工作流與自動化
當你已經每天都在用 AI，下一個瓶頸通常是： 每次都要重新解釋一遍背景，每次都要手動複製貼上。
這一章講的就是怎麼跨過這個瓶頸。
三個層次
| 層次 | 你在做什麼 | 適合什麼 |
|---|---|---|
| L1 單次提問 | 打開對話框，問一個問題 | 臨時性、一次性的任務 |
| L2 固定模板 | 用存好的提示詞＋固定資料 | 每週都要做的例行工作 |
| L3 自動化流程 | 設定好之後它自己跑 | 高頻率、規則明確的工作 |
大多數人卡在 L1。 光是升級到 L2，效率就會明顯不同。
L2：把重複的事變成模板
做法
- 找出你這個月做過三次以上的同類任務
- 把最成功的那一次的提示詞完整存下來
- 把會變動的部分改成填空：
【本週數據】、【客戶名稱】 - 存到一個你找得到的地方（筆記軟體、文件、書籤）
進階：用「專案」或「自訂助理」功能
主流 AI 助理都提供類似功能（ChatGPT 的 GPTs／專案、Claude 的 Projects 等）， 可以預先設定：
- 固定角色與規則 — 不用每次重講「你是誰、要注意什麼」
- 固定參考資料 — 上傳公司簡介、品牌語氣指南、常用範本
- 固定輸出格式
設定一次，之後每次對話都自動帶入。這是投報率最高的一步。
知識庫：讓 AI 讀你的資料回答
為什麼需要
AI 不認識你的公司、你的產品、你去年寫的文件。 與其每次貼一堆背景，不如建一個它讀得到的資料庫。
這個做法的技術名稱叫 RAG（檢索增強生成），但你不需要懂技術也能用。
怎麼開始（不用寫程式）
- NotebookLM — 上傳 PDF、網頁、筆記，它只根據這些資料回答並附出處
- 對話助理的專案功能 — 上傳常用文件，該專案內的對話都能參考
- Notion AI／既有筆記工具的 AI 功能 — 直接問你自己的筆記庫
最大的好處：幻覺風險大幅降低
因為答案來自你提供的資料，不是模型的記憶。 這也是 降低幻覺 最有效的做法。
AI Agent：讓 AI 自己執行多個步驟
什麼是 Agent
一般對話是「你問一句、它答一句」。 Agent 則是你給一個目標，它自己拆解步驟、呼叫工具、檢查結果、繼續下一步。
例如：「幫我調查這三家競品的定價並做成比較表」—— 它會自己搜尋、閱讀、整理、產出表格，中間可能跑好幾分鐘。
什麼時候值得用
適合交給 Agent：
- 步驟多但規則明確（資料蒐集、整理、格式轉換）
- 你能清楚描述「做完長什麼樣」
不要交給 Agent：
- 需要你的價值判斷（要不要簽這個約）
- 錯了代價很高（直接對外發送、直接付款）
使用原則
警告
永遠保留一個人工確認的關卡。 特別是會對外送出、會花錢、會刪東西的動作，不要讓它全自動完成。
自動化串接：讓流程自己跑
常見工具
- Zapier / Make — 圖形化介面，把不同服務串起來（收到信 → 存到表格 → 通知）
- n8n — 可自架，彈性高，適合有資料落地需求的團隊
- 各家 AI 的 API 與外掛 — 彈性最高，需要一點技術協助
適合自動化的三種訊號
- 這件事每週都發生
- 規則寫得出來（如果 A 就 B）
- 錯了容易發現也容易修
三個都符合，就值得花一小時設定。
一個實際例子：每週報告
觸發：每週五下午 4 點
步驟 1：抓取本週的數據表格
步驟 2：送進 AI，用固定模板產出摘要與三個觀察
步驟 3：產出草稿寄到你的信箱
步驟 4：你檢查、修改、再寄給主管 ← 保留人工關卡
名詞小解釋
| 名詞 | 白話說明 |
|---|---|
| RAG | 讓 AI 先去你的資料庫找資料，再根據找到的內容回答 |
| Agent | 能自己拆解步驟、使用工具、完成目標的 AI |
| MCP | 一種讓 AI 安全連接到外部工具與資料的開放標準 |
| Workflow | 把多個步驟串成一條固定流程 |
| API | 讓程式之間互相呼叫的介面，自動化的基礎 |
更多見 名詞速查表。
從哪裡開始
- 本週：把你最常用的提示詞存成模板（L2 的第一步）
- 本月：建一個知識庫，把你最常查的文件放進去
- 之後：挑一件每週都在做的事，試著做成自動流程
提示
不要一開始就追求全自動。 「模板化」的投報率遠高於「自動化」，而且不需要任何技術。