影片筆記：GrokBot自动化工作流拆解

<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->

⚠️ 可先使用，仍有待修正項目

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

• 待修正：逐字稿全文快速校讀未完成（已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

一句話總結

講者 Gin 拆解了一套基於 GrokBot 生態的全自動化視頻製作工作流，通過將任務按「判斷力依賴」與「重複性」劃分為四個象限，分別採用一次性 Prompt、自動化工作流（Routine + Skills/MCP）及流程化協作（Hyperfree + Harness 資產庫）來處理，並利用 Notion 作為狀態同步中心，實現從痛點挖掘到全平台發布的無人值守自動化。

核心重點

1. 自動化並非單一 Prompt：網傳的「7x24小時撒手不管」AI 自動化工作流並非簡單地將任務交給單一 Agent，而是需要細分任務屬性，處理細節繁多。
2. 任務分類框架（四個象限）：

• 共同探索/一次性委託：使用聊天或一次性 Prompt。
• 高重複性、低判斷力依賴：設置全自動化工作流（如用戶調研、發布）。
• 高重複性、高判斷力依賴：採用流程化協作，需沉澱資產（如視頻剪輯中的複雜視覺處理）。
• 其他：低重複或高判斷力任務（未詳細展開）。

1. 技術架構與工具鏈：

• 驅動核心：Notion 作為狀態同步中心，Routine 作為定時掃描與觸發器。
• 自動化組件：GrokBot Skills 定義標準，Notion MCP 連接數據，Descript MCP 處理視頻轉錄。
• 協作通信：使用 GrabBot 實現 Agent 之間的通信與觸發。
• 複雜處理引擎：Hyperfree 作為基礎引擎，通過定義 Recipe（規則）與 Block（動作），構建具備自我演化能力的 Harness 資產庫。

1. 工作流程六步驟：痛點挖掘 -> 觀點提取 -> 腳本生成 -> 錄製 -> 剪輯 -> 封面製作及全平台發布。

詳細大綱

一、 疑問與背景

• 針對網上常見的「7x24小時」或「撒手不管」的 AI 自動化工作流說法，講者進行實測。
• 發現實際運行的工作流細節繁多，無法僅靠單一 Prompt 交給 Agent 全權處理。
• 目標：拆解一條實際運行的視頻製作工作流，驗證自動化可行性。

二、 工作流六步驟

1. 痛點挖掘：需求提取。
2. 觀點提取：根據 Insights 形成觀點提取框架。
3. 腳本生成：生成視頻腳本。
4. 錄製：錄製視頻。
5. 剪輯：剪輯視頻。
6. 發布：製作封面及最後發布全平台。

三、 任務分類框架與策略

講者通過「判斷力依賴程度」與「重複性」兩個維度將任務劃分為四個象限，並採取不同處理方式：

• 象限一：共同探索 / 一次性委託
• 特點：無需追溯，一次性完成。
• 方法：與 AI 聊天或使用一次性 Prompt。
• 象限二：高重複性、低判斷力依賴
• 特點：重複性高，對個人判斷力依賴低。
• 方法：設置全自動化工作流。
• 案例：用戶調研需求、全平台發布。
• 象限三：高重複性、高判斷力依賴
• 特點：重複性高，但對判斷力依賴高。
• 方法：流程化協作，需選擇基礎引擎並沉澱資產。
• 案例：視頻剪輯中的特定視覺效果處理（如重點框選、壓暗、抬起、標籤）。
• 象限四：其他
• 暗示為低重複或高判斷力任務，未詳細展開。

四、 自動化工作流實作細節（對應象限二）

• 應用場景：用戶調研、全平台發布。
• 技術組合：
• GrokBot Skills：定義內容要求、衡量標準及輸出格式。
• Notion MCP：連接 Notion，使用 Notion Template 輸出報告。
• Routine：設定主動、按時或周期性任務。
• 執行邏輯：

1. 設置 Skills 與 MCP Tools。
2. Routine 自動掃描 Notion Research Report 中的 Comments。
3. 若有新 Comments，Routine 會 Address 並 Spone 新的 Session 或 Task。
4. 講者與 Agent 的協作通過 Notion 進行狀態同步。

五、 流程化協作實作細節（對應象限三）

• 應用場景：視頻剪輯中的複雜視覺處理（如屏幕錄製中的重點框選、壓暗、抬起、標籤）。
• 基礎引擎選擇：Hyperfree（講者提及未來可能單獨講解選擇原因及 Tactics）。
• 問題點：原生引擎直接輸出效果不符預期，且每次執行不一致，無法重複解釋。
• 解決方案：沉澱為資產庫
• Recipe：定義「什麼時候用」、「該怎麼用」（規則與標準）。
• Block：直接實現具體動作（框選、壓暗、抬起、標籤）。
• 模型角色：理解扣播腳本，結合講解與路評，判斷局部聚焦區域、出現時機及標籤位置。
• Harness 系統：
• 非靜態 Markdown 文件，而是動態系統。
• 包含 Recipe、規則、動態效果、標準。
• 具備自我演化功能：當新視頻出現新 Pattern，會沉澱至 Harness。
• 最終成為 Cumulate 的資產庫。
• 講者提及可能將 VideoFactory 進行 Distill 後 Open Source。

六、 整體協作與驅動機制

• 驅動方式：非人工 Drive，而是通過系統自動觸發。
• 協作核心：Notion。
• 講者錄製視頻後，將內容 Title 添入 Notion。
• Agent 定時掃描 Notion。
• 自動化觸發鏈：

1. 發現 Title 存在。
2. 調用 Descript MCP 下載錄取視頻及 Transcription。
3. 自動 kick off 剪輯過程。
4. 完成後，通過 GrabBot 通知講者進行 Review。
5. Review 通過後，通過聊天自動通知其他 Agent 進行浪施（發布）至其他平台。

