上禮拜颱風假加上連假，一連放了 4 天。

在家閒著也是閒著，我就讓 Codex 把電腦裡的老遊戲《冤罪殺機》（Dishonored），做了一個繁體中文漢化包。

整個過程，我主要就是在下命令。

遊戲文字藏在哪裡、檔案要怎麼改、中文顯示不出來該怎麼辦，這些都丟給 AI 去研究。

我做的事情呢，就是告訴它譯名要注意前後一致，再決定下一步要繼續處理什麼。

本來只是想把選單改成中文，結果一路做到了人物姓名、對話選項、劇情字幕，連書信都翻譯了。

先從選單開始，確認它真的做得到

《冤罪殺機》買很久了，但是沒中文化，我也懶得玩。

颱風天閒著也是閒著，就從 Steam 下載下來，讓 Codex 爬進遊戲資料夾，看看裡面的結構是什麼。

老實說我一開始也不知道要怎麼漢化，是直接讓它翻譯文字，還是得做許多設定？

所以我先請 Codex 找看看選單和設定頁的英文，看能不能改。

我是這樣問它的。

你能夠找到選單、設定頁面的英文文字嗎？看能不能這些先改成繁體中文，如果可以，後續我們看能否針對劇情字幕翻譯。

先挑一小塊來做，有個好處，就是我很快就能打開遊戲看到結果。

要是連設定頁都還沒成功，就直接叫它翻整款遊戲，那根本不知道現在到底卡在哪裡。

後來設定頁真的變成中文了，連「顯示互動提示」、「顯示角色資訊」這些選項也看得懂了。

實機截圖：介面設定中的選項已顯示為繁體中文。

看到這個結果，我才繼續往人物和劇情的方向交辦下去。

人名可以讓 AI 決定，但要從頭到尾一致

設定頁變中文之後，我很快就注意到，游標對準人物的時候，還會冒出英文姓名或職稱。

接著是互動提示、對話選項，然後才是角色講話時出現的字幕。

所以漢化的範圍，是在玩的過程中慢慢補齊的。

有一個要求我覺得很重要，所以特別交代了。

專有名詞或人物角色名字，要怎麼翻譯隨你，但是要一致。

我沒打算先花一整天，替每個角色決定中文名字。這部分可以讓 AI 先整理一份詞彙表，我看過有問題再改。

但同一個人，在字幕、任務說明和書信裡，最好都用同一個名字，不然玩到後面，可能會以為又冒出一個新角色。

所以後面每次交辦，我都會再提醒它一句：「人物姓名和專有名詞沿用現有詞彙表。」

像下面這張圖，就是後來修好的對話選項。角色的名字和選項內容，都已經變成中文了。

實機截圖：與艾蜜莉交談時，兩個回覆選項已中文化。

我就是照關卡，一直叫它繼續翻

確認前面的做法行得通，我就開始照著遊戲進度交辦。

先是監獄、下水道和獵犬酒吧，接著是坎貝爾任務、金貓、大橋、波伊爾莊園舞會，再往後面的內容做下去。

例如我會這樣說。

繼續翻譯坎貝爾任務全部區域，以及任務後返回獵犬酒吧的新對話，人物姓名和專有名詞沿用現有詞彙表。

為什麼還要特別講「任務後返回酒吧」呢？

因為遊戲完成一個任務、回到原本的地方，人物常常會有新的對話。只說翻某一關，很容易就把這些漏掉。

我也特別提醒它，過場畫面上出現的文字也要處理，不能只看角色頭上或畫面下方的字幕。

實機截圖：返回敦沃塔時，山繆的劇情對話已顯示中文字幕。

實機截圖：開場影片播放時，旁白已有中文字幕；畫面中的公司名稱仍保留原樣。

實機截圖：關卡載入畫面的地點、任務名稱與故事說明也已中文化。

雖然讓 AI 做漢化包很簡單，還是有些小細節

如果你也想試試看，我認為有幾件事情要先交代清楚。

第一，動手改之前先備份，包含遊戲檔案、存檔和設定，而且要能還原。

這次後來測試了不少次，我也特別要求先備份存檔跟設定，再拿另外的測試進度去驗收。我可不希望測試結束，原本的遊戲進度也跟著不見了。

第二，請它保留遊戲原本的按鍵提示和格式。

有些文字中間會夾著按鍵名稱或特殊標記。這些東西要是被當成一般英文一起翻掉，畫面上就可能跑出奇怪的內容。

這些格式到底長什麼樣子，我不用自己研究，但可以明確要求 AI 去檢查。

第三，翻完之後，要確認遊戲能夠顯示得出來。

英文變成中文，可能碰到缺字、方框或文字超出畫面的問題。這次 AI 也處理了中文字型跟字幕排版，書信則另外檢查長篇內容的顯示。

過程中還碰過中文輸入法害遊戲閃退，得先切到 ENG 再開遊戲。有些畫面也要我手動打開，讓它繼續確認。

驗收也要有範圍，不然真的會驗到沒完沒了

這次花時間的地方，後來有一大部分都在驗收。

驗收的時候，Codex 會開啟 Computer use 的功能自己檢查畫面是否正確。

一開始我也覺得，既然要做，就讓它檢查完整一點。於是工作開始包含逐關字幕、書信分頁、不同對話選項，甚至各種結局分支。

結果驗收驗了一整天，煩死人了，所以我就問它是不是過度驗收了。

它也老實承認了…真是的。

所以交辦的時候，一定要先講好邊界。

有些事情不用讓 Codex 自己打開遊戲自己看，像是檢查漏翻、名詞一致性、特殊標記和檔案有沒有正確打包。

有些事情它可能得自己開遊戲來看看，像是中文字幕會不會有亂碼，長句子會不會超出框框。

自己用就好，漢化包別隨意分享

這次我的用途很單純，就是拿自己在 Steam 買的遊戲，在自己的電腦上玩。想跟著試的話，也請以合法取得遊戲、確認授權允許的本機自用為前提。

但漢化包不能隨便丟上網分享啊！

尤其這次的檔案包，還包含修改過的遊戲資產和原檔備份。我不能因為是 AI 幫忙處理的，就把整包當成自己可以自由散布的東西。

公開提供翻譯或遊戲檔案之前，還是要確認權利人的授權，就算是免費分享也要注意。

今天就先分享到這裡囉。

下次你要是買了一款想玩的遊戲，剛好沒有熟悉的語言，也許可以先從一個設定頁開始，看看你的 AI Agent 能幫上多少忙。

明天（10/28，週三）晚上 7:30，我會在 Google Meet 直播，把文章裡的設定和用法直接講一遍。

內容會從方案選擇、桌機和手機的設定，講到「健身教練」Bot 怎麼讀日曆、寫進 Notion。

直播公開免費，時間到直接點這個連結就能進來：https://meet.google.com/xto-vtfc-eis

錄影檔之後會放在我的 Skool 社群「社畜進化論｜Raven AI」，加入社群、互動升級後就能回看：https://www.skool.com/decode-ai-ai-2667

這週值得一讀

這週我在 X 上翻了一輪，看國外的人都拿 Grok Bot 做什麼。

有一位爸爸先用 Grok Voice 複製自己的聲音，把講稿交給這個聲音唸，再把音檔丟給 Grok Bot，它就幫他剪出一支有字幕、有動畫畫面的教學影片。

有人一次開了 4 個 Grok Bot，分別當幕僚長、X 經營、研究和製作，大家把需要的東西寫進同一台電腦的共用資料夾，再由幕僚長那一個統整轉交。

也有人把 Grok Bot 當成 X 上的選題研究員，讓它自己搜尋、閱讀、追蹤貼文，幫他挑出真的值得做的內容點子。

還有人讓 Grok Bot 產出的文件直接存進 Notion、Google 文件和雲端硬碟，走到哪裡都能打開，要分享也很方便。

10/28 直播我會現場示範，讓你看看實際用起來是什麼樣子。

明晚見。

哈囉，這是 Raven AI 週報，我是 Raven，今天跟各位談談 Grok Bot。

我使用 Grok Bot，大概一個禮拜了吧？

我平常都是使用 ChatGPT 以及 Claude 桌面版，這兩個 AI 代理用起來大同小異，都需要使用者花一些時間去習慣與 AI 代理的協作方式以及設定。

別的不說，光是打開 ChatGPT 的桌面版，上面就顯示了許多功能，例如有不同的推理模式、模型，可以切換對話跟工作。

左側有空間、有排程、有外掛程式，還有網站、地圖、Canvas 等等可以切換，這又是代表什麼？使用者得花不少時間摸索。

Grok Bot 就不同了，它應該是我所使用過最簡單的 AI 代理了。

它沒有什麼彎彎繞繞的設定，打開之後直接跟它對話即可。

其實它的原理都跟 ChatGPT 或者 Claude 一樣，只不過它簡化了許多複雜的操作，讓新手也可以很輕易地上手。

你只要把要做的事情跟它講，接著依照它的要求，提供資料、連接帳號或完成登入，就可以開始交辦工作。

Grok Bot 是什麼？可以幫你操作電腦的 AI 代理

Grok Bot 是一個可以使用電腦的 AI 代理，你可以將一切在電腦上運行的工作都交給他。

它可以開啟網頁、操作應用程式、讀寫檔案。

它也可以臨時寫程式，或者是設定排程，在固定的時間執行。

Grok Bot 能夠操作電腦，當然是因為它本身就有一台雲端電腦，當然它也可以連到你的個人電腦。

Grok Bot 的雲端電腦，目前官方沒有公開規格，不過依網友實測，約有 8 個虛擬處理器、16 GB 記憶體和 128 GB 儲存空間，使用 Debian Linux，沒有獨立 GPU。

雲端電腦內有瀏覽器、檔案和執行程式的環境，所以即使你關掉自己的筆電，雲端工作仍然可以繼續。

原則上，我們不會去使用 Grok Bot 雲端電腦，而是它自己去操作。

當然，如果你有需要幫它登入你的 Instagram、Threads 這些社群的帳號，你也可以接手它的電腦。

我建議你是直接從桌面的 Grok Bot 應用程式來接手，操作起來會比較順一點。

如果你需要 Grok Bot 去操作你自己的電腦，則要另外開啟本機執行權限。底下會教你怎麼樣開啟。

價格要看清楚：20 美元的舊方案，與新的整合訂閱

Grok Bot 是 Cursor 加入 xAI 之後開發的產品。不過一開始他們的訂閱方式很混亂，所以一開始我不知道要到哪邊去訂閱 Grok Bot。

於是我直接到 xAI 官網，訂了 SuperGrok，用的是每月 30 美元的方案。

後來才注意到，Cursor 原本就有每月 20 美元的 Pro 方案，也能使用 Grok Bot，不一定要另外訂 SuperGrok。

不過如果你還沒訂閱的話，從現在起，新用戶走新的 The X Subscription 方案。把 Cursor、Grok 與 X 的訂閱權益都整合在一起。

這個整合方案包含 3 個部分：

• X，也就是 Twitter 的訂閱權益。

• Grok 的 AI 服務。

• Cursor 的程式開發工具與 AI 功能。

但如果你的目的是使用 Grok Bot，要從每月 30 美元的 Premium 開始，8 美元的 Plus 並不包含 Grok Bot。

更高一級還有每月 100 美元的 Super，以及 200 美元的 Ultra。

也就是說，同樣付一筆錢，可以使用這幾項服務，但 Grok Bot、Grok App 與 Cursor 的方案內 AI 用量，會共用一個每週更新的額度池。Grok Bot 用量說明

