很多人已經在用 ChatGPT 寫文案、用 AI 生圖、用 AI 想點子 但每次做完一篇文章之後，還是要花大量時間手動改格式、上傳、整理 老實說，這不叫「AI 提效」，這叫「AI 幫你做了一半，另一半你自己收尾」 今天來聊一個我自己實測有效的做法： 把 AI 從「單點工具」升級為「自動化內容系統」 📊 先看一組很有意思的數據 根據 2025 年多份行銷研究報告，94% 的行銷人員已經在用 AI 做內容了 理論上，AI 能把內容創作時間壓縮 90%，從 16 小時降到 1.5 小時 但實際上呢？大部分人只省了 30-40% 的時間 為什麼落差這麼大？ 原因很簡單：大部分人只是把「每一步」各自加速 想 idea 用 AI，寫文用 AI，生圖用 AI 但步驟之間的 copy paste、格式轉換、手動上傳、更新記錄 這些「中間步驟」全部還是自己來 ❌ 用 AI 寫完文章 → 手動改成 IG 版 → 再改 Threads 版 → 再改網站版 → 生圖 → 上傳 ✅ 給 AI 一個主題 → 自動產出所有平台版本 + 配圖 + 上架 差別在哪？不是 AI 寫得更好，而是你有沒有把整條線串起來 🔧 我的做法：一個主題 → 30 分鐘 → 7 個平台版本 以前我寫一篇內容的流程是這樣： 1️⃣ 用 ChatGPT 研究主題 + 寫好一篇文章（30 分鐘） 2️⃣ 手動改成 IG 版、FB 版、Threads 版、網站版（1 小時） 3️⃣ 生成配圖、上傳網站、更新數據庫記錄（30 分鐘） 總共 2 小時，才搞定 5 個版本 後來我用 AI 建了一套自動化寫文系統，現在的流程： 1️⃣ 給 AI 一個主題 2️⃣ AI 自動做深度研究 + 驗證數據 3️⃣ 自動生成 Threads 串文、Facebook 長文、IG 短版、私域付費教學 + 免費引流、Patreon 付費 + 公開網站 4️⃣ 配圖自動生成，文章自動上架網站 30 分鐘，7 個版本 + 配圖 + 上架 我只需要確認 3 份核心內容，其餘全部自動格式轉換 💡 關鍵不在 AI 多聰明，在你怎麼串 有公司用完整的 AI pipeline，把一個 60 分鐘的產品 demo 自動拆成 47 篇內容，分發到 7 個平台 研究也說，content repurposing（內容再利用）能增加 40% 的產出，時間不用增加 但如果你連轉換本身都自動化了，增加的不是 40%，是 300% 這裡有幾個值得做的方向： 📌 先列出你要發的所有平台（大部分人其實只有 3-5 個） 📌 想清楚哪些內容可以互相轉換，不用每個平台從頭寫 📌 定義好每個平台的格式規範，讓 AI 自動套用 📌 核心內容你自己把關品質，格式轉換讓 AI 全包 也有幾件事不該做： ⚠️ 每個平台都重新寫一遍 → 你在浪費 70% 的時間 ⚠️ 追求每篇都「完全不同」→ 你的讀者不會全平台跟蹤你 🧠 更重要的原則 你的時間應該花在「想法」和「品質把關」，不是「copy paste」和「格式調整」 AI 時代的內容效率，不在你用了多少 AI 工具 在於你懂不懂把事情串在一起，自動化來做 從「用 AI 寫東西」升級到「讓 AI 自動出內容」 這個思路一旦打通，你每天能產出的內容量會完全不一樣 你目前的內容流程是怎樣的？有沒有把多個平台的發布自動化？歡迎留言分享你的做法 👇 加入付費學習中心，了解更多

用 Claude Code Skills 的人一定遇過這種情況： 你寫了一個 Skill，開 thinking mode 檢查，發現它根本沒有自動觸發 你只好手動打 /skill-name 或者直接跟它說「用 XX skill」 如果每次都要你手動指定，那寫 Skill 的意義在哪？ Anthropic 剛更新了官方的 Skill Creator Plugin，直接解決這個問題 而且背後的信號比功能本身更值得注意 1️⃣ 🔍 先搞懂根本原因：為什麼自動觸發不準？ Claude 決定要不要用你的 Skill，不是讀完整份 SKILL.md 它只看 title + 大約 100 字的 description 然後決定要不要啟用 description 太寬 → 亂觸發，叫 A 它跑了 B description 太窄 → 從來不自動觸發，每次都要你手動指定 你確實可以在 thinking mode 裡看到它有沒有觸發 但問題是，你不可能每次用每種問法都手動檢查一遍 Anthropic 拿自己的 6 個官方文件類 Skills 跑了一次 Trigger Tuning 結果：5 個的觸發準確度都還有提升空間 連官方自己寫的都有優化餘地 2️⃣ 📊 Eval — 幫你的 Skill 寫「考試卷」 這是軟體工程裡「自動化測試」的概念 寫程式有 unit test，現在寫 Skills 也有了 你定義一組測試 prompt + 預期結果 Skill Creator 自動跑一輪，告訴你每題 pass 還是 fail 不用再一個一個手動試 最實用的場景：模型更新後，跑一次 Eval 就知道你的 Skill 還能不能用 不用等到出問題才發現 根據 Anthropic 的測試，PDF 填表 Skill 跑完 Eval 優化後 原本填錯位置的問題全部修好了 3️⃣ 🎯 Trigger Tuning — 解決「叫了不來」的問題 如果你有 10 個以上的 Skills，一定遇過觸發打架 想用 Skill A，結果 Claude 跑去用 Skill B Trigger Tuning 會分析你目前的 description 用不同的問法反覆測試，自動調整措辭 用 60/40 的 train/test split，每輪跑 3 次取平均 最多迭代 5 輪，找到最佳平衡 Anthropic 自己測了 6 個官方 Skills 5 個觸發率都有提升 4️⃣ 📈 Benchmark — A/B 對比測試 這個功能超實用： 「有 Skill」vs「沒有 Skill」，同時跑，量化給你看 你會拿到三個關鍵數據： 📌 Pass Rate — 通過率多少 📌 Token Usage — 花了多少 token 📌 Total Time — 跑了多久 甚至可以比較兩個版本的 Skill，看哪個更好 如果「沒有 Skill」反而更好 → 這個 Skill 該退役了 5️⃣ ⚡ 這次更新背後的信號 Anthropic 願意花資源建 Eval 系統 代表他們把 Skills 當作長期核心功能，不是一個實驗性玩具 以前所有 AI 的 prompt、workflow 都是「寫完就上，出事再改」 現在 Anthropic 說：不行，你要先測過 這在 AI 工具圈是第一次 定義輸入 → 定義預期輸出 → 自動跑 → 報告結果 就是軟體工程裡的自動化測試，套用在 AI Skills 上 寫 Skill 的門檻會越來越低，以後人人都會寫 但誰能管好自己的 Skills，誰的 AI 助手才真的可靠 ⭐ 結論：從「手動檢查」升級為「用數據驗證」 以前寫 Skills：寫完 → 開 thinking mode 看一次 →「這次有觸發」→ 上線 現在寫 Skills：寫完 → Eval 測品質 → Benchmark 對比效果 → Trigger Tuning 優化觸發 → 確認沒問題才上線 Skills 的門檻只會越來越低 但品質管理只會越來越重要 以後人人都會寫 Skill，差距在誰會管理 Skill 你的 Claude Code 有幾個 Skills？有沒有遇過觸發不準的問題？歡迎留言分享 👇 想知道具體怎麼安裝、怎麼跑 Eval、怎麼做 Trigger Tuning？ 付費群有完整的操作教學，包括兩種 Skill 類型怎麼分別測試 ✅

