這本書採用的概念其實就是「二八法則」：一本書最精華的內容可能只占 20%，只要掌握這 20%，基本上就能理解整本書 80% 的內容。

當然，10 分鐘讀完一本書，對我來說還是有點誇張。不過，如果書籍的難度符合我的程度，我確實可以在 30 分鐘到一個小時之內讀完，大概掌握七八成的概念。

一本書不需要從頭讀到尾

一般來說，我會先看一本書的前言、結語、目錄和第一章，也會掃過每章的開頭與結尾。

如果書中有粗體字或圖表，我也會先看一遍。我不會逐字閱讀，大部分只要讀每章前面的幾個段落，通常就能判斷這一章在談什麼，以及是否值得繼續讀下去。

另外，根據我自己的閱讀經驗，第一章也不一定重要。

很多書的第一章只是在陳述概念，或交代作者如何開始這項研究。這些背景對讀者來說，未必真的有用。相較之下，最後一章的結語有時候反而更重要，因為作者通常會在這裡重新整理整本書的核心內容。

所以，實際閱讀時，我們不必拘泥於固定順序。除了前言、目錄與結語以外，也可以直接跳到自己有興趣，或真正需要的精華片段。

這些閱讀技巧，可以在實際閱讀的過程中慢慢摸索。

這種讀書方法並不適用於所有書籍

這種做法並不是這位作者發明的。早在《如何閱讀一本書》中，就已經談過略讀的概念。

略讀比較適合非文學類書籍，例如商管、科普、社會科學，以及探討職場與工作方法的實用型書籍。

至於文學作品，就不適合使用同樣的方法。

畢竟文學作品的價值，不只是理解作者最後想表達的概念，而是在閱讀過程中感受角色的悲歡喜樂。假如只看目錄、前言與結語，就失去了閱讀這些作品的意義。

所以，所謂只讀 20% 的方法，並不是套用在所有書籍上的標準答案，而是針對特定類型書籍所採取的閱讀方式。

一本書只要理解一個概念，就有價值

作者認為，一本書其實只需要讀三分之一。

讀完第一章之後，可以先看目錄，再挑選自己有興趣的章節閱讀，不需要強迫自己完全理解整本書。

即使讀不懂也沒關係，只要能從一本書裡理解一個概念，這本書就已經有價值了。

因為這個世界上的爛書真的太多了。

有時候是作者的問題，有時候是編輯的問題，很難一概而論。例如有些書會塞進十幾種觀點，內容變得非常混亂。

我認為，這個時代最好的一本書，應該只專注談一件事情，然後完整地把這件事情談完，把概念說清楚。這才是最重要的。

快速閱讀有一個重要前提：i＋1

想要快速讀懂一本書，有一個很重要的前提：這本書的難度必須符合「i＋1」。

i 代表自己目前的程度，＋1 則是比自己原有的程度稍微困難一點。

我們不能在完全沒有基礎的情況下，直接閱讀遠遠超過自己程度的內容，還要求自己在 10 分鐘之內掌握整本書。

例如，我不可能在完全不理解任何程式語言的情況下，直接去讀演算法，還要求自己在 10 分鐘之內理解整個概念。這實在太困難了。

所以，快速閱讀不是單純追求速度。書籍本身的難度，必須與讀者目前的能力相符。

讀得快沒有用，重點是能不能記住

讀書快並不代表學得好。真正重要的是，讀完之後能不能記住，以及能不能把書裡的內容轉化成自己的理解。而讓自己記住一本書最好的方法，就是輸出。

如果我們讀書的目的是學習，那麼閱讀就應該以輸出為目標。若只是把讀書當成娛樂，單純享受閱讀的樂趣即可，不必強迫自己產出。

作者認為，參加讀書會是一種很有效率的輸出方式，我也同樣認同。只不過，讀書會有一個很大的前提：必須找到一群志同道合，而且程度相近的人。

臺灣並不缺讀書會，但我自己參加過幾場，多半不是非常滿意。讀書會的核心應該是與人交流，可是我們很難遇到程度相當的人：要嘛是別人覺得你的程度太差，要嘛是你覺得別人的程度太差。

參與者也是形形色色，有些人很好，有些人則很奇怪。參加幾次之後，常常覺得還要處理許多有的沒的事情，實在很麻煩，最後索性就不想去了。

因此，我們應該盡可能降低輸出的難度。

如何降低輸出的難度？

我認為有兩個很簡單的做法。

第一個方法，是建立一個公開的閱讀帳號。

你可以在 Threads、Instagram 或 YouTube 上建立專門分享閱讀內容的帳號。每讀完一本書，就簡單介紹這本書，留下自己的閱讀紀錄。

如果分享之後還能得到其他人的回饋，那就更好了。這也是公開輸出的意義。

第二個方法，是撰寫私人的讀書筆記或日記。

如果覺得閱讀是一件很私人的事情，完全不希望別人看到自己的內容，也可以透過讀書筆記或日記，把讀完之後的想法記錄下來。

輸出不一定要公開。真正重要的是，讀完之後有沒有重新整理自己的理解。

AI 時代為什麼還要精讀？

前面提到的閱讀方式，主要是一種「略讀」，目的是讓我們用最快的速度掌握一本書的概念。

但是在 AI 時代，我們除了略讀，也應該重新注意「精讀」的重要性。

現在大部分可以文字化的知識，可能都已經被大公司拿去訓練 AI。我也相信，AI 已經掌握了人類知識中非常精華的一部分。

這時候，我們難免會產生一個疑問：AI 都這麼聰明了，我們還需要讀書嗎？

我認為，讀書的價值已經不只是取得書中記載的知識。

當我們仔細讀完一本書時，其實也在學習作者的思考脈絡。這種思考脈絡很難直接形容，它是一個潛移默化的過程。

讀得越深入，我們就越能理解作者如何思考一個問題。

尤其當一位作者不只寫過一本書，而是出版過好幾本書時，如果我們把他的作品都讀過，就有機會逐漸理解他的思考方式。我認為，這件事情在 AI 時代非常重要。

AI 如何降低閱讀與學習的障礙？

我認為，現在大家閱讀量減少，主要原因是娛樂選擇太多。

許多人從閱讀實體書，轉去閱讀社群媒體。像我自己就花了很多時間瀏覽 Instagram 和 Threads，浪費了不少時間。

因此，AI 在這個時代的應用，核心就是盡可能簡化閱讀與學習的障礙。

目前我主要使用三種方式。

Typeless 搭配 ChatGPT 桌面版

我一邊說話，Typeless 一邊幫我打字。完成之後，我把文字交給 ChatGPT，再讓 AI 根據我們之前建立好的 SOP，整理完整的對話內容。

最後，AI 會把這些內容整理成一份大綱，我就能直接根據大綱拍攝影片並進行輸出。

NotebookLM

當我手上已經有一整套完整資料時，例如一份討論資安的 PDF，就可以直接把整份文件放進 NotebookLM，再針對文件內容與它討論。

我也會請 NotebookLM 根據資安文件製作考題，再透過回答問題，幫助自己學習這份資料。

Notion 的會議錄音功能

雖然它原本是會議錄音功能，但我很常自己把它打開，對著它講述心得，或記錄自己剛完成某件事情之後的想法。

講完以後，它會把腦中混亂、零散的概念，整理成結構清楚的文字。之後需要重新翻閱或查找時，速度也會快很多。

把想法說出來的過程，本身就是一種輸出，同時也是在幫助自己學習。

目前我就是透過這幾種 AI 應用方式，盡可能降低輸出的難度，並提升自己的學習與工作效率。

因為我想把主要精力放在研究影片生成工作流。

所以接下來一陣子，電子報可能不會固定更新。等我把影片生成這套東西研究到一個比較清楚的階段，再來決定下一步要怎麼做。

未來也許會繼續寫電子報，或者直接把內容轉成 YouTube 影片或 IG Reels。

現在還不確定，總之到時候再說。

謝謝你之前的訂閱和閱讀。

等我研究出一點東西，再跟大家分享。

Raven

前言

平常你怎麼在處理眾多的資料？

如果你有一大堆會議紀錄、程式碼、專案報告等等，你要怎麼樣整理這些資料，才能夠更快的提取、彙整資訊？

我過去使用的方式，其實都只是單純地讓 Claude Code 或者是 Codex 去閱讀我電腦上的文件，由我指定文件內容後，再讓它產出我要的資訊。

當然這樣做其實已經很好用，可是如果文件越來越多的話，自己在整理上也是需要花很多的腦力。

這禮拜在網路上有許多人都提到了 OpenAI 共同創辦人 Andrej Karpathy 的 LLM Wiki 概念。

根據 Karpathy 的說法，採用 LLM Wiki 的話，應該就能解決上述的問題。

讓我們來看看怎麼做。

在你的電腦建立 LLM Wiki

Andrej Karpathy 最近公開一份筆記，提出一個跟主流完全相反的 AI 讀文件方法。

他說大多數人用的是檢索增強生成（RAG，Retrieval-Augmented Generation）：你把一堆檔案丟上去，每次提問，AI 才臨時去翻出相關片段、拼一個答案。

問題是，大型語言模型本身是沒有任何記憶的。

所以 AI 每次都從零開始去查找你的資料，知識永遠不會累積。無論它怎麼樣幫你整理知識脈絡，你換一個對話（Session）之後，全部都要重新開始。

Karpathy 的做法是反過來，不要每次查才翻原稿，而是讓 AI 先把素材全部讀完，整理成一個會長大的知識庫（Wiki）。

這個知識庫是一疊互相連結的 Markdown 檔案，夾在你跟原始素材中間。

平常你就是把專案相關的素材丟進去。

讓 AI 讀完資料、抓重點、整合進現有頁面，順手更新相關條目、標出跟舊資料衝突的地方。

你收集的知識只需要整理一次，之後就會一直保持最新的狀態，所以不必每次問問題時都還要再重新整理一遍。

如何設定 LLM Wiki？

在設定 LLM Wiki 之前，你需要兩大工具：

1. AI Agent：無論你是使用 Claude Code、Codex、OpenCode、Hermes Agent 或 OpenClaw 都可以

2. 可閱讀 Markdown 格式的軟體：Antigravity IDE、VS Code、Obsidian 都行。如果你不是工程師的話，建議你使用 Obsidian

接下來就是將 Karpathy 那份筆記資料丟給 AI Agent，讓他閱讀。

因此步驟只需要 3 個：

第一步，把筆記網址丟給 AI。

在你想放知識庫的那個資料夾裡，打開 Claude Code 或 Codex，把 Karpathy 的筆記網址（或整份內容）貼給它，叫它讀過一遍。

指令可以這樣下：「請先讀這份筆記 gist.github.com/karpathy/442a6bf555914893e9891c11519de94f ，讀完跟我說你理解到的重點。」

第二步，讓 AI 讀完，跟你對一次重點。

這份筆記是觀念說明、不是安裝腳本，所以先讓 AI 消化過，確認它抓到了「三層架構」跟「三個操作」，再往下執行。

記得一定要讓 AI 跟你對齊想法。當你確認它理解了 LLM Wiki 的概念之後，才開始讓它執行，因為你有可能需要根據你的專案狀況做部分的微調。

第三步，叫 AI 照著裝在這個資料夾。

確認它讀懂了，就請它動手：「照這份筆記的做法，在這個資料夾幫我建一套 LLM Wiki，用途是整理我的會議紀錄。」（把用途換成你自己的，例如產業研究、讀書筆記、客戶資料。）

AI 就會幫你把整個骨架建出來，你不用自己開任何資料夾或檔案。

骨架則分為三層：

第一層是原始素材（Raw Sources），例如你蒐集的文章、論文、逐字稿、圖片，AI 只准讀、不准改，當作唯一的真實來源。

第二層是知識庫（Wiki），AI 自己生成與維護的 Markdown 文件，裡面有摘要頁、實體頁、概念頁、比較頁，這層完全歸 AI 管，你只負責讀。

第三層是規則檔（Schema），用 Claude Code 就是 CLAUDE.md，用 Codex 就是 AGENTS.md，它告訴 AI 這個知識庫怎麼編排、有哪些慣例、收到新素材或被提問時該跑什麼流程。

第三層的規則檔可以讓你的 AI Agent 變成一個有紀律的知識庫管理員。

你如果要做客製化的修正，就是讓 AI 去把你的需求告訴你的 AI Agent，讓他幫你修改這一份規則檔。

如果你有一些固定的流程，就是跟 AI Agent 說明你的流程內容，請它幫你寫成「技能」。

注意上述的內容，全部都要在你的 LLM Wiki 目錄底下去跟你的 AI Agent 說明。

當你設定了 Karpathy 的 LLM Wiki 的時候，AI 還會順手幫你建兩個導航檔。

index.md 是內容目錄，每頁一行摘要、依類別排好，AI 回答前先讀取它，再決定深入哪幾頁資料，適合你的素材量還不是很多的情況。

log.md 是時間軸，只往後追加，記錄每次匯入、提問、體檢，開頭用固定格式（像 ## [2026-04-02] ingest | 文章標題），AI Agent 就能直接用 grep 指令去撈它最近做了什麼。

如何使用 LLM Wiki？

平常你就靠三個動作跟它互動。

第一個是匯入（Ingest），你把新素材丟進 raw 資料夾叫 AI 處理，它會讀完、跟你討論重點、寫一頁摘要、更新索引、改動相關的實體頁與概念頁、再往日誌補一筆，一份素材通常會牽動 10 到 15 個頁面。

第二個是提問（Query），AI 去知識庫找相關頁面、附引用回答你，你如果有發現某個討論內容不錯，還可以回存成新頁面，讓你每次探索也跟著累積，而不是消失在對話紀錄裡。

第三個是體檢（Lint），定期叫 AI 自我檢查，揪出彼此矛盾的內容、被新素材推翻的舊說法、沒人連到的孤兒頁、缺漏的交叉連結、可以補查的資料缺口。

Karpathy 自己的工作畫面是一邊開 AI 代理、一邊開 Obsidian 筆記軟體，AI 在對話裡改檔案，他在 Obsidian 這頭即時瀏覽，看關聯圖（Graph View）哪些頁是樞紐、哪些是孤兒。

一個實際例子：我用它寫一本修仙小說

講到這裡可能還是有點抽象，我用自己的私底下在做的專案當例子。

我最近在寫一本修仙小說《凡人滅仙傳》，我打算按照 LLM Wiki 的方式去整理資料。

原始素材那層，我開了一個 raw 資料夾，底下分神話典籍（山海經、搜神記的妖怪條目）、明代歷史（建文年間、靖難之役），之後我會把相關的資料丟進去。

知識庫那層，是一本「故事聖經」，裡面有人物頁、世界觀頁、妖怪圖鑑、主角能力表、伏筆追蹤，全部互相連結，由 AI 維護。

比如說我在書裡有隻妖怪叫山魈，牠的頁面就會記載出處（山海經、子不語）、外型（紅緯帽、獨腳）、能力（天生隱身）。

當我要寫山魈出場那章，AI 只要把這一頁夾進去，負責寫正文的 AI 就不會把設定寫錯。

平常我在使用的時候，例如我可能會跟 AI 討論要如何擴充我的「妖怪知識庫」，它就會幫我整理相關資料，並介紹我還可以去哪裡抓取哪些素材。

素材其實也可以交給 AI agent 去抓啦，但是有些資料的抓取方式，還是只能靠人工處理，因為現在很多網站都會擋爬蟲。

例如臺灣有一個「中國哲學書電子化計劃」網站，如果你想叫爬蟲去爬就有點困難，它的網站會擋。

我自己覺得 LLM Wiki 最好的概念是 log.md 日誌。

因為我們在建置這種知識庫的時候，其實挺需要記錄 AI 到底在過程中做了些什麼事情。一般來說，我們自己不太會去讀這份日誌，所以這些內容其實是交給 AI 看的。

畢竟 AI 是沒有記憶的，所以你要讓它知道之前做了些什麼，它就比較不容易出錯。

我建議每個人都要安裝 LLM Wiki。

無論你是要寫程式、寫書，或是在做自媒體、寫電子報，其實許多工作本質上都是在處理知識管理。設定 LLM Wiki 對你來說只有好處沒有壞處。

最後，我們還可以透過 Git 來管理這些內容，針對整個 LLM Wiki 知識庫進行版本控制，這樣就更完美了。

參考連結：

• Karpathy 原始筆記：LLM Wiki（gist）

• Claude Code 文件：Memory 與 CLAUDE.md

• Claude Code 文件：Subagents 與工具權限

如果你也想把這種用法真正練起來，看我在真實專案裡怎麼設定、怎麼調整，我會在社畜進化論｜Raven AI社群裡一步步帶。

要是你更傾向直接把自己的事業或工作流程套進去，需要有人幫你盤點從哪裡開始，那就預約一對一AI 一人公司啟動諮詢，我們一起畫出你的自動化藍圖

。

在 2024 年的時候，傳統使用 AI 的方式就是你問一句、AI 答一句。

到了 2025 年，大家開始提倡「提示詞工程」（Prompt Engineering），其範疇包括：

1. 指派角色讓 AI 扮演

2. 幫 AI 設計固定產出的流程與格式

3. 後期出現的專案規則與技能

到了 2026 年，又出現了一個更新的名詞，叫做「迴圈工程」（Loop Engineering）。

提到「迴圈工程」，我認為最著名的案例就是龍蝦（Openclaw）。

龍蝦有一個設計，叫心跳機制（Heartbeat）。

透過心跳機制，可以規定它大概每 30 分鐘，或者是每一小時自動啟動，去檢查是否有需要處理的事情。

比如說檢查目前的系統有沒有出錯；如果有，就進行修正。

所以這個機制跟傳統的提示詞工程（Prompt Engineering）有一個很大的不同。

過去可能是寫好一整套的提示詞，讓 AI 根據這些內容去做相對應的工作；而現在我們則是設法建立一個可以不斷迴圈的系統。

根據我們指派的工作，如果系統檢查到、或看到需要開始工作的時候，它就會自動進行相對應的處理。

迴圈工程需要的六個工具

負責 Google Chrome 的工程師 Addy Osmani ，認為迴圈工程大致上需要底下的這些工具：

自動化排程（Automations）：

讓任務不是你手動開啟，而是時間到了自己跑。

有許多 AI Agent 都已經有這個機制，比方說在龍蝦裡面可以設定排程，Claude Code 本身有一個 /loop 的機制，Codex 的桌面版也有一個自動化的按鈕可以設定。

工作樹（Worktrees）：

Git 的一個功能，讓好幾個 AI 代理（agent）各自在獨立的程式碼副本上工作，不會同時改到同一個檔案打架。

技能（Skills）：

基本上就是 SOP，把專案的規則、常見判斷、操作慣例寫成文件，讓代理每次都照同一套標準做事。

外掛與連接器（Plugins and Connectors）：

讓代理能接到外部工具，例如 GitHub、資料庫、任務管理板。

子代理（Subagents）：

把工作拆給不同角色的代理，一個負責寫程式，另一個負責檢查。

你也可以針對不同的角色分配不同的語言模型。

例如有人會說 Claude 的模型比較適合寫程式，Codex 或是 ChatGPT 的模型則比較適合除錯。當然，這就是依照個人的使用經驗去做不同的分配。

像我個人最近私底下有一個 Side Project 在寫修仙小說，我就指派 DeepSeek 來擔任主筆，因為如果你叫 Claude Code 去寫的話，它的中文程度真的是很爛。

外部狀態與記憶（External State / Memory）：

把進度寫到對話以外的地方，例如一個純文字筆記檔（Markdown）或一塊任務板，這樣迴圈跑很多輪也不會忘記自己做到哪一步。

我的 Hermes Agent 就有這樣的機制。他在被指派任務的時候，會先將要做的事情寫下來，寫成 To-Do List，然後再依照完成的進度去劃掉清單上的項目。

範例一：每天自動修程式的迴圈

假設一家軟體公司，每天晚上電腦會自動把大家寫的程式跑一輪測試，看有沒有哪裡壞掉。這套會自動跑測試的系統叫 CI（持續整合，Continuous Integration）。