桌機與手機都裝好，再處理本機連線

當你已經訂閱了上述的方案，第一步要做什麼？

我的建議是，電腦下載 Grok Bot 的桌面應用程式，手機也下載 Grok Bot App，登入同一個帳號。

這樣在電腦上設定好之後，外出也能從手機繼續跟同一個 Bot 對話。

如果你跟我一樣，希望它能使用你的電腦，你可以從 Grok Bot 的桌面應用程式，點擊帳號頭像進入「設定」，再找到「在這台電腦上執行」。

我自己會選「一律允許」，因為既然要讓它在電腦上工作，我就不想每個指令都再確認一次。

如果你希望每次執行前先看過，也可以選「每次詢問」，只是操作會比較頻繁。

另外，「電腦」裡還有一個「經這台電腦傳送流量」的開關。

打開之後，Grok Bot 還是會在雲端電腦上操作瀏覽器，只是改用我這台桌機的網路上網。

網站看到的來源 IP，也會是我這邊的網路 IP。

如果某個網站只允許指定的固定 IP 連線，而你的電腦正好使用這個 IP，就可以開啟這個功能，讓 Grok Bot 透過你的網路存取。

或者說，你的電腦已經透過 VPN 連上公司網路，也可以讓 Grok Bot 的雲端瀏覽器透過這條連線，存取你有權限使用的公司內部網站。

雖然我的設定都打開了，可是我在一開始測試 Grok Bot 的時候，常遇到 Grok Bot 說無法操作電腦，因為電腦處於離線狀態。

除錯老半天，總是沒辦法完成，當時因為我的 ChatGPT 已經設定好手機遠端連線，所以我是從手機叫電腦上的 ChatGPT 幫忙修。

具體怎麼修的我已經忘了，反正最後搞定了。

如果各位有遇到類似的問題，可以在留言區分享，我們大家再來思考一下怎麼處理。

一個常態任務，交給一個專門的 Bot

所以該設定的都設定完了，現在開始使用 Grok Bot 吧。

當你打開桌機版或手機版的 Grok Bot 的時候，你會看到一個叫 Grok Bot 的機器人。

如果不喜歡這個名字，可以直接跟它說「我要換個名字」，再告訴它要負責什麼工作。

我的建議是，一個常態性的任務，就交給一個 AI 專門處理。

比方說，我有一個 Bot 叫「健身教練」，它的工作就是記錄我的日常健身。

我的做法很簡單：

1. 我以前已經把去健身房的活動放進 Google 日曆，例如每週三次，晚上 7 點去健身房，並在活動裡放上課表。

2. 讓 Grok Bot 有權限讀取日曆，於是它就可以讀取課表，知道我最近練哪些動作。

3. 實際訓練時，每次練完一個動作，我再告訴它重量、次數與組數，請它記錄到 Notion 資料庫。

課表可能定期更換，但一段時間內，我都會沿用同一份。

例如我練完腿推舉，就跟它說：「今天腿推舉，100 公斤、10 下，總共 3 組。」

它就會記錄到 Notion 資料庫裡面。

之後就可以讓它設定排程，然後定期去提醒我今天有沒有要健身。如果有，今天預計要練什麼？上一次訓練的數據是什麼？今天有沒有要突破？

當然要做到這些事情，有一些權限要先打開。例如說你必須要在「連接應用程式」這邊加入 Google 日曆以及 Notion 的權限。

如果你沒有使用過 Notion 的話，你可以把它視為雲端的筆記軟體。它有資料庫的功能，所以其實可以存放一些資料，而且基本的功能都是免費的。

這就是我覺得它簡單的地方：你先告訴它要做什麼，再把需要的帳號和權限接好，就能開始用。

有些工作不能直接透過現成工具完成，它也可以嘗試自己寫程式處理。

機器人的設定提示詞可以直接透過對話調整

雖然說 Grok Bot 很簡單，不過如果你能知道一些小訣竅的話，使用起來效率會更好。

首先要知道 Grok Bot 跟其他 AI Agent 一樣，也需要設定提示詞，在 Grok Bot 裡面稱為指示。

就像使用 ChatGPT 時，可以在個人化設定裡告訴它，你希望它怎麼回答、怎麼處理工作。

不過，我不太建議一開始就自己寫一大串指示。

你可以先簡單跟 Grok Bot 對話，告訴它負責什麼、要參考哪些資料，再請它把這些要求整理成長期指示。

之後有新的要求，也直接跟它說，請它加進去。

如果要親自查看，我目前是在手機版找到這個入口：

1. 點選要修改的 Bot。

2. 點右上角的 3 個點。

3. 選「View Profile」，也就是查看機器人的設定資料。

4. 在「資訊」分頁往下滑，找到「指示」。

這裡可以看到它目前整理了哪些設定，也可以檢查自己交代的要求有沒有放進去。

我使用的手機介面裡，也能查看這個 Bot 的排程。

桌機版我一開始沒有找到相同的指示入口。

你可以把確認正確的流程保存成技能

大型語言模型的回答有隨機性，同樣交辦一件事，不一定每次都照完全相同的步驟處理。

所以，當 AI 正確完成一項工作，而且結果符合期待時，我們當下就能要求它把流程記錄下來。

這套可以重複使用的工作說明，就叫做技能（Skill）。

裡面通常會寫什麼時候使用、要準備哪些資料、處理步驟與檢查規則。

之後再遇到相同工作，它會自己參考這套流程。

不過我目前在手機版沒有看到私人技能的管理位置，桌機版則可以從左下角「連結應用程式」進去，再點上方顯示已連結應用程式數量的入口。

進到「管理外掛程式和技能」後，上半部是已安裝的外掛與連接器，下半部則是「私人技能」。

這是我自己的畫面：Google Calendar、Gmail、Google Drive、Notion 等服務已連結，但下方還沒有建立私人技能。

像圖上 Notion 顯示的「14 項技能」，屬於已安裝外掛提供的內容，跟下方自己建立的私人技能是分開列出的。

我目前還沒有讓 Grok Bot 建立私人技能，因為大部分技能都已經放在我的 Mac 本機裡。

現在主要是叫它處理比較瑣碎的事情，之後有需要，我會再把流程整理進去。

我查了一下，私人技能常見的目錄是 /home/box/agent-data/workflows，位置就是放在Grok Bot 的雲端電腦裡面。

後續你需要修改時，可以直接請 Bot 找出對應檔案、確認位置，再依照你的要求調整，不必自己到雲端電腦裡面找。

連接日曆、郵件與 Notion，才有資料可以做事

前面就說到了，要讓 Grok Bot 好用，就得讓它取得工作需要的應用程式與資料。

我自己常用 Google 的服務，所以 Google Calendar、Google Drive、Gmail 都會連接到 Grok Bot。

GitHub 也會連，而 Notion 對我來說更是一定要有，因為它就是我的資料庫與知識庫。

前面的健身案例，就需要它能讀取 Google Calendar，也能把紀錄寫進 Notion。

這些連接器，是讓 Grok Bot 直接跟其他服務交換資料的工具。

但有些工作，未必能在「連結應用程式」裡找到現成的連接方式。

例如你想讓它協助管理 Threads、Facebook 或 Instagram，可以先問它目前有沒有適用的連接器。

如果沒有，就可以請它打開雲端電腦上的網站，讓你親自登入，再繼續處理工作。

這種需要親自操作登入畫面的事情，我建議在電腦上做。

手機畫面實在太小，操作起來很容易按到生氣。

如果你已經申請社群平台的 API 金鑰，也可以把金鑰保存在本機，讓有本機執行權限的 Grok Bot 透過程式取用。

Grok Bot 操作很簡單，但模型的主控權也比較少

Grok Bot 的簡潔優點，同時也是它的缺點。

像我使用時，就沒有一個模型選單，讓我決定這次工作要用哪個模型。

所以面對一項任務，你就沒有辦法客製化，不能像 ChatGPT 或 Claude 一樣，依工作難度切換模型。

當然，你更不能切換推理程度，選擇讓 AI 要花多少時間思考。

不過也是啦，新手本來就不用先搞懂一堆模型差異，直接交辦就好。

長對話會累積，所以重要資料要另外保存

另外一個缺點是，我認為 Grok Bot 還蠻燒 Token 的，額度消耗得超快。

這裡說的 Token ，是模型處理文字與其他內容時使用的計算單位，AI 讀進去的資料和產生的回答，都會影響用量。

為什麼會這樣呢？我認為就是因為 Grok Bot 太過簡化，沒有辦法隨意切換對話窗。

平常用 ChatGPT 桌面版，完成一個任務之後，如果還有其他任務，我通常會開新對話。

即使跟前一件事有一點關係，我還是寧可開新的，因為舊對話可能已經累積大量資訊。

如果繼續在裡面聊其他工作，模型就可能得吃下很多用不到的內容。

但我目前用 Grok Bot 的方式，是一直跟同一個機器人聊天，沒有像 ChatGPT 那樣，設定一個專案，然後針對同一個專案開不同的對話。

那如果 Grok Bot 跟你之間的對話已經很長了，會怎麼樣呢？

根據 Grok Bot 官方論壇的資訊，機器人會在接近模型的上下文上限時自動摘要。

可是要知道，因為它是自動摘要，所以勢必會有很多的資訊會遺失。那它的自動摘要，有可能也不是我們想要的自動摘要。

這也是我建議一個常態任務交給一個 Bot 的原因，例如說讓健身教練機器人，專心記錄健身，不要又叫它做其他毫不相關的工作。

我也不是說一個機器人一次只能做一件事，但是我比較希望同一個機器人累積的資料，都跟它負責的工作有關。

我會建議，如果你有需要機器人閱讀的資料，如果是重要的命令，就讓機器人記下來，放在它設定的「指示」裡面。

如果是希望他遵循的一套規則，那就請他放到技能裡。

如果是參考資料，我會建議你放在 Notion 或者是 Google Drive 裡面，再明確告訴它要讀哪個頁面。

這樣下次需要查課表、找舊紀錄或確認規則，就有地方可以重新讀取，不必只靠它記得我們曾經聊過什麼。

今天就先說到這裡。

如果你也想交流 AI Agent 的實際用法，歡迎加入我的社群社畜進化論｜Raven AI。

Raven AI 一人公司工具包

如果你也想讓 AI Agent 協助處理日常工作，可以看看我的 Raven AI 一人公司工具包｜持續更新版。

裡面整理了 AI 剪片、Google 工具自動化、知識管理、社群經營與官網打造等技能，搭配 ChatGPT／Codex、Claude 等 AI Agent 使用。

購買後透過 GitHub 領取，再把工具包連結交給 AI Agent，就能請它協助安裝需要的技能。

你有玩過電腦遊戲，然後將遊戲裝上 MOD 的經驗嗎？

在遊戲中裝上 MOD，可以換畫面，也可以改變遊戲裡角色的動作、物品的效果，甚至增加新的玩法。

例如說把《惡靈古堡》的里昂，變成性感猛男。

Claude 現在也有類似的功能，叫做 Claude Mods：你可以直接告訴 AI，請它幫自己加上你需要的面板、按鈕，或調整處理工作的方式。

我自己就做了一個，讓 Claude 桌面應用程式在執行技能時，把工作步驟顯示在右手邊，並且區分哪些由 AI 處理、哪些要等我確認。

這樣我就能直接看出流程走到哪裡，以及什麼時候輪到我覆核。

我是 Raven，一直以來都專注在 AI 工具與自動化的研究。

今天要為大家介紹 Claude Mods 的原理是什麼，以及我們可以做什麼樣的應用。

MOD 是什麼？為什麼 Claude 也需要？

MOD 是 Modification 的簡稱，所以意思就是將原本的遊戲或軟體做進一步的修改或者是擴充。

最常見的就是遊戲 MOD。

遊戲本身提供一套固定的操作方式，但玩家的需求不一定相同，所以有人會另外做 MOD，修改畫面、介面或遊戲行為。

電腦遊戲的 MOD，已經發展出很大的分享社群，其中一個常見的平台就是 Nexus Mods。

它收錄了數十萬個 MOD，玩家可以依照遊戲尋找別人做好的作品，下載後依照說明安裝，也可以透過 Vortex 這類管理工具，協助安裝與管理。

比如說，以前我玩《異塵餘生四》的時候，就有使用過角色美化的 MOD，因為原版的美式風格實在是有點醜。

Claude Mods 也是類似的概念，只是改造的對象變成了我們使用 AI 的工作環境。

例如，你想知道 AI 現在用了多少上下文，就可以加一個固定顯示的資訊面板。

甚至你還可以去計算說，現在你的 AI 到底花了多少錢。

對了，如果你是使用 Claude 桌面應用程式，必須要在 Code 分頁才看得到 Mods。

不然就是使用終端機版本的 Claude Code

然後記得使用前記得把 Claude Code 更新到最新版。

可以叫 AI 改什麼？先從你想看見的資訊開始

所以現在可以客製化 Claude Code 了，但是能夠修改什麼呢？

從目前官方資料以及現有的 MOD 專案來看，大致有下面幾種，

• 改變資訊怎麼顯示：比方說顯示工作進度、用量、待確認事項，或調整訊息與結果的呈現方式。

• 增加常用操作：把經常重複下達的指令做成按鈕或自訂指令，例如整理目前進度、準備下一個對話需要的交接資料。

• 調整工作的處理方式：在技能啟動時加入規則，或在 AI 呼叫工具前檢查條件，例如發現另一個對話剛剛才改過同一份檔案，就先提醒你。

要記得，Claude Mods 不只是可以改變外觀，也可以改變 AI 在某個步驟要先檢查什麼、怎麼回報結果。

不過，雖然 Claude 新增了 Mods 功能，相信一時之間可能大家也不知道要怎麼修改吧？

我認為我們可以先從外觀開始修改起。

你可以先想一件事：使用 Claude 時，有什麼資訊是你經常想看，卻得一直往上翻對話才能找到的，或者得另外問 AI 才能知道的？

Mods 可以把這些資訊做成面板，也可以增加操作按鈕，讓你在同一個工作畫面裡處理。

目前有哪些受到關注的應用？

老實說，我自己也是一時之間不知道要做什麼樣的 Claude Mods，所以我讓 AI 幫我查了一下目前官方以及社群，有做哪一些 Claude Mods 應用。

You Should Know：幫你挑出容易漏看的重點

我們平常使用 AI 工作的時候，AI 經常回覆一大段落落長的內容，讀起來讓人覺得非常的疲累。

Anthropic 官方做了一個 Mod 稱為 You Should Know，會有另一個 AI Agent 檢查 Claude 的輸出，提醒你可能忽略的重點。官方示範

官方提供了一個安裝指令：/plugin enable cc-plugin-you-should-know@builtin

要注意這個指令是給終端機的 Claude Code 的，如果你是用桌面 App ，也不懂怎麼使用終端機版本的 Claude Code ，輸入這個指令會先跳出外掛程式面板，沒辦法直接用這個指令裝。

但其實也很簡單，你就跟 AI 說你要裝這個 Mod ，把指令丟給它，讓它幫你裝。

不過這個 Mod 隨時有兩個 AI Agent 並行工作，應該還挺消耗 Token 的吧。難道這是 Anthropic 的陰謀嗎？

Intermission：等 Claude 工作的時候，先玩一下 Doom

眾所周知，我們讓 AI 工作的時候，要嘛就是再開另外一個 session 去做其他的事情，但有時候手頭上也不一定有那麼多工作，所以我們常見的情況就是拿手機起來滑。

於是就有人想，不然我們一邊讓 Claude 工作，一邊來玩遊戲好了。

Jarrod Watts 做的 Intermission，會在 Claude 工作時打開遊戲面板，讓你連到多人 Doom 伺服器，跟其他同樣在等 AI 工作的人一起玩。原作者示範