Nano Banana 2 免費 + AI Coding IDE 免費 + KOL製作Skill(基礎版) 免費 入門門檻已經降到零了 你可以從今天開始： 下載KOL製作Skill(基礎版) → 創建你的虛擬角色 → 開始經營帳號 最壞的結果：學會了 AI 生圖 最好的結果：多一個每月幾千塊的副業收入 到Classroom → 免費 Agent Skills 倉庫，KOL製作Skill(基礎版) 已經放在這了 想要完整版的角色一致性 + 產品植入 + AI 自動驗證功能 付費群裡有完整版 Skill，四種策略自動切換，拍出來的圖直接能交給品牌方，幫你直接生產品圖 以前請一個 KOL 拍一張產品照 攝影師、場地、妝髮、後製，全部加起來幾千到幾萬 現在你只需要一句話： 「幫我生成一張年輕女性在咖啡廳拿著這杯咖啡的照片」 AI 直接給你一張像攝影棚拍出來的圖 有毛孔、有瑕疵、有質感，不是那種一看就知道 AI 做的塑膠臉 而且重點是：這個「人」可以是你創造的 不用真人出鏡，不用請模特 你養的虛擬 KOL，就是你的數位資產 🔍 為什麼現在是最好的時機？ Google 剛推出 Nano Banana 2，免費使用，圖片品質直接跟付費工具打平 以前想做虛擬 KOL 有三個大問題： ❌ 角色不一致 — 今天生的臉跟昨天不一樣，粉絲一看就知道是假的 ❌ 品質不夠 — AI 生的圖一眼就能認出來，塑膠感太重 ❌ 成本太高 — Midjourney 要訂閱，DALL-E 要買額度 Nano Banana 2 解決了品質問題 配合 AI Coding IDE 的 Skills 系統，角色一致性也能處理 成本呢？ Google 官方 API 生一張 1024px 的圖大概 HK$0.5 Google AI Studio 還有免費額度，測試階段直接零成本 💰 虛擬 KOL 怎麼賺錢？ 先看一組數據： 一個 IG 帳號如果有 10,000 粉絲 一個品牌合作帖文的市場價大約是： 🔹 香港：HK$800 - 1,500 / 帖 🔹 台灣：NT$3,000 - 5,000 / 帖 🔹 海外：US$100 - 250 / 帖 這還只是 Nano Influencer 級別（1-10K 粉絲） 虛擬 KOL 的優勢： ✅ 不用露臉 — 內向的人也能經營 ✅ 不受時間限制 — 凌晨三點也能「拍照」 ✅ 風格完全可控 — 每張圖的燈光、色調、場景都一致 ✅ 產品植入自然 — AI 可以讓角色自然地拿著任何產品 ✅ 可以同時經營多個帳號 — 一個人養三個不同風格的 KOL 已經有人在做了 日本的 Imma、美國的 Lil Miquela，都是虛擬 KOL Lil Miquela 有 270 萬粉絲，跟 Prada、Calvin Klein 合作 當然你不用做到那個級別 但一個月接 5-10 個品牌帖文，每個 HK$1,000 一個月多 HK$5,000 - 10,000 的副業收入 用空閒時間做，成本幾乎為零 🧩 怎麼做到的？ 關鍵是兩個工具的組合： 1️⃣ Nano Banana 2 — Google 最新的 AI 圖片生成模型 速度快、品質高、文字渲染準確、免費使用 2️⃣ AI Coding IDE（Claude Code / Cursor / Windsurf）— 你的 AI 助手 可以設定 Skill，讓 AI 記住你的風格偏好 之後每次只要說一句話，AI 自動處理所有技術細節 這兩個組合在一起： 你說中文 → AI 自動構建專業級 Prompt → 調用 Nano Banana 2 生成圖片 → 自動存檔 不需要學 Prompt Engineering 不需要會寫程式 不需要懂攝影 我做了一個基礎版的 Skill，已經放在 Classroom → 免費 Agent Skills 倉庫 裡面 大家可以直接下載安裝使用 基礎版包含： ✅ 自動構建 JSON 結構化 Prompt ✅ 調用 Google API 生成圖片 ✅ 自動儲存圖片和 Prompt 記錄 ✅ 基本的品質控制 🎯 想做虛擬 KOL 的話，建議這樣開始 第一步：選定一個人設 想好你的虛擬 KOL 是什麼風格 運動系？文青系？都市白領？旅行達人？ 第二步：用 Skill 生成角色 先生成一張你滿意的角色照片 這就是你的「基礎形象」 第三步：經營帳號 每天用 Skill 生成不同場景的照片 保持固定風格，慢慢累積粉絲 第四步：接案變現 粉絲到了 1,000-5,000 就可以開始接小品牌合作 到了 10,000 就進入穩定收入區間