然後昨天半夜，它測出有個地方壞了。

傳統做法是，你早上進公司打開 Claude Code，一句一句問它。先問「昨天為什麼壞了」，它回答後，你再說「好，修復這個 bug」。

修完，你再說「再跑一次測試」，終於成功了，你再說「幫我整理成一份修改說明送出去」。

上述每一步都要你開口，AI 等於是你的工讀生嘛，你說一動，他才做一動。

迴圈的做法是，你先把這整套流程寫成會自己執行的小程式，設定每天早上自動啟動。它一啟動就照著固定步驟跑一圈：

1. 自己去讀昨天測試壞掉的紀錄

2. 判斷哪些是它有把握修的

3. 開一個獨立的工作空間，不會動到同事正在改的程式

4. 派一個代理去修，再派另一個代理檢查修得對不對

5. 重跑一次測試

6. 測試過了，就自動把修改整理好、送出去等人核准

7. 沒過，就把原因寫進一份紀錄檔

8. 若測試多次都是失敗的，就通知人類，讓人類介入

範例二：用 Codex 的 /goal 設一個會自己驗收的迴圈

如果你不是工程師，但想要趕快來體驗一下什麼是迴圈工程的話，其實你可以使用 OpenAI Codex 。

Codex 有一個 /goal 指令，很類似「迴圈工程」。你不是每一步都下提示詞（prompt），而是先設定一個有驗收標準的終點。

官方文件的說法是，目標（Goal）是 Codex 的持久任務，會包含三件事：

1. 什麼算完成

2. 怎麼檢查成功

3. 過程中哪些限制不能破壞

例如說，你可以下這樣的指令：

/goal 修好登入流程裡時好時壞的測試，直到所有登入測試都通過，而且程式碼檢查沒有錯誤

設好之後，Codex 會自己檢查程式、修改、跑測試、再修正，直到達到條件，或是遇到它判斷需要你出手的地方才會停下來。

範例三：每天早上自動生出電子報草稿的迴圈

迴圈不是只能拿來寫程式，內容整理也可以。

我現在寫電子報的流程其實是屬於「單線性」的。我設定了許多的技能，流程如下：

1. 構思與資料蒐集： 每次要寫電子報時，我會先思考這週的主題，並找好相關資料。

2. AI 協作撰寫： 資料找完後，我會丟給 AI。它會按照我預先設定的技能，幫我整理檔案並寫成文章。為了保持「人的味道」，我只會讓 AI 負責技術面的內容，其餘部分則由我親自撰寫，且技術內容我也會再順過一次。

3. 圖文發布： 文章完成後，我會啟動另一個技能產生圖片。確認圖片與文字都沒問題後，系統就會自動發布到 Substack。

這些步驟都已經跑順並設定成技能，但目前仍是單線式的操作。所以最近我在想，是不是可以讓我的 Hermes Agent 更進一步？

我希望它每週自動檢查我在 Threads 上的發文，看看哪幾張我製作的圖卡相對受歡迎，接著直接擷取受歡迎的主題，自動擴展成一份電子報。

理想的流程是：Hermes Agent 每天定時通知我電子報草稿已經寫好了。我去確認一下，如果覺得可以，或是修改完細節後，只要說一聲：「好，就這樣，直接執行吧。」這整個流程就能幫我省下更多時間。

你想跟一群人一起把迴圈搭起來嗎

AI 的世界每天都有新名詞，例如本週提到的迴圈工程，一個人追很容易漏掉。

我現在逐步透過人工以及 AI 自動化的方式，把每天發生的 AI 新知，整理進「社畜進化論｜Raven AI」這個社群。

如果你不想一個人慢慢摸，想有一群人一起把這套東西搭起來，進來看看會比較快。

👉 社畜進化論｜Raven AI

補充說明：這篇文章是在禮拜四晚上寫的。結果隔天，Fable / Mythos 5 就受到美國官方下令禁止非美國地區使用。原因當然是跟國家安全有關係。這也意味著，各國都應該要加強開發屬於自己的 AI，避免受制於其他國家。

—
如果你有在使用 Claude Code 或是 Claude 桌面版的話，在上個禮拜你應該有看到更新。更新完之後，你就會發現有一個新的模型叫做 Fable 5。

它是最新的旗艦模型。

在 6 月 22 日以前，只要你有訂閱，不管是哪一個層級的 Pro、Max 或者企業版，你就可以使用 Fable。

在這之後，Anthropic 就會把它從訂閱方案中移除，繼續使用需要消耗 usage credits，意思就是要多收錢啦。不是說你有訂閱就可以爽用，你有訂閱也不會給你用，要用的話要另外儲值。

費率是 API 價格：輸入 $10/百萬 token、輸出 $50/百萬 token，是 Opus 4.8 的兩倍。貴到嚇死人。

當然，這麼貴的價格代表它有強大的能力。

Fable 5 其實就是之前吵得沸沸揚揚的的 Mythos，據說能力非常強大，能夠自己抓到資安漏洞的大型語言模型。

由於 Mythos 的能力實在是太強了，所以 Anthropic 特別為了 Fable 5 多加了一層護欄。提供給一般使用者。另外還有一個 Mythos 5 ，安全限制較少，提供企業使用。

我自己單純是覺得，也許是因為 ChatGPT 5.5 太強了，而 Claude Opus 4.8 表現起來，又差強人意，所以迫於壓力的 Anthropic 不得不推出一個新的旗艦模型。

Claude Fable 5 雖然很強，但是也不會贏過 Opus 太多

Anthropic 在 2026 年 6 月 9 日發布 Claude Fable 5。

根據 Anthropic 的說法是，Fable 5 主打長時間的 AI 代理工作、程式開發、知識工作與視覺理解。

從一些官方文件以及一些英文媒體的資料來看，Fable 5 可以說就是一個 Mythos 的閹割版，針對資安、生物與生命科學等高風險能力，額外加了安全分類器。

當 Fable 判定某個請求碰到這些高風險區，會自動把問題改交給 Opus 4.8 回答。

目前 Fable 在 Benchmark 的表現上，官方資料顯示都贏過 ChatGPT 5.5 。以程式任務的 SWE-Bench Pro 為例，Fable 5 ／Mythos 5 拿到 80.3%，高於 Opus 4.8 的 69.2%、GPT-5.5 的 58.6% 與 Gemini 3.1 Pro 的 54.2%。

可是，因為 Fable 5 有安全分類器，所以上述的 Benchmark 成績，其實應該是 Mythos 5 的成績。Fable 5 我覺得就只能把它視為是 Opus +。在資安與生物等受 guardrails 影響較大的指標上，正式對外的 Fable 5 可能更接近 Opus 4.8 的實際表現。

總之呢，Benchmark 成績，看看就好。

因為這一兩年來，反正 ChatGPT 推出新模型之後就說它的模型最強，那這個 Claude 推出來之後呢，也說它的模型最強。

目前最強閉源模型都是 Claude 跟 ChatGPT 在互相競爭，Gemini 目前已經落後了，Grok 則是不知道在幹嘛，希望他們能加把勁。

Fable 5 的額度消耗量實在太大了，建議設定 Subagent

最近這幾天我都有用 Fable 5。

Fable 5 的確是比較強，可是大約每十次使用，可能就會有一次觸發它的安全分類器。

我的工作其實也不太會故意去挑戰一些違反資安的工作，平常主要是讓 AI 去讀系統裡的 log，然後幫我分析目前的問題。

但是光是這樣子使用的時候，它有時候會撞到護欄，然後直接把問題丟給 Opus 4.8 讓它去回答。

雖然我看了一些網路資料，據說如果撞到護欄，在它還沒有把文字產出的時候，所消耗的 token 不會計算到我們的額度裡面，但還是很浪費時間。

還有在體感上，使用 Fable 5額度消耗得特別快。

我平常都是用 Opus 4.8，每天就是讓它讀一下 log 的資料，不然就是寫 GAS 腳本做自動化，很少撞到上限。

改用 Fable 5 之後大概用個幾次，我的額度就滿了。我還是 100 美金的 Max 使用者咧。

就是因為這樣，所以我後來就決定要設定使用子代理（Subagent）來節省一下我的使用量。

設定方式也很簡單，你就是跟 AI 說，你希望在你的本地端能夠依照任務去設定子代理，依照不同的任務呼叫不同的模型。它就會幫你設定了。

目前我設定了三層模型：

第一層：Sonnet 是預設值，所有沒有觸發升級條件的任務都在這裡處理。

第二層：Opus ，當 Sonnet 判斷任務步驟超過五步、需要同時整合多個來源的資訊、或者任務性質屬於架構設計、深度研究，它就會呼叫 Opus Sub-agent。Opus 的強項是長程自主推理，能夠自己規劃完整的解題路徑，再一步一步執行完畢。

第三層：Fable 是我幾乎不主動觸發的選項，因為也只有最近才能用，6月23日開始都是要儲值才能用。如果要等到 Anthropic 開放一般訂閱戶也能使用 Fable，不知道要等到猴年馬月。

但是如果未來它有開放的話，可以預測消耗的額度應該也很可觀，除非 Opus 跑起來不夠理想，AI 此時就可以給我建議，讓我自己決定要不要使用 Fable。

原則上就是讓 AI 自己根據任務的難度，決定「這件事該派誰去做」，而不是每次都動用最貴的資源。

CTA

如果你跟我一樣，每次有新模型出來都想自己搞清楚它能不能放進工作流，不想只跟著英文媒體的情緒走，那我們社群會很適合你。我固定會在社畜進化論裡跟大家拆各種最新 AI 技術以及如何套用在工作流。想跟著第一線討論一起練判斷力的話，我們這裡見：

👉 社畜進化論｜Raven AI

最近在製作一個 AI 工作流的時候，發現我的信件自動寄給客戶時，都會被標記為垃圾信件。

稍微研究了一下，很快就解決了，不過中途還是會有一些眉角要處理，所以特別記錄起來，如果你也有相同困擾的話，底下是可能的解決方法。

先描述我的情境：

我有一個服務是 AI 工作流的陪跑，就是一對一教學，教人家怎麼做 AI 工作流。

只要購買陪跑服務，我也會同時贈送微課程，其實就是電子書啦，但是有搭配影片這樣。

所以當客戶購買了課程之後，系統就會提供一個 Google 表單。他們在填寫的時候，會有三個選項可以選：

• 適合社畜的 AI 知識管理：各種常見 AI 工具應用

• 適合新手的 Vibe Coding (ChatGPT + Google Apps Script)

• 適合小白的 AI 自動化(n8n)

我寫了一個 Google Apps Script 去處理 Google 表單的流程。依照客戶選擇的微課程內容，Google Apps Script 會寄送相對應的 Notion 連結給對方。

寄送是以 iamraven@raven.tw 來寄送，這個 Email 是在 Google Workspace 底下，因為我有購買 Google Workspace。

測試的結果是，信件雖然有成功寄出，但直接被扔進了垃圾郵件中。

信為什麼進垃圾郵件：SPF、DKIM、DMARC 與怎麼診斷

信寄到 Gmail 被丟進垃圾郵件，很常見的原因是寄件網域的郵件驗證沒設定齊全。

收件方會檢查三組放在 DNS 上的設定。

• SPF（Sender Policy Framework）：宣告哪些伺服器可以用你的網域寄信。

• DKIM（DomainKeys Identified Mail）：寄信時用一把私鑰幫信件加上數位簽章，收件方再用你放在 DNS 上的公鑰去驗證，確認這封信真的由你的網域授權寄出，而且中途沒被竄改。

• DMARC（Domain-based Message Authentication, Reporting and Conformance）：規定當 SPF 或 DKIM 驗證沒過時收件方要怎麼處理，以及把驗證報告寄到哪個信箱。

要知道自己缺哪一個，用 dig 指令查 DNS 就好，dig 是一個查 DNS 的指令，要在終端機裡用。

如果你是 Mac，打開內建的「終端機」程式（在 應用程式 → 工具程式 裡面，或用 Spotlight 打 Terminal 找出來），把下面的指令貼進去按 Enter 就有結果。

三筆分別查：

dig +short TXT raven.tw                     # SPF，找開頭 v=spf1
dig +short TXT google._domainkey.raven.tw   # DKIM（Google 預設 selector 是 google）
dig +short TXT _dmarc.raven.tw              # DMARC

我自己查 raven.tw 的結果是：

SPF 有（v=spf1 include:_spf.google.com ~all），DKIM 跟 DMARC 兩筆都是空的。

所以，我少了 DKIM 數位簽章，是這次自動化發信丟進垃圾郵件的主因，要補上 DKIM 跟 DMARC 這兩筆。

上述這些資料都是要放在 DNS 紀錄裡面。

我的網域在哪買、DNS 又接到哪

要補 DNS 記錄，得先知道你的網域 DNS 是在哪裡管理。

raven.tw 這個網域我是在 Gandi.net 買的。但我沒有用 Gandi 內建的 DNS，而是把網域的 nameserver 指到 Cloudflare，DNS 記錄統一在 Cloudflare 管理。

所以等一下加 DKIM 跟 DMARC，都是去 Cloudflare 加，不是去 Gandi。

怎麼確認你的網域 DNS 接在哪一家：

dig +short NS raven.tw

我的回傳是：

jim.ns.cloudflare.com.
anahi.ns.cloudflare.com.

看到 cloudflare.com 就代表 DNS 託管在 Cloudflare。

如果你看到的是 Gandi 或別家的 nameserver，那就要去那一家的後台加記錄，步驟的概念一樣，只是介面不同。

在 Google Workspace 產生 DKIM 金鑰

DKIM 的金鑰要從 Google Workspace 管理控制台產生。

用管理員帳號登入，打開這頁：https://admin.google.com/ac/apps/gmail/authenticateemail （路徑是 應用程式 → Google Workspace → Gmail → 驗證電子郵件）。

上方先選網域 raven.tw，再點「產生新記錄」。金鑰長度選 2048 bit，前置字串（selector）保持預設的 google。

它會給你一筆 DNS 記錄，長這樣：

主機名：google._domainkey
值　　：v=DKIM1; k=rsa; p=（後面接一長串公鑰）

這時候先停手，不要按「開始驗證」。等 DNS 那筆記錄加好、生效之後再回來按，順序顛倒會驗證失敗。

到 Cloudflare 補上 DKIM 與 DMARC 兩筆記錄

登入 Cloudflare，點進 raven.tw，左側選 DNS → 記錄（Records），按「新增記錄」加兩筆資料。

第一筆，DKIM：

• Type：TXT

• Name：google._domainkey（只填這樣，Cloudflare 會自動補成 google._domainkey.raven.tw）

• Content：把 Google 給你的那串 v=DKIM1; k=rsa; p=... 整段貼進去

DKIM 這串很長，超過單筆 TXT 的 255 字元上限，DNS 會自動切成好幾段存。Cloudflare 接受長字串、會自己處理，直接貼完整內容就好。

第二筆，DMARC：

• Type：TXT

• Name：_dmarc

• Content：v=DMARC1; p=none; rua=mailto:iamraven@raven.tw

DMARC 的 p=none 是監控模式，只收報告、不對驗證失敗的信做任何處置，是最安全的設定，不會誤殺你現在正常寄出的信。

rua 後面那個信箱是接收彙整報告的地方，填你自己的信箱，不要填寫我的信箱啊。

兩筆都存好之後，還記得剛剛跟你說不要按「開始驗證」嗎？所以現在請你回到剛剛 Google 那一頁，按「開始驗證」。

用 dig 確認 DKIM 生效

DNS 改完不會立刻生效，先用 dig 確認。

現在要查兩個地方：一個是直接問 Cloudflare 的權威伺服器（記錄到底加上去了沒），一個是問公共 DNS（有沒有傳播出去）。

# DKIM
dig +short TXT google._domainkey.raven.tw @jim.ns.cloudflare.com   # 權威
dig +short TXT google._domainkey.raven.tw @8.8.8.8                 # 傳播
# DMARC
dig +short TXT _dmarc.raven.tw @8.8.8.8

如果兩邊都有回傳值，就代表記錄上線了、也傳播出去了，Cloudflare 通常幾分鐘內就好。

查 DKIM 的時候，你會看到那串值被切成兩段、各自包在引號裡，這是 DNS 對超過 255 字元的正常分段，收件方驗證時會自動接回去，不用管它。

最後就要驗證真正寄出的信有沒有帶上 DKIM 簽章：

寄一封測試信到 Gmail，打開信、點右上「顯示原始郵件」，看到 DKIM: 'PASS' with domain raven.tw 就代表成功了。

Google 按了「開始驗證」之後，通常幾十分鐘到幾小時內會開始幫你的信簽章，DNS 既然已經生效，多半不會拖太久。

CTA

如果要把自動化寄信的腳本設定到不再被丟到垃圾郵件夾，雖然看似很簡單，但是其中還是有很多的關卡。如果沒有人帶你做，你可能光是搞清楚「程式該放哪個帳號、DKIM 要去 Gandi 還是 Cloudflare 設定」，就可能耗掉你一整個週末。

如果你正在把自己的工作流自動化，卻一直卡在這種接不起來的環節，可以直接找我聊。我的「AI 一人公司啟動諮詢」會幫你把目前最卡的地方，一條一條搞清楚，讓你少撞幾次牆、早一點把系統跑起來。

👉 AI 一人公司啟動諮詢

昨天跟辦公室的同事聊 AI 相關的內容，我才發現大家都遠遠低估 AI 的價值。

因為現在還是有很多人，把 AI 當作一個網頁版的聊天機器人，單純讓它產出文字訊息。

這當然是一個很好的方法，我也很常這麼做，可是只有使用這個功能，沒有辦法真正體現 AI 的價值。

在 2026 年，更好的 AI 使用方式，可以下載桌面版的應用程式，我們通常會稱它為 AI 代理（AI Agent）。

目前「御三家」的 AI：Claude、ChatGPT、Gemini，它們都有桌面版的應用程式，名稱分別就是：

1. Claude

2. Codex

3. Antigravity

只要能夠在電腦上安裝桌面版應用程式，就能夠使用 AI Agent，效率會比你單純使用網頁版要高得多。

除了是因為 AI Agent 能夠操作電腦以外，比起網頁版的 AI，它還多了「技能」的功能。

AI Agent 的「技能」是什麼

你提供給 AI Agent 讀取的提示詞，主要分為底下這幾類：

• 系統提示詞：有部分是廠商寫好的，你也能增加自己的客製化內容，每次對話固定載入

• Memory（自動記憶）：AI 自己寫的筆記，也會預設載入

• 專案規則：例如目錄底下的 CLAUDE.md / AGENTS.md / GEMINI.md，對話初期會載入

• 使用者每次發問：如果使用網頁版 AI 就只能使用此功能

• 技能：按需載入，未觸發前只佔用一行描述的空間

AI Agent 的「技能（Skill）」是一份預先寫好的 markdown 檔案，副檔名為 SKILL.md，存放在 AI 工具約定好的資料夾。

AI 工具啟動時會掃描這些資料夾，把每份技能的「名字」與「描述」載入到對話脈絡（Context）中。當使用者請求與某份技能的描述匹配時，AI 才會把完整的 SKILL.md 內容載入並執行。

所以你不需要每次對話時，都反覆向 AI 說明你的情境。

尤其是我們在執行複雜工作時，由於 AI 不清楚你的工作環境，犯錯的機率非常高。

當我們與 AI 共同協作時，如果能讓它學習我們的工作環境，知道使用者的需求，在什麼情況下該做相對應的事情，那麼在對話結束後，我們可以將這整件事情寫成「技能」存檔起來。

這樣一來，下一次你切換到新的對話（Session）時，雖然面對的是全新的 AI，但它能夠參考過去寫下的技能，因此就不容易再犯錯。

典型的技能目錄結構：

my-skill/
├── SKILL.md          # 主要說明（必需）
├── scripts/          # 可執行腳本（選用）
├── references/       # 詳細參考資料（選用）
└── assets/           # 模板、範例（選用）

SKILL.md 開頭以 YAML frontmatter 標示名稱、描述等中繼資料（Metadata），後續為 markdown 格式的執行指示，AI 載入後依該指示執行任務。

以下為一個簡單的 SKILL.md 範例：

---
name: summarize-article
description: 把一篇英文文章摘要成繁體中文 5 個重點。當使用者貼上英文文章內容說「幫我摘要」時觸發。
---

當使用者提供英文文章時：

1. 通讀全文，抓出 5 個核心論點
2. 每點翻成繁體中文，控制在兩句以內
3. 結尾用一句話總結文章的核心觀點

--- 之間是 frontmatter，告訴 AI 工具「這份技能叫什麼名字、什麼時候該載入」；--- 之後是 markdown 內文，AI 載入後會把這段當成執行指示照著做。