依照作者的說明，Claude 完成工作時會倒數並關閉遊戲面板；如果中途需要你確認權限，則會立即把畫面交回來，等你處理完再繼續。

把 AI 的工作狀態，變成即時小卡通

如果我們可以把 Claude Code 面板變得更豐富，工作的時候，就可以讓人保持心情愉悅吧？

所以就有一個作者 Anshu，將 Claude Code 原本等待中的狀態動畫，改成會隨著 AI 工作內容變化的小卡通。

依照他的介紹，這個 MOD 會觀察主要 Agent 正在做什麼，再讓模型把這些活動轉成即時動畫。原作者示範

我自己的示範：把技能流程顯示在右手邊

我們會把已經確認的工作流程，讓 AI 寫成技能（skill.md）。

換句話說，當我們在提到技能的時候，其實就是指 SOP。

但是當我們做了一大堆技能的時候，有時候經常會忘記，這個技能到底有什麼樣的流程。

以前的做法，我會讓技能啟動的時候，優先使用 Mermaid 語言在對話窗中繪出流程圖。

不過現在有了 Claude Mods，我能製作更漂亮的畫面來檢視流程。

我讓 Claude 把這些步驟顯示在右側面板，並分成兩種節點。

• AI 節點：由 AI 執行，顯示它現在正在處理哪一步。

• 人類節點：需要我確認或覆核，清楚標示現在正在等我。

我的測試畫面：前四步已完成，第五步「使用者檢查草稿與面板顯示」正在等待確認，第六步尚未執行。

你可以看到，這次測試共有六個步驟，已完成的步驟是綠色，目前需要我確認的地方則用另一個顏色標出來。

對我來說，把流程圖像化之後，在操作 Claude 時，就比較容易知道現在走到哪裡，以及自己什麼時候需要介入。

現在換你啦！你認為你的 Claude 還可以做什麼樣的 Mods 呢？

這個 MOD，也放進我的一人公司工具包了

這次示範的技能流程面板 MOD，我也放進 Raven AI 一人公司工具包裡了。

工具包整理了我自己的工作流程和常用技能，包含內容製作、Google 工具自動化、知識管理、社群經營與網站工作等等。

之後我自己會用的 Claude Mods，也會持續放進這個工具包。

工具包採一次購買，後續更新，不管是新增技能、Ｍod，都不用再付費。

Raven AI 一人公司工具包的商品介紹。

相關連結

• Claude Mods 官方說明

• 建立自己的 Mod

• Intermission：在 Claude Code 裡玩 Doom

到社群看更深入的做法

如果你想了解 MOD 實際會改動哪些內容，可以到 社畜進化論｜Raven AI 閱讀同一期的技術文章，裡面會拆解這個技能流程面板的運作方式。

延伸閱讀：Mods 運作拆解 #91，位於「進階｜電子報追加內容(Lv5)」教室，達到 Lv5 或具高級方案以上資格的會員可閱讀。

其實主要就是使用 macOS 或 Windows 系統上本身就有的機制，並透過 ChatGPT 或 Claude 來製作。

大部分的工作流都不需要使用語言模型，所以不會有消耗 Token 的情況；但有少部分的工作流，就可以搭配語言模型去做動態的調整。

還有，最近我們單位終於開放大家申請訂閱 ChatGPT 以及 Claude。看整個申請情況，其實申請的人也不算多，大概會用的就是那幾個人。

另外也有部署在本地端的 Gemma-4-26B 可以申請，我也有申請，打算之後拿來做 RAG 知識庫。

我也想分享一下，我們這邊是怎麼導入 AI 的？在過程中又沒有受到什麼樣的阻力？

直播時間大概會控制在一個小時以內，應該也不會講那麼久啦。大家就一邊聽，一邊做自己的事就可以了。

10月 7日 (星期三) · 19:00 - 20:00

時區：Asia/Taipei

Google Meet 會議參加資訊

視訊通話連結：https://meet.google.com/ryw-oazv-fth

Meta 最近推出個人 AI 代理 Muse。

對於有在使用 ChatGPT 或者 Claude 桌面版的使用者來說，應該不算是什麼重大的改變啦。

所以我更在意的是，從今年年初爆紅的小龍蝦（OpenClaw），到現在的 Muse，這些能夠長時間工作的 AI 代理，會為我們人類改變什麼？

我以為這一波變化，將會是典範轉移，重新塑造我們工作和生活的方式。

我是 Raven，一直以來都專注在 AI 工具與自動化的研究。

今天會跟各位談談 Muse，然後我會帶著大家去盤點目前市面上的 AI Agent，以及說明未來可能的新型態的工作方式。

Muse 是什麼？價格多少？臺灣能用嗎？

Muse 是 Meta 在 2026 年 9 月推出的個人 AI 代理。

你可以在 App 或 WhatsApp 裡交代任務，它會使用自己在雲端的專屬電腦開啟瀏覽器、查資料、填表格，或使用你允許它連接的服務。

你可以發個訊息就離開，把工作交給它。

即使任務還沒做完，就算你關掉 App，它還是可以繼續處理。

Meta 目前展示的自家整合，是把你在 Instagram 收藏的食譜影片轉成採買清單。

如果以後 Muse 能直接處理 Facebook、Instagram、Threads 的發文和資料，我覺得它可能會成為創作者工作的一個核心。

畢竟一般來說，申請這些平台的 API 需要蠻多步驟，對不熟悉技術的人來說確實麻煩。

至於價格，Muse 有免費使用額度，付費方案則有每月 20 美元和 100 美元兩種。

我會先用免費額度試試看；如果任務量超過限制，再考慮每月 20 美元的方案。

等到確定它能接手大量工作，才需要考慮每月 100 美元。

現在 Meta 公布的推出地區是美國，台灣還不知道要等到什麼時候才上市，大家可以再繼續關注看看。

從 OpenClaw 開始的 AI 代理浪潮

AI 代理這個概念出來得很早，不過我要到了去年年中，開始使用 Claude Code 才知道 AI 代理有多好用。

其實原理也很簡單嘛：我們知道 AI 可以寫程式，電腦環境可以讓我們執行程式。

因此，AI 能夠操作電腦裡面的軟體或者任何工具，就是個理所當然的事情（操作得好不好另當別論）。

不過這一波「把任務交給長時間在線的 AI」，倒是從今年年初的 OpenClaw 才開始的。

今年 2 月 3 日，我就在 EP-59 分享過把 OpenClaw 裝在 Zeabur 雲端的經驗，也談到它如何用心跳（Heartbeat）與排程主動工作。

我幾乎把整個春節假期都花在安裝 OpenClaw 這件事情上。

所以我在之後的 EP-62，我又把 OpenClaw 裝在 Mac mini，接上自己的本機知識庫，試著用通訊軟體交辦工作。

裝 OpenClaw 的經驗實在是非常的痛苦，因為我對它的軟體細節並不是很懂。

在安裝的時候，其實踩到了蠻多地雷的，所以後來我又搬家到 Hermes Agent 。

見 EP-70 。

理由是因為 Hermes Agent 在工作脈絡的記憶能力要好得多，OpenClaw 實在是太過粗糙了。

不管是 OpenClaw 或者是 Hermes Agent，對於一般人來說，假設你非本科、並不是工程師，或者是對電腦不太熟悉，安裝 Hermes Agent 或 OpenClaw 應該都是蠻吃力的一件事。

那廠商當然很快就看到商機了，所以陸陸續續就有許多更親民、操作體驗更好的產品出現，包含了 xAI 的 Grok Bot、Google 的 Gemini Spark，以及 Meta 的 Muse 。

這些產品代表了一個新的工作方向。

我以為未來科技發展的走向，會是讓一個 AI 能夠24小時在線，持續地去接任務，並且可以同時有多個步驟來處理事情，而不是單純用一問一答的方式回覆一個問題。

「24 小時在線工作」到底是什麼意思？

為什麼24 小時在線工作的 AI 代理值得我們關注呢？

假設你有在使用 ChatGPT 桌面版工作的話，通常你都要坐在電腦前面命令它工作。

你可能同時會開好幾個對話來多工進行，雖然效率很好，但是你是被綁在你的位置上。

當然 ChatGPT 也有支援排程，所以你可以設定自動化工作。

比方說，你可以寫個腳本，設定半夜兩點的時候做資料同步，那麼你就可以完全交給它，不需要去盯著。

你只要流程有先跑過一次，確認好沒有出錯的話，往後都可以交給它工作。

可是，你的 AI 還是不會主動去工作。

它還是要有一個人類去當一個主導者，去命令它工作，充其量也只是一個助理的角色。

但是 OpenClaw 引入了心跳機制的概念，可以讓它定期醒來，然後去檢查目前有沒有任何的事件要處理。

當然，使用排程也可以做到類似的事情，原則上也是類似的。

不過排程比較像是到了某個時間，做某件特定的事情，心跳則是在固定的頻率醒來，確認現在有沒有事情要做。

所以你可以讓你的 AI 代理每 30 分鐘就醒來一下，然後去檢查一下現在有沒有工作，有的話就開始工作。

因此我們才說 AI Agents 可以 24 小時在線，好像你真的有一個助理，他可以隨時隨地去主動處理事情。

還有一點，當時 OpenClaw 推出的時候，它可以去串接 Telegram、Discord、Line 等等通訊軟體。

所以你可以在任何的地點、任何的時刻，當你有想到任何的工作需要處理的時候，你就直接呼叫你的 AI 代理。

ChatGPT、Claude 桌面版主要還是透過自家的介面交辦。

ChatGPT Work 可以用 Slack 訊息觸發任務，Claude Code 也能另外串接 Discord、Telegram、iMessage，但跟 OpenClaw 把通訊軟體當作主要交辦入口的使用方式還是不太一樣。

最後整理一下 AI 代理的工作方式：

• 排程：例如每天早上九點整理信件，時間到了才開始工作。

• 事件觸發：例如收到指定客戶的信，或某個頻道出現新訊息，比方說 Gmail、Discord ，就啟動任務。

• 定期檢查：例如每隔一段時間查看待辦或進度，判斷現在有沒有事情需要處理，常見做法包括心跳。

本機、自選伺服器，還是官方雲端？

依照不同廠商推出的 AI 代理，你可以選擇在自己的本機電腦上執行，或是自己安裝在某一個雲端伺服器上，也可以直接使用官方的雲端服務。

當初我是在本機及 Zeabur 雲端安裝 OpenClaw ，常常會遇到環境設定的問題，然後花了許多時間閱讀文件，再測試要怎麼做。

現在安裝當然是比之前簡單多了。

例如說 Hermes Agent 最近這幾個月推出的 UI 版本，安裝起來就簡單得多，基本上就按「下一步」，在本機安裝完、設定好語言模型之後就可以開始用。

目前 OpenClaw、Hermes Agent 可以裝在自己的電腦，也能放到自己租的雲端伺服器，模型供應商也能自行選擇。

這種做法的自由度較高，可是安裝、更新和主機管理也要自己處理，適合吃飽沒事幹，例如我，或者喜歡 DIY 的人。

如果你想要儘可能地簡化安裝步驟的話，Grok Bot、Gemini Spark 和 Meta Muse 則主打官方雲端託管，你的資料都是存放在官方的雲端電腦裡。

所以，該怎麼選擇呢？

如果你有大量的工作需要 24 小時執行，那肯定是選雲端啊，你不會想要放在本地端。

假設你只有筆電，想休眠就能休眠，不用硬把電腦開著。

這麼多 AI 代理，彼此之間有什麼差異？

目前我有在長期使用的 AI 代理就三個：ChatGPT、Claude、Hermes Agent。

曾經測試過 Gemini Spark，但我發現它在讀取信件上還是有些問題，所以我就放棄了。

所以我們撇開 Gemini Spark 不談，專門去討論目前市場上比較熱門的 AI 代理的話，我認為可以從三個角度去思考：

是否需要 24 小時在線或遠端操控

如果你需要 AI 代理 24 小時在線，隨時能透過手機呼叫，又想自己選擇模型、串接不同的服務，那麼我推薦你使用 OpenClaw 或者是 Hermes Agent。

讓它在持續開機的電腦或雲端伺服器上運作，接上通訊軟體，出門也能用手機交辦工作、查看結果。

可是自由度高的代價，是你要負責處理串接、設定、除錯與維護，對技術能力的要求比較高。

Hermes 又特別強調長期記憶，以及把工作經驗整理成下次能用的技能，讓自己的工作流程逐漸累積下來。

所以我個人非常的推薦。

如果你主要是在電腦前工作，沒有經常在外面用手機交辦的需求，我覺得 ChatGPT 或者 Claude 這兩款產品選擇一款就可以了。

這兩款產品也開始支援遠端，只是我覺得目前的體驗還不夠好。

以台灣的繁體中文使用者來說，當然優先選擇 ChatGPT，因為它有繁體中文的介面。

能不能選不同公司的模型？

AI 代理好不好用？除了本身的 harness 架構以外，跟模型聰明程度有很大的關係。

前面提到 OpenClaw、Hermes Agent 可以接上 OpenAI、Anthropic、Google 等公司的模型，也能使用本機模型，模型供應商可以自己選。

因為自由度最高，所以你可以很容易地去選擇聰明的模型，而某一些比較簡單的工作，則可以交給雖然比較笨、但是便宜得多的模型。

如果你不想要自己串接模型的話，Perplexity Computer 也支援多家模型，不過已經把它們整合成一套服務，能按任務分配工作，也能讓你指定不同模型一起分析同一個問題。

所以想使用多家模型，又不想自己維護代理環境，Perplexity 就是可以考慮的選擇。

至於 ChatGPT 的主要模型來自 OpenAI，Claude 來自 Anthropic，Gemini Spark 和 Meta Muse 則分別使用 Google、Meta 的自家模型。

Grok Bot 的模型由平台決定，目前沒有讓使用者自行切換的模型選單，但是應該也是用自家的模型。

能取得哪些資料、接上哪些服務？

如果工作仰賴特定平台上的資料，原廠整合就會影響你要花多少時間串接。

如果你很需要使用 X 上面的即時討論資料的話，那麼當然是要使用 Grok Bot ，因為它有 X 的官方串接資料，可以搜尋貼文、讀取你的動態等等。

提到社群媒體當然要談這次剛出的 Muse ，臺灣還沒有用，但是可以想見的，未來應該可以透過 Muse 去搜尋、研究，甚至發布文章在 Facebook、Instagram、Threads 等社群服務。

原本我對於 Gemini Spark 是很看好的，但是實際體驗後，我認為實在是不行。

因為我期待的是它能很容易地把 Google Workspace 的各種軟體串接起來，但我上一次用了幾次，實在是覺得不太行。

也許，還是再等它發展個幾個月看看吧。

那至於前面提到的 Hermes Agent、OpenClaw，或者是 ChatGPT、Claude 這些工具如果要串接不同平台的資料，就必須要讓 AI 代理幫你處理，或者是自己先申請 API 來做串接，相對來說會比較麻煩。

但是，如果讓 AI 代理幫著你、帶著你做過一遍，應該也不是辦不到的事情。

多工的時代正式來臨

AI 代理勢必會改變我們的工作方式，而且這變化已經開始在產生。

之前我們要操作電腦，其實都是由人類打開軟體，然後跟著軟體的介面去操作。

很多事情有可能因為軟體設計實在是太爛了，導致我們辦不到，或者是操作起來非常麻煩，需要重複做一大堆複製貼上的工作。

有了 AI 代理之後，基本上只要是電腦工作，未來都可以交給它來協助你處理。

在去年以前的 AI ，例如 ChatGPT，我們的使用方式就是打開介面，然後詢問它問題或者是輸入一個指令，那它處理完之後，再跟你回報目前的進度或者是處理的情況。

現在 AI 能夠自己執行多個步驟工作，當然相對的，我們也會需要花比較多的時間等待。

畢竟 AI 要呼叫工具、要閱讀網站的資料，或者是去等待子代理的回覆，因此要花不少的時間。

比如說，我現在其實經常讓 AI 同時開啟不同的對話視窗，好讓它能同步處理不同的任務。

老實說這對大腦其實蠻傷的，因為我們人類的大腦還是習慣一次只處理一個工作。

但是當我們開始使用 AI 工作的時候，原則上不太可能真的在那邊乾等 AI 回覆，因為一等可能就超過半個小時以上。

所以多工的工作方式是必然的。

未來甚至要同時開三個、四個以上的工作線，我甚至還聽說過有人同時開十幾個工作線。

多工也不等於把所有事一次丟出去就不管。

任務越多，我們越需要知道每條線要完成什麼、目前卡在哪裡、哪些結果已經核對，以及哪些決定仍要由我們來判斷。

邏輯判斷能力要更好

我認為，在 AI 時代，操作 AI 來工作會成為必然，而我們自己的邏輯判斷能力也得跟著變好。

因為你得先知道自己要完成什麼，再把工作拆成具體步驟，想清楚每一步要得到什麼結果。

如果連自己要幹嘛都不知道，也拆不出工作步驟，AI 接到的就只是一個模糊的任務，結果一定也做不好。

當然，有時候我們真的自己也不知道自己要幹嘛，所以其實實際的做法就是讓 AI 去嘗試看看，如果我們不滿意就再修改。

在反覆確認過整個流程、跑過幾遍之後，再請 AI 將這個流程寫成「技能」，以後就讓它按照這個技能去工作，甚至可以設定成排程。

本期在社畜進化論｜Raven AI的追加內容，我會用自己的本機排程設定當例子，說明如何取得 Notion 存取權杖，再請 ChatGPT 建立排程，定時同步 Obsidian 的文章與 Notion 資料庫。

這期的Skool 技術全文〈Obsidian 同步 Notion #90〉放在「進階｜《Raven AI 週報》追加內容」。

你也在研究怎麼創業嗎，還是想在下班做個副業呢？

我自己在這條路上走了一年多了，都是用下班時間在研究，只是下班時間太少了，想做的事情又太多了。

所以我總是這裡碰碰，那裡摸摸，每次看到新工具、新玩具，或者別人在討論的熱門內容，就把原本在做的事放下，也跑去研究。

結果導致每個禮拜都很忙，卻沒有累積多少能力。

如果你跟我一樣都在迷惘中，我們可以來聊聊怎麼解決這個問題。

我是 Raven，目前都是專注於研究 AI 工具與自動化流程。

最近讀了一本書，《一人創業：創業就是做好一件你真正想做的事！》，有點啟發，所以想跟大家聊聊怎麼找出自己真正想做的事。

然後我會介紹怎麼使用 AI 工具，讓我們之後跟 AI 的討論，都可以不至於偏離我們的主題太遠。

下班後最稀缺的不是點子，而是可以持續投入的時間

我目前還有正職，只能利用下班時間發展自己的事業，也就是你現在看到的 Raven AI 週報。

在這一年多以來，我除了分享自己的 AI 工作流，也是一直在探索商業模式，不斷地在找尋新方向。

可是一週上班要 40 小時，扣除吃飯、睡覺、重訓、休閒或是與家人互動等等，剩下的時間頂多也就是 20 小時。

這代表我們沒辦法開啟太多研究路線，例如我想過寫 AI 小說、作遊戲、架設網站，不過總是摸索一下就又換下一個。

總是不太能找到心裡面真正想做的事。

在《一人創業》這本書中，作者把生意點子，切成兩種出發點。

第一種是追逐當下的市場熱潮；第二種是從自己真正想做的事出發。

先說追逐熱潮，有句話說：「站在風口上，豬都會飛。」

所以只要能夠掌握熱潮，通常都能賺錢。

問題就是，你很難確定自己是最早進場的人，還是最後接手的人。

比方說，年紀較大的讀者可能還記得，很多年以前一度流行蛋塔，那時候開了一大堆的蛋塔店，但是很快地，熱潮消失之後，也就全部倒光光。

其他類似的例子還有什麼？比方說古早味蛋糕、日式可麗餅、韓式炸雞店等等。

無人娃娃機店也是一度風靡啊，現在也倒一堆了，只有偶爾還會在路邊看到幾家。

至於 NFT （非同質化代幣），還有人記得嗎？

它是使用區塊鏈技術結合數位藝術，當時聲稱是新的資產模式，那也很多人呢，花了不少錢去購買，然後稱作是投資，把一張幾 KB 的數位圖片炒到好幾千萬美金。現在也都無聲無息了。