昨天跟大家分享了 NotebookLM 和 AntiGravity 透過 MCP 串聯的概念，很多人有興趣。 今日就更詳細介紹，聚焦一個最直接的用法。 先問你一個問題：你的 NotebookLM 裡有多少份資料？ PDF、網頁、文件、研究筆記，可能幾十份都有了。但你用它們做什麼？查完資料，關掉，然後自己慢慢整理、規劃、動手建。 研究歸研究，做東西歸做東西。中間隔著一大堆手動工作。 現在有一個方法可以跳過這些：讓 AI IDE 直接連上你的 NotebookLM，讀取你的知識庫，然後一個指令就把東西建出來。 --- 什麼是 AI IDE？AntiGravity、Claude Code、Cursor 這些都是。它們本來就能幫你寫程式、建網頁、做工具。 但以前它們不認識你的資料。你要手動把研究結果複製貼上，告訴 AI「我的情況是這樣」「我的數據是那樣」。 現在透過 MCP 連接 NotebookLM 之後，AI 可以直接存取你的所有研究。不用複製貼上，不用重新解釋，它直接從你的知識庫裡抓。 --- 舉一個具體的場景： 假設你在做電商，NotebookLM 裡有 3 個 Notebook：電商增長策略、轉化率優化、客戶留存研究。每個都用 Deep Research 填了十幾個高品質來源。 你跟 AntiGravity 說一句話：「根據我的研究，幫我建一個 90 天電商增長追蹤 Dashboard。」 它建出來的東西： 📊 收入和流量的視覺化圖表，有滑桿可以即時調整參數，看不同情境下的預測結果 ✅ 每日任務勾選清單，勾完之後進度條自動更新 📈 轉化率預測計算器，輸入你的數據，自動算出預期結果 💰 廣告預算規劃工具，根據你的研究資料推算最佳分配 重點：所有數據和建議都來自你自己的 Notebook 研究，不是 AI 憑空編的。因為 NotebookLM 的核心機制是 RAG，它只從你上傳的資料中提取，不會用訓練數據亂塞東西。 不滿意？直接說「圖表改柱狀圖」「加一個日期篩選器」「把顏色換成深色主題」，AI 即時重新生成。 以前這種互動式 Dashboard 要請開發團隊才做得出來。現在一個對話搞定。 --- 怎麼連接？比你想的簡單。 核心就是一個叫 NotebookLM MCP Server 的東西。你可以把它理解成一個翻譯器，讓你的 AI IDE 能直接操作 NotebookLM。 安裝？直接叫 AI 幫你裝 notebooklm-mcp 就搞定。一行指令，不需要自己寫任何 code。支援 AntiGravity、Claude Code、Cursor、Windsurf、Gemini CLI 等主流 IDE。 裝好後，用 Google 帳號驗證一次，之後 token 自動刷新，不用重複登入。31 個工具直接可用，建 Notebook、加來源、查詢、生成摘要、做簡報，全部在 IDE 裡完成。 詳情了解：github.com/jacob-bd/notebooklm-mcp-cli 這只是其中一個用法。NotebookLM + AI IDE 的組合還能做很多事，外掛記憶體、即時知識調用、客製化策略生成、簡報自動化⋯⋯ 想知道具體怎麼設定、怎麼寫 Prompt 讓 AI 幫你建東西？付費群有完整的 step-by-step 教學 + 可複製的 Prompt 👉 加入付費群

ChatGPT vs Claude vs Gemini，你是不是也每個月都在看誰又更新了、誰又「最強」了？ 老實說，這場辯論已經開始過時了。因為真正改變遊戲規則的，不是某個 AI 變更強，而是多個 AI 工具開始能「接在一起」用了。 Google 最近做了一件事：把 NotebookLM（研究工具）和 AntiGravity（開發平台）透過 MCP 協議串聯起來。這代表什麼？你的 AI 工作流從「一個人包辦所有事」，變成了「專業分工的團隊」。 1️⃣ 🔍 先搞懂這兩個工具各自在幹嘛 NotebookLM 是 Google 的 AI 研究助手。