如何讓 Claude、OpenAI、Google 共享技能

使用 AI Agent，如果僅僅只是用最基本的 20 元美金方案，是遠遠不夠的。

通常會訂閱較高的額度，例如我就訂閱了 Claude Max 5X，它是一般 20 元美金的 5 倍額度，當然也需要 100 元美金。

但我同時也有訂閱 ChatGPT 以及 Google AI Pro，各自 $20 美金。

假設我要使用這三家 AI Agent，徹底榨乾他們的額度。我該怎麼樣讓他們共用技能呢？畢竟我可不想個別去設定技能，最好是他們可以共享。

在此之前，我們就要先理解這三家的核心規格：

AI 御三家技能核心規格

Anthropic Claude、OpenAI Codex、Google Antigravity 三家對技能的核心規格是一致的。

• 檔名統一為 SKILL.md

• frontmatter 最少需要 name 與 description 兩個欄位

• 觸發機制都是 AI 比對 description 與使用者請求；或使用者手動以 /skill-name 呼叫

差別只在資料夾路徑：

• Claude Code

  • 全域路徑：~/.claude/skills/

  • 工作區路徑：.claude/skills/

• OpenAI Codex（CLI 標準）

  • 全域路徑：~/.agents/skills/

  • 工作區路徑：.agents/skills/

• OpenAI Codex（macOS 桌面 App）

  • 全域路徑：~/.codex/skills/

  • 工作區路徑：.agents/skills/

• Google Antigravity

  • 全域路徑：~/.gemini/antigravity/skills/

  • 工作區路徑：.agent/skills/

需要注意的細節：

1. Codex 的工作區資料夾是 .agents（複數），Antigravity 是 .agent（單數），差一個字母就讀不到

2. Antigravity 的全域路徑掛在 .gemini 底下，因為 Antigravity 是 Gemini 系列產品的 IDE

3. Codex 的全域路徑視安裝方式而異：CLI 安裝走 ~/.agents/skills/，macOS 桌面 App 走 ~/.codex/skills/

Claude 的 frontmatter 支援額外欄位（allowed-tools、disable-model-invocation、context: fork 等），Codex 與 Antigravity 不支援這些欄位。YAML 解析時遇到未知欄位會直接忽略，因此寫成 Claude 規格的 SKILL.md 在 Codex 與 Antigravity 也能載入，只是擴充欄位不會生效。

由於 Claude 的資源欄位比較多，所以底下就先以 Claude 為主要的核心，然後讓 Codex 以及 Antigravity 去讀取 Claude 的技能。

用 symlink 讓三家共用同一份技能

在每家 AI 工具預設的技能資料夾位置，建立指向同一個共用目錄的符號連結（Symbolic Link，俗稱 symlink）。三家工具各自從自己的預設路徑讀檔案，但實際讀到的是同一份檔案。修改一次，三家同步。

本文以「單一專案內讓三家共用」為例：在專案根目錄建一個 skills/ 共用資料夾，然後把 .claude/skills/（Claude Code）、.agents/skills/（Codex）、.agent/skills/（Antigravity）三個入口全部 symlink 到 skills/。

實作 symlink 不需要自己記各平台的指令語法。把下方這段提示詞複製貼給任何一家 AI 代理（Claude Code、Codex 或 Antigravity 皆可），AI 會依作業系統（macOS、Linux、Windows）自動產出對應指令並執行。

給 AI 代理的提示詞

我想讓 Claude Code、OpenAI Codex、Google Antigravity 三家 AI 代理在這個專案內共用同一份技能庫。我的作業系統是 [macOS／Windows，擇一]。

請幫我做這些事：

1. 在專案根目錄建一個 skills/ 資料夾當共用倉
2. 如果以下三個資料夾本來已存在實體技能，先把裡面的內容搬到 skills/，再砍掉原本的資料夾：
   - .claude/skills/（Claude Code）
   - .agents/skills/（OpenAI Codex，注意有 s，複數）
   - .agent/skills/（Google Antigravity，注意沒有 s，單數）
3. 建立三個 symlink，讓這三個資料夾都指向 skills/
4. 列出這三個資料夾，確認都是 symlink 且都指向同一個 skills/ 位置

讀者只要把 [macOS／Windows，擇一] 改成自己的作業系統，整段貼給 AI 代理就會直接執行。Windows 使用者若 AI 提示需要建立 symlink 的權限，需先開啟「開發者模式（Developer Mode）」或以系統管理員身分執行終端機，AI 會在指令執行前說明。

注意事項

1. 雲端同步資料夾不適用

iCloud Drive、Google Drive、OneDrive 會把 symlink 當成實體檔案上傳，回到另一台機器會失效。建議放在純本機路徑（例如 macOS 的 ~/skills/、Windows 的 C:\Users\<使用者>\skills\）。若要多機同步技能庫，改用 Git repo 較穩定。

2. Frontmatter 走最大公因數

要三家共用的 SKILL.md，只使用 name 與 description 兩個欄位。Claude 專屬的擴充欄位（allowed-tools、disable-model-invocation 等）保留給只在 Claude 環境使用的技能。

3. Codex 桌面 App 的自動拷貝行為

實測 macOS 上的 Codex 桌面 App 偵測到專案內 .claude/skills/ 時，會自動把整份內容複製到 .agents/skills/，並把字串「Claude Code」自動替換為「Codex」。替換結果可能出現「Codex、Codex」這類字串重複的錯誤。

設定 symlink 後若 Codex 仍出現此行為，會把 symlink 覆蓋成實體拷貝，需要進一步觀察。

建議的驗證方式：建立 symlink 後修改 .claude/skills/ 中某個技能的內容，再開 Codex 對話看它讀到的是否為新版本。

順便讓三家 AI 讀同一份規則檔

「技能本體共用」之外，「告訴 AI 怎麼用這個專案」的規則檔（rules file）也能順便共用。各家規則檔名：

• Claude Code 讀 CLAUDE.md

• OpenAI Codex 跟 Google Antigravity（1.20.5 以後的版本）都讀 AGENTS.md

把 AGENTS.md symlink 到 CLAUDE.md，三家就共用同一份規則：

cd <專案根目錄>
ln -s CLAUDE.md AGENTS.md

三家 AI 進入專案時讀到的就是同一份規則。把「技能本體在 skills/、修改時直接寫 skills/<name>/SKILL.md」這條規則寫進 CLAUDE.md，三家進來都會看到，不必各家各寫一份。

實測同樣會踩到 Codex 桌面 App 的自動拷貝行為，它會把 CLAUDE.md 拷貝成 AGENTS.md 快照並做字串替換，可能覆蓋 symlink。設定後用 readlink AGENTS.md 確認還是 symlink。

結語

這篇講到的設定看起來不複雜，但實際做一輪會發現中間有不少眉角：Codex 桌面 App 的自動拷貝行為、frontmatter 相容性、Google Drive 同步資料夾、Windows 開發者模式怎麼開等等問題。

每一個分開都不難，串起來自己摸總會花掉一些時間。

如果你不想自己重複試錯，目前我有一個 4 週技術陪跑計畫，可以一起把整套 AI 工作流跑通。

👉 AI 一人公司 4 週技術陪跑計畫

你是怎麼管理你自己的帳號密碼，以及 API 金鑰、Access Token 的？

當你要製作 AI 自動化工作流的時候，需要登入某個系統，使用密碼或 API 金鑰的時候，你又是怎麼將這些機敏資訊提供給 AI？

如果你沒有第一個問題的答案，然後你每一次在製作自動化工作流的時候，都是把你的密碼以及 API 金鑰，直接提供給 AI 讓他幫你設定。

那麼也許你該考慮使用更安全的帳密管理方式。

很久以前我曾經做過一個工作流，就是自動化發文到 Threads。

由於 Threads 的 Access Token （你可以視為密碼），需要每 60 天更新一次。

為了方便，我就直接寫了一個 Google Apps Script，然後把更新完畢的 Access Token 放在 Google 試算表，再讓 N8N 去抓 Google 試算表內的資料。

當然個人使用的話，這種方式還算勉強可以接受啦。

可是我最近開始在我的辦公室環境製作工作流，由於工作流會牽涉到公司的環境，所以我不可能再採取類似的不安全管理方式。

因此我決定訂閱 1Password，使用了幾天之後，感覺非常滿意。

1Password 的設計邏輯

使用 1Password，是將我們的帳號密碼以及 API 金鑰都放在本地端，雲端只會儲存加密過後的資料。

每個帳號背後綁了兩把鑰匙：

• 主密碼：我自己要記住

• Secret Key：1Password 隨機產生的長字串，存在你裝置上，同時也會產一份「Emergency Kit」PDF

這兩把鑰匙都不會上傳到 1Password 的伺服器。

所以就算 1Password 公司遭到駭客攻擊，駭客拿到的也只是一段亂碼，他不會知道要如何使用。解密的過程都是在我的本地端完成的。

還有，使用 1Password，我的密碼資料庫還可以在任意多台電腦同步，但每台電腦都需要主密碼加 Secret Key 才能解開。

所以我現在的 1Password 主要放在幾個裝置：

1. 我的 iPhone

2. 公司用的 Windows 電腦

3. 家裡的一臺 Mac mini

4. 一個 Windows 筆電

假設我在家裡要操作遠端連線，連到公司的主機，我就不需要特別記得密碼，因為我可以在家直接使用 1Password 去登入即可。

如果我想要搭配 AI 代理，例如 Claude Code 或 Codex，使用 1Password 也是好選擇，我們就不需要擔心會有第三方去看到我的帳號與密碼。

我的 AI 代理只會看到路徑，像 op://Personal/notion-api/credential 這種地址。

而且每次要取用密碼的時候，都會先經過桌面版的驗證，例如 Touch ID，或者是任何我想使用的驗證方式。

1Password CLI 的兩個關鍵指令

我電腦上裝的是 1Password 桌面版加上一個叫 op 的命令列工具（也就是 1Password CLI）。桌面版負責管密碼、用指紋解鎖；op 負責讓 Claude Code 在終端機裡呼叫 1Password 裡的內容。

使用之前，記得在設定->開發人員，勾選與 1passwird CLI 整合。

Claude Code 在整套流程用到兩個指令，

指令一：op read，拿一筆密碼

假設我在 1Password 的 Personal 保險箱裡，有一個叫 notion-api 的條目，裡面 credential 那一欄存著 Notion 的 API token。我想讓 Claude Code 在終端機裡拿到它，輸入：

op read "op://Personal/notion-api/credential"

按下 enter，1Password 桌面版會跳出來叫我用 Touch ID 解鎖。

中間那串 op://Personal/notion-api/credential 是 1Password 的 secret reference：

op://<保險箱名>/<條目名>/<欄位名>

這串文字是密碼的「地址」。我可以把它放進任何設定檔、寫進 README，都不會洩漏任何敏感資訊。

指令二：op inject，把整份設定檔的地址換成內容

上述的 op read 一次只拿一筆資料。如果我有一個 .env 檔需要好幾把 key，比較順手的做法是讓 Claude Code 先寫一份模板，把所有要填的欄位寫成 secret reference：

# .env.tpl
NOTION_TOKEN="op://Personal/notion-api/credential"
OPENAI_API_KEY="op://Personal/openai/credential"
ELEVENLABS_API_KEY="op://Personal/elevenlabs/credential"

然後叫 Claude Code 執行：

op inject -i .env.tpl -o .env

op 會把每一行的 op://... 替換成 1Password 裡的真實值，輸出一份完整的 .env。再把 .env 放進 .gitignore，只 commit .env.tpl，整個專案的 secret 管理就乾淨了。

沒有資安就別談 AI 工作流

我之前在做這些 AI 工作流的時候，常常為了貪圖便利，就直接讓 AI 使用我的明文密碼以及 API 金鑰。

不過實在看了太多的資安相關新聞，所以我開始反省。我們自己認為安全的環境不一定真的那麼安全。

就以我上面的例子來說，我把金鑰放在 Google 試算表上，只有我自己在使用，我也不會把這個連結告訴任何人，理論上是不會外洩的。可是誰知道呢？

資安事件最常發生的，其實就是在一些你原本認為不會出事的地方，然後它就偏偏出事。

因為我打算將 AI 工作流導入到公司裡面，去說服我的同事以及我的長官，能夠採用「AI First」的系統開發以及維護方式；同時，它也可以用在所有辦公室的行政事務上。

所以我第一個要件，就是一定要有一個妥善的資安系統，確保整個流程最起碼有一個基礎的安全設定。

但首先要說，我並沒有拿 1Password 的錢，所以大家也可以不需要使用 1Password，目前我也只是在測試階段。

其他類似 1Password 的產品還有：

第一類：個人用密碼管理員（對標 1Password）

• Bitwarden

  • 網址：https://bitwarden.com

  • 特色：開源、可自架、CLI 完整

  • 最低價：免費版／Premium $1.65/月

  • 誰適合：預算敏感、重視開源

• Dashlane

  • 網址：https://www.dashlane.com

  • 特色：UI 漂亮、含 VPN、密碼健康度檢查

  • 最低價：$4.99/月（無免費版）

  • 誰適合：重視 UI、要 VPN 二合一

• Proton Pass

  • 網址：https://proton.me/pass

  • 特色：瑞士隱私公司、開源

  • 最低價：免費版／Plus $1.99/月

  • 誰適合：已用 Proton 生態系

第二類：開發者 / DevOps / AI Agent 用的 Secrets Management

• Doppler

  • 網址：https://www.doppler.com

  • 特色：開發者友善、CLI 強、UI 現代

  • 最低價：免費版（最多 5 人）

  • 誰適合：小團隊、新創

• Infisical

  • 網址：https://infisical.com

  • 特色：開源版 Doppler、可自架

  • 最低價：免費版

  • 誰適合：想要 Doppler 體驗但要開源

• HashiCorp Vault

  • 網址：https://www.vaultproject.io

  • 特色：業界標準、企業級

  • 最低價：開源免費（自架）

  • 誰適合：大團隊、Kubernetes

如果各位有其他更好的方案，也歡迎留言推薦給我。

如果你對做 AI 工作流也有興趣的話，但是不知道要怎麼開始，目前我有一個為期四周的陪跑計畫。

AI 一人公司 4 週技術陪跑計畫

後記｜我怎麼讓 AI 從此再也不打斷我（Mac 版）

寫完前面那些之後，我自己跑了一次完整的發布流程，才發現還有一個新問題。

當我在 IDE 裡叫 Claude Code 做事的時候，每一次它呼叫 1Password，背後其實是開了一個全新的 terminal session。

對 1Password 桌面版來說，每個新 session 都是陌生的，所以每次都會跳一個「請求授權」視窗等我按確認。

按一下是不會怎樣，但有時候我發完訊息就去做其他的事情，如果我去倒杯咖啡的時候 Claude Code 跑到一半，跳出驗證視窗，整個自動化就卡死在那邊。

對 1Password 個人方案的人來說，這個問題特別麻煩，因為 1Password 官方解法叫 Service Account，但它只開放給 Teams 跟 Business 方案。我這種 Personal 方案根本沒這個選項。

我讓 Claude Code 測試了好幾次，最後組出一套全自動的流程。寫在這邊給有同樣困擾的人參考。

底下看不太懂沒關係，我也一知半解的，反正你丟給 AI 看，他懂。

整體架構

[macOS Keychain] 存我的 1Password 主密碼
        ↓ 自動讀出
[op-login] 用主密碼簽出 session token
        ↓ 寫進
[~/.config/op-agent/session]
        ↓ 注入到 OP_SESSION_<shorthand> 環境變數
[op-agent <command>] 偵測過期會自動重新簽入
        ↓ exec
[op] 正常拿密碼，不跳框

核心是把 1Password CLI 從「桌面版整合模式」切到「手動簽入模式」。

手動模式會吐出一個有效 30 分鐘的 session token，把它存成檔案，後續所有 op 指令都帶這個 token 進去，就完全不會碰到桌面版的授權邏輯。

主密碼存進 macOS Keychain 是讓整件事可以無人值守的關鍵。

Keychain 在 Mac 開機解鎖後就自動解鎖，AI 從 Keychain 拿密碼不會觸發驗證視窗。

設定步驟

第一步：把 1Password 帳號加進 CLI 手動模式

打開終端機，輸入

OP_BIOMETRIC_UNLOCK_ENABLED=false op account add \
  --address my.1password.com \
  --email your-email@example.com

它會問你 Secret Key（你一開始設定時會下載 Emergency Kit PDF ，裡面有）跟主密碼，輸入完成就把你的帳號註冊到 CLI 手動模式。這跟桌面版的帳號清單是分開的，你必須走這一步才能用 session token。

第二步：把主密碼存進 macOS Keychain

security add-generic-password -a "$USER" -s op-master-password -w

按 Enter 之後它會叫你輸入主密碼。

第三步：讓 Claude Code 寫一個 wrapper script 叫 op-agent

這個 wrapper 做三件事：

1. 從 session 檔讀 token，注入到 OP_SESSION_<your_shorthand> 環境變數

2. 跑一次 op whoami 確認 session 還活著

3. 如果 session 過期，自動從 Keychain 取主密碼、跑 op signin --raw 簽出新 session、再重試

關鍵在第三步的自我修復邏輯。沒有這段的話，session 過期還是要人為介入。有了這段，整套系統就可以連續跑好幾天不需要碰它。

重點片段大概是這樣，你可以貼給 Claude Code 檢視：

# 1. 設定 session env var
SESSION_TOKEN="$(cat "$SESSION_FILE")"
eval "export OP_SESSION_${SHORTHAND}=\"\$SESSION_TOKEN\""

# 2. 確認 session 有效
if ! op whoami >/dev/null 2>&1; then
  # 3. 過期就自動 refresh
  KEYCHAIN_PW="$(security find-generic-password -a "$USER" -s op-master-password -w 2>/dev/null)"
  printf '%s\n' "$KEYCHAIN_PW" | op signin --raw > "$SESSION_FILE"
  # 重新設 env var 再 retry
fi

exec op "$@"

第四步：把 shell init 檔的 op 全部換成 op-agent

我的 ~/.zshenv 原本是這樣：

export NOTION_TOKEN=$(op read "op://Personal/notion-newsletter/credential")

換成：

export NOTION_TOKEN=$(op-agent read "op://Personal/notion-newsletter/credential")

開新終端機的時候自動注入到環境變數，Claude Code 啟動時就吃到這些變數，整個 session 期間完全不用再碰 op。

安全考量

把主密碼放進 Keychain 不是完全沒有風險的決定。Keychain 是用 macOS 登入密碼加密的，一旦有人能在你 Mac 解鎖狀態下取得 shell 存取權，他就能透過 security find-generic-password 把主密碼讀出來。

換句話說，這個方案把「攻擊面」從「攻擊者要拿到我的 1Password 主密碼」轉移到「攻擊者要在我 Mac 解鎖時拿到 shell」。

對我個人來說，後者比前者難度高很多，所以我接受這個風險。

但如果你的工作環境有嚴格的合規要求，建議還是維持每次手動 op-login。

目前我用此機制，在我這台 Mac mini 上跑了自動化，發了一次電子報，全程沒被打斷過一次。

我認為對「一人公司」這種需要跑自動化，人在旁邊只看結果的工作模式來說，體驗還可以，後續再觀察看看。

在前面幾期的電子報之中，我其實讓 AI 寫了幾乎 80% 以上的內容。當時我的想法是人類只要做最後的把關就好。

所以我提供給 AI 主題與參考資料，並加入一些我自己的想法讓 AI 去融會貫通，最後再整理寫成文章。

我作為人類，就在最後潤飾整份稿件，接著再上傳。

在潤飾文章時，我會改掉部分 AI 味道太重的片段，但是除非我整個打掉重寫，否則 AI 味其實挺難去除的。

我本來想說也沒關係，因為更重要的其實是傳達我的想法嘛。

畢竟在做自媒體的時候，我們要在品質跟產出的時間成本之中抓一個平衡。

可是我最近看到一個我蠻欣賞的自媒體創作者，他網站上的某篇文章我一看就知道一定是 AI 寫的。

看到 AI 寫的文章，我是真心讀不下去，所以我就馬上開始反省。

如果我寫的文章也讓 AI 幫我寫，即便我知道這篇 AI 文章確實傳達了我的想法，讀者願意讀嗎？

如果讀者不讀，那在那邊抓品質與時間成本的平衡，又有什麼屁用呢？

信任感在 AI 的時代變得更加重要。我們希望跟我們對話的是人類，而不是 AI。

再者，AI 寫的文章會有特定的「調調」。假設我用 AI 寫文章，我的內容看起來就會跟其他用 AI 寫作的人沒什麼太大差異，都有一股 AI 臭；結果就是我既失去了信任感，也失去了差異化。

因此，我放棄讓 AI 寫電子報了。我認為它應該更關注兩件事情：

• 前期資料整理

• 後期自動發文

AI 寫作為什麼有 AI 味？

AI 寫作為什麼會有股 AI 的臭味？其實也就是人類教給它的。

例如摘要式的寫法，

• 「重點很簡單：」

• 「核心其實是：」

• 「本質上就是：」

• 「說穿了就是：」

還有一種對比句，

• 「不是 A，而是 B」

• 「不再是 A，而是 B」

• 「真正重要的不是 A，是 B」

• 「重點不在 A，而在 B」

你說這種句型不好嗎？倒也不是。它偶爾用一下，其實有一種畫龍點睛的效果。

但 AI 學習大量資料之後，它就覺得人類認為這種句型好，所以它就要用；結果它的每一篇文章，每一個段落都要用。

還有，AI 很喜歡用堆砌抽象的名詞與形容詞。

例如之前我讓 AI 寫過這樣子的文章：

Claude Code 遵守的規則，像一個三層蛋糕 第一層（蛋糕底）：模型自身的規則 這是 Anthropic 在訓練 Claude 模型時「烤進去」的。 比如不能教人做危險物品、不能洩漏個人隱私。這一層你改不了，工具也改不了，是 絕對的底線 。

