這個時代，用好 AI 的第一步就是丟掉 ChatGPT
從聊天框到 Agent 工作流，真正要練的不是問問題，而是帶 AI 完成任務、驗收結果，最後沉澱成可重複的工作系統。
卷首語
過去幾次在臉書跟電子報中跟常跟大家分享 Agent Skill 的重要，今年規劃了 Agent Skill 的內訓，如果大家對這堂課有興趣也可以留言告訴我。
最近找幾個朋友聊了聊，發現我們 AI 用的越多，有時候讀書時間更少了。可以閱讀的時間也常常拿去追新的資訊、滑短影片，AI、短影片造成的注意力下降在這個時代越來越嚴重了，相信大家也深有感。
有時候我連洗澡都想說來聽個 Podcast，但是某一天突然在想，洗澡不也是一個思考沉澱的時間嗎？時間如果不是塞資訊、就是看短影音，這樣思考的時間在哪裡？
但要回歸專注也很簡單，在自己的行事曆排好一個時間，那個時間專門就拿來閱讀、思考就好。但是手機真的越來越像現代毒品，沒有用電腦的時候就會想打開社群看看，同樣是 App，有時候社群 App 還是更吸引人。
如何靠一些機制、方法來限制/引導自己往專注思考、閱讀變成一個越來越重要的議題，尤其不能反人性，一切反人性的方式都容易翻車。歡迎大家留言分享自己的好方法！
「知識倉鼠」Line 社群會有更多討論與交流，歡迎加入。
================= 廣告時間 ================
在進入這週的主題之前，想先跟你分享一個最近讓我覺得「原來如此」的東西。
我認識 VK 好幾年了。她是《VK 科技閱讀時間》Podcast 主持人，每週要消化大量科技資訊做節目，至今累積了超過 350 篇研究、跟 AI 來回協作超過 60 萬字，也曾受邀到 Google I/O 跟 NotebookLM 團隊交流。我一直知道她產量高、寫得快，每週都能穩定交出東西，但她到底怎麼做到的，我以前一直沒真的搞懂。
直到她把整套流程拆開給我看，我才知道那個「穩定」是怎麼來的。
她的方法不是偶然跑出來的，是在真實的大量產出壓力下，一步一步磨出來的。我本來以為她教的是寫作者的事，跟我沒太大關係。但我讀完整個體驗包才發現不是。她給了三套工作流，分別對應內容創作、產業研究、學術研究。只要你的工作需要「快速把陌生資料變成可以用的判斷」，這套流程就對你有用。
真正的卡點在哪裡
行銷在做市場調查是這樣，PM 要整理競品策略是這樣，業務見新客戶前要惡補產業知識也是這樣。卡的不是「做不到」，是「把一堆陌生資料讀懂、整理出全貌」這一段太耗，耗到很多人還沒開始就先放棄了。這才是真正的卡點。
VK 的流程是這樣走的：先用 NotebookLM 的 Deep Research 掃大量來源建資料庫，再手動補它抓不到的（官方文件、法說會簡報、Podcast 逐字稿）。然後做一張術語表，她說掌握 20% 的關鍵字，就能讀懂 80% 的內容。接著做「全景總覽」，先把地圖看完，刻意不急著問問題。這一步是在對抗一個很常見的陷阱：你一開口就只能問到你以為你知道的答案，確認偏誤就這樣長出來了。
最打動我的是兩個設計。第一個是「驗證提示詞」：你用自己的話把重點整理一遍，再把答案貼回去讓 AI 檢查，它會直接告訴你哪裡其實沒搞懂、哪裡把猜測當成事實。「看過」跟「真的懂了」之間有一條縫，這招是去踩那條縫的。第二個是反幻覺設計：她的提示詞要求 AI 每個論點都附上原文摘句，資料不足的地方標「來源未涵蓋」，不准憑空填答。
這不是把工作外包給 AI。你的判斷、觀點、取捨，還是你自己來。AI 把最耗時的前置整理好，讓你把腦力留給真正該你出手的地方。「能用 30 秒講給朋友聽」是她驗收「你真的理解了」的標準，我覺得這條線設得很對。
先試試這段提示詞