總之，這些浪潮都是一波一波的，如果你在很早期就進場，的確有可能賺到錢。

但是這個機會實在是太渺茫了。

所以作者更建議的是第二種，就是從找到自己真正想做的事。

我自己也非常認同這個說法，一人公司的第一步，不應該是找出最賺錢的產品。

比較實際的做法，是先找到一個即使短期沒有收入，我們仍然願意繼續探索的方向。

「我喜歡什麼」，還不足以變成創業方向

上述這些內容，說穿了就是找到自己的熱情。

這真的是老議題了，許多自我成長的書籍都在談如何發現自己的熱情、發現自己的天賦價值。

只是說，找到自己的熱情，聽起來好像很簡單。

真的有實際操作過的人就知道，大部分的人根本就不知道自己的熱情在哪裡。

幾乎每天就是醒來就去上班，下班回到家就打電動、看電視，然後隔天又再去上班，重複過著同樣的生活。

更何況，如果我們只是單純喜歡一件事的話，你也很難把它變成商業模式，因為這完全是兩回事。

例如說你喜歡打電動，那市場就會因為你喜歡打電動就給你錢嗎？也不會嘛。至少你還得開直播、經營你的社群，況且就算你這麼做，你也不一定可以賺錢。

又或者，你平常喜歡健身、專注在訓練自己的肌肉以及控制飲食，那你就可以靠這賺錢了嗎？

你得找到一個切入點，去讓你的顧客知道你在賣什麼。然後你得花時間去設法對外展現自己的能力。

換句話說，我們要找的不只是「自己喜歡什麼」，還要進一步思考：為了把這件事變成能夠幫助別人的產品或服務，我們是否也願意投入那些不一定有趣的過程？

因此真正適合長期發展的方向，通常包含三個條件：

1. 你願意持續投入時間；

2. 你願意處理過程中伴隨的麻煩；

3. 你願意反覆執行，並且把它做得更好。

用五個線索，找出自己可能願意長期做的事

找出自己願意長期做的事情，其實挺困難。

《一人創業》提供了五個探索方向，建議可以把這些內容都寫下來。

第一個方向呢，可以去想想看你小時候有沒有特別著迷什麼事？

當然不是說小時候喜歡玩捉迷藏，那你就要把玩捉迷藏這件事情變成一個事業。

只是你可能要去找出，你自己喜歡某件事情的原動力是什麼？

例如，我還記得小時候非常喜歡去研究螞蟻，甚至可以花一整個下午在觀察螞蟻的生態。

現在想想，其實我就是喜歡去找出某個事情的原因是什麼，單純就是好奇心使然。

第二個方向，是你長大之後，即使很忙，仍然願意抽出時間做的事。

你不一定非得去找具有生產力的事情做，可能只是一個你個人的嗜好，例如閱讀、喝威士忌。

總之，因為這是你願意抽出時間去做的事情，就代表你認為這件事情對你來說特別有價值。

那麼，你就有可能為同樣是這個嗜好的人做些服務，然後得到相對應的報酬。

第三個方向，是你做起來比較得心應手的事。

而且這件得心應手的事，你可能完全感覺不到任何的價值，可是在別人眼中，確實是非常厲害的才能。

例如我就認識一個人，不算外向，但是很會聊天，能夠迅速融入群體。但他自己本人完全不認為這算是技能。

你不用把你擅長的事情，去跟同樣也擅長這件事情的人比。你只需要跟平均值比較就可以了。

比方說，你擅長聊天，你不用把自己跟專業的演說家相比。你只要知道，對於你來說，聊天並不是一件非常困難、需要去克服的事。

第四個方向，是自己的弱點、自卑或曾經覺得困難的事。

聽起來好像有點反直覺，這件事情明明就是自己的弱點，那要怎樣靠這個找出自己想做的事？

可是作者認為，有時候把你的缺點翻過來，很可能是你的優點。

因為你心中的痛，同樣也可能是別人的痛，所以你更可以去理解有相同困難的人。

例如，就有女孩子身高可能才 150 公分，所以她覺得買衣服非常的困難，因此她反而因為這一點，專門去做給同樣也是矮個子女孩的服裝銷售。

第五個方向，是別人眼中的你。

自己觀察自己是遠遠不夠的，所以我們大可以去詢問其他人，看看別人是怎麼看待自己的，尤其是別人覺得自己擅長什麼，也許就可以因此找到自己的獨特之處。

所以，如果你對於某件事情已經鑽研很久了，然後在思考是不是可以從事相關的副業，你大可以把這件事情拿去問一些也有相同經驗的人，也許你可以找到一些不一樣的啟發。

我是怎麼從這些線索，看見自己的方向

以我自己為例。

我小時候就很喜歡讀書，而且一直以愛讀書自豪，雖然現在想想有點蠢啦，到底是要自豪什麼，但總之小時候是這麼想的。

只是光讀書，也沒辦法轉成什麼樣的商業模式，但總之我就是有這個習慣。而且一直到現在工作繁忙，下班還在研究 AI 工具，每年也都還是會買二、三十本書以上。

另外一個喜歡的事就是寫作。

我從大學開始，直到研究所畢業以後，都有斷斷續續地在不同的部落格平台寫作。

當然我也不是什麼專業的作家，只是單純會做這件事而已。

開始研究 AI 工具之後，我幾乎每週都會做研究，再寫成文章。已經持續更新一年多，快要兩年了。

回頭看，我真正願意長期投入的核心，其實一直是讀書、寫作 。

在《一人創業》這本書裡面還講到一個概念：

你不一定要找到一個超級強項來勝過這世界大部分的人，但是你可以找到自己不同的特質，然後將這些特質組合起來。

我是歷史系出身，自修通過資訊類的國家考試，持續研究 AI 工具。

我沒有什麼哪一個能力特別突出，我不是最理解歷史知識的，我的寫作能力也不是最頂尖，寫程式的能力也只是剛入門而已，AI 工具還在努力地學習中。

可是上述的這些特質我都有，所以如果我可以把它們組合起來，也許我可以創造出一個比較難複製的組合特質。

所以我就想，我是不是能夠，幫助沒有技術背景的創業者和副業工作者，用比較簡單的方式學會操作 AI Agent，建立自己可以重複使用的工作流。

我建議你也嘗試從這些角度思考，找出自己的定位。

透過 AI 知識庫探索自己，建立一人公司設定檔

其實探索自己是一個長期的過程，通常需要讀大量的書、不斷地與自己對話。很少有人能夠一開始就決定好，這輩子要做什麼。

幸好在 ChatGPT 等 AI 工具出來之後，我們可以不斷記錄新的發現，慢慢把零散的想法整理成方向。

但是，如果只依賴網頁版的聊天紀錄，我們很難管理哪些內容是自己的原話、哪些是 AI 的內容，而且我們很容易被 AI 影響思維。

最好的做法是，將你的讀書筆記都用 Obsidian 這類的工具儲存，讓 AI 去閱讀你的讀書筆記，找出你可能在探索的方向，協助你建立一人公司設定檔。

建立一人公司設定檔案的目的，是因為我們要使用 AI 代理（AI Agent）為工作核心。

有了「一人公司」設定檔案，AI agent 在協助我們寫作、管理社群媒體、影片製作等內容創作流程時，它會協助我們鎖定方向。

因此我建議你下載 ChcatGPT、Claude 或者是 Google Antigravity 這類的桌面應用程式，它們能夠讀取專案規則、使用技能，操作本機檔案。

接著你可以把我的 Raven AI 一人公司工具包 GitHub 連結 丟給 AI Agent，請它幫你安裝，AI Agent 讀了這個連結之後，他就知道怎麼做了。後續你如果有什麼問題的話，也可以直接問 AI。

我的 Raven AI 一人公司工具包，是一套放在 GitHub 上的開源 AI Agent 工作流工具包。

我整理了我自己在摸索「一人公司」創業的過程中，可能會遇到的相關問題。

比如說：內容製作、營運自動化、知識管理、社群經營、官網建置，以及 AI Agent 設定盤點，並且拆成 AI 能夠依照流程執行的工作流程。

今天要介紹的，就是其中的 AI 知識庫。

我把它叫作 My Real Second Brain，也就是「我真正的第二大腦」。

傳統上只要提到「第二大腦」，其實就是指數位筆記。

以前的方法是，我們自己要手動地在數位筆記記錄我們學習到的內容。

我設計的 AI 知識庫，會讓 AI 負責做記錄、管理以及連結我們過往的學習內容。

相關的技術細節大家可以自己去看 GitHub 連結，或者讓 AI 為你說明使用方法。

底下會描述我們怎麼樣透過 AI 知識庫，去記錄我們的讀書心得，然後又要怎麼樣去建立一人公司設定檔案。

我實際怎麼用 AI 知識庫來建立一人公司方向

第一步，是記錄讀書心得。

當我在閱讀《一人創業》時，我想到什麼內容，就直接跟 AI 說。

我會使用 Typeless 來幫助我用口述的方式輸入文字，直接跟 AI 說出我同意的觀點、不同意的地方，以及它讓我聯想到的個人經驗。

在 AI 知識庫裡面有「讀書心得整理」的技能，它會儘可能地保留我的原話，然後協助我們去整理書中的觀點、我的心得、待確認項目等等的內容。

第二步，回頭查自己已經知道什麼。

所以，當我們開始想要確立創業的方向時，AI 的第一步會根據技能，先去查詢過去的讀書筆記與一人公司設定檔案。

假設它認為資料還是有所不足，它才會上網去搜尋，找一些網路相關資料。

第三步，當你打算建立一人公司設定檔案的時候，我建議讓 AI 去引導你

你可以直接對 AI 說：

請根據我的讀書心得，幫我找出自己願意長期投入的副業方向。一次只問一個主要問題，不要直接替我下結論。

我在技能內設定為蘇格拉底式對話，技能會讓 AI 用問題檢查現有的假設，也會指出反方觀點。

第四步，建立一人公司設定檔

當你確認方向之後，AI 會把「你明確說過的內容」、「AI 的整理」和「還需要驗證的推論」分開，給你預覽。只有你確認的部分，才會更新到一人公司設定檔。

第一版設定檔包含八個部分：

1. 你目前是在構想、驗證，還是已經有少量收入。

2. 你可能想服務哪些人，他們面對什麼問題。

3. 你目前可以提供什麼能力、產品或服務。

4. 你可能透過哪些方式接觸到客戶。

5. 你已經擁有哪些知識、案例、內容、工具、社群與流程。

6. 你可以投入多少時間和預算，以及你不想犧牲什麼。

7. 未來一到三個月，最值得繼續探索的方向。

8. 目前還不知道、不能確定，而且需要驗證的問題。

真正想做的事，還是要回到真實客戶

前面我們只談到熱情，可是《一人創業》提醒了一個很重要的界線。

我們想要創業，可以從個人的熱情出發。可是如果你要收顧客的錢，你就必須要為顧客解決問題。

我很喜歡讀書、寫作和研究 AI 工具。

可是光靠這個，市場不會買單的。

我必須要知道顧客要的是什麼，設法幫顧客解決困難。

如果單純只是倚靠熱情，不在乎我的顧客，那生意也作不起來。

所以，「我真正想做什麼」和「市場願意為了解決什麼問題買單」，這兩個前提必須同時存在。

然後找到他們之間的交集點。

所以我建議你，無論如何，先找到你的第一個顧客。

然後在透過解決顧客問題的過程中，不斷地優化我們的服務或產品。

一人公司設定檔的目的，是產生更好的問題

你不需要等到找出完美答案，才能開始。

你一定會不斷地去修改你的一人公司設定檔，所以它的任務，不是宣布「我這輩子就要做這件事」。

它的任務，是幫你判斷下一步要作什麼，還缺少什麼。

你現在最缺的，是對自己的理解？可以解決問題的能力？真實客戶的回饋？還是一個可以開始測試的最小服務？

事實上，我以為，我們最缺的就是行動。

應該要把模糊的想法，改成現在立刻可以探索的小問題，你的方向就會從想像變成了行動。

在下一期電子報，我會繼續分享：當我們找到一個值得探索的方向後，要怎麼透過閱讀累積材料，而不是讓 AI 取代我們的思考。

相關連結

• Raven AI 一人公司工具包｜GitHub

• AI 知識庫｜完整說明

社畜進化論｜Raven AI

如果你也想利用下班時間發展副業，並把 AI 從聊天工具變成真正能協助你工作的 Agent，歡迎加入我的 Skool 社群「社畜進化論｜Raven AI」。

裡面可以一起交流做法、分享實作成果，也一起處理建立工作流時遇到的問題。

https://www.skool.com/decode-ai-ai-2667

OpenAI 在上上個禮拜發布了 GPT-6 Astra。

網路上各方評價都非常驚人，有人甚至聲稱 Astra 就是 AGI（通用人工智慧）；不過它的價格和額度消耗，看起來也很驚人。

如果 Astra 是目前最強的 OpenAI 模型，我們是不是應該把所有工作都交給它？

當然不是。

我相信總有一天，我們不需要去選擇要使用什麼模型，而是 AI 能夠完成我們日常中幾乎所有的電腦工作。

不過在AGI 到來前，我們還是要先決定「哪一種工作值得使用最強的模型」，把錢花在刀口上。

各位好，我是 Raven，目前專注於研究 AI 工具與自動化流程。

今天這一集，我想先帶大家認識OpenAI 最新的旗艦模型 Astra，並且討論如何建立一套實際的模型分工方式。

Astra 到底是什麼？

OpenAI 在 2026 年 9 月 3 日發布 GPT-6 Astra，它是 OpenAI 以超過 10 萬顆 GPU 訓練的新模型，黃仁勳甚至聲稱 AGI 來了。