客觀上來說，你可以說它有寫錯嗎？好像也沒有，但我就是不會這樣寫啊。

然後現在因為 AI 的出現，你在網路上幾乎隨處都能看到一大堆非常相似的文章。

把 AI 擺在正確的位置上，讓它處理雜事吧

創作這件事情，是絕對不能交給 AI 的。

因為創作就是要搞差異化。如果你要做自媒體，就必須表現出個人的特質。

即便是像我做這種知識型的自媒體，知識並不是最重要的一件事情。因為在網路時代以及 AI 的時代，知識唾手可得，讀者沒有必要一定要參考我的意見。

所以我帶給人真正的價值，有很大一部分是個人的生活經驗與情緒價值。

那麼 AI 該做什麼呢？我認為 AI 就是應該要做雜事，就以寫作來講的話，第一步要先決定主題，然後要找資料，「找資料」這件事情就可以讓 AI 去做。

例如你使用 ChatGPT 的深度研究功能，讓它幫你爬網路上的文章並抓取重點；接著人類自己讀過，再去比對原文。

另外，AI 也很適合去整理你的筆記。比如說，我們可以使用 NotebookLM，把一段我跟其他人的討論錄音資料上傳，然後讓它幫我整理成逐字稿，或者是寫成一個有結構的大綱。

不只是前期的資料整理適合交給 AI ，發布文章這種瑣事也很適合。

實戰案例：我怎麼把「發布文章」丟給 AI

除了現在經營的 Substack 電子報、Raven AI 官網，我還有個社群叫做「社畜進化論｜Raven AI」，就在 SKOOL 上面。它是一個結合論壇、線上課程、跟成員管理的網站。

當然要做自媒體，也少不了Instagram、Threads 以及 Facebook 等等社群平台。

每個禮拜我就是寫文章，然後想辦法發送到各平台上。

要人工做這件事也很快，就是複製貼上，不過得稍微調整一下格式。例如文章是以 Markdown 格式儲存的，無法完全符合 SKOOL 的文章格式。有的社群平台也有字數限制，或者要改製成圖卡。

都是很瑣碎的事情，人工弄一弄，幾個小時就消逝了。

所以為了簡化一些流程，我就會使用 Claude Code 做各式各樣的工作流。

舉例來說，本週我就把發布文章到 Skool 上面，建立全自動化的流程。

我利用一個叫 opencli 的開源專案，建了一個自動發布到 SKOOL 的流程。opencli 專案以前在 EP-71 期的電子報已經有介紹過，簡單地說就是讓 AI 代理能透過命命列，操作那些原本只有圖形化介面的網站。

我現在的流程：

1. 人工撰寫長篇文章。

2. 讓 AI 根據現有文章跑流程，製作圖卡，改寫成適合各個社群媒體的短文。

3. 做人工確認後，就讓它自動發布，把電子報的文章送到 Substack ，也同時發布一份到 Skool ，然後圖卡與短文發布到各個社群媒體。

如此一來，我就可以離開電腦，看要做什麼事就去做。

等我回到電腦前，文章已經發布了。

在創作這件事情上面，除非我們可以調教出一個方法，讓 AI 能夠完美地產出我們想要敘述的內容，且它產生的格式也能做到差異化，並表現出我個人獨特的風格，否則在此之前，我們都不應該把創作這件事情交給 AI。

我把這套工具的設定步驟、踩到的坑都寫在『社畜進化論｜Raven AI』社群裡。如果你想看實際怎麼設定、或者想用同一套思路接你自己常用的平台（不只 SKOOL），歡迎加入 → 社畜進化論｜Raven AI

因為我沒有系統性地學習過該如何拍片，也不知道要如何剪輯影片，所以一直在調整方向。

本來我買了 Filmora 來做影片剪輯，它算是市場上相對比較簡單好用的軟體，價格上也不太貴，一年大約花了一千八百多塊。

當然，雖然說它的功能很強大，但就是要花時間去學習。

對於我們這種把經營自媒體當作副業的人來說，平常下班之後要做研究，然後還要拍片，實在沒有辦法撥出更多時間來學習剪片。

可是我發現，可以使用 Claude 當作核心，並結合一些開源工具建立 AI 工作流，讓整個流程都能交由 AI 來完成最繁雜的剪片工作。

全程幾乎沒有任何技術難度。你只要知道怎麼樣下載 Claude Desktop，然後讓它去幫你操作就可以了。

整套 AI 剪片工作流：八步驟拆解

這套流程串了三個開源工具，加上一個 API。

先看角色分工：

• ElevenLabs Scribe：把語音轉成有字級時間戳的逐字稿（雲端 API：scribe）

• video-use：讀逐字稿、決定剪輯點、輸出剪好的影片（github.com/browser-use/video-use）

• Remotion：用 React 寫程式碼產生片頭片尾動畫（github.com/remotion-dev/remotion）

• ffmpeg-full：影片合併、字幕燒入（brew install ffmpeg-full）

video-use 是 browser-use 團隊出的「用 Claude Code 剪片」開源工具。讓 AI 做剪輯、剪贅詞、調色、嵌入字幕，每個剪接點還會自跑一次自我檢查抓跳接和爆音。

Remotion 是「用 React 寫程式碼做動畫影片」的開源框架。它給你一個 frame 編號和一張空白畫布，然後去畫每一幀畫面，最後渲染成 MP4。

ffmpeg-full 是這套流程最後的「組裝工」，負責兩件事：把 cold open、片頭動畫、主體影片、片尾這四段串成一支完整的 mp4；以及把中文字幕嵌進社群短片版本（IG／FB／Threads／Shorts）。

要裝前面三個開源工具，你就直接把 Github 的網址跟 Claude 說，跟它講你要裝這些開源專案，他就會幫你裝好。

但是 ElevenLabs Scribe API 你要自己申請。

ElevenLabs Scribe 是 ElevenLabs 推出的語音轉文字模型，支援 90 多種語言（含中文）。它會回傳字級時間戳和聲音事件標籤（笑聲、停頓），這是後面 video-use 開源專案能精準刪除贅詞的基礎。

價格的話，從每月訂閱費 $6 到 $11 美金，其實也不算太貴。詳情大家可以自己去官網看。

整個流程分八步：

1. 錄影

我用 Filmora 做螢幕錄影，錄完輸出成 mp4 丟到專案目錄。Filmora 在這一步只負責「按下錄影鍵到輸出檔案」這件事。當然也有可能會做一些聲音上的調整，以及稍微加一點素材。

2. 轉錄

video-use 把音訊抽出來送進 ElevenLabs Scribe，回傳 JSON 含每個漢字的起訖時間、speaker_id、音訊事件標籤（笑聲、停頓）。

一支 30 分鐘影片大概花 20 秒、付給 ElevenLabs 0.21 美金。轉錄結果會快取，重剪不會再付一次費用。

3. 繁簡轉換

我發現 Scribe 對台灣中文預設輸出簡體，逐字稿一堆「软件、视频、网络」這類詞。所以讓 Claude 寫了Python 腳本 ，用 OpenCC 的把每個字的 text 欄位掃過一遍。順便把對應的台灣用語替換掉：影片、軟體、網路。

4. 剪贅詞

我自己講話有一堆口頭禪：「呃」「然後」「就是」「這個」「這樣子」。所以也讓 Claude 寫了腳本檢查逐字稿，找這些無歧義的詞跟停頓 > 0.8 秒的長空白，產出 EDL（edit decision list）給 video-use 用。

剪片時前後留 30ms 緩衝避免爆音。

腳本會自動去刪除這些部分，但是某一些內容可能需要由 LLM 來判斷，例如「這個」是贅字，但是「這個禮拜」是指示代名詞要保留。

5. 迭代剪輯

粗剪 v1 之後，可能還想砍某段（例如離題講太久、後來覺得沒必要的片段）。

所以我的流程設計成「內容指認 → 列時間 → 確認 → re-render」這個迴圈：

我：再剪掉「我講 remotion 那段」 Claude：找到了，是 02:15-02:34 這段，逐字稿節錄是「對了講到這個remotion...」，確認剪嗎？ 我：確認 Claude：已加進 EDL，重新 render v2

每輪迭代不會重新轉錄，所以不會再花 Scribe 費用。

6. LLM 修字幕

Scribe 產的逐字稿是「字級切」，每個漢字一個 token。直接生成 SRT 會出現「資訊相 → 關的」「純粹手寫 → 程式的」這種斷字。

所以由 Claude 讀完整份 SRT，套用五條規則：

1. 跨行斷字合併：把破掉的詞接回來，重新切在標點處

2. 重複疊字消掉：「你，你決定」→「你決定」、「蠻，蠻難執行」→「蠻難執行」

3. Scribe 聽錯詞表：「功能師 → 工程師、溫族 → 文組、復雜 → 複雜」

4. 「這個」上下文判斷：後面接名詞（這個禮拜、這個問題）保留，當虛詞拿掉

5. 時間戳鐵律：永遠不動，除非合併重切時按字數比例算 split time

7. Remotion 片頭

用 React 寫程式碼產生 5 秒的「Ravan AI 週報」品牌動畫。Remotion 把 JSX 元件當作影片內容，每幀的位置、淡入淡出、彈跳動畫都用程式碼控制。

另外也會去設計每一個章節過場動畫。因為我一部影片長度大概都在 20 到 30 分鐘左右，所以會有章節的需求，希望能依照章節內容進行分段。

在分段的部分，中間可能會參雜一段大約兩秒的影片過場動畫。

8. ffmpeg 合併＋燒字幕

最後 ffmpeg 把四段串起來：

精華片段 (10-20 秒) → 片頭動畫 → 主體影片 → 片尾

精華片段是從主體裡挑一段最有梗的當開頭，目的是抓住前 15 秒留存率（YouTube 演算法看這個）。

字幕用 ffmpeg-full（內建 libass）去嵌入。

下一步：自動剪輯短影音

目前這個流程做到一半，還沒有完全做完。

待辦事項如下：

1. 每一個章節的過場動畫都還沒做

2. 之後還要增加一個功能，能夠將原本的影片剪輯成短影音的版本

目前有一個比較難解決的問題。

因為我每一次拍片其實都是做電腦的螢幕錄影，畫面是橫式的，但短影音的版本必須是直式。

原本的畫面其實沒有辦法直接轉成直式，因為如果將影片轉成直式的，就必須剪裁掉某些部分。

而切掉的部分，要嘛是捨棄我的臉，要嘛是留下我的臉但切掉了操作畫面。

所以這部分還需要思考應該要如何呈現。

我們下禮拜再來研究。

結語

剪輯這件事，過去是我每週的時間黑洞。

光是聽過自己錄的 30 分鐘影片、找出每一個「呃」「然後」「就是」、再一個個剪掉，就要花掉至少 2 個小時。剩下還要修字幕錯字、調順序。

把這些事交給 Claude 之後，我每週實際花在剪片上的時間剩下大概 30 分鐘。多出來的時間，我拿來看動畫也爽。

這套流程是給每週都要產出影片的自媒體創作者。AI 一人公司的核心，是把規則明確、重複高的勞動交給 AI，留下你的時間給「錄什麼、講什麼」這種真正只有你能做的事。

如果你也想把類似的工作流加入你的副業或自媒體裡，歡迎加入我經營的社群「社畜進化論｜Raven AI」。

一個人摸索工具會走很多冤枉路，一群人一起做會快很多。

→ 加入連結：社畜進化論｜Raven AI

我是認為划算，但是學習路徑改變了，最新的方式是學習「怎麼指揮 AI 做事」。

我自己本身就是文組出身的，我總共花了七年念歷史系（大學＋碩班）。

畢業之後，我在大學做了大概八年多教學行政工作，主要是籌備一些實驗性的課程，以及設計教學計畫，跟寫程式完全沒有任何關係。

後來我從零開始學 JavaScript、Python、資料結構、資料庫等等，現在在台北某個科學機構做系統維運。

我自己本身走過這條轉職的路，所以我很明白轉職者的徬徨。

因此我要跟你分享，在 2026 年，我認為你還是值得跨領域學習資訊工程，但是途徑會有所不同。

我為什麼還是覺得 2026 跨域學資訊工程划算

我知道現在很多人會勸退：「AI Agent 都來了，電腦相關工作會被全部吃掉，幹嘛還學？」

這個論點我只同意一半。

確實，傳統意義上的「會寫 code、會做數據分析、會做美編、會做電商後台、會做簡報」辦公室技能，在未來數年內一定會被 AI 全吃下。

就以我自己舉例，我正在將 Claude Code 當作工作上的核心，一步一步建立所有的工作流，打算把我原本大部分的工作都取代掉。

所以如果要轉職，去做資訊工程相關的工作，這條路應該會有很大的改變。

在 AI Agent 大爆發的時代，「寫程式」這件事情已經被戲稱為「古法編程」了，而這也不過是短短兩三年間發生的事情而已。

現在誰還在純粹手寫程式？就算不用 AI 去做 vibe coding，至少也會用自動補全的功能。

可是這代表學習資工領域的知識完全不重要嗎？絕對不是這樣。

AI 的價值只是在於取代了一些技術上的細節。

舉個例子，你不需要會手寫 Playwright 爬蟲，但你要看得懂它的邏輯，才能跟 AI 說「這段加個延遲、那段換個 selector」。

你不需要會調 LLM 參數，但你要知道 prompt 為什麼有時候會失靈、context window 是什麼、為什麼超過某個長度它就開始亂講話。

所以如果你真正有打算要轉職的話，你真正該學習的是基礎的電腦科學知識，以及最新的 Agentic Engineering （代理工程）技巧。

另外我也認為，所謂的轉職，並不是要你忘記過去所學，而是應該要把過去所學的內容，跟現在學到的知識結合在一起。

畢竟文組的優勢在 AI 時代只會越來越大，而 AI 是放大我們能力的工具。

文組的優勢，在 AI 時代會放大不會縮小

文組的核心是「跟人有關的事」。

例如歷史學是教我們怎麼看事件的脈絡以及長期的結構，政治學讓我們知道權力跟利益之間怎麼交換，經濟學讓我們了解誘因是怎麼設計的。

這些知識你去問 AI，AI 也可以回答你。問題是，AI 畢竟是大量數據去構成的，它畢竟是人類綜合性知識的無生命體。

AI 沒有人生、沒有立場、沒有讀者、沒有客戶、沒有要解決的問題。它能模仿這些學科的語言，但它沒有判斷「現在這個情境下，該講哪個故事、該撫平哪個情緒、該避開哪個地雷」的能力。

AI 沒有了解人類的能力，但是你有這個能力，這才是文組的訓練。

以我自己來說的話，我平常日常的工作能夠交給 AI ，我都交給 AI 取代了。

那沒有辦法交給 AI 取代的，例如說要思考行銷的策略、要思考商業模式、要拍片的時候要說什麼話、要說什麼內容才可以吸引人，這些其實都是文組的訓練。

所以資工是教導我們要怎麼樣在電腦上工作，但是要做什麼？為誰而做？如何呈現去吸引其他人？這些都是人文訓練的延伸

所以如果你身為文組，想轉職換跑道。我認為你可以試試看。但是你不是要去跟工程師競爭，你是要把你原本的專業乘上 AI，做出工程師做不出來的東西。

這才是 2026 年的機會所在。

給大齡轉職者的學習路徑：直接學習怎麼操作AI

其實最近我也發現自己有很多不足，尤其是上述提到的Agentic Engineering （代理工程）。老實說，我對這塊也不太懂，因此我自己去找了一些網路上的課程，打算之後來學習。

順便我也整理了一下，打算分享給各位我的學習清單，底下我把學習清單分成兩種人。

第一種是「中年轉職者或進修者」，時間最寶貴的那一群。

對這類人，我建議不要去補電腦科學背景，直接學「怎麼讓 AI 幫你做事」。學完當天就能把每天的重複工作交出去。

總時數抓 15 小時，分兩個階段。

入門基礎（3-5 小時）

Coursera 的「AI Automation with Claude」是免費的，由 Anthropic 跟 1Password 贊助，教你把 Claude 變成生產力引擎、設計 Claude Projects。

另一個推薦是「Claude Code Tutorial - CC for Everyone」，也是免費，特別之處是「在 Claude Code 裡面學 Claude Code」，沒有影片、沒有文件、不需要寫程式經驗。

上述都是英文，如果你對英文學習覺得有些陌生，我更推薦的是雷蒙的課程「24 小時開始活用 Claude Code（AI Agent）」。這堂課教了很多 Claude Code 的基礎設定與操作，以及一些實際的 AI 工作流應用。

這堂課我自己也有買。雖然我早就知道 Claude Code 要怎麼使用，但是因為我覺得這堂課程的編排實在是太棒了，很值得像我這種也打算自己開 AI Agent 課程的自媒體學習。

實戰應用（10-15 小時）

我以前轉職時很常用 Udemy，因為它常常在特價，有時候台幣 300 多塊就可以買一堂課。

所以我最近就到 Udemy 上，看看有沒有做 AI Agent 或者是 AI 工作流的課程。

我發現有一堂課程超級有名，「The Complete Claude Code Claude Cowork Masterclass」，它是一堂「Claude 全家桶 + AI Agent 團隊」的整合實戰課 ，教你怎麼把 Claude 塞進日常工作流，從個人生產力一路做到自動化 AI 團隊。

雖然這門課有點像是一個大雜燴的課程，不過因為價格實在太便宜了，特價買才 310 元，便宜到不可置信，內容又很豐富，所以我還是直接買了。也一起推薦給你。

對於大齡轉職者，我的建議：

如果你對於電腦操作不太熟悉，我建議你直接使用 Claude Desktop 或者 Codex 桌面版，來作為電腦上的人工智慧核心。

然後搭配 n8n 以及 Google Apps Script（兩者可以混用）來做工作流串接。

所以你可以參考我底下的兩本電子書：

適合新手的 Vibe Coding (ChatGPT + Google Apps Script)，有７個章節，599元。一開始是教你如何使用 ChatGPT 寫程式，用複製貼上的方式製作，後期也能夠使用 Claude Code 等工具來快速開發。

適合小白的 AI 自動化(n8n)，有７個章節，目前特價 299 元。教你基礎的 n8n 工作流，也可以學習怎麼使用 Claude Code 串接 n8n 。

年輕跨領域學習者：補基礎、學 Agent、做差異化

第二種人是「年輕跨領域學習者」，可能剛從學校畢業，有那個心力，還沒有過多的經濟負擔，願意投資 6 到 9 個月的那一群。

這條路就是我自己走過的路，但是我自問我自己，如果在 2026 年我可能會怎麼做？底下是我的建議：

Phase 1：CS 基礎打底（60-80 小時，2-3 個月）

我曾經去上過坊間的一些網頁開發的課程，可是真正奠定我電腦基礎的就是 Harvard CS50x。

哈佛大學的 CS50x 免費讓全世界的人閱覽，2026 版新增了「AI 對電腦科學影響」的全新章節，由 David Malan 教授主講，他被廣泛認為是世界上最頂尖的電腦科學講師之一。

課程涵蓋抽象、演算法、資料結構、封裝、資源管理、安全、軟體工程、Web 程式設計，使用 C、Python、SQL、HTML、CSS、JavaScript。如果你需要證書，我記得 edX 證書約 NT$3,000-9,000。

只有一門課當然不足以學到資工系（資訊工程系）大學四年的所學，但這一門課的價值在於你可以知道電腦到底在做什麼。

後續我們所有的 AI 工具的概念，都是建立在這個底子上。

Phase 2：Python 與 AI 基礎（50-70 小時，2 個月）

接著上 Harvard CS50 AI（Introduction to Artificial Intelligence with Python）。先修要求是 CS50x 或一年 Python 經驗。

涵蓋 search 演算法、knowledge representation、machine learning、neural networks、natural language processing。理論跟實作平衡，hands-on 專案有自動評分系統提供即時回饋。

這門課讓你理解「AI 為什麼這樣運作」，不只是會用而已。

在當初，我是直接買書去學習資料庫、軟體工程、演算法等等，畢竟當時還沒有 AI。所以我沒有看這門課程，但我推薦你看。

因為在這個年代，我不建議文組直接跨到工程師的領域，而是要結合自己的專業。我們的目的只是要看得懂這些東西怎麼運作。

Phase 3：Agentic Coding 實戰（40-60 小時，2 個月）

從這三堂選一堂：

• Anthropic Claude Code 101（官方免費），最快的入門。

• DeepLearning.AI 的 Claude Code 課程，由 Elie Schoppik 主講，節奏緊湊。

• Coursera 上 Vanderbilt 的「Claude Code: Software Engineering with Generative AI Agents」，由 Jules White 教授帶，深度版。

我會建議從 Anthropic 官方那堂先看，我自己也是正在看，之後再決定要不要上深度版。

Phase 4：Agent 系統建造（50-80 小時，2 個月）

最後一段是 Udemy 的「AI Engineer Agentic Track: The Complete Agent & MCP Course」，由 Ed Donner 主講，6 週密集，每週升級一個框架：OpenAI Agents SDK、CrewAI、LangGraph、AutoGen，最後一週完整 MCP。