我讀完之後，第一件事是把這套「先把資料整理成全貌、再回頭驗證自己到底懂沒懂」的思路，整理進我自己的工作流裡。底下這段是入門版。先在 NotebookLM 用 Deep Research 匯入資料、勾選你要參考的來源，再把這段貼進去跑（工具免費，手機也能跑）：
請只根據我匯入的來源整理，不要用你自己的背景知識補充，全部用條列、每點簡短好讀：
先給我 3 到 5 句的整體判斷，讓我一眼抓到這批資料的重點。接著再分四塊：
一、發展脈絡：這個主題怎麼一路走到現在，有哪些關鍵節點。
二、主要立場或做法：有哪幾種，各自的核心論點是什麼。
三、還沒定論的爭點：哪些地方目前還沒有共識。
四、下一步該補什麼：列出我最該再找的 2 到 3 類資料，並說明少了它們，我的判斷會有什麼盲點。
三個規則：
1. 每一點都用括號標出來自哪一份來源，如果來源裡有原句，附一句短摘錄。
2. 資料不足以回答的，直接寫「來源未涵蓋」，不要自己編。
3. 不要寫「很重要」「值得關注」這種空話，只給具體內容。
試完之後，你會感覺到「有結構地問」跟「隨便問」差在哪裡。
VK 的完整課程
這段提示詞只是入門。VK 課程的完整版本，是針對寫作、產業研究、學術研究不同情境，一步扣一步的連續流程，告訴你什麼時候建資料庫、什麼時候回頭驗證理解、什麼時候把資料收斂成判斷。兩者的定位本來就不同。
如果你只是想叫 AI 直接幫你生一篇出來，這堂課可能不是你要的。但如果你的工作就是要讀大量資料、整理出自己的判斷，這套會很有感。你卡住的可能不是能力，而是還沒有一套把混亂陌生資料變成清晰全貌的方法。這堂課在解決的，就是這件事。
課程還在集資期，想試的話這陣子入手會比較好。VK 另外還有產業研究、學術研究兩套，這次集資三堂合購會更划算。
折扣碼 CIRCLEGHOST 是給知識倉鼠讀者的專屬福利，結帳折 $80，連結在這：https://pse.is/98dseq
好，這個先分享到這。我們回到這週的正題。
=============== 廣告時間結束 ==============
正文開始
你每天都在用 AI，但真正煩的那段，很多時候還是你自己在做。
AI 幫你寫好程式，你複製、貼上、執行、看報錯，再把錯誤訊息貼回去問第二次。AI 幫你寫好貼文，你還是要自己搬到社群發布頁面，重新排版、上圖、檢查連結。AI 幫你整理一份表格，它給你一套漂亮步驟，接著你開啟表格，一格一格貼，跑錯了再回頭問它。
然後呢？
你看起來用了 AI，也確實比完全不用快。但你仔細想想，自己其實變成了 AI 和真實工作之間的資訊搬運工。
所以我最近最想提醒一件事：真正該丟掉的，是「只在聊天框裡用 AI」這件事。
這不是叫你不要用 ChatGPT，也不是說 Claude、Gemini 這些模型不好。聊天框仍然很適合發想、問答、寫草稿、解釋概念。問題在於，一旦任務進入真實工作，光有聊天框就不夠了。
真正的差距，會出現在 AI 能不能進入你的資料、工具、流程和檢查點。你不只是跟 AI 對話，你要開始帶著 AI 做事。
真正該丟掉的，是複製貼上的工作模式
目前大部分人使用 AI 的方式，還停在「我問，它答，我搬運」。
這個模式最大的問題，是 AI 的產出和真實工作被切開了。
你叫 AI 整理一份 Excel，它給你一套漂亮步驟：怎麼篩選、怎麼寫公式、怎麼拉樞紐。然後呢？你還是得自己開啟資料，一格一格貼，發現上個月格式跟這個月不一樣，再重拉一次。
寫程式更明顯。AI 給你的程式碼看起來無懈可擊，貼進去一跑紅字一片，你複製錯誤再丟回去，來回三四趟。
會議紀錄也差不多。AI 可以幫你摘要，但你還是要自己比對原文、拆待辦、貼到專案管理工具，再提醒相關人。
