专业的股票分析师。请分析以下 {stock_name} 的历史数据：

数据摘要：
{summary}

请输出：
1. 整体趋势判断（上涨/下跌/震荡）
2. 关键指标分析（涨跌幅、成交量变化）
3. 风险提示
4. 简单总结

要求：用非专业投资者也能听懂的话输出。
"""

    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.7
    )
    
    return response.choices[0].message.content

# 调用分析
analysis = analyze_with_ai(client, df, "贵州茅台")
print("=== AI 分析结果 ===")
print(analysis)

三、场景2：自动化周报生成

3.1 读取工作记录

import json
from datetime import datetime

def read_work_log(log_file: str = "work_log.json") -> dict:
    """
    读取工作日志（假设每天的工作记录保存在 JSON 文件中）
    """
    try:
        with open(log_file, 'r', encoding='utf-8') as f:
            return json.load(f)
    except FileNotFoundError:
        # 模拟数据（实际使用时替换为真实数据源）
        return {
            "date": datetime.now().strftime('%Y-%m-%d'),
            "tasks": [
                {"name": "用户增长分析", "hours": 3, "output": "完成季度报告初稿"},
                {"name": "A/B测试设计", "hours": 2, "output": "方案已发给产品确认"},
                {"name": "数据看板维护", "hours": 1, "output": "修复了3个指标计算错误"}
            ],
            "blockers": ["等待数据团队提供外部数据"],
            "next_week_plan": ["完成季度报告终稿", "跟进A/B测试上线"]
        }

work_log = read_work_log()
print("工作日志：", work_log)

3.2 AI 生成周报

def generate_weekly_report(client, work_log: dict) -> str:
    """
    使用 AI 将工作流水账翻译成专业周报
    """
    prompt = f"""
请将以下工作日志整理成一份专业的周报：

日期：{work_log['date']}

任务列表：
{chr(10).join([f"- {t['name']}（{t['hours']}小时）：{t['output']}" for t in work_log['tasks']])}

阻碍：{work_log['blockers']}

下周计划：
{chr(10).join([f"- {plan}" for plan in work_log['next_week_plan']])}

周报要求：
1. 用专业语言重写，不只是罗列
2. 每项任务要体现价值（用什么方法、解决了什么问题、产生了什么效果）
3. 格式规范，适合发给领导
"""

    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.3  # 低温度，输出更稳定
    )
    
    return response.choices[0].message.content

# 生成周报
report = generate_weekly_report(client, work_log)
print("=== 周报 ===")
print(report)

四、场景3：定时任务自动化

4.1 设置定时任务

import schedule
import time
from datetime import datetime

def daily_report_job():
    """每日自动生成报告任务"""
    print(f"[{datetime.now()}] 开始执行每日报告任务...")
    
    # 1. 获取数据
    df = fetch_stock_data("000001")  # 平安银行示例
    
    # 2. AI 分析
    if not df.empty:
        analysis = analyze_with_ai(client, df, "平安银行")
        
        # 3. 保存报告
        with open(f"reports/{datetime.now().strftime('%Y%m%d')}_analysis.txt", 
                  'w', encoding='utf-8') as f:
            f.write(analysis)
        print(f"报告已保存")
    else:
        print("无数据，跳过")

def weekly_report_job():
    """每周一自动生成周报"""
    print(f"[{datetime.now()}] 开始执行周报任务...")
    work_log = read_work_log()
    report = generate_weekly_report(client, work_log)
    
    with open(f"reports/{datetime.now().strftime('%Y%m%d')}_weekly_report.txt",
              'w', encoding='utf-8') as f:
        f.write(report)
    print("周报已保存")

# 设置定时任务
schedule.every().day.at("09:00").do(daily_report_job)  # 每天9点
# schedule.every().monday.at("09:30").do(weekly_report_job)  # 每周一9:30

# 运行调度器
print("定时任务已启动，按 Ctrl+C 退出")
while True:
    schedule.run_pending()
    time.sleep(60)

五、完整工作流示例

#!/usr/bin/env python3
"""
AI 工作流自动化脚本
功能：自动采集数据 → AI 分析 → 生成报告 → 定时执行
作者：船长
"""

import os
import json
import pandas as pd
from datetime import datetime
from openai import OpenAI