我看 Udemy 上面這門課也挺有名的，這堂是少數把 OpenAI SDK、CrewAI、LangGraph、AutoGen、MCP 都做過一輪的課，學完能自己判斷該選哪個。

我自己的故事：從教育行政到系統維運，再到 AI 一人公司

最後分享自己的故事。

我在畢業之後，到大學從事教育行政的工作。主要的工作是設計多國語言學習課程、撰寫與執行教學計劃，研究怎麼讓學生「自主學習」等等。

大概在 2018 年左右，我突然心血來潮想學製作網頁，就去臺大資訊系統訓練班，上了幾週前端網頁設計，產生了一些興趣。

後來又陸陸續續學了 Python 、C語言、資料結構、資料庫、資訊管理、系統分析與設計、軟體工程、網際網路等等。

最後索性轉職，現在主要做 Linux 系統維運的工作。

所以我很能體會轉職者的心情。

轉職的人最害怕的其實就是世間的壓力。我們一直都會覺得自己年紀跟別人比起來已經老大不小，然後還在轉職。

尤其是現在 AI 進步的速度這麼快，你只要去看新聞就會發現，有很多科技公司在最近幾個月陸陸續續裁員。

如果你還在想說要轉職到科技業，那我覺得你一定是吃錯藥了才這麼想。

但我也不希望你放棄。

我認為我們還是有機會透過 AI 的技術，去補強我們原先缺漏、不足的部分。

在上面的文章中，我提到了兩條主要的途徑。

如果你年紀已經超過 30 歲了，那麼時間對你來說是個稀缺的資源，盡可能不要放棄自己過去的積累。

不論你過去是什麼樣的專業，想辦法去將這些專業最精華的知識萃取出來，然後盡可能地去鑽研它，讓它能夠更有效地讓你在職場上發揮。

AI 當然也是要學的，但是學習 AI 的目的，是學習怎樣讓 AI 來幫助你工作，製作專屬於你的 AI 代理，以及建立你自己的 AI 工作流。

請你直接下載 Claude Code 或 Codex ，現在就開始用。

如果你還年輕，時間還很多，我依然不建議你跨到工程師的領域，轉職當工程師。

不過你可以多花一點時間，去學習 AI 代理的相關知識，以及學習電腦科學基本知識，例如：

1. 基礎的程式設計：包含虛擬碼（Pseudocode）要怎麼寫。

2. 資料結構與演算法：瞭解其運作原理。

3. 資料庫：掌握基本常識。

有了基本的知識，當你要指揮 AI 代理幫你工作時，就能更有效地達到事半功倍的效果。

總結 2026 年文組轉職的核心：不是去當工程師，是讓 AI 替你補工程師那塊，然後用你原本的人文訓練去做差異化。

如果你也在思考自己屬於哪一類、想跟一群正在走這條路的人一起前進，歡迎加入我的社畜進化論｜Raven AI 社群。裡面有實戰拆解、學習路線討論、還有一群跟你一樣從零開始的夥伴。

人類習慣使用的電腦作業方式，已經開始產生了革命。

這場生產力革命帶來的衝擊，將會前所未見的劇烈，因此我建議你可以試著開始改變你的工作型態。

至於怎麼改變，則要從終端機開始說起。

就算不是工程師，只要你稍稍關注 AI 相關新聞，你一定會聽到大家在瘋「龍蝦（OpenClaw）」或者 Claude Code 等超強的 AI 生產力工具。

這些 AI 生產力工具可以徹底解放你的雙手。只要你能夠妥善地安排你的工作流，你可以讓 AI 做掉很多繁複的細節。

可是當你在 YouTube 上看了一些影片，想嘗試去使用這些工具的時候，卻發現有許多步驟都要使用黑黑的終端機畫面，感覺就像是工程師在做的事情。

其實你只要稍微改變一下心態，並且全然地接受將 AI 代理作為你工作的核心，使用終端機介面不應該是你的障礙。

這裡說的黑黑的終端機，是一種稱作 CLI（Command Line Interface，命令列介面）的操作方式，跟我們習慣的圖形化介面（GUI，Graphical User Interface）不同。

使用者如果要自行操作終端機的話，必須要先記住很多的指令，不像是圖形化介面相對來說比較直覺。

例如我在臺北某家科學機構從事系統維運的工作，我每天的工作就是登入 Linux 系統去操作 CLI 介面，我必須要先記住很多的 Linux 指令。

然而 AI 時代來了，你根本不需要記住這麼多的指令。你只要知道你要做什麼，讓 AI 來幫你執行這些指令。

因此，為了因應 AI 代理（AI Agents），有許多公司也推出了 CLI 介面。例如：

• Google Workspace：2026 年 3 月 5 日由 Addy Osmani 宣布 gws CLI。

• Obsidian ：在 1.12 版本中推出了官方 CLI。

• Stripe ：2026 年 3 月 27 日推出 Projects CLI。

• Polymarket ：明確為 AI agent 可存取性建 CLI 。

為什麼會這樣？

因為這些 AI 工具背後的技術是使用大型語言模型。它們在閱讀文字的速度，會比使用圖形化介面還要快很多。

所以可以想見，在未來 5 到 10 年，我們人類會透過自然語言跟 AI 溝通，而 AI 則透過 CLI 介面，去跟各種軟體、程式相互溝通。

當然，圖形化介面是不會消失的，因為我們人類需要透過圖形化介面來與電腦共同協作；但是 CLI 介面也會因應此次 AI Agent 的浪潮而復甦。

典範開始轉移了，這又是從哪裡開始的？

CLI 命令列介面和 GUI 圖形化介面的糾葛

1960 年代電腦還沒有「介面」。

早期都是研究員用紙筆寫程式，再把程式打成打孔卡，交給機房，排隊等幾小時拿結果。

當然這樣子做非常麻煩，後來就有 IBM 的分時系統，可以讓多人透過 CLI 介面使用電腦主機。

然後在 1969 年貝爾實驗室，Ken Thompson 跟 Dennis Ritchie 寫出了 Unix 系統，奠定了日後大家使用終端機的基礎。

可是使用 Unix 系統必須要用 CLI 介面，你必須要記住很多的指令。例如：ls 是列出資料夾內容、cd 是切換目錄、rm -rf 是刪除檔案、chmod 755 是修改權限。每一個操作都要記住對應的英文縮寫，沒有圖示、沒有按鈕，打錯了只會報錯。

GUI 圖形化介面的發展晚了一些。

Xerox PARC 的 Alan Kay 在 1973 年做出有滑鼠、視窗、點陣螢幕的 Alto 電腦，不過此時都還只是實驗性質。

後來 Steve Jobs 去 Xerox 參觀時驚為天人，回去後改變了蘋果電腦的發展方向，在 1984 年推出了麥金塔電腦（Macintosh）。

隔年微軟的 Bill Gates 推出了 Windows 1.0，市場反應不太好，一直要到 Windows 3.0 才開始流行，1995 年的 Windows 95 則普及到家家戶戶。

GUI 為什麼勝出？說穿了就一件事：要把電腦賣給不懂指令的人。

況且人類大腦本來就比較善於處理視覺資訊，再搭上 Apple 跟微軟的行銷預算，「電腦」這個詞在一般人心裡幾乎和「視窗、滑鼠」畫上了等號。

可是 GUI 的便利是有代價的，它把使用者鎖在設計者預想的操作範圍裡。

GUI 的設計邏輯是：把最常用的操作做成按鈕。

問題是，設計者沒辦法預想到每個人的需求。你想把一千個檔案依照規則批次改名，GUI 沒有這個按鈕；你想把三個工具的輸出串在一起、自動跑完一套流程，GUI 做不到。

CLI 的邏輯則相反。它不試圖預想你要做什麼，它只給你積木，讓你自己組合。

Unix 的管線（pipe）符號 | 就是這個哲學的體現：你可以把任意兩個工具的輸入輸出串在一起，拼出 GUI 根本沒辦法提供的功能。

更關鍵的是可重複性。

CLI 指令可以被存成腳本，今天跑、明天跑、交給別人跑，結果都一樣。你可以把它放進版本控制系統，追蹤每次的變化。

GUI 的操作則是一次性的，你點了什麼、怎麼點的，沒有記錄，沒辦法重播，也沒辦法自動化。

這就是為什麼即使有 GUI 可用，還是有人會用 CLI（尤其是工程師）。不是因為他們喜歡跟自己過不去，單純就是比較好用而已。

這個分工維持了幾十年，直到 AI 出現，才讓 CLI 突然從後台配角變成主角。

AI 來了，CLI 再度復甦

LLM （大型語言模型）是新的介面層。

人類透過自然語言跟 LLM 說話，LLM 在背後透過 CLI 操作電腦。

介面典範正在轉移，CLI 的使用者不再是人類，而是 AI 代理。

首先，文字是 LLM 的原生語言，叫 LLM 看像素、辨識滑鼠游標、理解下拉選單，它做得到，但又慢又不穩，而且還很浪費 Token（可視為 AI 額度）。

一個 CLI 工具就是一個現成的 function call，有明確輸入、穩定輸出、可預期的退出碼。

AI 代理要串三個工具完成一件事，CLI 幾乎是現成的積木。

況且，當 CLI 回覆 JSON、TSV、純文字，LLM 解析準確率接近百分之百。

如果用圖形化介面，要靠截圖 + 視覺辨識，每次網站改版還得重新訓練。

Andrej Karpathy（前 OpenAI 共同創辦人）在今年 2 月在 X 上發布一則貼文說，

CLI 之所以令人興奮，正因為它是「遺產技術」。這意味著 AI 代理可以原生且輕鬆地使用它們、組合它們，並透過整套終端機工具鏈與它們互動。例如，你可以叫你的 Claude/Codex 代理去安裝這個新的 Polymarket CLI。

OpenCLI：把任何網站變成 AI 的命令列

在文章的最後，讓我為你介紹一個開源專案：OpenCLI。

OpenCLI 是 GitHub 上一個叫 jackwener 的開發者發起的開源專案，口號是「Make any website your CLI」，讓任何網站變成你的 CLI。

你可以讓 AI 代理能透過 CLI 去操作那些原本只有 GUI 的網站。

OpenCLI 利用你已經在 Chrome 裡登入的狀態（session），讓 AI 代理能跟動態網站互動，而且不需要你交出帳密。

當然，你必須要非常小心地使用這類的工具。

因為既然它不需要你交出任何的帳密，那就代表說，如果有駭客挾持了你的工具，他也可以登入你原先要使用帳密才能登入的網站。

目前 OpenCLI 內建的網站命令涵蓋十七個站、超過三十五個指令，從 Bilibili、知乎、小紅書、微博、Twitter、Reddit、GitHub、Hacker News、到 YouTube、Yahoo Finance、Reuters 都在列。輸出支援 table、JSON、Markdown、CSV，全部都是 Unix 哲學的標準動作。

更酷的是它有 explore、synthesize、cascade 三個給 AI 用的命令：你給它一個 URL 加一個目標，它能自己去探索網站的 API、生成 adapter、試探認證策略。換句話說，它能自己長出新的 CLI。

你現在不用去學 OpenCLI 的任何一個命令。

我只需要知道 OpenCLI 存在、大概能做什麼、有哪些指令。剩下的交給 Claude Code 或 Codex CLI 去查、去裝、去組合。AI 代理會讀 OpenCLI 的文件、會試、會在失敗時自己修正。

這是一個新的時代：你不再需要知道 Know-how，你只需要知道 Know-what。

你必須訓練你自己能夠看到整個架構的輪廓，而不是盯著小細節鑽研。

Share Raven AI 週報

工商時間

想要把 AI 代理真正用在工作跟事業上，而不是只停在「試試 ChatGPT」？我的社畜進化論｜Raven AI 社群專門拆解 AI 一人公司的實戰流程，從選工具到打造自動化系統，有完整的路徑圖跟可以直接用的腳本。

加入社群

我原本用了兩個月龍蝦（OpenClaw），最近決定搬到了另一個開源 AI Agent 專案愛馬仕（Hermes Agent）。

整個搬家過程大概不到一小時，比我預期的簡單很多。

如果你也有考慮要搬家，我建議你使用另外一個 AI Agent ，例如 Claude Code 或 Codex 幫你搬，你可以省下非常多的力氣。

不過在搬家之前，你還是要先去評估自己的需求，再來決定要不要搬。

為什麼要從龍蝦搬到愛馬仕

龍蝦是我正在進行實驗的 AI Agent。

它住在我的 Mac Mini 上，主要的目的就是希望我可以使用零碎的時間，不管是在通勤、在辦公室，或者是在拉屎，我都會透過 Discord 去呼叫它。

想到什麼工作，就派命令給它。

基本上就是一個 24 小時待命的 AI 助手。

但它真的很不穩定。

龍蝦的更新速度都非常頻繁，但每次一更新，有些工具就會壞掉。

像有一次它更新完之後，就變得跟智障一樣，叫它做事情都跟我說會做、會做，結果他媽的都不做。

龍蝦的記憶系統也是有點問題。常常每次要跟他講事情的時候，我就要重新提醒他一遍。我自己大腦也要去記住說，他到底裝了哪些技能，然後那些技能的路徑位置、哪些檔案的位置，或是哪些工具的存放位置在哪邊，我自己都要先記得清清楚楚。

這真的是有夠麻煩，就好像在帶一個說一動做一動的工讀生一樣。

我知道有很多開源專案其實也提供了一些方法，可以去調整龍蝦讓它的記憶力變得更好、更聰明一點。但是就是要花很多時間去調校，真的很麻煩。難道就不能裝好之後，就可以馬上用嗎？

因為我的需求也沒有到很多，我主要只是要遠端派任務給它。然後它可以記得我的資料夾位置，以及我平常都在做什麼樣的任務。

目前雖然 Claude 有提供遠端呼叫的功能，但是那個功能並不好用。等於是我要跟 Claude 一直維持在同一個頻道上，只要頻道一關掉，我跟 Claude 之間就斷線。

所以後來看到 Nous Research 推出愛馬仕，在開源社群上大家也都在推薦，我研究了一下就決定搬了。

愛馬仕搬家實錄

我的安裝方式是直接丟愛馬仕的 GitHub 網址給 Claude Code，讓它讀完之後幫我執行安裝。

Claude Code 不只跑了安裝指令，連 API key 設定、OAuth 登入這些瑣碎的步驟也一併處理好了。整個過程我幾乎沒有手動操作，也沒有什麼痛感。

遷移龍蝦的資料也很簡單，就一行指令：

hermes claw migrate --yes

它會把龍蝦的記憶、自定義技能、Discord 設定都搬過來。我的結果是 26 個項目成功遷移，包含 19 個自定義技能。

唯一麻煩的是排程。

我在龍蝦上設了不少定時任務，這些排程都是針對龍蝦設計的，搬過來之後全部要重新配置一次。這是整個搬家過程裡最花時間的部分。

所以如果你在龍蝦上寫了很多排程，想搬家的話一定要先想清楚。安裝和遷移本身很快，但排程重建的工程量可能比你想的大。

愛馬仕用起來怎麼樣

用了一段時間，最明顯的感受是愛馬仕的記憶系統好很多。

它比較清楚我之前做過什麼，也會自動把該記的東西記起來。相比起來，龍蝦的記憶跟金魚差不多，你得反覆跟它講同一件事。只要頻道（Session）一關掉，它就什麼都不記得。

另一個我很喜歡的是 Discord 上的對話管理。

當我叫愛馬仕做一件事，它會在頻道裡另外開一串對話（thread）。我只要針對那一串回覆就好，不會跟其他訊息混在一起。

雖然講起來好像也沒什麼，不過用起來的舒適感就是有些差距。

愛馬仕與龍蝦的記憶哲學：自動書櫃 vs 手動資料夾

不管是愛馬仕還是龍蝦，兩個 Agent 對「記憶」這件事的想法完全不同。

愛馬仕像一個會自動歸檔的書櫃。

你跟它講過的事情，它會自己判斷哪些重要、主動記下來。它背後有一個 SQLite 資料庫搭配 FTS5 全文檢索，把所有對話歷史都存起來。

當你問它「上週我們討論過什麼」，它會用 Gemini Flash 幫你把搜尋結果做摘要，不用把整段舊對話塞回上下文裡浪費 token。

另外，愛馬仕在每次開機的時候，會把 MEMORY.md 和 USER.md 這兩個核心記憶檔凍結進系統提示裡，整個對話過程中都不會動。

據說可以省下大概九成的重複 token 費用。

雖然龍蝦也有 SQLite，但用途不一樣，它是拿來做向量搜尋和關鍵字比對的，不是存對話歷史。

龍蝦還有一個 daily notes 機制，每天自動產生一份筆記，但它預設只會載入今天和昨天的。更早的內容要 Agent 自己「想到」該去翻才會找，實際用起來常常就是忘了。

簡單講，最大的差別在三件事：

• 誰決定記什麼（愛馬仕自己判斷，龍蝦靠人）

• 能回憶多遠（愛馬仕可以搜幾週前的對話，龍蝦預設只看兩天）

• 記憶的主動性（愛馬仕會主動記，龍蝦要你告訴它）

愛馬仕的做法確實更聰明，實際用起來也比較輕鬆。不過因為它會自動整理，所以你也不知道他幹了什麼，有可能亂搞你都不知道。

龍蝦看似笨一點，但你放什麼它就是什麼，不會被動到。

愛馬仕與龍蝦的技能生態：實習生 vs 工具箱

愛馬仕像一個會自己學新技能的實習生。

它做完一件比較複雜的任務之後，會自己把步驟整理起來，變成一個可重複使用的技能檔案。這樣下次遇到類似的事情就會直接照做。

這樣聽起來好像很理想，可是也是有可能會出問題。

我看網路上有人說，它有時候會把你已經教好的正確做法「改良」成錯的版本。因為它永遠覺得自己做得很好，沒辦法客觀評估自己的修改到底是改進還是退步。

龍蝦比較像工具箱。

反正呢，我們要他裝什麼技能，我們就自己去 ClawHub ，上面有幾千個別人寫好的技能可以下載安裝。需要客製化技能的話，我們就自己調整就好。

我的判斷

我覺得愛馬仕跟龍蝦兩個都各有好處。

愛馬仕的記憶能力比較好，用起來也簡單，雖然可能改壞原本的技能，但是不要用太笨的模型，應該會改善一點。

我也不會建議每個人都要搬家。

如果你需要多個 Agent 協作，或是已經在龍蝦上建了很完整的工作流，要先想清楚。龍蝦在多 Agent 管理和團隊協作這塊目前還是比較成熟的。

而且愛馬仕現在才剛推出沒多久，它迭代的速度以及生態還遠遠不及龍蝦，所以不急著搬。

讓子彈飛一會。

工商時間

如果你也在想怎麼用 AI Agent 建立自己的工作系統，但不確定該怎麼選工具、怎麼規劃流程，歡迎加入社畜進化論｜Raven AI。

裡面有更多 AI Agent 的實戰分享，也有其他自動化工具的搭配方式。

加入社群

做自媒體會失敗，通常不是因為你寫不出東西，而是沒辦法持續產出。

我失敗好幾次了，每一次放棄都不是因為「沒靈感」，而是因為整個產出流程太累了，短期又看到成果，最後撐不住。

一個禮拜要固定生出一到兩篇內容，同時還要上班、還要處理生活瑣事。靠意志力硬撐，最多撐三個月就會開始找藉口跳過。

直到我建立了自動化工作流。

我的第一次失敗：WordPress 時期踩過的坑

兩三年前，我租了 Bluehost 的伺服器，裝了 WordPress，認真地開始寫文章。

當時寫的內容大概是一些個人的人生經驗跟職場心得。寫了幾篇之後就發現兩個問題：

• 這種內容本來就不太有人讀，畢竟我又不是什麼名人

• 商業模式完全沒想清楚，不知道寫這些東西到底能幹嘛

沒有讀者、沒有收入方向，每次打開編輯器都覺得「我到底在幹嘛」。

後來就停了。

我找不到一個讓我覺得「值得繼續」的理由，也沒有一套流程讓產出變得輕鬆。

AI 時代，遊戲規則變了

然後 ChatGPT 出現了。

我本來就很喜歡這類數位產品，所以第一時間就跳進去用。用著用著，覺得這個領域有太多東西可以聊，就開始了「Raven AI 週報」這個電子報。

一開始也只是隨便分享自己的學習心得，沒什麼規劃。但跟上次不同的是，這次我找到了一個我真的有熱情、而且持續有新東西可以寫的主題。

漸漸地，商業模式也開始有了雛形。

說到商業模式，老實講我到現在也不是很明白自己在做什麼。不是有句話說「網紅最終的歸宿就是賣課」嗎？Joeman 也在賣，愛莉莎莎也在賣，我自己也做了一些微課程放在網路上賣，算是走這條大家都在走的路。