這些工作不是完全沒有價值，但很容易讓人卡在一種新型態的低價值勞動裡。你沒有在判斷，也沒有在創造，你只是在幫 AI 搬東西。
下一個重要關鍵詞，會從 prompt 走向 Agent。
這裡先把詞講清楚：我後面統一用 Agent，指的是具備自主行動能力的 AI，英文常被放在 Agentic AI 這個大類裡。白話說，Agent 不只回答你「怎麼做」，它會自己拆步驟、動用工具、讀寫資料，然後一路把事情推到可驗收的狀態。
Claude Code、Codex、Antigravity、Cursor 這類工具的差異就在這裡。它們不只是另一個聊天框，也可以進入你的工作環境，讀資料夾、跑指令、整理內容、修改資料，甚至在你的授權下操作瀏覽器和電腦。
但這裡要補一個很重要的分流。
Claude Code 是 Anthropic 的命令列 coding 工具（目前 app 版也可以使用），Codex 是 OpenAI 的 coding agent 系列，Antigravity 是 Google 推的 agentic 開發環境，Cursor 則是 AI 程式碼編輯器。它們都偏向開發者，不是每個非工程背景的人都要一開始就衝進去用。
對一般知識工作者來說，真正要理解的重點，是 AI 正在從聊天框走進工作現場，不是每個人都要立刻學寫程式。如果你不是工程師，可以先從有 Connector、MCP 或工作區整合的工具開始，讓 AI 先接觸低風險資料、行事曆、信件摘要或雲端資料，再慢慢往更複雜的流程走。
這張圖其實是在講 multi-agent 或 sub-agent 的工作方式：一個主 Agent 根據任務需求，把不同子任務分派給不同 Agent，最後再把結果收回來整理。
這裡的差異可以講得再白話一點。
網頁版 ChatGPT 像是你請一位顧問坐在會議室裡。你問它問題，它回答得很好，但你還是要自己去跑流程、開軟體、整理資料、交付成果。
Agent 更像是一位可以跟你一起坐在桌邊一起做事的助理。你給它目標，它可以讀取相關資料、拆解步驟、操作工具、產出結果，最後把成果交回來讓你檢查。
前者是 AI 給你說明書。後者是 AI 開始和你一起完成任務。
只要體驗過一次，就回不去聊天框了。
AI 會先拿走的，是低價值的數位勞動
我以前也會把 AI 取代工作這件事想得很抽象，好像是在討論某種遙遠的未來。
但真的把 Agent 放進每日工作後，會發現它通常先改變的是工作裡大量低價值的數位勞動。
找資料、整理簡報、調整排版、比對金額、整理 Excel、彙整會議記錄、把資料從 A 系統搬到 B 系統。這些事情不一定困難，卻非常消耗注意力。
舉個更貼近主管和知識工作者的場景：每週有五份業務週報，你要抓重點、對數字、整理成一頁給老闆看的簡報。AI 可以幫你摘要每份週報，但如果你還要自己開啟五份資料、複製內容、調整格式、檢查每個數字有沒有對上，其實你還是在做搬運工。
CRM 名單也一樣。你每週匯出名單，對照行銷回填表，找出誰還沒跟進。這種任務的價值不在手動比對，而在你最後能不能判斷：哪些客戶需要優先跟？哪些線索其實已經冷掉？下一步要不要改話術？
以前這些工作會構成一種安全感。你很忙，你一直在處理事情，你有很多待辦，你看起來很不可或缺。
但 AI 會慢慢把這層安全感拆掉。
當整理資料、調整格式、產出初稿、比對資訊這些任務開始被 AI 壓縮，人就必須回答更困難的問題：我要它做什麼？什麼結果才算好？錯了我要怎麼檢查？最後我要如何做判斷？
所以我會比較精準地說：未來會被快速自動化的，是那些目標清楚、流程固定、資料可取得、結果可驗證的數位任務，而不是所有透過螢幕完成的工作。
一個任務適不適合交給 Agent，可以先問四個問題：
目標清楚嗎？