# ==================== 配置 ====================
# API 配置
os.environ["OPENAI_API_KEY"] = os.getenv("DEEPSEEK_API_KEY", "your-key-here")
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"), base_url="https://api.deepseek.com")

# ==================== 核心函数 ====================

def fetch_data(stock_code: str) -> pd.DataFrame:
    """获取数据"""
    try:
        import akshare as ak
        df = ak.stock_zh_a_hist(symbol=stock_code, period="daily", 
                                  start_date="20260101", end_date=datetime.now().strftime('%Y%m%d'))
        return df
    except:
        return pd.DataFrame()

def analyze_data(client, df: pd.DataFrame, stock_name: str) -> str:
    """AI 分析数据"""
    if df.empty:
        return "无数据"
    
    summary = df.tail(10).to_string()  # 最近10条数据
    
    prompt = f"分析 {stock_name} 近10个交易日的数据，输出简明分析报告：\n{summary}"
    
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

def save_report(content: str, filename: str):
    """保存报告"""
    os.makedirs("reports", exist_ok=True)
    filepath = f"reports/{filename}"
    with open(filepath, 'w', encoding='utf-8') as f:
        f.write(content)
    return filepath

# ==================== 主流程 ====================

def main():
    stocks = ["600519", "000001", "600036"]  # 茅台、平安、招商
    
    print(f"=== 开始执行 AI 工作流 [{datetime.now().strftime('%Y-%m-%d %H:%M')}] ===\n")
    
    all_reports = []
    for code in stocks:
        df = fetch_data(code)
        if not df.empty:
            analysis = analyze_data(client, df, code)
            all_reports.append(f"## {code}\n{analysis}\n")
            print(f"✅ {code} 分析完成")
    
    # 生成汇总报告
    summary = f"# 数据分析日报\n\n生成时间：{datetime.now()}\n\n" + "\n".join(all_reports)
    filepath = save_report(summary, f"daily_report_{datetime.now().strftime('%Y%m%d')}.md")
    
    print(f"\n✅ 报告已保存至: {filepath}")

if __name__ == "__main__":
    main()

六、避坑指南

6.1 API 费用控制

# ❌ 错误示范：每次调用都新建 client
client = OpenAI(api_key="key")
for i in range(100):
    response = client.chat.completions.create(...)  # 100次请求

# ✅ 正确做法：批量处理 + 缓存结果
client = OpenAI(api_key="key")
results = []
batch_size = 10

for i in range(0, len(data), batch_size):
    batch = data[i:i+batch_size]
    prompt = f"分析以下数据：{batch}"
    response = client.chat.completions.create(messages=[...])
    results.append(response)
    time.sleep(1)  # 控制请求频率

6.2 数据安全

# ❌ 错误做法：API Key 硬编码在代码里
client = OpenAI(api_key="sk-xxxxx...")

# ✅ 正确做法：使用环境变量
# macOS/Linux: export DEEPSEEK_API_KEY="sk-xxxxx..."
# Windows: set DEEPSEEK_API_KEY="sk-xxxxx..."
client = OpenAI(api_key=os.getenv("DEEPSEEK_API_KEY"))

# 或使用 .env 文件 + python-dotenv
# .env 文件内容：DEEPSEEK_API_KEY=sk-xxxxx...
from dotenv import load_dotenv
load_dotenv()
client = OpenAI(api_key=os.getenv("DEEPSEEK_API_KEY"))

七、总结

这套 Python + AI 工作流 的核心价值：

1. 自动化重复工作：数据采集、报告生成全部定时执行

2. 降低技术门槛：用 AI 弥补 Python 技能不足

3. 提升工作效率：实测节省 70% 的重复工作时间

建议从最小可用版本开始：先跑通"读取数据 + AI 分析 + 保存结果"这个闭环，再逐步扩展功能。

完整代码已上传至 GitHub：github.com/example/ai-…

---

关注公众号「船长Talk」，回复「工作流」获取完整源码。