至於能不能找到更有趣、更特別的方式去吸引客戶，這是後續要研究的課題，目前沒有標準答案。

但有一件事我很確定：AI 讓我的產出速度變快了。

以前寫一篇文章要花一整個禮拜，而且都是在下班時間做研究，真的很吃緊。現在我同樣有工作，但一個禮拜產出的內容超過兩三篇都還有餘裕。

差別在哪？是因為我不追番不打電動了？怎麼可能，只是因為工作流程變了。

我現在同時經營多少管道？

目前我手上同時在跑的管道有：

• 免費電子報：就是你現在在看的這份 Raven AI 週報

• 付費社群：裡面有更完整的課程內容跟實戰拆解

• IG：最近在優化圖卡的製作流程，讓產出更穩定

• 部落格：最近又做了一個結合官網的部落格

之前還試過 YouTube 與短影音，但那個工作流程沒調整好，算是半失敗狀態，之後可能要重新來過。

拿 IG 來舉例好了。我的 IG 荒廢了很久，因為我懶得拍片，做圖卡也太花時間。光是在 Canva 裡面挑模板、調文字、換配色，一套 carousel 弄下來就耗掉一大塊時間。

後來我用龍蝦（OpenClaw）搭配 Playwright，做了一條 IG 圖卡的自動產線。龍蝦會自動從 X 上抓取高品質的 AI 相關內容，我只要花幾分鐘挑素材，跟它說「這篇文章拿來做圖卡」，它就會自動寫文案、套 HTML 模板、渲染成 PNG 圖片。

整個過程我真正動手的只有選素材和最後確認，一套 6 到 10 張的圖卡幾秒鐘就跑完。

這個工作流的完整拆解我寫在另一篇實戰筆記裡，有興趣的話可以這裡看：

自媒體圖文製作工作流：用龍蝦 AI 代理打造 IG 圖卡自動產線

所以這麼多管道，哪來的時間？

答案就是：如果沒有 AI 和自動化，我根本做不到。

寫電子報、做部落格，核心就是要持續更新。放在那邊不動，是不會有流量的。但要一個人同時維護這麼多管道，光靠手動作業根本不可能。

重點不是用什麼工具，是建立你的自動化工作流

要做自媒體，還要下班時間做，沒有把流程優化到順手是不太可能完成的。

尤其是現在大家都在用 AI。如果你自己不用，在經營自媒體的時候就很難跟別人競爭。

你的對手可能一個人就能產出你一個團隊的量，因為他有一套跑得順暢且有成效的自動化流程。

所以我覺得 AI 時代做自媒體的重點之一，是建立一套屬於自己的自動化工作流，讓你可以穩定地、持續地產出內容。

持續，才是自媒體唯一的護城河。

工具會變、平台會換，但如果你有一套讓自己能持續運轉的系統，你就能一直留在場上。

而留在場上的人，才有可能脫穎而出。

工商時間

如果你也在思考怎麼用 AI 建立自己的自媒體或一人事業，但不知道從哪裡開始、該怎麼規劃，我有提供一對一的 AI 一人公司啟動諮詢。

我會根據你目前的狀況，幫你釐清方向、規劃適合你的 AI 工作流，讓你不用自己摸索半天還在原地打轉。

我要諮詢

不是那種「我用 ChatGPT 一天賺一萬美金」的農場文，而是有名有姓、有產品有營收、可以追溯來源的第一人稱敘述。

我找了 18 個案例。看完之後，最大的感受是：

大家都在討論 AI 技術本身。用什麼工具、怎麼 vibe coding、Lovable 跟 Cursor 哪個好。但真正讓這些人成功的，根本不是 AI。

是他們原本就懂的那個領域。

所以我從這些案例中，歸納出三種用 AI 創業的成功模式。

每一種我都挑了一個最有代表性的案例來拆解，讓你看看「領域專業 + AI」在實戰中到底長什麼樣。

模式一：把專業變成產品

Josh Mohrer 是前 Uber 紐約總經理。學數學出身，職涯都在做營運管理，從來不是工程師。

2022 年底 ChatGPT 問世之後，他意識到一件事：

多年的營運經驗讓他知道產品該長什麼樣、市場要什麼，唯一缺的是那最後的技術執行力。而 AI 剛好補上了這塊。

他做了 Wave AI，一款語音筆記 App。使用者按下錄音，AI 自動轉錄和摘要。

聽起來很簡單對吧？市場上類似的工具一大堆，比方說Otter.ai、Fireflies、Granola，每個都在搶語音轉錄市場。

但 Josh 看到了一個所有人都忽略的缺口。

當時幾乎所有語音轉錄工具都在搶「線上會議」，例如派一個機器人加入你的 Zoom 或 Google Meet，幫你做會議紀錄。

但 Josh 意識到，人們最重要的對話根本不是發生在 Zoom 上，而是在真實世界裡，可能是看醫生時想記住醫囑、上教堂想回顧講道內容，又或者商務餐敘中的討論細節。

這些場景沒有人在做好用的工具。

所以 Wave AI 的設計完全不同。你把手機放在桌上按錄音就好，它的轉錄引擎專門針對真實環境做了優化。背景噪音、重疊人聲、距離麥克風遠近不一，這些在安靜的 Zoom 通話裡不存在的問題，在現實世界全都是挑戰。

結果，Wave AI 有 90% 的使用量來自面對面的真實場景，而不是線上會議。

這個市場定位不是靠技術分析得出的，而是靠他在 Uber 多年理解「人們在真實世界中怎麼行動」的直覺。

現在 Wave AI 每天處理大約 9,000 小時的音訊。年營收 700 萬美金，利潤 300 萬。App Store 上 4.9 星、超過 11,000 則評論。

一個人，偶爾外包，沒有團隊。

但一個人扛所有事情也有代價。

例如他提到Meta 廣告投了一年多都燒不出效果，每隔幾個月試一次，全部失敗。一個人工作沒有同事可以討論，很多問題自己注意不到。

AI 幫他把產品「做出來」了嗎？是的。但讓產品成功的，是他在 Uber 練了好幾年的營運直覺和市場嗅覺。而讓他撐過去的，是對這個問題的執著，不是對 AI 技術的熱情。

模式二：用 AI 取代外包，自己造自己的工具

Ben Sufiani，43 歲，住在德國科隆。15 年內創辦了 9 家新創公司，全部做行銷，從來沒碰過開發。

他最痛的一次經歷是：他請了一個 CTO 加兩個工程師。六個月後，什麼都沒做出來。錢燒光了，連個屁都沒有。

2024 年聖誕節，他被 ChatGPT o3 的能力震撼到了。他給自己設了一個挑戰：在 2025 年 3 月 29 日，也就是他 43 歲生日之前，上線第一個 SaaS 並獲得一位付費客戶。

他做了 CaptAIn，一個 AI 上下文切換工具。

當你同時用 ChatGPT、Gemini、Claude 處理不同的商業情境時，每次切換都得重新解釋背景。

CaptAIn 讓你把商業情境存起來，切換工具時不用重複說明。這個痛點怎麼來的？就是他自己在創業過程中，每天在不同 AI 工具之間跳來跳去的親身體驗。

他做的第一件事不是打開工具，而是花錢請一個資深開發者朋友當導師，教他像開發者一樣思考。YouTube 成了他的大學，訂閱了Supabase 頻道、Theo Browne、AI Jason，一個一個啃。

他自己坦承前三到六個月，經常對 AI 大吼大叫，以為工具壞了。後來才發現問題出在自己。

他不會寫 prompt、不會組織專案、對技術的理解不夠，根本無法引導 AI 走對方向。

所以他停止責怪 AI，開始把 prompting 當作一項可以培養的技能。

生日當天，他的目標是 1 位付費客戶。實際結果是 7 位。

第一年 AI 工具總花費 1,447 美金。他自己說：「這還不到兩週開發者薪水。200 美金的月費就像擁有三位 AI 時代之前的開發者。」

後來他不只做了產品，還創辦了 Pirate Skills（教非技術創辦人用 AI 創業的課程）、共同創辦了科隆的 Vibe Coding 聚會，WhatsApp 群組成長到 500 多人。

他的案例說明一件事：AI 取代的不是你的專業判斷，而是你過去必須花大錢外包的那段「技術執行」。

但前提是，你得夠了解自己要解決什麼問題。

Ben 能成功，是因為他在行銷領域混了 15 年，太清楚市場要什麼。

模式三：用 AI 量產小工具，靠受眾變現

Pete McPherson 住在美國密西根州，是前會計師。

2016 年辭掉會計工作後，他轉型成全職內容創作者，經營「Do You Even Blog」這個品牌，YouTube 累積超過 400 萬觀看、Podcast 下載量超過 300 萬次。

他反覆強調自己不是工程師。在 2023 年 3 月，他看到一支 YouTube 影片示範用 ChatGPT 寫程式，就決定自己動手做。

第一個 App 花了三個月，只拿到大約 10 個付費用戶。他形容那是「我做過最困難、最令人挫折的事之一」。

但技能累積的速度超乎他預期。第二個 App 只花了三週，就達到每月 1,000 美金營收。接著他越做越快。

其中一個 SEO 工具「Topical Map AI」三天就開發完成，後來成長到每月 7,000 到 8,000 美金的被動收入。

另一個全自動部落格機器人「FABB AI」，月營收約 3,000 美金，最後以 45,000 美金賣掉。

到目前為止，他用 AI 做了 8 個 App，累計賺超過 35 萬美金，成功賣掉兩家軟體公司，每週工作不到 20 小時。

Pete 的策略跟前兩個案例很不一樣。Josh 和 Ben 都是做一個產品做到底，Pete 則是快速量產。

做出來、驗證市場、決定要繼續還是砍掉、有人要買就賣。

他有一套標準流程：第一個月做粗糙 MVP 找測試者，第二個月清理優化推 Beta，第三個月決定生死，第四個月寫文件，之後全力行銷。

但他最厲害的地方不是開發速度，而是他永遠「先找到買家，再動手做」。

比如他做 Topical Map AI 這個 SEO 工具，不是因為他覺得「AI 可以做 SEO」就去做。而是他經營部落格教學多年，每天都有讀者問他「我的部落格該寫哪些主題」。

他太清楚這群人的痛點了。所以他用 AI 三天做出工具，直接推給自己的 YouTube 和 Podcast 受眾，馬上就有人買單。

他不是先做產品再找人買，而是先知道受眾需要什麼，再用 AI 快速做出來。

這跟我對 AI 創業的理解完全一致。除非你的客戶本身就是 AI 使用者，否則他們在意的不是你用了什麼技術，而是你能不能解決他們的問題。

工具人人都能用，但「知道該做什麼、賣給誰」這件事，AI 幫不了你。

成功不只是「做出產品」

研究了這些成功案例後，我心裡躍躍欲試，心想：太好了，我也來做。

不過回頭看這三個人的故事，我發現他們都經歷過一段很痛苦的階段，而那段痛苦跟 AI 技術完全無關。

Josh 年營收做到 700 萬美金，但是他也有低潮，畢竟所有客服、產品更新、除錯全壓在一個人身上。

Ben 前六個月不斷對 AI 大吼大叫，以為工具壞了，後來才發現是自己的能力跟不上。他得學會怎麼組織專案、怎麼下 prompt、怎麼除錯，他必須學會基本的產品開發素養。

Pete 的第一個 App 花了三個月，只拿到 10 個付費用戶。如果他沒有多年經營受眾的底子，後面那些 App 根本不會有人買。

AI 讓「製作產品」變得前所未有的簡單。但做出來之後呢？

怎麼找到客戶、怎麼定價、怎麼維護、怎麼讓產品穩定運作，這些才是真正花時間的地方，而且 AI 幫不了我們太多。

想用 AI 創業？先回答三個問題

AI 是放大器，用來放大我們的能力。它讓「產品開發」不再是瓶頸，但商業模式、市場洞察、分銷能力，AI 都無法代勞。

所以在我們準備訂閱 200 美金的 Claude Max 來開發產品之前，得先問自己：

我的領域專業是什麼？

上述的案例中，這些創業者已經浸淫自己的領域多年。

他們不是「學了 AI 之後才找到方向」，是「已經有方向了，AI 幫他們加速」。

如果我們還沒有一個深耕的領域，第一步不是學 AI 工具，而是先累積自己的專業。

然後再問問自己，我的前 10 個客戶從哪來？

如果我們回答不出來，那麼瓶頸不是「怎麼做」，而是「賣給誰」。

Josh 靠 App Store 口碑飛輪帶來自然流量。Pete 靠經營多年的 YouTube 和 Podcast 受眾。我們呢？

我們能不能不靠 AI 也把這件事賣出去？

如果我們的商業模式離開 AI 就完全不成立，那有可能我們只是在追最新 AI 工具，不是在解決問題。

真正的方程式是：領域專業 + 市場洞察 + AI 團隊 = 一人公司。

先把前兩項搞清楚，AI 才能真正幫到我們。

工商時間

如果你也想用 AI 建立自己的一人事業，但不確定從哪裡切入，我創了一個付費社群「社畜進化論」，專為想用 AI 提升工作效率、甚至轉型創業的上班族設計。

💎 會員專屬權益

• 基礎課程：

  • AI 知識管理：使用各種工具建立 AI 知識庫，包含 ChatGPT、Gemini、Perplexity、NotebookLM、Notion，以及 Antigravity AI 程式編輯器。

  • AI Coding：教你使用 ChatGPT 開發 Google Apps Script，並且結合 Google 自家產品如試算表、簡報、表單、雲端硬碟等。

  • AI 自動化：使用 n8n 建立可視化的自動化工作流。

• 深度內容：每月持續更新至少 2 篇研究筆記、實戰腳本或講解影片

• 交流討論：遇到問題可以在社群提問，一起找解方

• 優惠方案：進階課程享會員專屬折扣

💰 訂閱方案

• 月費制：$5 USD / 月

• 年費制：$50 USD / 年（省 $10）

加入社畜進化論

上一期我說了：我要自己跳進去做電商。

結果我連第一步都卡住了。

我不知道要賣什麼。

我猜這就是大部分想創業的人遇到的第一個問題。你滿腔熱血想做點什麼，去看了一堆 YouTube 影片教你怎麼開蝦皮、怎麼做一頁式銷售頁，當你真正坐下來要開始的時候，你會發現——你根本不知道市場需要什麼。

如果你隨便挑一個商品就跳進去賣，接下來就是跟一大堆人在紅海裡面拚價格。你進了一批貨，別人也進了一批一模一樣的貨，然後大家比誰賣得便宜。利潤薄到你會懷疑自己為什麼要創業。

例如我原本是想要做男裝的，後來在蝦皮上稍微搜尋了一下，發現蝦皮上的衣服真的是便宜到爆。一件 T-shirt 兩三百塊就有，那這個進價會有多低啊？

所以我退了一步，問了一個第一性原理的問題：市場上到底缺什麼？

這個問題的答案，不能靠直覺，要靠數據。而蒐集數據這件事，正好是 AI 最擅長的。

創業的最低配備：一台電腦加上 Claude Code

在 2026 年，如果一個普通上班族想用 AI 來輔助創業，你需要準備的東西比你想像中少很多。

第一，一台桌上型電腦。

Mac 或 Windows 都行。但我個人建議用 Mac，因為 Claude Code 推出新功能的時候，通常 Mac 會先支援。當然，如果你真的只有 Windows 電腦的話也可以。

總之，你一定要有一臺電腦。

如果你只有一臺手機的話，很難依靠 AI 輔助，所以買一臺電腦吧。

第二，Claude 的付費帳號。

坊間有很多的 AI 工具都非常非常好用，例如 Perplexity、Manus，這些都能操作你的電腦。可是如果你只能選擇一個的話，我會直接推薦你使用 Claude Code。

為什麼？因為 Claude Code 是目前公認最強的 coding 工具。Claude Opus 是目前最強的大型語言模型。即使未來各家廠商更新模型之後，使得最強模型排名的順序有所變動，但是 Claude Code 的生態系依然存在。

Claude 的付費方案有三種：

• Pro（$20 美金/月）：入門體驗用。但老實說，如果你要拿來做開發或研究，這個額度大概撐不過３天。然後它需要一週才會重置。

• Max 5x（$100 美金/月）：我目前用的方案。額度是 Pro 的 5 倍，對於認真在用 Claude Code 做事的人來說，這是最低門檻。

• Max 20x（$200 美金/月）：額度是 Pro 的 20 倍。如果你已經很熟練，每天大量使用，就會需要升到這個等級。

我自己用 $100 的方案，目前剛好夠用。為什麼不從 $20 開始就好？因為 Claude Code 不只是拿來聊天的——你要讓它幫你寫程式、讀文件、分析資料、規劃系統架構，這些都會消耗額度。$20 的量，可能兩三天就燒完了。

有可能後續你還會遇到其他很好用、也剛好符合你需求的 AI 工具。例如說，你可能有生圖的需求，那麼 Claude 目前沒有生圖的功能，Gemini 在這個部分就做得很好。

如果你是要生影片的話，那一定是要用中國大陸的模型。

但是我還是建議你，與其訂閱了一大堆工具，結果每個都只會一點皮毛，不如先把 Claude Code 用到極致，這樣反而比較好。

不會寫程式？你需要的不是技術，是知道自己要做什麼

如果你是文組出身、沒有任何開發經驗、不是資工相關科系畢業——完全不需要害怕。

Claude Code 這種 AI 代理，它的本事就是幫你搞定技術細節。你不需要知道 Python 怎麼寫、API 怎麼串、資料庫怎麼建。這些事情 AI 都會幫你做。

但有一件事 AI 做不了：替你想清楚你到底要做什麼。

這才是你真正需要花腦力的地方。使用 AI 工具不代表你不用思考，恰好相反——你必須比以前更清楚自己的目標，因為 AI 會照你說的去做。你說錯方向，它就往錯的方向全速前進。

以我自己為例，在我決定要做市場調查系統之前，我花了很多時間想清楚幾件事：

1. 我要解決什麼問題？（不知道要賣什麼）

2. 這個系統要給我什麼資訊？（市場上什麼關鍵字正在升溫、有沒有利基機會）

3. 這些資訊要從哪裡來？（Google Trends、YouTube）

想清楚這三個問題，才讓 AI 開始動手。

三天，從零到一套市場趨勢調查系統

我用 Claude Code，花了大約三天，建了一套「關鍵字趨勢調查系統」。

這套系統會做的事情是：我給它幾個我關心的關鍵字，它會自動去搜尋 Google Trends 和 YouTube，分析這些關鍵字的搜尋熱度、找出相關的延伸關鍵字、判斷哪些話題正在升溫，最後還會用 AI 幫我交叉比對，產出可以發展的方向建議。

聽起來很複雜？讓我拆開來講。

系統背後的邏輯

我使用了「兩層趨勢雷達」：

第一層：趨勢雷達。 用 Google Trends 去找「人們最近在搜什麼」。不只是查我設定的關鍵字，還會去找相關的搜尋詞。比如我設定「男裝」這個關鍵字，系統會自動延伸出 21 個相關關鍵字，像「穿搭 男生」「古著 男」「牛仔褲 男」「男裝推薦」這些我自己不一定會想到的搜尋詞。

第二層：利基橋接。 系統會把第一層找到的熱門趨勢，跟我的利基主題交叉比對。比如我的利基是「一人公司做電商」，它就會分析：哪些男裝相關的搜尋趨勢有機會切入？然後產出具體的方向建議。

這是我把系統改成男裝主題後，跑出來的實際結果：

• 「穿搭」排名第一，熱度分數 33 分，YouTube 上有 23 部相關影片，趨勢穩定

• 「男裝」排名第二，20 分，趨勢上升

• 「穿搭 男」排名第三，17 分，但趨勢是下降

• 「穿搭 男生」排名第四，4 分，趨勢上升

再往下看就更有意思了。系統查了 26 個關鍵字，其中 15 個有搜尋熱度，Google Trends 覆蓋率 58%。但像「男裝推薦」「穿搭 男 矮」「穿搭 男 胖」「穿搭 男 夏天」這些長尾關鍵字，雖然目前熱度分數是零，趨勢方向卻都是上升。

這代表什麼？這些小眾需求正在萌芽，但目前還沒有太多內容在滿足它們。

這就是機會。

建置過程：一步一步來，不要貪心

整個系統的建置流程，我歸納成四個步驟：

步驟一：讓 AI 寫專案說明書

我一開始跟 Claude Code 說了我想做什麼，它就幫我產出一份專案說明書。我讓它放在一個叫做 README.md 的檔案。你可以用任何程式編輯器打開它，Visual Studio Code、Google 的 Antigravity、Cursor 都行。