資料拿得到嗎？
流程拆得開嗎？
結果驗得了嗎？
一句話：目標清楚、資料拿得到、流程拆得開、結果驗得了，這種事 AI 接得住。
要是靠的是人際信任、價值判斷、檯面下的角力，AI 幫得上忙，但別把方向盤整個交出去。
成熟的 AI 使用，是知道哪些事情可以交出去，哪些地方一定要有人類負責，而不是看到 Agent 就什麼都丟給它。
很多人感受不到 AI 變強，是因為用法被關住了
這兩年 AI 進步很快，但很多人心裡還是會想：「真的有差那麼多嗎？」
我覺得原因很簡單。大部分人同時卡在兩個限制裡。
第一個限制，是模型能力。免費版和付費版通常在模型、上下文長度、工具開放程度、資料處理能力與使用額度上都有差距。你如果只用免費版，就很難感受到前沿模型在複雜任務上的差異。
第二個限制，是工作環境。網頁版 AI 多半停留在聊天視窗裡。它可以產生答案，但不一定能直接碰到你的資料夾、表格、內容、信件、日曆、專案資料與各種工具。
不過這裡要說精準一點：能不能讓 AI 進入工作環境，關鍵不全是付費與否，而是你用的是哪一種介面。付費通常買到更強的模型、更長上下文和更高額度；真正讓 AI 進場的，往往是電腦端工具、工作區整合、Connector，還有接下來很重要的 MCP。
MCP 可以把它想成 AI 世界的 USB-C。
過去每個工具都有自己的接法，AI 要讀信件、查資料庫、接 Notion、打 Slack、跑內部系統，都要各自寫一套整合。MCP 做的事情，是讓 AI 和外部工具之間有一個比較標準化的介面。當這個介面成熟，AI 就更容易從聊天框走進真實工作流程。
所以 AI 這波變化最值得注意的地方，不只是模型回答變聰明，而是它開始具備完成任務的結構：能拆解目標、使用工具、讀寫資料、執行指令、檢查結果，再根據錯誤修正。
AI 的能力，正在從「答案品質」走向「任務完成度」。
業界對這個過程有一些詞，例如 agent loop，或 ReAct 這類「思考、行動、觀察、再修正」的模式。你不用一開始就記這些術語，但要抓住核心：Agent 會反覆推進任務，和一次問答完全不同。
如果你還只在聊天框裡使用 AI，會越來越難感受到這個差異。很多真正有價值的能力，會在工具呼叫、資料操作、流程執行與結果驗收的過程裡發生，聊天框只看得到其中一小段。
這也是為什麼有些人覺得 AI 只是比較會寫文章，有些人卻已經在用 AI 跑研究、整理資料、改程式、做設計、管理資料、處理內部流程。
他們用的不是同一種 AI 工作模式。
一邊還在問：「這段文案可以怎麼寫？」另一邊已經在問：「請你讀完這個資料夾，找出重複資料，整理成報表，產出下一步建議，然後把過程記錄下來，下次可以重複執行。」
長期累積下來，差距會非常大。
每個人都該有自己的 AI 數位助手
所以，與其等到公司開始採用完整系統，或等到主管要求你開始用 AI，不如先從自己能控制的小範圍開始。
每個人都應該要有自己的 AI 數位助手。
這句話聽起來像口號，但我其實是很實際地在說：你需要開始培養一個能理解你工作流程、能讀取你允許它讀取的資料、能幫你完成重複任務、也能被你檢查與修正的 AI 工作夥伴。
如果公司還沒有補助，個人也可以先從自己的學習、公開資料、非敏感任務開始付費使用。但這裡要特別提醒，不要把公司機密、客戶個資、合約與內部財務資料直接丟進未授權的個人 AI 工具。
AI 助理越有用，代表它越接近你的真實工作資料。這時候，授權管理就會變成 AI 領導力的一部分。
這跟管理真人有點像。你不能只跟助理說「幫我弄一下」，然後期待對方完美理解你的標準。你要說清楚目標、提供資料、定義成果、確認期限、給出品質標準，最後還要檢查結果。
差別在於，AI 的學習方式可以被系統化。
