我同時訂閱了 Claude 與 ChatGPT。 昨天讓 Fable 幫我研究怎麼讓排程，根據主機存活，自動做跳板切換，寫了一套程式。 我心想，不然讓 Astra 審核吧，於是跟 Fable 說，你讓 Astra 幫你檢查看看。 沒想到來來回回，改了 7 版，我本來想說是不是改壞了。 不過後來的確越來越收斂，直到雙方都同意的版本。 所以寫程式時，讓另一個模型協助審查的確是好方法，但是要確認程式目標，並且限制邊界，不然會沒完沒了，每次都想加新功能。

如果有關注 AI 新聞，最近應該會聽到 Jev 模型。 那麼你可能已經知道了，這也是一款大型語言模型，號稱是系統一模型，意思它能夠快速做決策，不會吐出一堆思考流程。 主要的使用方式分成三個： 1. 從選項裡選一個 2. 按標準評分 3. 判斷一件事情為真的機率 比如說，你有一個系統收到一筆數值天氣預報作業的異常訊息： 凌晨 3:15，WRF 預報作業執行失敗。程式的結束代碼（Exit Code）是 137，而當時系統記憶體使用率已經達到 98%。 這些資訊就是提供給 Jev 的「狀態（State）」。 接著，我們可以要求 Jev 判斷這次作業失敗最可能屬於哪一種類型，例如： - 記憶體問題 - 磁碟問題 - 網路問題 - 應用程式本身的問題 - 無法判斷 Jev 不需要像一般大型語言模型一樣寫出一段分析報告，而是直接回傳結構化的判斷結果，例如： 記憶體問題：94% 程式便可以根據這個結果繼續執行下一步。 例如，當「記憶體問題」的機率超過 90% 時，自動進入記憶體異常處理流程；如果模型信心不足，再交給大型語言模型或人工進一步分析。 因此，可以把 Jev 想成一個能看懂自然語言與系統狀態的「智慧版 if 判斷式」。 那我們要怎麼把 Jev 跟一般的大型語言模型搭配，放在同一個工作流內呢？ 我們可以把 Jev 放在工作流最前端，先判斷此工作是否需要呼叫 LLM 。以剛剛的氣象預報失敗為例子，假設作業失敗，問題可能有許多種，有些問題一般的程式就能解決，有些可能需要 LLM 介入。 因此 Jev 就能自動導向問題，加上 Jev 速度快，又只會判斷不吐文字，token 耗量極省，所以就能夠讓 Jev 搭配昂貴的高端模型，節省預算。