這份說明書會列出系統的架構、要用到哪些資料來源、每個功能模組要做什麼。

重點是要花大量時間閱讀跟修改這份說明書。

不要看都不看就讓 AI 往下做。我必須要逐條檢查：這個功能是我要的嗎？這個資料來源對嗎？架構合理嗎？把說明書改到滿意為止，後面的開發才會順。

步驟二：要求 AI 一步步執行

AI 目前最大的限制是「上下文」。簡單來說，它沒辦法一次記住太多東西。大概抓一本書以內的資料量就是極限，超過之後它就會開始搞混或遺漏，甚至是出現幻覺。

所以我的做法是：

1. 讓 AI 先列出開發步驟

2. 要求它一次只做一個步驟

3. 做完一個步驟，開一個新的對話視窗，從下一步繼續

不要貪心想一口氣做完全部，那只會讓 AI 在過程中迷路，然後我得花更多時間修。

步驟三：用進度檔案串接每次對話

每次 AI 完成一個步驟，我就會要求它把進度寫在一個叫 PROGRESS.md 的檔案裡。這個檔案會記錄：哪些做完了、哪些還沒做、目前的系統狀態。

下一次開新的對話視窗，AI 就能讀這份進度檔，接續上次的工作。等於給了 AI 一份交接單。

步驟四：每完成一步就存檔

這裡的「存檔」是指用 Git 做版本控制。我們可以把它想成玩遊戲的存檔點——每次完成一個步驟、確認沒問題，就存一次檔。

存檔非常非常重要。因為 AI 偶爾會搞砸。我在開發過程中就遇到 AI 改了一段程式碼，結果導致整個系統在計算分數的時候除以零直接崩潰。

如果沒有存檔，我就得從頭來過；有存檔的話，回到上一個正常的版本就好。

費用：除了 Claude Code 之外，費用幾乎是零

這套系統用到的外部服務：

• Google Trends——免費

• YouTube Data API——免費額度每天 10,000 次查詢，綽綽有餘

• DeepSeek API（用來做 AI 分析）——每次掃描大約 $0.02 美金，不到一塊台幣

加上 Claude Code 的月費 $100 美金，這就是全部的成本了。

三天時間、零額外費用，建出一套自己的市場趨勢調查系統。放在以前，光是請人做這種客製化系統，至少也要十幾萬元。

為什麼一定要先做市場調查？

回到最根本的問題。

很多人想創業的時候，第一個動作是：找商品。去看看批發網站有什麼可以賣、去問朋友有沒有貨源、或者乾脆自己做一個產品出來。

但這個順序是錯的。

創業不是「我有什麼可以賣」，而是「市場需要什麼我可以提供」。

這兩個問題看起來差不多，但出發點完全不同。前者是從你自己出發，後者是從市場出發。從自己出發的人，做出來的東西經常沒人要；從市場出發的人，至少知道有人會搜尋、會需要。

以我自己的系統為例。我原本以為「古著 男」在台灣應該蠻多人在搜的，因為我身邊有不少朋友在穿古著、社群裡也常看到討論。結果系統一跑，它的 Google Trends 搜尋熱度是零，趨勢還在下降。

反而是「穿搭 男生」這個更通用的關鍵字，雖然目前分數只有 4 分，趨勢卻是上升的。「男裝推薦」也是一樣——熱度還沒起來，但方向是往上走。

這可能說明，在臺灣的確有男生會關注穿搭，但是「古著」這個市場實在太小眾，所以搜尋的人自然就不多。

數據不會說謊，但直覺會。

這就是為什麼我花了三天建了這套系統，而不是直接去進貨。先搞清楚市場在哪裡，再決定要賣什麼。

下一步：把觸角伸向社群平台

目前這套系統只串了 Google Trends 和 YouTube。這兩個資料來源能告訴我「人們在搜尋什麼」，但搜尋行為只是冰山的一角。

很多市場訊號藏在社群平台裡——人們在 X（前 Twitter）上抱怨什麼、在 Facebook 社團裡討論什麼、在 Threads 上分享什麼。這些地方的資訊更即時、更生活化，往往比搜尋數據更早反映出需求的變化。

所以接下來，我會讓這套系統去搜索 X 平台上的資料，也在考慮加入 Meta 旗下的社群——Facebook、Threads、Instagram。

當你能同時看到搜尋趨勢和社群討論，兩邊的數據交叉比對，判斷就會更準確。一個關鍵字如果在 Google Trends 上升溫，同時在 X 上也有大量討論，那這個話題就不是曇花一現，而是真正在發酵的趨勢。

不過這是後面幾期的事了。這一期，我想讓你記住的只有一件事：

想要創業，不是單純投入資金，也不是急著去找商品來賣。更重要的是先問自己：我要解決什麼問題？市場上缺少什麼樣的解決方案？如果你能找到這個答案，創業就已經成功了一半。

而找到答案的方式，就是做市場調查。

好消息是，在 2026 年，你不需要一個研究團隊才能做這件事。一台電腦、一個 Claude Code，就夠了。

工商時間

如果你看完這篇，想要開始自己動手用 AI 做點什麼，但覺得 Claude Code 對你來說門檻還是太高——我之前寫了一本電子書《適合新手的 Vibe Coding》，用 ChatGPT 加上 Google Apps Script，從零開始帶你做出你的第一個 AI 應用。

不需要任何程式基礎，跟著做就行。等你有了手感，再來挑戰 Claude Code 也不遲。

電子書

我每個月花大約 150 美金訂閱各種 AI 工具，然後呢？做出什麼名堂？

這是我最近問自己的問題。我訂了 ChatGPT、Claude、Gemini，加上其他零零總總的工具，每個月的 AI 訂閱費大約落在 140 到 160 美金。換算成台幣，一個月要花將近 5,000 塊在 AI 上面。

但老實說，我到底用這些工具「做出」了什麼？

我每週寫電子報、研究新技術、測試新工具，看起來很忙，但回頭想想，大部分時間都花在「搞懂這個工具怎麼用」，而不是「用這個工具去解決一個真正的問題」。

然後每次刷 Threads、YouTube 或 Instagram，我都覺得每個人都比我厲害。社群裡的人聲量很高，動不動就做出一個自動化流程、一個 AI 應用，而我連基本的自動化都還在掙扎。光是測試就花掉大量時間，更別說要做出什麼具體的成品。

FOMO（Fear of Missing Out），我有很嚴重的 FOMO，我害怕自己被甩在後面。

但最近我想通了一件事：問題不在於我學得不夠快，而在於我根本沒有想清楚要拿這些技術做什麼。

2026 年將是 AI 代理爆發的一年

在進入正題之前，我要先帶你看一遍最新的 AI 趨勢。

AI 代理來了。

其實早在 2025 年的時候，就有人說是 AI 代理的時代。

不過當時模型還不夠成熟，各家在製作 AI 代理的時候也是跌跌撞撞的，例如 OpenAI 的 Operator ，動作慢就算了，還老是做錯事卡住。

然而到了 2026 年，OpenClaw （龍蝦）橫空出世，讓人機互動產生典範轉移：從「你問它答」進化成「你交辦，它做事」。

我們之前已經談過好幾期的 OpenClaw，你可以交辦大大小小的任務給它，像是整理收件匣、草擬回信、排行程、寫腳本、做自動化，甚至架設網站，它會自己拆解步驟然後執行。

OpenClaw 的能力很強大，但安全性一直是大問題。畢竟一個 24 小時一直在做事的 AI 助理，如果沒管控好，它可能連到不該去的地方、讀到不該讀的資料，甚至代你發出不該發的訊息。今年就爆出過 CVSS 8.8 的嚴重漏洞，研究人員還發現超過五萬個暴露的實例。

這也是為什麼 NVIDIA 在 3 月推出了 NemoClaw。簡單說，NemoClaw 就是在 OpenClaw 外面套上一層「規則引擎」——你可以用政策規定它能連到哪些系統、能碰哪些資料、資料怎麼流動。它還支援本機模型和雲端模型的混用，透過「隱私路由」讓你自己決定哪些資料要留在本地、哪些可以送上雲端。目前 NemoClaw 還在早期預覽階段（Alpha），但它代表的方向很明確：AI 代理要能做事，但必須在可控的範圍內做事。

而就在這個月，Anthropic 也對 OpenClaw 發起了正面挑戰。

過去 10 天內，Anthropic 連續推出了兩個功能。Cowork Dispatch 讓你從手機遠端交辦任務給桌面端的 Claude，掃個 QR code 就能連線，不需要任何技術設定，等於是給一般人用的「官方版 OpenClaw」。Claude Code Channels 則是開發者導向的版本，讓你透過 Telegram 和 Discord 向正在運行的 Claude Code 發送指令。

有看到趨勢了嗎？不管是 OpenClaw、NemoClaw、還是 Anthropic 的 Dispatch 與 Channels，大廠已經注意到，透過遠端遙控電腦上的 AI 代理，從事人類平常在完成的任務，是一個極大的需求。

根據 Gartner 的預測，到 2026 年底，40% 的企業應用將具備任務型 AI 代理能力，而 2025 年這個數字還不到 5%。這不是遠方的未來，這是現在進行式。

這代表人類跟電腦的關係正在翻轉。過去，我們花大量時間學軟體——學 Excel 的函數、學 Photoshop 的快捷鍵、學各種系統的操作介面。人類要去適應軟體的邏輯。但在 AI 代理的時代，你只要用自然語言說出你的目標，AI 會去操作軟體。 你不需要知道按鈕在哪裡，你只需要知道你要什麼結果。

聽起來很令人興奮，對吧？

但是這裡得潑你一盆冷水。

同樣是 Gartner，他們也警告：到 2027 年底，可能有超過 40% 的 AI 代理專案會因為成本攀升和商業價值不清楚而被取消。

四成。

這跟我自己的經驗一模一樣。我花了每個月 5,000 塊台幣訂閱 AI 工具，但大部分時間都在「玩技術」而不是「用技術解決問題」。自動化跑起來了，然後呢？它只是在幫你燒 token 而已。

問題從來不是技術不夠，而是你沒有一個值得解決的問題。

如果你根本沒有想好要做什麼，那再好的 AI 代理對你來說都只是一個浪費錢的工具。

你需要的不是更多工具——是成為超級個體

既然問題不在工具，那在哪裡？

我覺得台灣有一個人掌握到這一點，雷蒙（侯智薰）。他自己就是一個超級個體的實踐者：一個人經營「雷蒙三十」品牌，靠課程、內容、社群和數位產品，做到年營收破千萬。不是靠一個大團隊，而是靠系統。

他提出的進化路徑：

普通人 → 生活黑客 → 超級個體

第一階段是「普通人」：用時間換錢，依附公司，被動工作。大多數人都在這裡。

第二階段是「生活黑客」：你開始優化自己，用 Notion、AI、自動化工具提升效率，建立個人的工作系統。這是「向內優化」。

第三階段才是「超級個體」：你不只是效率高，而是把能力變成產品，開始影響外部世界。你的專業可以產品化（變成課程、服務、內容），你有可持續的收入結構，你開始像一間公司一樣運作——只是這間公司只有你一個人或者是一個微型的團隊。

用一句話講：超級個體 = 能把「自己」變成一個可運作的商業系統的人。

注意，這不是叫你明天就辭職創業。雷蒙自己也反覆強調，核心是「可遷移能力」——不管你在哪間公司，你的能力都能變現，甚至可以獨立運作。你可以選擇創業、接案、或是在不同公司之間遊走，重點是你不會被任何一間公司綁住。

那這跟前面講的 AI 代理有什麼關係？

雷蒙那一套方法論，本來就建立在 Notion、自動化、生產力工具上。但到了 2026 年，AI 代理把門檻又往下拉了一大截。過去你要一個人做市場調查、管理供應鏈、寫文案測試廣告、追蹤競品動態，就算有工具輔助，工作量還是很驚人。但現在 AI 代理可以幫你處理那些重複、繁瑣、需要跨系統操作的步驟。

一人公司，正在進化成「一人 + AI 公司」。

但——成為超級個體的前提，不是學會所有 AI 工具。前提是你要走完三個階段的思考：

1. 能力模組化——你的技能不是零散的，而是可以組合、複製的

2. 價值產品化——你不只是「會做」，而是能「賣出去」

3. 系統化收入——你不靠一次性的勞動，而是有持續的收入結構

想清楚這三件事之後，AI 代理才是你的加速器。順序反過來的話，你只會陷入永無止境的 FOMO。

我的起手式：用這個框架選出第一步

說到這裡，我也必須對自己坦白。

我寫了六十幾期的電子報，介紹了 n8n、Claude Code、OpenClaw、Google Apps Script、NotebookLM⋯⋯各種工具我都碰過。我也做了幾門課程，在社群裡寫了一堆技術心得。

但我越寫越覺得不對勁。

單純介紹技術多無聊啊？在那邊吹噓某個工具很厲害，然後做成課程推薦給別人看——我覺得這不是我真正要做的事情。我不想只當一個「AI 技術評論員」，我想當一個「用 AI 技術做事的人」。

所以我決定了：從這期開始，我要自己跳進去做。

但做什麼？這就是那三個階段的思考派上用場的地方。我認真用這個框架問了自己三個問題：

第一，能力模組化：我有什麼可以組合、複製的技能？

我會用 AI 工具做資料蒐集和分析，我會寫自動化流程，我會把複雜的東西拆解成好懂的內容。這些是我寫了六十幾期電子報累積下來的，不是零散的知識，而是一套「用 AI 處理資訊」的方法。

第二，價值產品化：這些能力可以怎麼「賣出去」？

我有兩個選擇。一是繼續做課程和內容（我已經在做了），但我想走得更遠——如果我能用這些能力實際做出一門生意，那這個過程本身就是最好的內容。

第三，系統化收入：怎麼讓這件事不是一次性的？

如果我只是寫內容、賣課程，那我永遠是在賣時間。但如果我能用 AI 建立一套可重複運作的生意，從選品、進貨、銷售到客服都有系統，那這件事就能持續產生收入，而不是每次都從零開始。

想完這三題之後，答案就浮出來了：我想來做電商。

為什麼是電商？因為它完美對應了這三個條件：

• 能力對口：電商的核心環節——市場調查、競品分析、文案撰寫、數據追蹤——每一項都是 AI 最擅長的，也是我最熟悉的

• 產品化潛力：賣東西本身就是在賣產品，同時這個過程可以變成教學內容，一魚兩吃

• 可系統化：從選品到上架到營運，每個環節都可以建立 SOP，讓 AI 代理幫你重複執行

但做電商的第一步是什麼？是市場調查。因為我得先搞清楚要賣什麼。

這也是 AI 代理最能幫上忙的地方：

• 蒐集競品的價格、規格、評論——AI 代理可以幫你批次處理上百個商品頁

• 分析消費者的痛點和需求——AI 可以幫你把幾千則評論歸類出主題

• 追蹤市場趨勢和季節性——AI 可以幫你定期監測、產出報告

過去要做這些事，你需要一個分析團隊。現在你一個人加上幾個 AI 代理，就能建立一套完整的研究系統。

這不是理論。根據已有的案例，有電商品牌透過系統化的 AI 市場分析（類別評估、競品對標、定價驗證），一年內營收成長了 27%。

我不敢保證我也能做到這樣的成績，但我至少要試。

接下來的電子報，我會持續記錄這段旅程：我怎麼用 AI 做市場調查、怎麼選品、怎麼測試商品、怎麼上架，踩了哪些坑、學到什麼。不是教科書式的教學，是一個人用 AI 從零開始做電商的真實實戰紀錄。

如果你也厭倦了追工具追到焦慮，也許可以跟我一起想想：你到底想用 AI 做什麼？

想通這個問題，比學會任何工具都重要。

工商時間

如果你也對於打造個人化 AI 生產力系統有興趣，我創立了付費社群「社畜進化論」，專為想用 AI 提升工作效率的上班族設計。

💎 會員專屬權益

• 基礎課程：

  • AI 知識管理：使用各種工具建立 AI 知識庫，包含 ChatGPT、Gemini、Perplexity、NotebookLM、Notion，以及 Antigravity AI 程式編輯器。

  • AI Coding：教你使用 ChatGPT 開發 Google Apps Script，並且結合 Google 自家產品如試算表、簡報、表單、雲端硬碟等。

  • AI 自動化：使用 n8n 建立可視化的自動化工作流。

• 深度內容：每月持續更新至少 2 篇研究筆記、實戰腳本或講解影片

• 交流討論：遇到問題可以在社群提問，一起找解方

• 優惠方案：進階課程享會員專屬折扣

💰 訂閱方案

• 月費制：$5 USD / 月

• 年費制：$50 USD / 年（省 $10）

付費社群

OpenClaw 是什麼？一隻改變遊戲規則的 AI 龍蝦

如果你最近有在關注 AI 圈的動態，應該很難不注意到「龍蝦」這個詞。我們在最近這幾期的電子報，也一直在討論「龍蝦」。

如果你不知道什麼是「龍蝦」的話：它的原名是 OpenClaw ，一個開源的個人 AI Agent，由奧地利開發者 Peter Steinberger 在 2025 年 11 月發布。因為 Logo 是龍蝦而得名。

龍蝦跟 Claude Code、Codex 這些工具最大的差別在於——它不只是一個程式碼助理，而是一個可以 24 小時常駐在你電腦上、透過 WhatsApp、Telegram、LINE 等通訊軟體操控的全能 AI 助手。

簡單說，你可以躺在床上用手機傳一則訊息，叫它幫你整理郵件、查資料、甚至執行程式。它還有個叫 HEARTBEAT 的機制，會定時自己醒來檢查有沒有該做的事——就像養了一隻會自己找事做的寵物。

我自己在 2026 年農曆過年期間開始玩 OpenClaw，老實說踩了不少坑。最常遇到的是訊息傳過去完全沒反應，得自己去翻 log 找原因。設定檔也很脆弱，改了一個參數，其他地方就莫名壞掉。

而且因為專案還在草創期，每次更新元件，原本跑得好好的設定就失效了，所以你根本不太敢隨便更新。

如果你單純想用 AI 做自動化，Claude Code 或 Codex 其實更穩定好用。但龍蝦有兩個殺手級優勢：你可以遠端指揮它工作，而且它能在你睡覺時自動執行任務。 光這兩點，就足以讓人願意忍受那些設定上的痛苦。

這個專案的成長速度也極誇張。它原本叫 Clawdbot，因為跟 Claude 太像被 Anthropic 發了律師函，改名 Moltbot，三天後又改成 OpenClaw。

結果這場商標風波反而幫它打了免費廣告——72 小時內 GitHub 星標就衝破 6 萬，到今天已經超過 31 萬，超越了有 30 年歷史的 Linux，成為 GitHub 史上最受歡迎的開源專案。

2 月中，Steinberger 宣布加入 OpenAI，OpenClaw 則移交給獨立的開源基金會繼續運作。

然後，中國那邊就炸了。

中國「養龍蝦」風暴：從開發者圈到全民現象

中國最近出現了一堆「養蝦人」，養龍蝦的風潮成為了全民現象。

先是 GitHub 和開發者社群在 1 月底開始轉發，科技 KOL 錄了安裝教學上 B 站，接著小紅書出現「用龍蝦經營帳號」的生活化教學，最後抖音短影音讓它徹底出圈——連 70 歲的非遺傳承人和 9 歲小學生都加入了「養蝦」行列，甚至有長輩代替上班族子女排隊「幫養龍蝦」。

每個平台扮演的角色也不一樣。

B 站是深度技術教學，踩坑分享、架構分析都在這裡。小紅書是生活化變現的主戰場，教你用龍蝦經營帳號、代發貼文。抖音負責破圈，短影音讓非技術族群也跟上。

微博則是企業官宣和網友吐槽的場域，最經典的一句：「月薪兩萬養不起龍蝦。」知乎上則是嚴肅的技術評測和安全隱患辯論。

更瘋狂的是「代裝經濟」。

閒魚和小紅書上湧現大量「OpenClaw 代部署」服務，市場分層非常明顯：有人標「本地部署 28.8 元、加飛書 20 元、加技能 20 元」，也有人喊「一台 500 元起，客製需求數千元」。

遠端安裝普遍收 100 到 300 元人民幣，上門服務 400 到 1,000 元不等。《北京商報》調查指出，有工程師光一個週末就接上十幾單，基礎安裝費 500 元起跳。

《金融投資報》更報導，有人靠幫新手部署環境，短短幾天就賺進 26 萬人民幣（約 115 萬台幣），平均日賺 10 萬。

大廠與政府全部下場

中國科技巨頭也集體搶進，場面堪稱軍備競賽。

騰訊直接在深圳總部樓下擺攤，工程師免費幫你裝龍蝦，近千人排隊。不只如此，騰訊還順勢推出 AI 職場助理 WorkBuddy，整合企業微信，涵蓋郵件分類、會議協調、費用報銷等超過 20 個辦公流程，擺明要把「養蝦」嵌進自家生態。