Astra 這個英文單字意味著星辰，剛好跟OpenAI 的其他模型 Sol（太陽）、Terra（地球）、Luna（月亮）是一組的。

依照 OpenAI 的定位，Astra 是目前能力最高的模型，專門處理最困難的端到端工作。

這裡所謂的「端到端」，意思是從理解需求、蒐集資料、使用工具、修改檔案，一路把工作給做完。

換句話說，我們人類就是負責開需求給它，由它負責完成任務。

所以 OpenAI 認為 Astra 特別適合複雜推理、程式開發、電腦操作、研究，以及文件、簡報和試算表的製作。

不過，實際測試真的是這樣嗎？

Astra 的評分（benchmark）到底有多強？

Astra 是真的很強。

它在多階段工具操作、跨檔案推理和陌生環境的探索上，跟前一代相比有非常明顯的進步。

例如 OpenAI 公布的 Terminal-Bench 4.0，是一個測試 AI 能不能在終端機裡完成複雜工作的基準測試。

Astra 得到 57.9%，GPT-5.6 Sol 是 37.3%，差距非常的巨大。

另一個 Terminal-Bench Science 0.1，測的是更複雜的科學研究工作流。

例如分析科學數據、執行電腦模擬，或調整數學模型的參數，讓計算結果盡可能符合觀測資料。

在這個測試中，Astra 得到 64.6%，Sol 只有 22.4%。

還有一個測驗是讓 Astra 玩一組陌生的互動遊戲（ARC-AGI-3）。

遊戲沒有說明書，研究人員也不會先告訴它規則，或直接教它怎麼過關。

Astra 得先觀察畫面，試著做一個動作，再看畫面發生什麼變化。

接著，它要從這些變化裡摸索規則，判斷要達成什麼目標，再安排下一步。

如果結果跟預期不同，就得回頭修正自己的理解。

團隊採用了兩個運作方式。

第一種是各家模型共用的標準架構，讓模型自己留下筆記，記錄已經發現的規則、目前的位置，以及還沒完成的計畫。

在這套架構下，Astra 的最佳成績是 62.7%。

第二種則接上 OpenAI 自己提供的上下文管理功能。

除了筆記，系統還能保留前一步的內部推理狀態，讓 Astra 接著原本的工作往下做。

對話太長時，也會壓縮、整理上下文，供後續繼續使用。

搭配這套運作方式，最佳成績居然來到 99.9%。

由此來看，OpenAI 自己做的 Harness 架構還是挺適合他們自己的模型。

圖表依 ARC Prize 原始結果重繪，使用 Semi-Private 測試集。同一列比較相同推理強度；max 是 62.7% 對 98.6%，high 是 54.8% 對 99.9%。這裡比較的是兩套完整運作方式，並未分離個別功能的效果。

因此，如果工作需要長時間使用工具、分析資料，還要經過很多階段才能完成，Astra 的優勢看起來相當明顯。

所以 Astra 全面碾壓其他模型了嗎？也不盡然。

在單純程式開發環境中，Astra 表現並不特別突出。

例如在 DeepSWE v1.1 這個程式開發測試裡，Astra 是 74.1%，Sol 是 72.7%，差距挺小的。

所以單純只是開發程式，實在沒必要叫出 Astra，畢竟它比較貴嘛。

我們不能看到幾個很高的分數，就說 Astra 每一種程式工作都比 Sol 強很多。

那如果不跟自家的 Sol 比，而是跟 Anthropic 的旗艦模型 Claude Fable 5.1 比呢？

就算是拿 OpenAI 發布文章裡的數字放在一起，就會發現，Astra 也不是每一項都贏。

先看剛才的 Terminal-Bench 4.0，也就是終端機裡的複雜任務。Astra 是 57.9%，Fable 5.1 是 55.8%，只差 2.1 個百分點，並沒有像跟 Sol 比的時候差那麼多。

但換到科學研究工作流，差距就拉開了。在 Terminal-Bench Science 0.1 裡，Astra 是 64.6%，Fable 5.1 是 52.6%，Astra 領先了 12 個百分點。

程式開發也是 Astra 領先。剛才提到的 DeepSWE v1.1，Astra 拿到 74.1%，Fable 5.1 則是 67.4%。

聽到這裡，好像都是 Astra 贏？

不過，如果看 Artificial Analysis 的綜合智慧指數 v4.1.1，結果就反過來了：Fable 5.1 是 65.7 分，Astra 是 61.2 分。

所以，比較合理的解讀是：Astra 在需要動手完成工作的測試裡都很有競爭力， 不過論綜合智慧恐怕還是略輸給 Fable 5.1。

Astra 很貴，所以要自己判斷工作本身的結構

所以 Astra 很強，那是不是直接把 Astra 當作預設模型就好了？

也不能這樣搞。

因為 Astra 貴得很呢，每一百萬個輸入 tokens 10 美元，輸出則是 50 美元。

至於 Sol 是輸入 4 美元、輸出 20 美元，相比之下，Astra 貴了一倍以上。

如果你願意用更低階的模型，當然就更便宜了，例如 Terra 是輸入 2 美元、輸出 12 美元。

至於 Luna 輸入只有 0.2 美元、輸出 1.2 美元。

既然如此，應該要怎麼選呢？

只看單價，Astra 非常貴，但是這也不是說，那就少用 Astra 。

我們應該要考慮，完成一個可以接受的成果，總共會花多少錢和時間。

假設貪便宜，先讓便宜的模型測試，結果連續失敗好幾次，最後得換成 Astra，前面的等待、檢查也都是成本。

反過來說，如果工作本來很簡單，讓 Terra 或 Luna 一次就能做對，使用 Astra 就只是浪費額度而已。

所以最合理的方法，不是永遠用最強模型，也不是所有工作都先用最便宜模型。

而是先判斷工作本身的結構。

還在思考怎麼做，那就先用 Sol

如果你還沒想清楚工作要怎麼做、資料要怎麼整理，或者幾個 App 之間要怎麼接起來，我不建議先從便宜的模型下手，例如 Luna 或 Terra。

這個階段的工作，需要的是探索和判斷。

如果你的工作都是辦公室的文書工作，比方說你需要：

• 讓 AI 每週整理工作報告，但還沒決定要讀哪些信件、文件和試算表，也不知道報告該保留什麼。

• 把會議紀錄轉成待辦事項，再整理進 Notion 或任務管理 App，但負責人、期限和分類規則還沒想清楚。

• 手上有幾篇研究文章，希望先比較不同觀點，決定簡報要怎麼講，而不是直接把資料貼進投影片。

這些工作可以先用 Sol。

我會先讓 Sol 幫忙釐清需求、整理資料關係，把工作步驟和驗收方式定下來。

過程中如果需要讓 Sol 寫一小段程式來轉換檔案、串接工具，也可以一起處理。

因此以我自己的工作來說，我的預設模型都是用 Sol。

問題非常複雜，又跨資料，才用 Astra

Astra 比較值得出場的時機，是你確定問題很複雜，而且資料散落在不同檔案和 App 裡，不能只靠整理格式就得到答案。

比如說，

• 要整理一份專案決策報告，但客戶信件、會議紀錄和進度表互相矛盾，需要追查哪個決定已經被更新、哪些承諾還沒完成。

• 要把一批舊專案資料移到新的知識庫，卻發現文件有重複版本、互相引用，還有不同的存取權限，需要先理清哪些要保留、哪些不能分享。

• 一條跨表單、試算表和任務管理 App 的工作流，偶爾會漏掉資料，需要對照各處紀錄，找出問題出在哪一步。

這類工作需要長時間追查線索、比較不同來源，再判斷下一步，就要使用 Astra。

流程已經想清楚，交給 Terra 執行

我自己很少主動使用 Terra，但是如果是固定的排程的話，已經把資料來源、工作步驟和成果格式都決定了，就可能交給 Terra。

我會把 Terra 放在「仍然需要理解內容，但不用重新設計整個流程」的位置。

例如：

• 讀取指定資料夾的會議紀錄，依已確認的規則整理負責人、期限和待辦事項，缺少資訊就標記待確認。

• 按固定步驟彙整試算表，套入每週報告模板，附上來源，存成文件草稿供人檢查。

• 依既定分類規則，把文件整理到對應的知識庫位置，遇到重複檔案或分類不明的內容就停下來回報。

• 用既有工具把表單資料整理成任務草稿，核對筆數和必要欄位，確認沒有漏資料。

所以，如果技能裡的流程已經實際跑過，工具也準備好了，就應該使用 Terra 模型。

不過這個做法有一個前提。

你的技能（也就是流程 SOP）不能只是寫清楚說要怎麼做，更重要的是要怎麼樣判斷正確與否，以及遇到什麼情況必須要停下來，讓人類來複核。

你可以先拿幾份真實的資料跑看看，確認成果品質和檢查成本都能接受，再把這類固定工作交給 Terra。

幾乎只剩照格式做，才用 Luna

我幾乎沒在用 Luna。

因為 Luna 適合的是更固定的工作。

例如：

• 從格式一致的報名資料裡，抽出姓名、日期和聯絡方式，填進固定欄位。

• 把已經確認好的待辦清單，轉成另一個 App 可以匯入的表格格式。

• 根據明確的關鍵字對文件加上標籤，無法判定的就留給人處理。

• 把核准過的文字和數字，填進固定的通知模板，不自行補寫或更改內容。

這類的任務，通常我就直接這樣 Terra 做掉，所以其實比較少機會我會用到 Luna。

網路上有網友推薦使用 Luna 搭配思考 Max ，據說可以取代 Sol 的低度思考狀態，只是我測試了幾次也沒有很滿意。

所以我推薦是，如果你有一整套的工作流，然後你有某個小部分需要做簡單的判斷，那麼你就可以透過 API 或者是呼叫 sub-agent 的方式來使用 Luna。

五個問題，決定這次該用哪個模型

實際開始工作以前，我們可以先問自己五個問題。

第一，要交付什麼、要照哪些步驟做，已經說清楚了嗎？

第二，必要的資料和檔案，已經知道在哪裡嗎？

第三，結果能不能檢查？例如筆數有沒有對上、欄位有沒有遺漏、引用能不能找到原文？

第四，做錯的影響小嗎？可以輕易復原嗎？

第五，是照既定規則整理就好，還是需要判斷資料衝突、理解例外，甚至重新決定做法？

如果還在思考怎麼做，或不知道該用哪些資料，那就先用 Sol 一起規劃，或者讓它直接把任務完成。

假設需要跨很多來源追查線索、釐清矛盾，就直接升級到 Astra。

如果是例行性任務，而且你已經設定好流程，步驟清楚、資料確定、成果容易檢查，而且做錯也能復原，可以先測試 Terra 看看會不會出錯，然後設定排程。

最後，如果真的是超簡單任務，工作高度重複、格式固定，甚至可以考慮 Luna。

想建立一人公司，可以試試我的開源工具包

如果你也想把這套模型分工方式，真正放進自己的一人公司工作流，我最近開發了一套開源的「Raven AI 一人公司工具包」。

它把內容製作、Google 工具自動化、AI 知識庫、社群媒體管理和官網建置等工作，整理成 AI Agent 可以照著執行，也能檢查成果的技能包。

目前專案還在 Preview 階段，尚未正式支援，不過已經開放給大家免費安裝與測試。

歡迎到 GitHub 下載使用，只要把連結貼給你的 AI Agent ，如 ChatGPT ，它就知道怎麼做了。

也歡迎把實際遇到的問題回報給我，幫助我把它改得更適合一人公司。

Raven AI 一人公司工具包｜GitHub

相關連結

• Raven AI 一人公司工具包｜GitHub

• OpenAI：GPT-6 Astra 發布說明

• OpenAI API：GPT-6 Astra 模型資料與價格

• OpenAI API：Astra、Sol、Terra、Luna 模型比較

• OpenAI：ChatGPT Work 與 Codex 的 Astra 使用方式

• ARC Prize：GPT-6 Astra 的 ARC-AGI-3 結果

• CodeRabbit：GPT-6 Astra 程式碼審查初步測試

• Artificial Analysis：GPT-6 Astra benchmark

• Hacker News：GPT-6 Astra on OpenRouter

• Hacker News：Initial Thoughts on GPT-6 Astra

• Reddit：Astra High Intelligence, Low Intuition

• Reddit：Astra 的 Plus 額度回報

• Lewis and Short Latin Dictionary：astrum

社畜進化論｜Raven AI

如果你也想把 AI 從聊天工具變成真正能夠進入工作流程的 Agent，歡迎加入我的 Skool 社群「社畜進化論｜Raven AI」。

裡面可以一起交流導入方式、分享實作成果，也一起處理權限、驗證與自動化流程中遇到的問題。

https://www.skool.com/decode-ai-ai-2667

你知道 Zeabur 被入侵了嗎？

Zeabur 是一個雲端佈署管理平台，以簡單好上手著名，深受新手開發者的喜愛。

在 8 月 27 日，駭客把 Zeabur 雲端佈署管理平臺的專案環境變數，整批匯出。

什麼意思呢？我們平常如果要開發 AI 應用，會把 AI API Key 放在專案的環境變數裡面。

這個是正常的操作，至少不是把金鑰放在前端的頁面裡。

但是駭客攻破 Zeabur，取得了大量的 AI API 金鑰，導致有人的信用卡被刷爆，也有人的 OpenRouter 餘額瞬間被用光了。

沒想到現在連把 API 金鑰放在環境變數都不可信，我們一般的新手要開發個人專案，應該怎麼辦？

各位好，我是 Raven，目前專注於研究 AI 工具與自動化流程。

今天這一期的電子報，除了想跟大家聊聊這起資安事件。更重要的是探討，如果我們用 AI 做好了一個網站，我們的 API 金鑰應該放在哪裡才好？

Zeabur 是什麼？為什麼那麼多人在用

Zeabur 是台灣的新創公司，創辦人林沅霖是桃園人，畢業於浙江大學計算機系，這個產品的起點是他的畢業專題。

Zeabur 本身就是一個二房東的服務。

它不是 AWS、Google Cloud 那種擁有大量資料中心與實體伺服器的 IaaS（基礎設施即服務）業者，而是建立在其他雲端供應商之上的管理平台。

它做的事情叫 PaaS（平台即服務）。

簡單來說，你把寫好的程式碼丟上去，剩下的它幫你搞定。

傳統上要讓網站上線，你得自己租伺服器、裝作業系統、設定環境、處理網域和憑證。

Zeabur 的做法是「一鍵部署」——上傳程式碼，平台自動分析它用什麼語言、需要哪些函式庫、要多少資源，然後從 AWS、Google Cloud 這些廠商裡挑一個方案幫你部署完成。

在現在這個 AI 的時代，我們一般人只用 AI，就可以在一個晚上把網站架起來。

雖然我們很快就能把網站架起來，我們還是需要有一個服務，讓我們把網站放上去。

所以 Zeabur 的定位，就是提供給新手小白更簡單的部署方式。

換句話說，它的使用者裡有相當比例是不太懂伺服器維運的人。

Zeabur 這次到底發生了什麼事

這一次攻擊大概是這樣子：

駭客手上有一把外洩的 AWS 管理金鑰，所以駭客呢，就用它打進 Zeabur 設在東京機房的 AWS 共享叢集，取得控制面 VPN 的存取權，進入了主資料庫。

接著駭客在資料庫裡，針對「專案環境變數」這張表做了定向查詢與匯出。

簡單來說，駭客就是衝著 AI API 金鑰來的，因此有大量使用者的 AI API 金鑰，就這樣子流到駭客的手上。

目前 Zeabur 官方已經有公告，撤銷及更換了受影響的憑證，並且找了第三方的資安專家介入。

在賠償方面，創辦人承諾最晚在 9 月 30 號前會完成撥款。目前申請案已經有 63% 的申請已經核實，並且進入處理階段。

另外有一個小插曲，就是據說有暗網的貼文聲稱，他們已經掌握了完整的資料庫，所以不只是匯出的環境變數而已，甚至還擁有整份的程式碼。

不過，創辦人林沅霖強調，現在他們掌握的證據無法佐證這個說法。

將 API 金鑰放在平臺提供的環境變數裡面，居然還沒有辦法保障安全，這起事件大概顛覆了很多人的想法。

所以未來我們要怎樣才可以做到最起碼的資安防護呢？

第一層防禦：要選能夠儲值的 API 供應商

在資安界裡面，有一個概念是縱深防禦（Defense in Depth） 。它的核心想法是：

不把安全寄託在單一防線上，而是在不同位置設置多道彼此獨立的防禦措施。即使攻擊者突破其中一層，後續防線仍能阻止、限制或偵測攻擊。

運用這個概念，我們第一層就是要確保我們的 API KEY 即使外洩，損失仍然有限。

首先，如果是企業的話，有企業的做法，這個就先不提了。

我的讀者應該都是屬於個人開發者，甚至是沒有佈署經驗的新手小白。

我們個人開發者在做一些 side project 或者是創業、副業相關的專案時，不會希望一開始就花太多錢。所以最好的方法，就是我們的 API 供應商可以選擇用付費儲值的方式。