你把 PDF、文件、網頁丟進去，它就變成你的私人知識庫。最重要的是：它所有回答都只從你上傳的資料中提取，不會亂編。 目前 NotebookLM 每月有 4,800 萬次訪問，用戶年增超過 100%。最近還升級到 Gemini 3.1 Pro，推理能力直接翻倍。 除了問答，它還能自動生成： 📌 Audio Overview（AI 主持人幫你做 Podcast 式摘要） 📌 Mind Map（把你的資料視覺化成思維導圖） 📌 PowerPoint（直接匯出可編輯的簡報） 📌 Deep Research（主動幫你上網搜尋補充資料） 簡單說：NotebookLM 是一個「超強的讀者」，它能讀懂你所有資料，但它不會幫你建東西。 AntiGravity 是 Google 的 AI 開發平台（IDE），基於 VS Code 打造。它的核心不是讓你寫程式，而是讓你用自然語言描述需求，AI Agent 幫你建。 它有兩個特別的功能： 📌 Manager Mode — 可以同時派多個 AI Agent 處理不同任務 📌 Agent Skills — 輕量級技能包，讓 AI 學會特定工作方式 在基準測試中，AntiGravity 首次嘗試完成率 72%，跟 Claude Code（76%）接近，優於 Cursor（64%）。 簡單說：AntiGravity 是一個「超強的建造者」，它能建系統、寫程式、做網站，但它不擅長深度研究。 2️⃣ 🔗 MCP 協議：讓「讀者」和「建造者」握手 這兩個工具各自都很強，但真正的魔法是把它們接在一起。 MCP（Model Context Protocol）是 AI 工具之間的標準通訊協議。把它想成一個「翻譯員」：NotebookLM 把研究結果整理成結構化數據（不是純文字），AntiGravity 收到後可以直接拿來建東西。 舉個例子： ❌ 以前的工作流： 你在 NotebookLM 做完研究 → 手動複製重點 → 貼到開發工具 → 手動整理格式 → 開始建 ✅ 現在的工作流： 你跟 AntiGravity 說「用我 NotebookLM 裡的 SEO 研究，幫我建一個內容策略 Dashboard」→ 它自動從知識庫抓資料 → 直接建出來 中間省掉的不只是時間，還有大量的 token 費用。以前你要把整份文件丟給 AI 處理，現在 NotebookLM 先消化完，只傳結構化的精華給 AntiGravity。 3️⃣ 💡 實際能做什麼？5 個應用場景 這個組合能做的事比你想的多： 📊 **研究驅動的 Dashboard** — 把你的行業研究丟進 NotebookLM，讓 AntiGravity 自動建視覺化儀表板 🤖 **知識型 AI 聊天機器人** — 用你的專業資料訓練出只回答你領域問題的機器人 📝 **自動化內容生成器** — NotebookLM 負責確保資料準確，AntiGravity 負責把內容變成網頁或工具 🔄 **客戶自動化入口** — 把客戶的資料丟進知識庫，自動生成客製化的報告或方案 🌐 **研究型網站** — 你的筆記直接變成一個可互動的知識網站 重點是：這些全部可以在不寫任何程式的情況下完成。 4️⃣ 🧩 這代表什麼趨勢？從「通才 AI」到「AI 系統設計」 以前用 AI 的思維：「找到一個最強的工具，把所有事丟給它」 現在的趨勢：「找到各自最強的工具，把它們組成團隊」 這跟公司運作一樣。你不會找一個人同時當會計、工程師和設計師。你會找專業的人，然後建立協作流程。 AI 工具也一樣： 🧠 研究分析 → NotebookLM（或 Perplexity、Deep Research） 🔧 建造執行 → AntiGravity（或 Cursor、Claude Code） 🔗 串聯協議 → MCP 有意思的是，目前最有效的開發者已經在用混合工具棧：AntiGravity 搭建新專案，Cursor 做日常編碼，Claude Code 做架構審查。不是只用一個，而是每個工具用在它最擅長的地方。 🎯 結論：從「操作員」升級為「系統設計師」