那天的事件
上午10点，在 Windows 桌面打开 Google Sheets 时，Hamsters（自动化机器人）整夜收集的140份订单申请在等待中。按惯例逐一扫过，寻找异常时，突然想到何不试试 Claude Code。
指令很简单。「查看订单数据，找出买方要求的数量与实际订单项目数量不符的情况」
整整1分23秒后，结果出现了。
发现错误：4件
- 订单 #2847：要求数量1,200个，实际项目数量总计950个（缺少250个）
- 订单 #2891：买方要求「2种」，但订单表输入了3种
- 订单 #2908：颜色代码不符（买方要求「BLU-001」，却输入「BLU-002」）
- 订单 #2951：交货期错误（要求：30天，输入：60天）
如果用眼睛扫过140件订单，至少要30分钟。出错的概率也很高。
为什么只要1分钟？
规则型自动化的局限
到目前为止，我们采用的方法是「在表格中输入条件公式来标记错误」。
=IF(SUMIF(范围)≠输入值, "错误", "正常")
这种方式准确但僵硬。每当出现新类型的错误（比如颜色代码不符），就必须新增公式。
Claude Code 所做的工作
AI 的运作方式不同。它编写代码，一次执行就扫描了全部140件。整个过程中，它：
• 理解了每份订单的「上下文」（买方真的要那种颜色吗？）
• 记住了之前见过的错误模式
• 甚至检测到预想之外的错误类型
之后呢？
最令人惊讶的部分另有其事。Claude Code 找到错误后，自动问我：
「发现的4件中，#2847和#2891看起来是买方那边的输入错误。要先发确认邮件吗？我来准备模板」
我回答「好」，3分钟内，多语言确认邮件模板就生成了。而且还根据各买方之前的沟通风格调整过。
学到的事
1. **节省时间是副作用**。真正的价值是「不遗漏错误」带来的信心。
2. **修正建议在同一个工作流中**。发现问题和提出解决方案自动连接时，工作流程完全改变。
3. **AI 代理与机器人不同**。Hamsters 只做「被指派的工作」。Claude Code 「自己判断需要做什么并提出建议」。
不是每家贸易公司都需要这么精密的自动化。但如果团队每天处理数百份数据，这值得一试。
下周计划将此流程也部署到主要设备上。