# 影片筆記：（該學 Codex？還是 Claude Code？）打造 AI Agent 的底層邏輯是這個！

## 一句話總結

影片強調從「聊天機器人」轉向「AI Agent」的核心不在於選擇特定工具（如 Codex 或 Claude Code），而在於掌握底層邏輯：將 AI 視為員工進行工作分配、下達清晰指令（GPS）並驗證結果（ARR），透過自動化重複性任務，將人類時間釋放給高價值的策略判斷與品味磨練。

## 核心重點

1.  **觀念轉變：Chatbot vs. AI Agent**
    *   **Chatbot**：僅提供建議，人類仍需動手執行（副駕模式）。
    *   **AI Agent**：自主執行完整任務，具備讀取檔案、寫入檔案、上網搜尋及生成新檔案的能力（司機模式）。
    *   **結論**：工具會迭代，但「如何判斷工作」、「如何下指令」、「如何驗證結果」的底層邏輯不會過時。

2.  **實戰應用案例**
    *   **檔案整理**：將混亂的表格自動統一格式、檔名並生成 Excel 報表，將數小時工作縮短至 10 分鐘。
    *   **市場研究與簡報**：AI 自行搜尋資料、撰寫策略、生成 PPT 並進行自我檢查（QA），將數週顧問服務縮短至 20 分鐘。
    *   **一人團隊**：透過同時開啟多個 AI Agent 分身，模擬不同職位分工，實現「一個人抵一個團隊」的效率。

3.  **底層邏輯與操作原則**
    *   **判斷是否丟給 AI 的口訣 (ARR)**：
        *   **A (Automatic)**：能自動運行，不需全程盯梢。
        *   **R (Repetitive)**：重複發生，每週或經常執行。
        *   **Result**：結果可驗證，能一眼檢查對錯。
    *   **下指令的檢查 (GPS)**：
        *   **G (Goal)**：目標清楚，能用一句話講完。
        *   **P (Proof)**：驗收標準明確，知道做對的長相。
        *   **S (Steps)**：步驟清晰，每一步都講得出來。

4.  **心態與安全**
    *   將 AI 視為「新到職的員工」，需像帶新人一樣糾正，AI 會記住習性。
    *   **安全原則**：不給予銀行卡、重要密碼；保留「確認關卡」，預設詢問是否執行，不要關閉確認機制。
    *   **省下的時間**：當執行成本趨近於零，判斷力與品味變得更貴，應專注於策略與高價值判斷。

## 詳細大綱

### 一、 觀念轉變：聊天機器人 vs. AI Agent
*   **聊天機器人 (Chatbot)**：
    *   特性：等待指令，提供建議。
    *   角色：副駕，人類仍需開車（動手做）。
*   **AI Agent**：
    *   特性：自主執行完整任務。
    *   能力：能讀取電腦檔案、寫出新檔案、上網查資料。
    *   運作：將目標拆解為步驟並執行。
    *   角色：司機，人類給目的地，AI 開車。
*   **核心結論**：工具（Codex, Claude Code 等）會迭代，但底層邏輯（如何判斷工作、如何下指令）不會過時。

### 二、 實戰 Demo 1：檔案整理與報表生成
*   **情境**：處理一堆檔名混亂、格式不一的同事表格。
*   **操作步驟**：
    1.  將檔案拖入資料夾。
    2.  下達指令：統一檔名（日期/部門/姓名）、整理資料、標出金額前 3 大客戶。
*   **AI 行為細節**：
    *   確認機器身份與環境。
    *   檢查工具是否存在，若無則自行安裝指令碼。
    *   讀取結構、處理異常、驗證結果。
    *   生成 Excel 並標註重點。
*   **效率對比**：原本需數小時的工作，縮短至約 10 分鐘。

### 三、 實戰 Demo 2：市場研究與簡報製作
*   **情境**：研究手沖咖啡市場、找出競爭對手、制定切入策略並製作簡報。
*   **操作步驟**：
    1.  輸入完整任務指令。
    2.  AI 自動擬定計劃、確認方向。
    3.  自行載入搜尋工具與簡報製作工具（如 Node, PPTxgenjs）。
    4.  背景作業上網查資料（不一定開啟瀏覽器視窗）。
    5.  生成指令碼、執行、處理雲端硬碟路徑問題。
    6.  **自我檢查 (QA)**：逐幀檢查圖片渲染、邏輯硬傷（如 Slide 4 的矩陣問題），並自動修正。
    7.  生成 README 說明檔，並透過 Telegram 發送完成通知。
*   **效率對比**：原本需數週、數萬美元的顧問服務，縮短至約 20 分鐘，成本趨近於零。

### 四、 實戰 Demo 3：一人團隊與分身概念
*   **概念**：利用 AI Agent 同時開啟多個「分身」，模擬不同職位（研究員、助理、文案）。
*   **操作步驟**：
    1.  使用 Split view 將畫面分為多個視窗。
    2.  同時交辦不同任務（如：一個分身研究產業新聞，另一個整理資料，第三個回覆客戶草稿）。
*   **價值**：上班族也能實現「一個人抵一個團隊」，在相同時間內交付 3 倍成果。
*   **案例**：有不會寫程式的人透過此方法，13 天建立月入約 300 萬臺幣的小生意。