API 供應商的收費大致分兩種。

• 預付儲值制是先儲一筆錢進去，用完就停，金鑰被偷的最大損失就是帳戶餘額。

• 後付信用卡制是綁卡用多少扣多少，金鑰被偷，駭客可以在你發現之前一直刷下去。

所以我認為你還是可以把 API 金鑰放在平台的環境變數。

但是不要假設它不會外洩，而是假設它總有一天會外洩，然後想辦法讓損失是可控的。所以你應該要選擇預付儲值。

在這一方面，OpenRouter 就做得特別好，因為它可以針對每一把金鑰單獨設定額度上限，還可以指定這個額度是每天、每週還是每月來重置。

所以我們可以幫每一個專案建立一把獨立的金鑰，然後去設定說，比方說這個月最多就是只能用 10 美金。這樣一來，未來就算某個專案的金鑰外洩，你的損失也是控制在這 10 美金以內。

不過要記得，自動加值要關掉。

第二層防禦：如果有自己的雲端機器，就不必把變數放在平台

現在這一次就是 Zeabur 的平臺相關變數都外洩。那如果我們自己本身就有自己的雲端機器的話，其實我們也不需要把變數放在平臺裡面。

由於 Zeabur 現在不提供共享主機，它要求使用者必須要租一臺屬於自己的伺服器，所以我們可以把 API 金鑰放在自己的機器上。

所以我就讓 AI 幫我重新設計，在我的主機上運行一個 API 閘道。

我將 DeepSeek 的金鑰放在這個閘道內，在我們 Zeabur 的環境變數裡面，只會放一個我們這裡產製的存取權杖。

整個架構的邏輯是這樣：

Zeabur 的中央資料庫（也就是 8 月 27 日被整批撈走的地方）

• 我的環境變數裡，只會放一把存取權杖（Access Token）

• 就算被撈走也沒用，原因等一下說明

我租的專用伺服器

• 上面跑著 Zeabur 的容器，只拿到那把存取權杖，沒有金鑰

• 旁邊還跑著一支 API 閘道（API Gateway），直接架在主機上，不經過 Zeabur 的部署系統

• 真正的 DeepSeek 金鑰只存在這支閘道手上，從頭到尾沒進過 Zeabur

Zeabur 上的網站只拿到一把存取權杖（Access Token），其實就是程式隨機產生的一串字。網站要用 AI 的時候就帶著這把權杖，去請求主機上那支 API 閘道（API Gateway）代為呼叫，再把結果送回來。而這支閘道，只會接受從 Zeabur 那台機器的網路位置打來的請求。

因此，原本的流程是「網站直接拿著平台的環境變數去呼叫 DeepSeek」，現在改成這樣：

1. 網站要用 AI 的時候，不會直接使用 DeepSeek API 金鑰，而是把請求丟給 API 閘道，並附上那把存取權杖

2. 閘道先檢查第一件事：這個請求是從哪裡送來的？ 位置不對，直接拒絕

3. 位置對了，再檢查第二件事：權杖對不對？ 錯了，一樣拒絕

4. 兩道檢查都過，閘道這時候才補上真正的 API 金鑰，代替網站去呼叫 DeepSeek

5. 拿到 AI 的回覆之後，再把結果送回給網站

整個過程中，Zeabur 上的網站從頭到尾都沒有碰過真正的金鑰。

第三層防禦：但金鑰搬回自家主機，等於你要自己顧好

寫到這裡，你可能已經發現一個問題：API 金鑰現在放在我自己的主機上，那我的主機安全嗎？

如果沒有特別設定，真的很危險。

我請 AI 幫我檢查這台機器的登入紀錄，光是那一天，就有數千次登入失敗的紀錄，全都是來自世界各地的機器人。

例如從紀錄來看，root 被猜了 1219 次、admin 270 次、user 194 次，而 ubuntu 被猜了 191 次——正是我這台機器實際的帳號名稱。

其實任何一台有公開 IP 的雲端主機，租下來的那一刻起就會被全世界的掃描程式輪流掃過，這是常態。

老實說，我當初從 Zeabur 上租到這臺機器的時候，我也沒有特別做什麼設定，底下是我的初始設定：

• 開放密碼登入——只要猜中密碼就能進來

• 允許 root 直接登入——而 root 正是被猜最多的帳號

• 防火牆完全沒開

• 沒有任何自動封鎖機制，所以那些 IP 可以無限次地猜下去

設定新主機，你至少要作三件事

我也不是什麼資安高手，這件事情我也只能問 AI，所以我就請 AI 幫我做了底下三件事：

第一件：裝上自動封鎖（fail2ban）。 設定成十分鐘內失敗五次就封鎖一小時，累犯逐次加倍、最長封一週。裝好不到五分鐘就封掉了三個 IP，全是前面那份名單上的常客。

第二件：關閉 root 直接登入。

第三件：改用金鑰登入，關掉密碼登入。 這樣就可以讓機器人連登入的機會都沒有，我直接從我家裡的主機透過金鑰登入，不需密碼。

相關連結

• Zeabur 官方狀態頁

• INSIDE：Zeabur 環境變數外洩！Anthropic、OpenAI、OpenRouter API 憑證遭盜用

• 鏈新聞：Zeabur 資安事件更新，63% 賠償申請已核實

• Meet 創業小聚：Zeabur 瞄準「巨頭不做」的 Vibe Coding 部署市場

• Google：Gemini API 計費說明

• OpenRouter：每把金鑰的額度上限設定

• Cloudflare：AI Gateway 的 Bring Your Own Keys

社畜進化論｜Raven AI

如果你也想把 AI 從聊天工具變成真正能夠進入工作流程的 Agent，歡迎加入我的 Skool 社群「社畜進化論｜Raven AI」。裡面可以一起交流導入方式、分享實作成果，也一起處理權限、驗證與自動化流程中遇到的問題。

https://www.skool.com/decode-ai-ai-2667

最近網路上流傳一段 Sam Altman 的訪談，我們來看一下這段訪談。

www.youtube.com/watch?v=kG8AoExkX40

有不少媒體都表示，Sam Altman 承認 AI 發展沒有想像中這麼快。

聽起來像是他過度高估了技術方面的發展。

但如果把前後文聽完，Sam Altman 並不是說 AI 模型進步得太慢，而是企業、社會跟整個經濟結構改變得比它原先預測的還要慢。

在 2023 年 GPT-4 出現的時候，Sam Altman 原本覺得軟體產業會受到很大的衝擊，因為每個人都有辦法用 AI 來開發程式了嘛。

結果並沒有。

他認為自己低估了經濟體的慣性。

人們還是會繼續向熟悉的公司購買產品，繼續使用原來的工具，維持原本的工作方式。

可是有沒有可能，當有一天 AI 的能力大幅增長，且成本大幅下降時，這時候的改變可能就會是極其劇烈？

因此，我認為還是得做好準備，去迎接 AI 浪潮。

各位好，我是 Raven，目前專注於研究 AI 工具與自動化流程。

在今天這一集裡面，我想要針對 Sam Altman 的談話再延伸出來談：

為什麼大部分的企業在導入 AI 的速度還是相當的緩慢？如果要把 AI 加入工作流的話，可以從哪裡開始？

臺灣企業不是沒在用 AI，但的確還有很大的成長空間

首先，臺灣企業當然也是有在使用 AI 的，並不是完全沒有使用。

人工智慧科技基金會的《2026 台灣產業 AI 化大調查》顯示，在 228 家受訪企業中，有將近五成的受訪者對 AI 應用有一定的認識，而且正在進行 AI 專案的實驗與導入，甚至有些公司已經開始進行規模化應用。

將近五成，聽起來似乎滿多的，但是要知道，這個並不是機率抽樣，而是便利抽樣。

人工智慧科技基金會是從它會員裡面挑 228 個受訪者，所以可以想見的是，這些受訪者可能本來就對人工智慧有興趣。

另外，在不同產業之間差異更大，

• ICT 產業對於 AI 的導入與應用合計為 60.9%。

• 傳統製造業合計為 38.5%。

• 營建工程、農林漁牧礦合計只有 9.1%。

所以要我看這份報告的話，在這群本來就對 AI 有興趣的企業裡面，都還有超過一半沒有走到「有明確目標、正在試驗導入」的階段。

那些沒有出現在這份名單上的企業，情況只會更保守。

甚至在工作上能夠使用免費的 ChatGPT 來輔助，可能都算是有一點 sense 了。

我自己待的單位，因為屬於科學機構，高層當然是有意識想要導入 AI。不過畢竟是新科技，所以許多做法都還是很保守。

我目前觀察到三個主要原因。

第一個原因：把學 AI 丟給員工個人，本來就推不動

雖然每個人其實都知道 AI 很重要，高層當然也會知道。

可是知道 AI 很重要，跟怎麼樣把工作流程改成 AI 自動化，還有很大的差距。

比方說，我自己待的機構，你要說長官對 AI 不夠重視嗎？那絕對是錯的。

因為我們常常都會有一些 AI 的講座、通識類課程，或者買個 ChatGPT 帳號讓大家共享。

這些做法都成效不彰。

因為現在 AI 已經跟去年有了很大的改變。

2026 年是 AI Agent 的年代，不再是一問一答的網頁模式，而是住在電腦裡面直接幫我們完成工作的 AI Agent。

幾個人共享一個 AI 帳號，那肯定就只能做一問一答，遠遠沒有辦法榨出 AI 真正應有的能力。

然後這些 AI 講座、通識課程，不是說不好，但是如果只有開課，沒有配套政策，等於是把學習 AI 這件事情，丟給員工個人。

員工平常又不是不用工作，還要多花時間學 AI。他們還是比較喜歡自己習慣的工具。

除非員工本身對 AI 很有興趣，否則他一定會抗拒去學習。

所以這類的課程，甚至更進階的 AI Agent 應用相關課程，其實應該要由高層主動去上。

長官上完課、有了概念之後，才由上而下去推動，全面地修改工作流程。

其實要把工作流程改成 AI 工作流這件事情，它有點像是當初 1990 年代末開始的數位轉型。

大部分的企業、政府單位在數位轉型這方面，都只是把原有流程改到電腦上執行而已。

以公文系統來說好了，至今仍有公文系統居然還要有模擬蓋章這件事情。

都已經在電腦上作業了，為什麼要蓋章呢？蓋章的意義到底在哪裡？

寫好公文發出去，會經過自然人憑證，這不就是數位簽章了嗎？但在系統上卻偏偏還會有一個像人類蓋章的行為。

所以要做數位轉型的話，就是要重新去梳理工作流程。某一些只適合在紙上、不適合在電腦上執行的行為，就不需要再做了。

假設今天要把數位流程再往前推，變成 AI 工作流的話，也是同樣的道理。

不是所有流程都需要重新設計。但是要加入 AI 的那一段，一定要先重新梳理過，不能直接把模型塞進原本的流程裡。

舉一個很常見的例子。很多公司每個月都要做月報，流程大概是各單位先交 Excel，交給某個小承辦彙整，提交給主管看過，可能還會做成簡報。

如果直接把 AI 加進去，多數人的第一個念頭是，那我用 AI 作，節省時間。

可是這樣做，流程根本沒有變，只是做得比較快而已。

真正該問的問題是，這份月報做了之後有誰在看？看完之後會做什麼決定？

如果答案是沒有人真的根據它做決定，那應該先思考這份月報本身，而不是拿 AI 去加速生產一份沒有人看的東西。

至於有能力說出「這份月報到底誰在看」的問題，並且有權力把它砍掉的，就只有高層長官。

所以這件事一定要由他們來當領頭羊才行。

第二個原因：年初學，年底就過時，工具變得太快了

現在工具變化實在是太快了，如果要叫員工去學的話，很可能員工年初學的工具，到年底就不適用了。

以我自己為例，我在年初的時候做了三個課程：

1. 第一個是大略性地介紹 ChatGPT、Google Notebook、Notion AI、Google Antigravity，用來做知識管理。

2. 第二個是講 n8n 以及大型語言模型的應用。

3. 第三個是怎麼使用 ChatGPT 來製作 Google Apps Script 的應用。

到了現在 8 月，ChatGPT 的個人帳號已經不能再建立新的自訂 GPT，企業方案的自訂 GPT 也開始被 Workspace Agents 取代。Google Antigravity 大幅改版，另外拆成了 IDE 與 Agent 兩個版本。

至於 n8n 則是越來越少人在談，因為 AI agents 已經取代了許多需求了，現在除非你有需要做比較複雜的流程，n8n 可能還有使用的機會。

只剩下使用 AI 來做 Google Apps Script ，這倒還是個不錯的主意。

所以如果企業要讓員工去學習 AI 工具的話，比較可行的做法是讓每個員工都要配一個訂閱制的 AI 帳戶，或者是如果有自己的機房的話，就建一個本地端的語言模型，讓需要使用的人去存取。

然後在公司內組織活動，鼓勵員工進修，培養不斷學習的能力。

如果真的要引入一些課程或者外聘一些講師的話，更重要的是要去講解不容易過期的能力。比方說：

• 大型語言模型的原理

• 怎麼撰寫提示詞

• 如何設計全域、專案規則

• 如何依照工作流程設計技能

第三個原因：模型實在太不受控了，誰敢用

直到目前為止，我們每次在使用 ChatGPT 的時候，都還是會看到底下會顯示一條資訊：「ChatGPT 可能會出錯，請查核重要資訊」。

是的，大型語言模型具有機率性，產出來的資料可能是錯的，而且錯誤的機會還不小。

這樣子的工具，怎麼可能讓企業老闆決定使用大型語言模型？

而且我們三不五時就會看到新聞報導說，有人用大型語言模型不小心刪除了整個資料庫。

之前 Anthropic 也爆出因測試環境設定失誤意外連上網際網路，模型未經授權存取了 3 個外部真實組織的系統。

這些新聞都可能會讓企業高層覺得心驚驚，不知道要怎麼樣去控制這個語言模型。

所以模型真的無法控制嗎？

當然是可以控制的。

我們需要一個 harness 作為大型語言模型的架構，去限制它的邊界，也就是限制它產出的結果。

Agent harness 可以理解成包在模型外面的控制系統。它負責決定：

• AI 可以看到哪些資料

• 可以使用哪些工具

• 哪些動作需要人類核准

• 每一步要留下哪些紀錄

• 發生錯誤時怎麼停止、重試或復原

• 如何持續測試與監控結果

比方說 Claude Code、OpenAI 的 ChatGPT，或是 Google Antigravity 這類工具，它們本身就包含 harness 架構。

所以 AI Agent 動手之前先問你要不要授權，也會把每一步做了什麼列出來，這就是 harness 在做的事。

可是這些工具的邊界是廠商幫你決定好的。

所以我們能做的，就是針對這些工具，再透過設定 SOP 的方式，讓它可以更受控制。

這個工作就建議要有一個嫻熟於操作 AI Agent 的人來負責維護。

如果不使用大廠 harness 架構，要自己架站，使用開源模型，那麼也是要有一個工程師來為模型設計專門的 harness 架構。

企業應該從什麼地方開始？

我認為比較實際的方式，不要一開始就想要打造一個能夠取代許多電腦上任務的超級 AI Agent，而是找一個流程已經很明確的任務，設法讓 AI 去完成。

例如：

• 整理每日報告

• 彙整異常訊息

• 建立會議摘要

• 替客服產生回覆草稿

然後再逐漸地把這個工作擴大，並且要由一個專人專門來做「設計 AI 流程」這件事情。

假設公司有在使用 Google Workspace 的話，我強烈地推薦一定要讓員工試著使用 AI agent 建立 Google Apps Script，來讓 Gmail、Google 表單、Google 試算表等各種 Google 工具，將它們串聯起來做自動化。