你做過一次成功的任務，不應該只停留在一次性的對話紀錄裡，而應該慢慢變成固定格式、流程、檢查清單，甚至是 Skill。
這就是個人工作資產的新型態。
以前你的工作資產可能是內容資料、簡報、固定格式、資料庫、客戶名單。接下來，你的工作資產還會包含一組你自己訓練出來、整理出來、可以反覆使用的 AI Skills。
如果你是主管，這件事還有另一層意思。
不要一開始就想把整間公司 AI 化。比較務實的做法，是先找出「每個人都在重做」的事。每週都有人整理週報嗎？每個業務都在自己比對名單嗎？每次會議後都有人手動拆待辦嗎？
先把這些任務變成團隊共用的 Skill。
ROI 也不要只說「效率提升」。要用很樸素的方式算：這件事每週原本花幾個人、幾小時？AI 介入後，人類只做最後驗收，要花多久？錯誤率有沒有下降？交付時間有沒有穩定？
這些數字，才是你跟老闆討論 AI 落地時真正有用的語言。
風險治理也要一起做。哪些資料可以給 Agent？哪些任務要人工確認？哪些結果不能直接對外？如果這些問題沒有先講清楚，Agent 越能幹，風險也會越快放大。
如何開始：先讓 AI 在你的電腦上完成一件小事
去年的文章中，我曾經簡單為使用 AI 這件事做過幾個 Level 分類：
https://circleghost.substack.com/i/149251901/3-初學者該如何一步步強化個人能力
但現在我會重新規劃成四個步驟。
Step 1：先從電腦協作開始
付費訂閱之後，不要只是繼續使用網頁版。你可以下載 Claude Code、Codex，或使用 Cursor、Antigravity 這類能接觸工作環境的工具，從一個測試資料夾開始。
如果你不是工程師，不要被 Code 這個字嚇到。這一步的重點是先體驗 AI 進入你電腦工作現場的感覺。
你可以從很小的任務開始：整理一個資料夾、批次重新命名資料、把 CSV 轉成報表、檢查資料格式、整理會議逐字稿。
第一次不要丟公司機密資料。先開一個測試資料夾，放幾個假資料或低風險資料，讓 AI 練習整理。
這一步真正訓練的是把任務交代清楚，並要求 AI 交付可驗證結果的能力，寫程式只是其中一種可能。
你可以試著這樣問：
請你讀取這個資料夾，先列出裡面有哪些資料種類，再提出一個整理方式。不要直接修改，先給我整理計畫，等我確認後再執行。
這樣的指令看起來很簡單，但它已經包含幾個重要能力：讀環境、盤點資料、先規劃、等待確認、再執行。
這就是從聊天框走向 Agent 協作的第一步。
Step 2：讓 AI 連上你的工作環境
大概知道 AI 可以在電腦上做事之後，你可以開始嘗試 Connector、Plugin、MCP 或各種工作區整合，讓 AI 串接 Gmail、Google Calendar、Drive、Notion 這類服務。
這一步的目標，是體會 AI 連結網路世界的能力。
它不只是幫你寫一封信，而是可以協助你整理信件、看日程安排、找出未回覆事項，甚至根據行事曆產生待辦。
但串接服務時，不要只看到方便，也要開始建立授權意識。建議先從低風險資料開始，確認 AI 會讀到什麼、能做什麼、結果是否可靠，再逐步擴大使用範圍。
這一步你要練的，不只是「讓 AI 可以連上更多工具」，而是「知道該開放哪些資料與工具，以及在哪裡設檢查點」。
Step 3：讓線上資料和電腦裡的資料接起來
再下一步，是讓 AI 把信件裡的 PDF、雲端裡的 Excel 或 Google Docs 下載下來，在電腦裡進行處理。
例如把不同客戶資料歸檔、整理不同年份的試算表、把會議紀錄轉成待辦清單，再輸出到指定資料夾。
這一步其實是在建立你的資料工作流。