### 五、 底層邏輯與安全提醒
*   **判斷工作是否該丟給 AI 的口訣 (ARR)**：
    *   **A (Automatic)**：能自動跑，不需一直盯。
    *   **R (Repetitive)**：重複發生，每週都要做。
    *   **Result**：結果可驗證，一眼能檢查對錯。
*   **下指令的檢查 (GPS)**：
    *   **G (Goal)**：目標清楚（一句話講完）。
    *   **P (Proof)**：驗收標準明確（知道做對的長相）。
    *   **S (Steps)**：步驟清晰（每一步都講得出來）。
*   **心態調整**：
    *   不要當魔法盒，要當「新到職的員工」。
    *   第一次可能不到位，需像帶新人一樣糾正，AI 會記住習性。
*   **安全原則**：
    *   AI 擁有私密資料 + 上網能力 + 聽指令 = 風險。
    *   原則 1：不給予銀行卡、重要密碼。
    *   原則 2：保留「確認關卡」，預設詢問是否執行，不要關閉。

### 六、 省下的時間該做什麼？
*   當執行成本趨近於零，**判斷力**與**品味**變得越來越貴。
*   應將時間用於：想策略、做判斷、磨練人類獨有的品味。
*   建立自己的系統邏輯，而非僅學習特定工具的按鈕操作。

## 工具 / 模型 / 名詞整理

*   **AI 工具/模型**：
    *   Claude Code
    *   Codex
    *   OpenCloud（疑點，聽似 OpenClaw 或其他，依逐字稿保留）
    *   愛馬仕（疑點，聽似誤聽或特定暱稱，依逐字稿保留）
    *   ChatGPT
    *   AI Agent
*   **軟體/技術元件**：
    *   Excel
    *   PowerPoint (PPT)
    *   Node
    *   PPTxgenjs
    *   PowerShell
    *   Telegram
    *   Google 雲端硬碟
    *   build_deck.js
    *   README.md
*   **平台/服務**：
    *   YouTube
    *   LINE
    *   QR Code

## 操作流程整理

### 流程一：檔案自動化整理
1.  **準備**：將混亂的原始檔案（表格）拖入指定資料夾。
2.  **下達指令**：明確要求統一檔名格式（日期/部門/姓名）、整理資料內容、並標註金額前 3 大客戶。
3.  **AI 執行**：
    *   確認環境與工具可用性（自行安裝必要指令碼）。
    *   讀取檔案結構，處理異常情況。
    *   驗證處理結果。
4.  **產出**：生成統一的 Excel 報表，並標註重點資訊。

### 流程二：市場研究與簡報生成
1.  **下達指令**：輸入包含市場研究、競爭對手分析、策略制定及簡報製作的完整任務。
2.  **AI 規劃與執行**：
    *   自動擬定執行計劃並確認方向。
    *   載入必要工具（Node, PPTxgenjs）。
    *   背景執行上網搜尋資料。
    *   生成指令碼並執行，處理雲端路徑問題。
3.  **自我檢查 (QA)**：
    *   逐幀檢查圖片渲染效果。
    *   檢查邏輯硬傷（例如簡報中的矩陣邏輯）。
    *   自動修正發現的問題。
4.  **通知與交付**：生成 README 說明檔，並透過 Telegram 發送完成通知。

### 流程三：一人團隊分身協作
1.  **環境設定**：使用 Split view 將螢幕分為多個視窗。
2.  **任務分配**：同時開啟多個 AI Agent 分身。
3.  **平行執行**：
    *   分身 A：研究產業新聞。
    *   分身 B：整理資料。
    *   分身 C：回覆客戶草稿。
4.  **整合**：在相同時間內獲取多項成果，模擬團隊分工。

## 值得注意的限制或風險

1.  **安全風險**：
    *   AI Agent 結合私密資料、上網能力及聽指令特性，存在潛在風險。
    *   **建議**：不給予銀行卡、重要密碼；保留「確認關卡」，預設詢問是否執行，不要關閉確認機制。
2.  **驗證責任**：
    *   雖然 AI 能自我檢查，但人類仍需具備「驗收標準明確（Proof）」的能力，能一眼檢查對錯。
3.  **工具依賴與迭代**：
    *   特定工具（如 Codex, Claude Code）會迭代，過度依賴特定工具的操作按鈕可能過時，應聚焦於底層邏輯。
4.  **初始成本**：
    *   第一次執行可能不到位，需像帶新人一樣糾正，初期可能需要較多時間進行指令調整與驗證。

## 逐字稿辨識疑點

1.  **OpenCloud**：逐字稿提及「像OpenCloud」，疑為聽寫錯誤或特定未知名稱，無法查證。
2.  **愛馬仕**：逐字稿提及「還有什麼愛馬仕」，疑為模型名稱、產品名稱之誤聽，或為特定暱稱，無法查證。
3.  **實業的簡報**：逐字稿多次出現「實業的簡報」，疑為「商業的簡報」或「實際的簡報」之聽寫錯誤，但依規則保留原貌。
4.  **艾倫**：講者自稱「我是艾倫」，保留原樣。
5.  **13份資料**：前文提及 12 個檔案，後文提及整理 13 份資料，疑為口誤或包含其他檔案，依逐字稿保留。
6.  **次慶做完**：逐字稿提及「它次慶做完」，疑為「它完成做完」或「它成功做完」之聽寫錯誤，依逐字稿保留。

## 可延伸追問

1.  如何具體設定「確認關卡」的機制，以平衡執行效率與安全性？
2.  對於沒有程式基礎的使用者，如何有效運用「分身」概念進行複雜任務分解？
3.  在「自我檢查 (QA)」階段，AI 可能忽略哪些常見的邏輯陷阱？人類應如何補強？
4.  當多個 AI Agent 分身同時運作時，資源衝突或資料衝突的處理原則為何？
5.  如何量化「判斷力」與「品味」的提升，以評估投資 AI Agent 學習的長期回報？