如果你現在正在思考要不要花錢上 AI 課程，我會先建議你把這筆預算放在每個月的 AI 訂閱費上。 直到你連續用了兩三個月以上，懂得一些基本概念之後，再來考慮要不要花錢上課。 當然，可能你早就嘗試過了，可是就是不得其門而入。 所以這篇文章我要提供你一個簡易的方法，讓你先盤點一下自己是不是懂得使用 AI 代理的最基本核心概念。 這個前提如果你有掌握到，那麼你儘管去上課都沒有問題。 在底下的介紹中，當我說到 AI 的時候，我都是指下載到電腦裡面的桌面應用程式，通常會稱為 AI 代理（ AI Agent）。 然後我會以 ChatGPT 來作為範例。因為它提供繁體中文介面，對於新手來說比較友善。 --- 下載 ChatGPT 後的第一件事：設定你的「自訂指令」 當你下載並安裝好 ChatGPT 桌面版之後，第一件事是先到設定裡面找到「個人化」的選項。 個人化裡面有一個「自訂指令」。你可以先在這裡寫下你希望 AI 遵守的規則。 另外一個做法是，你可以透過跟 AI 聊天的方式，去跟它討論你可能的需求是什麼，最後，你可以跟它說，將這件事情設定到全域的 AGENTS.md 裡面。 ChatGPT 會把你希望的指令放回「自訂指令」，位置在根目錄底下：`~/.codex/AGENTS.md` 以我自己的日常設定為例，我固定會有這三項要求： 1. 固定繁體中文：每一次都要使用繁體中文（台灣用語）回覆。 2. 指定熟悉語言：如果有需要寫程式，儘量以 Python 和 TypeScript 這兩種我熟悉的語言為主。 3. 發動技能時先畫圖：只要使用「技能」的時候，必須一併用 Mermaid 語法把流程圖畫出來。 這裡提到的 Mermaid，是一種可以用純文字快速畫出流程圖的標記語言。 可是為什麼使用技能，必須要用 Mermaid 先畫出流程圖呢？ --- 使用 AI 的技能之前，必須把工作流程區分人類與 AI 如果你有接觸過 AI 相關的討論，一定常聽到大家在分享各種「技能（Skill）」，而且說不定你早就下載了各種技能。 這裡說的「技能」，其實就是 SOP（標準作業流程）的意思。 當你習慣了一套自己的工作方式，就可以把這些操作步驟讓 AI 記錄下來。 比方說，我讓 AI 執行剪輯影片的工作，經過幾次測試調整後，我覺得某個流程版本很順暢，我就會讓 AI 把這個流程寫成一份名為 SKILL.md 的技能檔案。 之後只要一發動這個技能，AI 就會完全照著這套 SOP 執行。 所以網路上就會有許多人會分享他自己的工作流程，我自己也下載了幾個。 可是，使用第三方技能要特別小心，最起碼也要讓 AI 幫你掃描幾次檢查看看，不然你不知道人家在裡面藏了什麼樣的提示詞，甚至會不會埋一些程式碼。 例如今年初時盛行安裝的龍蝦—24小時運作的 AI 代理—就被研究人員發現在 ClawHub 有許多偽裝的技能會竊取用戶資料。如果不小心下載安裝在自己的電腦，就會有資安的風險。 所以我建議，除了官方推薦的基礎技能可以先用，一開始你最好是自己搭建自己的技能。 建立的方式就是直接派 AI 去從事你指定的任務，等到結果你滿意了，就讓它建立技能。 你必須把你的工作流程區分為： 1. 哪幾個步驟需要人類檢查？ 2. 哪幾個步驟應該由 AI 自己處理即可？ 接著就讓 AI 使用 Mermaid 繪製流程圖讓你確認。 如果不做好這樣的區分，你就會遇到 AI 三不五時跑來詢問你，最後你會發現自己一直坐在電腦前面，根本沒有辦法離開。 --- AI 是怎麼讀取指令的？搞懂底層優先級 前面提到的自訂指令以及技能，它所適用的位置，又可區分為全域以及專案。 - 全域：在你這臺電腦上，不管你要執行哪一個任務，它都適用同樣的自訂指令以及技能。 - 專案：專案內的自訂指令以及技能，只有符合該專案使用。 因為會有全域及專案的區分，所以其實你必須知道 AI 讀取的順序： 1. 啟動系統／開啟工作目錄 2. 找出並合併 AGENTS.md（自訂指令） - ~/.codex/AGENTS.md（全域設定） - 專案根目錄 AGENTS.md - 子目錄 AGENTS.md - 目前工作目錄 AGENTS.md 3. 掃描可用 Skills（技能清單） - 此時只先載入基本資訊：名稱（name）、描述（description）、路徑（path） 4. 使用者輸入本次任務 Prompt（提示詞） 5. AI 判斷是否需要發動某個 Skill 6. 如果需要，完整讀取該 Skill 的 SKILL.md 7. 正式執行任務 理論上來說，越靠近目前工作目錄的指令，優先程度越高。

我已經研究一年多的工作流了，想開始把主題改成研究如何把 AI 工作流應用在創業或職場上。 主要是想知道別人在做什麼，各位有什麼看法呢？

之前就已經介紹了我這個技能包，上週拍了片簡短談了一下。 很簡單的小工具，只要直接把連結丟給 AI Agent ，讓他帶著你建立你的 Google 自動化工作流即可。 話說在設計此技能包的時候，我在想如果所有我讀的書或者線上課程，都能夠用這種方式，讓 AI Agent 帶著我學習，以實作為導向，這樣學起來應該更有效率吧？ 本周就開始來研究這樣的技能，能夠把資料匯入後，轉成以 Agent 先行的學習框架。