騰訊雲上的 OpenClaw 用戶也迅速突破 10 萬，同時在 PC Manager 新增 AI 安全沙箱功能，搶佔安全防護的制高點。

百度在北京科技園辦「龍蝦市集」，裝完還給你發一張「小龍蝦養殖證書」，同時推出極速簡易版，把 AI 搜尋、百科、電商等功能都包裝成 Skill 上架。

字節跳動的火山引擎推出雲端版「ArkClaw」，主打不用自己設定、開箱即用。阿里推出強調人格化記憶的「CoPaw」，智譜 AI 也與阿里雲合作推出 AutoGLM–OpenClaw。

小米基於自家 MiMo 大模型做了「Xiaomi miclaw」，打算透過手機端 AI Agent 拉開差異化競爭。

連美團都跟聯想合作，推出 399 元的付費遠端部署服務。MiniMax 推出雲端版 MaxClaw，京東雲上線一鍵部署方案，360 的周鴻禕也公開稱讚「這是非常好的概念」，承諾要做出一鍵安裝版，把門檻降到最低。

科技巨頭就算了，還可以理解，但是連政府也加進來了。

深圳龍崗區推出「AI 龍蝦十條」，砸下千萬人民幣預算補貼開發者，最高單一專案可拿 200 萬。無錫高新區也跟進「養龍蝦 12 條」，提供最高 500 萬人民幣的機器人突破獎勵，甚至附上三年免租辦公空間。

兩會期間，AI Agent 普及也成了熱門議題，部分代表委員提出加快 AI Agent 產業政策，蘇州市人工智能行業協會也出面呼籲企業理性應用，不要製造焦慮、鼓吹神話。

但另一方面，安全警報也同步拉響。

工信部在 3 月 8 日發出安全風險提示，CNCERT 在 3 月 10 日正式列出四大隱患：提示詞注入攻擊、AI 幻覺導致誤操作、惡意 Skill 竊取資料、以及多個已公開的高危漏洞。

小紅書同日宣布封禁 AI 托管帳號，讓一堆「靠龍蝦躺平賺錢」的美夢碎了一地。Bloomberg 更在 3 月 12 日報導，中國已通知政府機關和國有銀行禁止在辦公裝置使用 OpenClaw。中國國家保密局也發出通告，嚴禁涉密單位部署。

最諷刺的一幕是：安全警告發布後，閒魚上立刻湧現「付費卸載龍蝦」的服務——遠端卸載 199 元，上門 299 元。

從代裝到代卸，一條龍。

養龍蝦背後的真正焦慮

表面上看，「養龍蝦」是一場技術狂歡。但實際上，這股熱潮背後其實隱藏著中國人對於未來的期待與焦慮。

我認為有幾個深層因素交織在一起：

模型成本低： DeepSeek、Kimi 等中國模型 API 費率極低，大幅降低了門檻。

「一人公司」的神話太迷人：「一個人加一隻龍蝦等於一支團隊」，暴露了普通人對職場剝削的不滿和對財務自由的渴望。但現實是，大多數人裝完之後根本不知道該拿它來做什麼。

就業焦慮的外化： 在 AI 可能取代工作的恐慌下，「自己先養一隻 AI」成了一種象徵性的自我保護，好像擁有了它，就不會被 AI 時代淘汰。

台灣與英語圈：截然不同的溫度

相比中國的全民狂熱，台灣和英語圈的反應冷靜得多。

台灣這邊，PTT、Dcard 有一些工程師的技術分享，媒體也在 3 月跟進報導了中國現象，但整體停留在「工程師的玩具」層級，沒有出現「代裝經濟」或全民運動。台灣人對 Manus AI 這種零門檻的雲端服務反而更有興趣。

英語圈則是另一個極端——安全警報拉滿。

Meta 在一位 AI 安全總監的工作信箱被 OpenClaw 大量刪除郵件後，直接禁止員工在公司設備安裝，違者開除。Google 安全團隊創始成員公開說：「不要運行這個東西。」

Microsoft 也將它定性為「不受信任的程式碼執行環境」。XDA Developers 甚至寫了一篇標題就叫「為什麼你應該立刻卸載 OpenClaw」的文章。

同樣一隻龍蝦，在中國是千人排隊等安裝，在矽谷是禁止使用否則開除。

這個對比本身，可能就是當前 AI 世界最有趣的縮影。

如果你對 AI 知識管理有興趣，但不知道從哪裡開始，我之前寫了一本免費電子書《適合社畜的 AI 知識管理》，從零開始帶你建立自己的 AI 工作流，裡面也有提到怎麼安裝 OpenClaw。

免費電子書

你認為 AI 聰明嗎？

最近在社群上有人會問 AI 一個問題：如果我要去洗車，而我家附近的洗車廠距離我很近，只有 50 公尺，你覺得我應該要走路去，還是應該要開車去？

這種問題，想當然每個人都知道答案是什麼，但是把這個問題拿去問 AI，大部分的 AI 都會答錯。他們居然說應該要走路去就好，那去洗車店幹嘛？洗澡嗎？

這顯示了 AI 其實擁有鋸齒狀的智力。

1. 它可能在某些行為上表現得特別好，例如寫程式；

2. 但是在某些常識，例如 9.11 與 9.9 哪個比較大，去洗車要走路還是開車，它簡直是低能

這還不是最致命的。更麻煩的是，所有的大型語言模型都有上下文的限制。

什麼意思呢？

你可以把它想成一張「當下可用的工作桌」：

• 桌面能放的資料有限

• 你每多聊一句，就像多放一份文件

• 桌子滿了，前面的文件就會被收走

所以，沒有「外接記憶」的 AI，就像一個超會推理、但短期記憶不穩的人。

跟 AI 聊天，就好像跟一個智力超群，但是沒有基本常識的天才說話，尤其他還喝得很醉，很快地就忘了前幾分鐘你跟他講過的事情。

儘管目前 ChatGPT、Claude、Gemini、Grok 等主流 AI，都有在他們的網站上做了「記憶」的設計。

通常我還是建議，只要聊天的方向已經偏離了原先的主題，還是新開啟一個對話框，以避免到最後輸入了過量的文字訊息，造成不必要的幻覺。

而我們在設計 AI 代理的時候，也必須注意系統的設計，看它的「大腦結構」有沒有把記憶系統接好。

幸好我們現在不需要自己造輪子，已經有許多現成的工具可以使用。最近火紅的 OpenClaw AI Agent ，就內建了記憶系統。

OpenClaw 內建 Memory 機制：不是「全記住」，而是「分層記住」

OpenClaw 的將記憶拆成短期與長期。

1. 短期記憶：Context（當下工作桌）

Context 就是 AI 這一刻看得到的內容。

速度快，但空間有限。聊太久，前面的內容一定會被擠掉。

所以它適合拿來做眼前推理，不適合拿來存長期知識。

2. 長期記憶：memory/YYYY-MM-DD.md + MEMORY.md

長期記憶拆成兩層：

• memory/YYYY-MM-DD.md：每天的原始紀錄，像工作日誌

• MEMORY.md：從日誌整理後留下來的穩定知識，像偏好、規則、決策、教訓

所以 AI 在今天還沒結束的時候，每天都會去記工作日誌。只要你每一次呼叫他，有什麼事情他就會在每天的工作日誌上找，所以我通常在使用時，也會要求他有任何事就記在工作日誌上。

如果有什麼待辦事項，我也會要求他寫在日誌裡。例如，當我交代一個比較長期的任務時，我會要求他先記在工作日誌上；這樣如果他當下處理到一半中斷，起碼在 OpenClaw 的輪詢機制（也就是 heartbeat 機制）啟動時，他就會去讀取這份工作日誌。

至於 memory.md 這個檔案，則是拿來記錄我們希望他具備「長期記憶」的事情。在使用這個功能時要克制一點，不是想記什麼就記什麼，不然到最後這些內容在每一次工作時都會全部丟給 LLM，會非常消耗你的 token。

3. 怎麼把記憶叫回來

OpenClaw 的做法是先找片段，再讀原文，不會一開始就把整個記憶庫塞進來。

會用到兩個工具：

• memory_search：先找相關片段，回傳來源位置

• memory_get：再去讀指定檔案、指定區段

這樣做是為了三件事：

第一，不把上下文塞爆。

第二，不浪費 token 在無關內容。

第三，回答時能指出資料是從哪裡來的。

4. 混合搜尋技術（Hybrid Search）

OpenClaw 的 memory_search 工具，使用了混合搜尋技術（Hybrid search），包含向量搜尋與全文關鍵字搜尋。

• 向量搜尋：負責「看懂意思」。

  例如你問「主機連不到 gateway 要先查哪裡？」

  就算文件裡沒寫「連不到」，而是寫「gateway handshake failed」或「連線初始化失敗」，它也有機會找到。

• 關鍵字搜尋（BM25）：負責「精準對字」。

  例如你要找錯誤碼 ENOENT、環境變數 GOG_KEYRING_PASSWORD，或 commit ID a828e60。

  這種內容只要差一個字就可能是另一件事，所以要用關鍵字精準比對。

搜尋完成之後，最後把兩邊結果合併排序，就可以得到精確的結果。

不過，雖然 OpenClaw 有內建混合搜尋技術，但是需要使用 Embedding 模型，把文字轉成向量。

常見做法有三種：

• 用 OpenAI：效果穩定，但要付費先儲值；

• 用 Gemini：有免費額度可以用，但我不建議，怕你用到爆量

• 用 Ollama或其他開源模型：本地跑，免費，但要自己架

如果你沒有使用向量搜尋的話，它還是可以運作，只不過運作起來的效果可能就不太好。

我個人推薦你使用 ollama 下載離線模型，我使用 qwen3-embedding:4b，支援英語與繁體中文。

安裝的方式很簡單，讓你的 OpenClaw 去讀官方文件，跟他說你要使用 Ollama 的 embedding 離線模型，讓它自行下載設定。

⚠️ 付費內容提示

我後來實作了幾個能夠進一步強化記憶能力的方法，能有效提升 AI 能力，包含怎麼讓 OpenClaw 使用 NotebookLM ，安裝 Obsidian Cli 等方法與記憶提升技能。雖然鋸齒狀智力還是無法解決，但是有總比沒有好。 這部分會放在 Skool 付費社群完整釋出。

付費社群

什麼意思？簡單說，就是把「吸收知識」這件事，從頭到尾都用 AI 來幫你。從資訊的收集、整理、濃縮到實際應用，每一步都讓 AI 當你的助手，而你只需要專注在真正的核心：理解和思考。

為什麼需要做這件事？

2026 年開春，各大研究機構和商業媒體都在講同一件事——AI 越來越強，人類能力也隨之提高。

但同一時間，另一件事也在發生：培養這些能力的「入門路徑」正在縮小，甚至消失。

這篇想跟你聊三件事：

1. 2026 年 AI 趨勢到底在告訴我們什麼

2. 在 AI 時代，個人該怎麼建立專業能力

3. 為什麼你現在就該開始建立個人 AI 知識系統

一、2026 年 AI 趨勢：消失的不是工作，而是「養成機會」

先看幾個關鍵訊號。

• Pluralsight 2026 科技預測指出，自疫情以來大型企業入門級技術職位減少 50%，且仍在下降。

• Fortune 引述哈佛追蹤 28.5 萬家企業、6,200 萬名工作者的研究：導入 AI 的企業中，初階職位確實縮減。

• 同一篇 Fortune 報導中，NC State 的 Mark Beasley 直指核心：知識某種程度上已經接近免費，真正稀缺的是思考能力。

• Robert Half 經濟學家 Julia Coronado 點出關鍵難題：如果人工智慧正在取代傳統的初階職位，而我需要的是中階人才，缺乏初階職位的養成訓練，他要怎麼樣成為中階人才呢？

你覺得具備什麼樣的能力，方可稱為人才？

我個人認為，就是判斷力以及決斷力。這些能力通常需要經過多年在基礎工作上的磨練，才能逐漸培養。

然而，過去這些用來磨練判斷力的基礎工作，現在正逐漸被自動化取代。

以前你要成為分析師、顧問、律師，往往會先做大量基礎工：整理資料、做比對、翻案例、寫初稿。這些看似重複的工作，其實都在訓練你的思考肌肉。

這些基礎工作被 AI 壓縮後，新的問題就來了：沒做過基礎工的人，怎麼能夠有自己的洞見？

如果初階工作被 AI 取代，去哪裡找中高階人才？

全球共識：真正有價值的是「人類能力 × AI 協作能力」

我看到了上述報告之後，又多做了一點研究，幾乎大部分專家的意見都是一致的。

• IMF 2026 年初分析：

  新技能職缺薪資可高出 3%–15%，掌握技能越多，薪資越高。說明了跨領域的重要性。然而一般的上班族職缺正受到擠壓，預估全球近 40% 工作受 AI 驅動轉型。

• McKinsey 研究：

  人工智慧工具不會取代人類技能，但正在改變人們需要擅長的技能類型。僅僅兩年間，要求具備 AI 技能的職缺數量增加了近七倍，增速超越其他任何技能。然而，絕大多數人類能力在 AI 時代依然不可或缺，改變的是這些能力的應用場景，以及人們如何將它們與智慧工具協同運用。

初階工作被 AI 取代，企業正也面臨調整，並學習如何重新定義工作職責。而我們一般人應該思考的，就是如何培養新的專業能力。

領域專業 × AI 素養，才是新的專業能力。

這裡的 AI 素養，不只是會用工具，而是你能不能：

• 問對問題

• 判斷輸出品質

• 修正方向

• 把 AI 嵌進實際工作流程

你不要以為我在這空口瞎說，覺得好像這也不過就是用個 AI 嘛，不算是什麼特殊的能力。如果你這麼覺得的話，那你就錯了。

X 平台上有一篇 100 多萬瀏覽率的文章《地球上有81億人口，只有0.3%的人付費使用人工智慧。這機會實在太可惜了》，這篇文章展示了底下圖示，圖表顯示：

1. 灰色的部分：完全都沒有使用過 AI 的人

2. 綠色的部分：指免費的使用者，大概就是免費使用 ChatGPT 這種工具

3. 黃色的部分：指有付費的 AI 使用者

4. 紅色的部分：拿 AI 來開發自己的工具的人

所以現在真的是一個極為分化的世界。有許多初階的工作正逐漸因為 AI 而消失，但事實上，卻有很多人根本就沒有用過 AI。他們的公司也都完全沒有導入過 AI。

因此，現在正是你好好培養能力的時候。

二、AI 時代怎麼建立能力

所以應該怎麼辦？現在就訂閱 AI，做什麼事都交給它嗎？

等一下，先看看這一個研究：

OECD《Digital Education Outlook 2026》指出：AI 的確能提升學生作業品質，但在「沒有 AI」的考試情境，這個優勢可能消失，甚至反轉。

換句話說，如果我們什麼都讓 AI 代勞，把它給的答案直接複製貼上，表面上看起來好像自己變強了，但實際上只是把思考外包給了工具。

所以在 AI 時代，我們真正該練的不是怎麼用 AI，而是怎麼在 AI 幫你過濾完大量資訊之後，從中挑出真正重要的東西，內化成自己的能力。

AI 真正的價值，是幫你把技術門檻抹平。很多事情你不需要從零學起，AI 就能幫你搞定。

舉個例子，假設你是保險業務員，想架一個網站讓客戶更方便查詢保險資訊。你不必先去學寫程式，AI 就能幫你把網站做出來。

你真正應該花時間深化的是：你對客戶需求的觀察力，以及你對保險知識的掌握程度。這些才是 AI 取代不了的東西。

所以使用 AI ，必須要格外的小心即將到來的「知識落差」，在未來，用 AI 深化思考的人，與用 AI 逃避思考的人，差距會越拉越大。

三個可執行策略（現在就能開始）

策略 1：在技術知識和商業價值之間架起橋樑

最稀缺的人才是橋樑型人才。

在 Deloitte 日本報導中，提到「紫色人才」（パープルピープル）。商業知識是藍色，技術知識是紅色。最缺的不是純藍或純紅，而是把兩者混在一起的紫色，也就是在技術能力和商業價值之間架起橋樑的人。

所以你不需要具有專業的工程知識，可是你要有能力，能夠把商業知識跟技術知識，藉由 AI 的能力把它們融合在一起

這種人，通常就是團隊裡最難被替代的那位。

因此，除了你的本業能力應該繼續培養以外，現在就開始在你的工作中納入 AI 工具的使用。

在 2026 年 2 月的當下，我最推薦你使用的是 Claude Desktop，如果你有一些技術能力，也可以試試 OpenClaw。這兩個工具都可以幫助你做到智能自動化。

策略 2：建立技能組合，不押注單一技能

我以前在大學工作，早在 AI 出現以前，高等教育學界就在談我們應該要有多個專長。

在最早的時代，其實是「I 型人才」，也就是這輩子只需要學會一技之長。

可是這個世界越來越捲了。

「I 型人才」已經不夠了，學界開始強調跨領域的能力，能夠跟其他的專家合作，這就叫做「T 型人才」。

到現在這個時代，T 型人才也不夠了。

最好可以變成「π 型人才」，具有兩個以上的深度專長。

那未來還會變成什麼？「米字型」人才嗎？

但是我覺得，大家也不要想說這很困難。應該這麼說，我們過去可能會花 1,000 個小時去學習單一的技能，可是一個技能我們經常使用到的能力，其實大概只有 20%。

那你學習這 20% 不需要花太久的時間。換句話說，我認為我們應該針對自己真正在乎、擅長的能力去鑽研。至於其他的技能，比如說你是保險業務員，其他的技能例如：

1. 自動化

2. 大數據分析

3. 程式設計

我們大概就學個 20% 就好了，不足的部分由 AI 來幫我們補足。

策略 3：刻意培養你的個人觀點

AI 是用大量人類寫過的書、文章和各種資料訓練出來的，所以它擁有的是人類已經整理好的知識。再加上工程師的刻意調校，它產出的答案往往很通順、很標準。

但如果你用 AI 用久了，會發現一件事：AI 的回答，特別是遇到需要判斷的問題時，常常給人一種隔靴搔癢的感覺。

你不能說它錯，但它就是不夠精準，沒辦法真正切中你的處境。

因為 AI 學的是所有人的知識，給的是一個「平均值」的答案，而你面對的是你自己獨特的情境。

正因為如此，我們更應該刻意去鍛鍊自己的觀點，也就是根據自身的知識和經驗所建立起來的判斷框架。

由於我們需要的是跨領域的能力，所以 AI 負責幫我們補強的，就是跨領域的部分。AI 負責把它學過的東西整理好端上來，而你看完之後再決定怎麼用。

畢竟最後做決定的是人，負責承擔結果的也是我們。

三、為什麼你現在就該建立個人 AI 知識系統

過去一年中我自己的觀察。

AI 時代最值得投資的，不只是工具，而是你的個人 AI 知識系統。

因為通用知識正在快速地貶值，凡是你能夠 Google 到、問 AI 就有、影片一搜就能看的內容，價值都在下降。

真正會增值的是什麼？

是你長期累積的判斷、脈絡、取捨標準、實作經驗，也就是你的個人智慧。

問題是，多數人的個人智慧都散落在：

• 腦中一閃而過的想法

• 看完就忘的文章

• 做完沒整理的專案

• 聊天裡出現但沒留下的洞見

這些如果不系統化，時間一過就流失。

你不要以為接下來我就要推銷什麼課程，割你韭菜。

雖然我自己也是有一些付費課程與社群的，但對於「個人 AI 知識系統」，我其實也還在摸索。

底下是我提出的一些看法，也歡迎你留言，說明自己的意見。

我自己的做法

要打磨個人獨特的觀點或洞見：

1. 讀深度內容：書、長文、研究報告，建立思考框架。

2. 多方交流：參加聚會，跟不同背景的人對話，補盲點。

3. 用 AI 實作：把知識轉成作品與自動化流程。

4. 持續記錄與提煉：把閱讀、對話、專案反思，收進同一套知識系統。

至於我讀書、與人交流後得到的心得，還是我用 AI 實作的記錄，這些內容我究竟要放在哪裡？

我建議放在本地端，做一個本地端的 AI 知識庫。

在前幾期（EP-61、EP-62），我分享過自己的做法：

把內容系統化備份到本地，讓 AI 代理可讀取、整理、再利用，並整合進日常工作流。

我認為這麼做，可以把零散資訊，變成可持續放大的個人能力。

當 AI 能力越強，你的競爭力就越取決於：

你能不能把自己的知識、經驗與觀點，沉澱成一套可運作的系統。

工商時間

如果你也想把 AI 真的用進工作，而不是只停在「會聊天」，

我有經營一個付費社群「社畜進化論」，專門給想提升工作效率的上班族。

裡面目前有：

• 基礎課程

  • AI 知識管理（ChatGPT、Gemini、Perplexity、NotebookLM、Notion、Antigravity AI）

  • AI Coding（用 ChatGPT 開發 Google Apps Script，串接 Google 生態工具）

  • AI 自動化（n8n 工作流）

• 持續更新內容：每月至少 2 則研究筆記、實戰腳本或講解影片

• 社群問答交流：遇到卡點可直接討論

• 課程優惠：進階課程有會員折扣

付費社群