• 關鍵組件總結：
• Routine：定時掃描與觸發。
• Agent 間通信：使用 GrabBot。
• 工具鏈：Skills、Notion MCP、Descript MCP 等。

七、 總結

• AI 工作流的核心在於區分任務屬性及 Agent 分工。
• 通過 Routine 加上 Tools 的組合，將流程自動化。

工具 / 模型 / 名詞整理

• GrokBot Skills：用於定義內容要求、衡量標準及輸出格式的工具組件。
• Notion：作為整個工作流的狀態同步中心，用於存儲報告、評論及視頻標題。
• Notion MCP：連接 Notion 的模型上下文協議工具，用於使用 Notion Template 輸出報告。
• Routine：GrokBot 內的功能，用於設定主動、按時或周期性任務，掃描狀態並觸發後續動作。
• Hyperfree：講者選擇用於處理高判斷力依賴任務的基礎引擎。
• Descript MCP：用於下載錄製視頻及獲取轉錄文本（Transcription）的工具。
• GrabBot：用於實現 Agent 之間通信與觸發的組件，用於通知講者 Review 或通知其他 Agent 發布。
• VideoFactory：講者提及可能進行 Distill 後 Open Source 的相關工具或模塊。
• MCP Tools：模型上下文協議工具總稱。
• Harness：動態系統資產庫，包含 Recipe、規則、動態效果、標準，具備自我演化功能。
• Recipe：在 Harness 中定義「什麼時候用」、「該怎麼用」的規則與標準。
• Block：在 Harness 中直接實現具體動作（如框選、壓暗等）的組件。

操作流程整理

1. 準備階段：

• 講者錄製視頻，將內容 Title 添加至 Notion。

1. 掃描與觸發：

• Routine 定時掃描 Notion，發現新的 Title。
• 調用 Descript MCP 下載錄製視頻及獲取 Transcription。

1. 剪輯處理（高判斷力依賴部分）：

• 自動 kick off 剪輯過程。
• 利用 Hyperfree 引擎，結合 Recipe 與 Block 進行視覺處理（框選、壓暗、抬起、標籤）。
• 模型理解腳本，判斷局部聚焦區域、時機及標籤位置。
• 處理結果沉澱至 Harness 資產庫，實現自我演化。

1. 審核與發布：

• 剪輯完成後，通過 GrabBot 通知講者進行 Review。
• Review 通過後，通過聊天自動通知其他 Agent 進行發布（浪施）至其他平台。

1. 常規自動化（低判斷力依賴部分）：

• Routine 掃描 Notion Research Report 中的 Comments。
• 若有新 Comments，Routine 觸發新的 Session 或 Task，通過 GrokBot Skills 和 Notion MCP 完成用戶調研與報告輸出。

值得注意的限制或風險

• 原生引擎輸出不穩定：Hyperfree 原生引擎直接輸出效果不符預期，且每次執行不一致，無法重複解釋，因此需要通過沉澱資產庫（Harness）來解決。
• 複雜性管理：全自動化並非單一 Prompt 可解決，需要處理細節繁多，涉及多個工具鏈（Skills, MCP, Routine, GrabBot）的協作。
• 資產沉澱依賴：高判斷力依賴任務的自動化效果依賴於 Harness 資產庫的質量與自我演化能力，若新 Pattern 無法被正確識別與沉澱，可能影響自動化效果。

逐字稿辨識疑點

以下為分段筆記中提到的疑似聽寫錯誤或不明確的名稱/術語，請根據實際影片內容進行核對：

• GrokBot / Growbuck：筆記中交替出現 "GrokBot" 與 "Growbuck"，需確認正確產品名稱。
• Spone：原文描述 Routine 觸發新 Session 時使用，疑為「Spawn」或特定術語的聽寫錯誤。
• 實品：原文「自動編輯實品」，疑為「實片」或「素材」的聽寫錯誤。
• 直出一板效果：原文描述測試引擎時使用，疑為「直接出一版效果」的聽寫錯誤。
• 扣播腳本：原文描述模型理解對象時使用，疑為「口播腳本」的聽寫錯誤。
• 路評：原文「結合我的講解和路評」，疑為「錄評」或「路徑評論」的聽寫錯誤。
• 浪施：原文「通知其他的 Agent 來進行浪施到其他的平台」，疑為「實施」或「發布」的聽寫錯誤。
• 沾添：原文「把內容 Title 沾添到 Notion 裡面」，疑為「添加」或「粘貼」的聽寫錯誤。
• 錄取視頻：原文「下載我的錄取視頻」，疑為「錄製視頻」的聽寫錯誤。
• Cumulate：原文「變成了 Cumulate 的你的一個資產庫」，疑為「Cumulative」（累積的）的拼寫或聽寫。
• Distill：原文「Distill 一下」，疑為「Distill」(提煉/蒸餾) 的正確使用，指將代碼或邏輯提煉後開源。
• Hyperfree：需確認此引擎的正確拼寫與名稱。
• GrabBot：需確認此 Agent 通信工具的正確名稱。
• VideoFactory：需確認此工具的名稱。

可延伸追問

1. Hyperfree 引擎選擇的具体原因及 Tactics 是什麼？（講者提及未來可能單獨講解）
2. Harness 資產庫的「自我演化」具體機制是如何運作的？如何定義新的 Pattern 並將其轉化為 Recipe 和 Block？
3. VideoFactory 進行 Distill 後 Open Source 的具體計劃與內容是什麼？
4. 在「高重複性、高判斷力依賴」的象限中，如何平衡自動化效率與人工審核的成本？
5. 不同 Agent 之間通過 GrabBot 通信的具體協議與數據格式是什麼？