你要開始練習讓 AI 完成一整段流程：從雲端找到資料，下載到電腦裡，整理格式，轉換成你要的報表或成果，最後再把結果放回指定位置。
一開始不用追求全自動。更重要的是讓 AI 學會每個步驟，也讓你學會在哪些節點檢查結果。
很多人一開始用 Agent 會失敗，就是因為太早追求「一鍵完成」。真實工作流很少這麼乾淨。你應該先讓 AI 把流程拆開，每一步都能被你看懂、確認、修正，等流程穩定之後，再逐步自動化。
這裡的關鍵是可控，速度反而是後面的事。
Step 4：把重複工作整理成 Skill
Skill 是我認為這兩年非常重要的趨勢。
Anthropic 已經把 Agent Skills 產品化，並把它推成更標準化的做法。這代表 Skill 不只是某個人的提示詞小技巧，而是逐漸變成 AI 工具生態裡的一種工作單位。
一個再聰明的 AI，也不會天生知道你的工作流程。它不知道你習慣怎麼整理資料，不知道你的交付標準，不知道哪些格式你可以接受，哪些錯誤你絕對不能接受。
所以你需要建立專門給 AI 用的 Skill。
Skill 可以理解成「給 AI 用的 SOP」。它比一句 prompt 更完整，會把一個重複任務背後的目的、資料來源、操作步驟、判斷規則、輸出格式與檢查標準整理起來。下次 AI 不只知道你要什麼，也知道你習慣怎麼做、什麼叫做做得好。
高重複度的工作、固定 SOP 的任務，都值得嘗試做成 Skill。
像是每週整理客戶名單、產出週報、彙整社群回饋、檢查文章格式、整理會議紀錄，這些都可以從一次性的 prompt，慢慢沉澱成流程型的工作資產。
這裡我想多講一句：Skill 不是炫技。
很多人聽到 Skill，會以為那是工程師才需要的東西，或是某種很複雜的自動化系統。但它本質上其實很樸素，就是把你腦中已經存在的工作經驗寫下來，整理成 AI 看得懂、做得到、檢查得了的格式。
你以前教新人怎麼做事，會寫 SOP。你現在教 AI 怎麼做事，也需要 SOP。
只是這次的讀者換成了一個可以呼叫工具、處理資料、反覆執行的 Agent。
未來真正有價值的個人工作資產，可能不只包含內容資料和固定格式，也會包含你累積出來的一組 AI Skills。
最後要練的，其實是 AI 領導力
基本上，能夠把上述四步熟練起來，你就會開始掌握 Agent 的使用能力。
Agent 的本質其實不神秘，很像一套持續推進的 PDCA：Plan 規劃、Do 執行、Check 檢查、Act 調整。工程圈會用 agent loop 或 ReAct 這類詞描述它，管理者可以先把它理解成一個反覆完成任務、檢查結果、修正流程的工作節奏。
所以最後真正要練的，其實是 AI 領導力。
所謂 AI 領導力，不只是會下 prompt，而是能不能完成四件事：定義任務、分派流程、驗收結果、沉澱系統。
定義任務，代表你知道要 AI 解決什麼問題。分派流程，代表你能把工作拆成 AI 可執行的步驟。驗收結果，代表你有能力判斷成果是否可靠。沉澱系統，則是把一次成功的合作變成下次可複用的 Skill。
過程中，我們也會慢慢發現自己的核心能力是什麼。可能是業務力、戰略規劃能力、合作談判力、產品判斷力，或某種很難被寫進職稱裡的經驗。
AI 會壓縮低價值的數位勞動，但它也會逼我們更清楚地看見：自己真正能帶領 AI 去完成什麼。
講了這麼多 PDCA、Agent、MCP、Skill，其實最後只剩一個動作：現在就開啟一個 Agent 工具，挑一件最小的事，讓它做一次，你檢查一次。
整理一個資料夾、處理一份表格、產出一份成果，或幫你把一個固定流程寫成 Skill，都可以。
領導力不是讀來的，是帶過一次才有的。
先試一次就好。
很多事情，是開始用之後才會真的理解。