要學習使用 AI agent 來建立 Google Apps Script 也是非常的簡單。

我自己做了一套開源的教材，叫做 Learn-GAS，放在 GitHub 上面，任何人都可以自由取用。

只要你有 ChatGPT、Claude 或者是 Google Antigravity 這種的 AI 工具，把連結丟給 AI ，就會帶著你做了。

裡面提供了兩條學習路線：

第一條是五個各自獨立的小案例，像是記帳、產生信封、批次寄信；

第二條是八堂課，循序把一套活動報名系統完整做出來。

我也寫了一些 SOP，把初學者最容易卡住、最容易搞混的地方定成規範，讓 AI 照著走，不會每次給出來的做法都不一樣。

Learn-GAS：讓 AI Agent 帶你學 Google Apps Script

AI 跑得快，企業改得慢

回到一開始 Sam Altman 那段訪談。

他說自己低估了經濟體的慣性，人們會繼續用原本的方式工作。

但是他在同一場訪談裡也承認，理論上他應該用完全不同的方式操作電腦，結果他還是在複製貼上，還是自己滑信箱，自己維護待辦清單。

所以這就是人性啊！有時候我們明明知道有更好的做法，可是我們還是照著以前的習慣來做事。

因此，雖然臺灣企業導入 AI 的速度比較慢，也不一定代表老闆沒有看出 AI 的優點。

本來要叫員工去學新技能就比較難啊，而且工具迭代的速度這麼快，學了沒多久很快就過期了。然後 AI 畢竟還是有出錯的可能性，還得有專人維護。

這幾件事情加起來，就是慣性持續存在的原因。

就算企業決定建立 AI 工作流，模型工具迭代速度太快了，總不可能隔幾個月就再重新建立流程。

不過，這也代表微型企業在這個變動快速的時代，會比大型企業來得更有彈性。

我們甚至可以推斷，未來幾年內人數在 10 人以下的小公司，甚至是 5 人以下，或者一人公司，可能能夠透過 AI 的這波浪潮而紛紛興起。

你也準備好了嗎？

相關連結

• Sam Altman 完整訪談影片

• Sam Altman 關鍵段落：4:12～4:48

• David Senra 官方節目頁

• 訪談 AI 自動轉錄逐字稿（可能包含辨識錯誤）

• 人工智慧科技基金會：《2026 台灣產業 AI 化大調查》

• Anthropic：首次揭露的 AI 主導網路間諜行動

• OpenAI：Agent harness 與 Agents SDK

• Learn-GAS：讓 AI Agent 帶你學 Google Apps Script

社畜進化論｜Raven AI

如果你也想把 AI 從聊天工具變成真正能夠進入工作流程的 Agent，歡迎加入我的 Skool 社群「社畜進化論｜Raven AI」。裡面可以一起交流導入方式、分享實作成果，也一起處理權限、驗證與自動化流程中遇到的問題。

https://www.skool.com/decode-ai-ai-2667

最近台灣 YouTuber「壹加壹」的 Lean 老闆，用 AI 做了一個自動上字幕的網站 What’Sub，據說上線兩天，註冊就破了一萬人。

然後網路上吵成一片。

有些留言酸得很，什麼產品技術含量很低啦、免費開源的一堆幹嘛還要花錢。

還有人直接動手，說自己只花一個小時，就用 AI 做出一個功能差不多的版本。

真的一小時就能抄得了嗎，那麼 Lean 老闆花半年加上 20 萬到底在幹嘛呢？

各位好，我是 Raven ，目前專注於研究 AI 工具與自動化流程。

在本集中，我想要跟大家談談使用 AI 製作產品的關鍵是什麼？又要怎麼小心資安的問題？

用 AI 做的自動上字幕的網站 What’Sub 是什麼？

用 AI 做網站，俗稱為 Vibe Coding。

簡單說，就是你不用自己一行一行寫程式，而是用自然語言跟 AI 描述你要什麼，讓 AI 幫你把程式寫出來。

所以這起事件呢，就是 YouTube 頻道「壹加壹」裡的 Lean 老闆，在這次最新的一集影片中，推出了一款產品叫做 What’Sub。

這是一個在瀏覽器上用的自動上字幕工具，是由 Lean 老闆一個人開發，前後花了大概半年、投入了約 20 萬臺幣。

可是他本身不是軟體工程師，而是有十年經驗的全職影片創作者，這個產品是用 Vibe Coding 做出來的。

為什麼被酸？

我不會說所有反方都是酸民啦，有些人也是有提出一些比較實質的意見。

但是酸民數量也的確不少，他們是這麼說的：

• 這只是把現成的技術包一包，技術含量很低。

• 免費開源的工具一堆，自己就能打造，幹嘛付錢，這是在割韭菜。

• 他只是把別人早就在做的軟體套上自己剪輯的專業外殼，拿來賣錢，賺的是粉絲的錢。

另外，網站上線後真的被回報了資安問題，樹大招風嘛，於是就有人嘲笑說，這就是 Vibe Coding 的下場。

What’Sub 雖然技術不新穎，但是開發者的確知道痛點

可是我得稍微反駁一下酸民。

他們都說技術含量很低，免費開源的工具一堆，自己就可以做，比如說 Video-use、Whisper 等等，為什麼要付錢？

可是如果真的那麼簡單，酸民自己怎麼不去開發一款呢？

說穿了就是在嘴別人而已嘛。

做一款產品從來不是只有寫程式這件事。

重點是你有沒有徹底理解痛點到底是什麼，以及你能不能用 AI 加上自己的特定的工作流程，把這個問題解決掉。

況且網路上也有很多工程師在稱讚這個作品。我們就舉三點來說明一下。

1. 「影片不上傳」提升體驗

一般的線上字幕工具，你得把整支影片傳上去。

What’Sub 的做法是影片留在你自己的電腦，只把聲音抽出來送去辨識。

這麼做除了處理隱私問題，也省伺服器成本。

2. 不只是一個工具，而是整條完整的工作流

What’Sub 是完整的產品，不只是單純的上字幕工具，包含金流、推薦碼、電子發票、錢包、訂單和管理後台等等，全部都做了。

3. 最容易被低估的，是各種調教過的功能

自動上字幕本身不稀奇，現在很多開源模型都做得到，真正厲害的是在同一個網站上就能即時編輯字幕、分段、對齊音軌、設定常用詞。

也就是 UX 使用者體驗要做得好！

的確，現在有很多免費開源的工具，我自己也是用開源專案 video-use 在上字幕與剪片，不用再另外花錢。

問題是一般人根本不知道怎麼使用，而且我們自己手刻的也不一定比較好。

資安真的是大問題

我自己是沒有去測試他的網站，只是根據目前公開貼文可以看得到的內容，目前有以下幾個較大的問題：

1. 未授權就能看到其他使用者的個人資料或影片

有人說，只要在網站按 F12 就可以看到從後端傳來的資料，這樣可能有個資外洩的風險。

2. 一般會員可以拿到金流的 hashKey 類資料

有人發現一般會員可以在網頁上取得藍新金流的hashKey 相關資料，可能能夠破解交易內容或者偽造付款通知。不過這部份官方說已經處理了。

3. 一上線就掛掉

同時上線人數衝到兩千以上，導致伺服器掛掉、出現 502。嚴格講這不算資安漏洞，是可用性的問題。

如果你沒有資訊背景，然後想要用 AI 開發的話，在資安問題上真的要特別小心。

但是也不需要嘲笑 Vibe Coding。

很多有工程背景的人做出來的東西，漏洞一樣一大堆，並不會比不懂資安的新手小白少。

任何想要把服務放到網路上的人都得面臨這個課題，這不是 Vibe Coding 獨有的原罪。

想 Vibe Coding 自己的產品，該注意什麼

我認為在這個時代，有了 AI 的輔助，任何人都可以用 AI 做出自己的東西。

只是首先要區分「作品」跟「產品」的不同。

作品就是你用 AI 做出來給自己用的。

壞了你就叫 AI 修，修得慢也沒關係。

資料外流頂多是自己的資料，損失有限，也不會有人來罵你。

產品就不一樣了。

你一旦開始收別人的錢、存別人的資料，標準就完全不同了。

一個成熟的產品，首先必須要能夠打中市場痛點，使用體驗要好，能夠滿足客戶需求。

尤其是軟體產品，在資安上要滿足：機密性、完整性以及可用性。

用白話講就是三句話：不該看到的人不能看、資料不會被偷改、需要用的時候要能用。

前面提到 What’Sub 被回報的問題，剛好就是這三件事。

所以我的建議是：新手可以先做給自己用，後續確認別人也有同樣的需求，再考慮把它變成產品。

上線前先把最容易犯的資安錯誤排除

雖然要小心資安，但一開始也不用把它想得太複雜。

我們新手最常出事的，通常不是什麼高深的攻擊手法，而是幾個很基本的錯誤。

第一，瀏覽器看得到的東西，就等於公開。

這次 What’Sub 被討論最多的，就是有人說在網站上按 F12 打開開發者工具，就能看到其他使用者的資料。

有人以為這是前端沒有處理好，其實不是。

真正的問題在後端，後端把不該給這個使用者的資料，直接送到瀏覽器了。

要知道資料只要送到瀏覽器，就等於送到使用者手上了。即使你在畫面上不顯示它，按 F12 一樣看得到。

所以正確的做法不是在前端把它藏起來，而是後端一開始就不要送出去。

同樣的道理也適用在金鑰。

這次被回報的另一個問題，是一般會員可以拿到金流的hashkey。

這種東西一定要放在後端，最好使用平台的環境變數設定存起來，不能寫在會被瀏覽器下載到的程式裡面。

第二，資料庫的權限要一張表一張表確認。

我們新手很常用的 Supabase、Firebase 這類資料庫服務，跟傳統做法不一樣：你不用自己寫後端，瀏覽器直接向資料庫要資料。

為了讓瀏覽器連得上，你必須把一把公開金鑰放在網頁裡，任何人按 F12 都拿得到。

這是設計本來就這樣，這把金鑰是可以公開的。

所以真正在保護資料的，只剩下你在資料庫那一端設的權限規則。

以 Supabase 來說，這個規則要一張表一張表分別打開。會員資料、訂單、發票，每一張都要設一次。

如果你忘記了，你也不容易發現，因為你在測試時一定是一切正常，你的網頁也只會去撈自己的那幾筆資料，不會替你試一次，繞過網頁直接撈整張表會發生什麼事。

要等到有人拿那把公開金鑰繞過你的網頁直接撈資料，你才會發現整張表都是公開的。

第三，上正式環境前要關掉除錯訊息。

在開發的時候，有時候我們會把除錯訊息給打開。

這樣才可以方便 AI 去查問題到底出在哪裡。

可是，如果我在正式環境也這麼做，錯誤畫面會把資料庫的結構、檔案路徑整個吐出來，等於直接給駭客一張地圖。

以上三點，所以該怎麼辦呢？

其實我們可以先使用最基本的 AI 掃描方式。主流的兩家 AI 工具都有官方自己的資安審查機制：

• Claude Code：內建斜線指令 /security-review，直接在專案裡面跑就好。

• Codex：另外裝 codex-security，它會去讀你的程式、嘗試重現問題、再提出修補方案。

上線前，先想好伺服器設定與花費

程式寫好了，接下來是把它放到網路上。

第一，不要自己租一台機器從頭裝。

我想現在應該不會有新手想要自己租一臺雲端機器（IaaS）。

新手小白直接用平台服務（PaaS）就好，像是 Zeabur、Vercel、Railway 這一類。

不管是加密連線、自動備份，平台都幫你處理好了基本設定，你只要專心在產品上。

第二，先想好人變多的時候會怎樣。

What’Sub 同時上線人數衝到兩千以上，伺服器直接掛掉。

這件事其實可以事先準備。

例如選方案的時候看一下能不能自動增加機器，前面再加一層像 Cloudflare 這樣的服務擋一下流量。

就算擋不住，至少要能顯示一個「現在人太多，請稍後再來」的畫面，而不是整個站掛掉。

第三，所有服務都先設好用量上限跟通知。

我們用的語音辨識、AI 模型這些服務，都是按用量計費的。

如果被大量使用，或者被人惡意灌爆，帳單會非常可怕。

所以在每一個會產生費用的服務後台，先把用量上限設好，再設一個到達多少就通知你的門檻。

上線之後，才是真正的開始

前面講的都還是技術問題，可以慢慢學。

真正麻煩的是上線之後的日常維運。

一般的軟體開發公司背後有一整個團隊在營運，有人當輪班仔照顧系統、有人專門處理客訴，有資安疑慮也能馬上有人上線修改。

我自己就是輪班仔之一。

但是個人工作室 Vibe Coding 出來的產品，通常背後只有一個人。

所以 What’Sub 雖然是一個蠻成熟的產品，但是如果 Lean 老闆只有自己一個人，這幾天大概都睡不著。

想想看，如果你出國玩一個禮拜，結果第一天晚上網站就當機，你要不要在飯店打開筆電遠端處理？

就算你願意，你有沒有把握修得好？如果那個時候剛好又被人發現一個資安漏洞呢？

你一定會希望有人可以幫你處理。所以這件事情最好的解決辦法是：能夠交給團隊的，就交給團隊；能夠外包出去的，就外包出去。

如果現在還找不到人合作，那至少要做到一件事：讓系統自己告訴你它掛了。

例如設一個監控通知，網站不能用的時候直接發訊息給你，而不是等使用者跑來罵你才知道。

最後祝福各位都能夠用 AI 打造出自己理想中的產品，我們下期見。

相關連結

• What’Sub：

https://whatsub.equal2.app/

• Video-Use（開源影片剪輯專案）：https://github.com/browser-use/video-use

社畜進化論｜Raven AI

如果你也想把工作流程交給 AI，卻不知道從哪裡開始，歡迎加入我的 Skool 社群「社畜進化論｜Raven AI」。裡面可以一起交流做法、分享自己實作出來的成果，遇到卡住的地方也有人一起解決。

https://www.skool.com/decode-ai-ai-2667

就算是現在還不行，未來的 AI 也一定可以。

可是如果你真的這麼認為，我覺得你應該是沒有用過 AI。

AI 是很強沒錯，它可以回答你任何刁鑽的問題、幫你找資料、操作電腦上面的工具，可是他的限制也很大。

AI 像一個被限制在局部視野裡的高智商人士

我認為跟 AI 聊天，就好像跟一個讀了很多書的博士對話，可是這個博士呢，手裡面拿著一杯 whisky，已經喝得醉醺醺的。

所以大體上，它都可以回答你的問題，而且回答得還不錯。可是就是在某些情況下可能會出錯，因為他已經喝醉了嘛！

還有 AI 的上下文極為有限，現在主流的前端 AI，上下文長度甚至超過百萬 Token，其實這樣的量也不夠多。

我個人使用經驗，大概經過二三十輪的對話之後，可能就要切換對話窗了。對話一旦越來越長，前面的資訊就會被壓縮忽略掉。

而且 AI 常常有過度發揮的傾向。我們一旦給錯了重點，它就會針對這一點去鑽牛角尖，然後忽略了整件事情真正的目的是什麼。

人類當然也會受到局部資訊干擾。只是我們人類的脈絡不只來自眼前這段對話，還包含生活經驗、人際關係、長期目標、利害與責任。

人類真正的優勢，不只是我們的「上下文長度」較長，而是我們知道自己為什麼要做這件事，也必須承擔結果。

AI 改變的，是我們處理知識的方式

我自己是歷史系畢業的學生，唸了三年的歷史研究所。其實對於我們文科研究生來說，花三年時間畢業不算是特別的久。

念四年，甚至到 6 年的，都大有人在

為什麼會這樣子？因為人類的精力是有限的，而史料是無窮無盡的。

儘管在2010年，我當時已經可以透過 Google 圖書與搜尋引擎找史料，速度比過去快很多。可是要搜尋、閱讀、篩選、整理，然後比較資料，還是要花很多時間。

如果當時已經有現在的 AI Agent，我可以讓它先讀過數位化的資料，進行初步搜尋、分類與篩選，再由我重新閱讀它找出來的史料。

所以我可以處理更廣的範圍，也把更多時間放在史料之間的關係、人物為什麼這樣互動，以及哪一種解釋更有可能。

這就是 AI 帶來的改變：它能夠幫助我們更快找到答案，改變了知識工作的方法。

AI 時代，我們應該學什麼？

但我也不是完全否定有些人提出的這個觀點：既然 AI 都讀了這麼多的書，我們為什麼還要花時間讀書？

我們拿寫程式來舉例好了。

現在還在堅持自己手寫程式的人越來越少，要麼直接讓 AI 去寫程式，然後人類去複查；最起碼也會用 AI 自動補全。

程式設計師越來越關注的其實是上層的系統架構，尤其是資料的輸入與輸出——資料怎麼被輸入，然後又會輸出什麼樣的資料。

至於細節上要怎麼運作，就讓 AI 去處理，人類主要作為審查的角色。

所以你說，那還需要去學怎麼寫程式嗎？

我認為還是需要，因為你只有學過寫程式，你才會知道系統是怎麼被建構的。

可是我不認為你還要學這麼多的程式語言，比如說 C 語言、C++、C# 、 Java、Python。你就挑一種來學就可以。

未來你要建置一個系統，要使用什麼樣的程式語言，決定好了之後，就讓 AI 自己去寫。

因此回到我們在 AI 時代應該要學習什麼的話題，我覺得在國、高中階段，國文、英文、數學、自然與社會這些基礎學科還是很重要，但是學習的重點其實是為了建立理解世界所需要的基礎。

進到大學，甚至出社會之後，我們更應該積極地去學習觀點型的內容。

所以我們讀書的目的呢，是學習作者怎麼樣去處理知識，他怎麼樣理解問題，他怎麼去建立他的思考的脈絡。

我們的確可以在遇到問題的時候去問 AI，讓 AI 來告訴我們答案。可是真正的重點是，我們要去學習當我們在沒有 AI 的時候，別人是怎麼樣去找到答案的。

只有這樣，我們才有辦法建立自己的判斷力。未來當我們要去設定 AI 代理的時候，我們也才會知道該如何去設定它的目標以及邊界。

我為什麼製作 My Real Second Brain？

我做了一個開源專案，叫做 My Real Second Brain，目標是簡化學習的步驟。

「第二大腦」是在 AI 出現以前就有的概念。那時候用數位筆記的方式，例如 Evernote、Notion 這種，然後再使用子彈筆記法、卡片盒筆記法的方式記錄。

雖然方法不少，可是做筆記會成為一個很繁瑣的工作。

因為讀完一本書之後，你看我們還要去打字、做分類、設定標籤，然後還要設定整個結構。所以很多人其實就是覺得很麻煩，後來你也懶得去把你讀到的內容，輸入到你的第二大腦。

我的想法是，先拿掉這個輸入與整理的障礙。

你可以搭配 Typeless 這類口說打字工具，直接把讀完一本書後的想法全部說出來。

透過 AI 代理與這個開源專案，AI 會先保留你接近原話的心得，再建立整理後的核心觀點，並把同一本書的記錄持續放在同一份筆記裡。

之後當你需要找資料時，AI 會先查你的本機知識，使用蘇格拉底詰問法的方式，搭配外部資料來挑戰你的想法。

所以這個開源專案的目標是：

1. 第一大腦：負責閱讀、理解，然後選擇你獲得的知識內容。

2. 第二大腦：負責把你想要保存的知識內容，以及任何細瑣的概念與知識，通通記錄下來。

未來我們可以透過跟 AI 的回顧過程去詢問，不斷反覆刺激我們的第一大腦。畢竟第二大腦的原則，是為了第一大腦而存在的。

如果你對於我的這份開源專案有興趣的話，我把連結放在底下以及 YouTube 的資訊欄，你可以直接去下載。

相關連結

• My Real Second Brain（GitHub）

• Typeless（AI 口說打字工具）

• Lost in the Middle：長文本模型如何使用上下文

社畜進化論｜Raven AI

如果你也想學習怎麼把自己的知識轉成能夠交給 AI Agent 保存、執行與驗收的工作流，歡迎加入 社畜進化論｜Raven AI，和大家一起交流、分享成果，也一起解決實際遇到的問題。

你使用 AI 的方式，還停留在一問一答嗎？

今天這篇文章要教你基礎的 AI 代理功能，來做 Google Workspace 工具的全自動化。

首先，除了你要有 Google 帳號以外，我建議你至少要有底下任一種的訂閱方案： - OpenAI ChatGPT Plus - Anthropic Claude Pro - Google AI Po

並且下載各自的桌面應用程式。

免費方案當然也有一些額度可以使用，不過我不太確定額度能不能支撐你做完整個自動化。

底下我會用 ChatGPT 桌面應用程式當作範例，如果你是用其他 AI Agent ，他們的功能都是大同小異的。

先分清楚 ChatGPT 的「對話」、「工作」與 Codex

當你在電腦下載 ChatGPT 之後，首先，你在右上角會看到一個下拉選單，點下去之後可以看到 ChatGPT 以及 Codex 這兩種不同的介面。

保持在 ChatGPT 介面，在上方還可以看得到切換的頁面，能夠切換「對話」與「工作」。

「對話」適合直接問答。你輸入提示詞，它再根據要求回覆；需要的時候，它也能使用網路搜尋。

「工作」適合把一項需要多個步驟的任務交給 ChatGPT，例如整理資料、研究主題或製作文件。

網頁版與手機版的「工作」會在雲端執行，也就是由遠端的 OpenAI 電腦環境處理；桌面版還可以選擇在本機工作，使用你自己電腦裡的檔案、應用程式與瀏覽器。

ChatGPT 還有一個介面叫 Codex ，它是針對軟體開發，或是技術性任務設計的工作介面，方便你讀取本機專案、執行工具，以及檢查檔案修改。

不過呢，剛剛提到的 ChatGPT 的「工作」與 Codex 的能力，其實是高度重疊的。所以我建議初學者，直接用「工作」即可。

在 Claude 桌面應用程式也有類似的情況，總共分了 Claude 的一般對話版、還有 CoWork，另外還有一個叫做 Claude Code。

專案與資料夾有什麼不同？

當你打算使用 ChatGPT的「工作」處理一項持續性的任務時，我建議你先建立專案。

簡單來說，專案就是 ChatGPT 用來組織一項工作的空間。

通常專案會綁定某個特定資料夾，但專案和資料夾不是同一件事。

建立專案時，可以先依照任務選擇兩個位置：

• 雲端：如果任務不需要使用你電腦裡的檔案或應用程式，可以交給雲端環境處理。雲端「工作」還可以跨平台，包含網頁、手機與桌面版。

• 本機：如果任務需要讀取本機檔案，或將完成的檔案，保留在電腦上繼續使用，就選擇本機。

在目前的 ChatGPT 桌面版介面，可以依序這樣做：

1. 從左側的「專案」按下「＋」。

2. 選擇雲端或本機，然後按下一步。

3. 輸入專案名稱。

4. 如果選擇本機，可以使用現有資料夾，或者先建立新資料夾，再按下「新增 ChatGPT 可讀取及編輯的資料夾」來選擇位置。

5. 確認資料夾後，建立專案。

這個資料夾就是你的專案主要讀取、建立，以及修改本機檔案的位置。

不過，如果你有需要使用瀏覽器、外掛程式、連線服務，或者你有給予完整存取權的話，也可能涉及資料夾以外的內容。

上述專案與資料夾的關係，同樣也適用於 Claude 與 Antigravity 。

給你的 AI 更多權限

所以接著就要談權限了。

當你要準備跟 ChatGPT 對話的時候，在對話框的左下角，你可以看得到有三種核准選項：

1. 要求核准：如果你要編輯專案資料夾以外的檔案，或使用網際網路以前，它會先詢問使用者。

2. 代我核准：自動處理部分動作不會先問你；只是偵測到可能不安全的操作時，仍然要求使用者先核准。

3. 完整存取權：不受以上限制，任意存取網路與電腦上的檔案，是風險最高的設定。

首先我建議你就先從預設的「要求核准」開始。

不過以我的使用方式來說，我都是從「代我核准」開始。它可以減少你的工作一直被核准視窗打斷，如果 AI 判斷可能不安全時，會再把決定權交回給我。

有時候我也會直接開啟「完整存取權」，等於是全權交給 AI 自己處理，選擇後，介面也會用橘色字體持續提醒你，目前處於高風險權限狀態。

總之，風險自負啊！

使用 AI 代理必學的概念：技能

當你要讓 AI 代理可以穩定地做出你想要的成果時，你一定要有完整的 SOP，並且讓它實際執行過一次。

這個 SOP 就叫做技能。

ChatGPT 桌面應用程式的技能存放位置，在左上角的外掛程式，外掛程式可以讓 ChatGPT 連接其他應用程式。你可以先把常用的都裝一裝，點下去按照步驟來做就可以了。

然後你可以在外掛程式頁面上方，看到 skill 選項，點擊後會切換到 ChatGPT 目前掌握的技能表。

在上一期電子報介紹了我製作的 Learn-GAS 技能包，它是一款引導 AI 代理製作 Google Wrokspace 自動化的技能包，安裝後就會放在技能表內。

用 Learn-GAS 開始第一個辦公室專案

如果你平常需要操作 Google 試算表、文件、Gmail、雲端硬碟，其實你可以使用 Google 推出的 Apps Script 工具來幫它們添加外掛功能。

使用方式如下：

1. 在桌面版的「工作」建立本機專案，並選擇準備好的資料夾。

2. 把 Learn-GAS 的 GitHub 連結，貼進專案對話區，請 AI 代理下載這個專案。

3. 請它先讀取專案裡的安裝說明，再依說明安裝技能。

4. 另外還可以建立自己的 Apps Script 專案資料夾，告訴它你想完成的辦公室任務。

ChatGPT 可能會把 Learn-GAS 專案的技能，安裝到全域技能目錄 ~/.agents/skills/。

如果你明確只想讓目前專案使用，可以告訴 AI ，讓它放在專案的 .agents/skills/。

現在你就可以開始製作你的第一個 Google 自動化流程了。

相關連結

• Learn-GAS GitHub 專案

• ChatGPT「工作」與 Codex 官方說明

• ChatGPT「工作」入門

• ChatGPT 更新說明

• ChatGPT 電腦操作說明

• ChatGPT 與 Codex 權限模式

• ChatGPT 與 Codex 技能說明

加入社畜進化論｜Raven AI

如果你也想和更多正在實際使用 AI Agent 的夥伴交流、分享成果，並一起解決工作與自動化上的問題，歡迎加入我的 Skool 社群「社畜進化論｜Raven AI」。

像是 Gmail、Google 試算表、Google 文件、Google 表單，還有 Google Drive。

這些功能只要一般的個人免費帳號就能使用，而且早就已經是我們工作和生活的一部分。

但大部分的時候，我們都只是分開使用這些工具。

例如我們辦公室最常用的，就是將 Google 的試算表當作一般的表格在用。

比方說你需要讓同事填一些資料的話，你就自己做一個試算表表格，然後把連結丟給同事，讓他們自己去填寫。

或者說，每次資料整理完要寄信給其他人時，如果需要針對不同的內容寄信，你就只能個別客製化去寄。

每一件事情單獨看起來都不難，但只要每天重複做，累積起來就會花掉很多時間。

我們可以更有效地運用 Google 工具

其實 Google 還有一個工具叫做 Google Apps Script。

它可以把 Gmail、Google 試算表、Google 文件、Google 表單和 Google Drive 串在一起，幫我們處理很多重複性的工作。

例如有人填完表單之後，自動整理資料、建立文件，再寄出通知信。這些事情原本可能需要在不同工具之間來回切換，但透過 Google Apps Script，就有機會變成一套完整的自動化流程。

可是，一般人聽到 Google Apps Script，第一個反應通常就是：

「這是不是要會寫程式？」

就算現在可以請 AI 幫忙寫程式，接下來還是會遇到很多問題。

程式要放在哪裡？

要怎麼執行？

為什麼 Google 要求授權？

執行失敗之後，要去哪裡確認錯誤訊息？

這就是我製作 Learn-GAS 的原因

我過去曾經寫了一本學習 Google Apps Script 的電子書，讓新手搭配 ChatGPT 來製作 Apps Script 專案。

但是在這個資訊爆炸的時代，還要花時間去讀電子書實在是太累了。

能不能讓 AI 帶著我做呢？

所以我就決定做了這一個專案：Learn-GAS。

你只要把整個 Learn-GAS 專案連結，丟給你平常使用的 AI Agent，讓 AI Agent 讀取裡面的技能與規則，再由它帶領你一步一步完成就可以了。

目前你可以搭配 Claude Code、Codex 或 Google Antigravity 使用。

你不需要先讀懂專案裡面的每一個程式檔案，也不用先研究 Apps Script 的所有技術細節。

你只要先告訴 AI Agent：

「我想學習 Google Apps Script。」

或者直接告訴它：

「我想做一個可以自動整理家庭支出的試算表。」

「我想根據名單批次產生文件。」

「我想用 Google 表單收集資料，再自動寄出通知。」

接下來，AI Agent 會協助你整理需求、規劃流程、撰寫程式、進行測試，並在需要你操作的地方，告訴你接下來要做什麼，以及完成之後應該看到什麼結果。

有不同的目標，就走不同的流程

Learn-GAS 技能包裡面把不同工作分開處理。

想從頭學習時，有教學流程；想直接製作自己的自動化工具時，有專案開發流程；遇到錯誤時，也有專門的除錯流程。

我在整個步驟中，重新安排了人和 AI Agent 的分工。

程式、本機檔案、測試和技術處理，可以盡量交給 AI Agent。

帳號登入、Google 權限授權、以及驗收最後成果，則由使用者自己確認。

這樣子可以讓你不需要在介入程式語言的情況下，能夠充分地理解你做的 Apps Script 專案脈絡。

真正要學的，是怎麼指揮和驗收 AI Agent

我們現在的工作型態，有了 AI Agent 之後，有了非常大的改變。

從過去我們必須親自去動手寫程式、操作介面，到現在，我們更重要的事情是：我能不能清楚表達我的需求？以及我的需求能否交給 AI Agent？

當我們接到一份任務的時候，我們首先要思考的是，有哪些工作可以交給 AI Agent？有哪些工作必須由我自己做？

當 AI Agent 做完工作之後，程式能不能自行判斷、驗收，確認結果是否正確？

所以 Learn-GAS 技能包的目標，是讓我們學會與 AI Agent 一起工作，利用自己原本就在使用的 Google 工具，做出能替自己節省時間的自動化流程。

你不需要成為工程師，先從一件每天都在重複做，而且早就很想省下來的工作開始。

相關連結

• Learn-GAS GitHub 專案

• Google Apps Script 官方介紹

加入社畜進化論｜Raven AI

如果你也想和更多正在實際使用 AI Agent 的夥伴交流、分享成果，並一起解決工作與自動化上的問題，歡迎加入我的 Skool 社群「社畜進化論｜Raven AI」。

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