部落格

GARY 盯著螢幕上的數字，終於吐了一口氣。

他花了整整一天，把自己的客服機器人「小客」從答對率只有 40% 的菜鳥，一路訓練到 148 題裡答對 145 題、正確率 98% 的優等生。測試夥伴胡椒蝦丟了各種刁鑽問題——奧客拗單、多輪套話、情緒勒索——小客全部穩穩擋住。最後一句宣告：「張董，小客可以上線了。」

那一刻 GARY 突然想：既然 AI 能幫我搞定最難搞的客服應答，那每天花在 Notion 上那些重複的手動作業，是不是也能讓它自己動起來？

如果你用過 Notion，你一定懂那種感覺——筆記、任務、資料庫，什麼都能記，但東西一多，光是在不同頁面之間搬資料、更新狀態、通知隊友，就夠你忙半天了。GARY 的狀況也差不多：他手上有好幾套工具在跑，Notion 是大腦中樞，但每次資料進來都得手動搬、手動整理，效率卡在「人工」這個瓶頸上。

所以他決定動手做一件事：把 Notion 跟其他服務串起來，讓資料自己流動。

具體怎麼做的呢？簡單來說，就是透過 AI 輔助，把 Notion 的 API（你可以想成是 Notion 開放給外部程式溝通的窗口）跟其他工具接上。以前要搞懂 API 文件、寫程式碼、除錯，可能得花上好幾天。但現在有 AI 幫忙，你可以直接用白話告訴它：「我想要每次有新客戶填完表單，Notion 資料庫就自動新增一筆，然後通知我的 LINE。」AI 就能幫你生出對應的串接邏輯，甚至直接幫你寫好程式碼。

GARY 完成串接後，原本那些每天重複搬磚的動作，就變成全自動了——資料進來自己歸位，狀態自己更新，該通知誰就通知誰。

這件事最讓我佩服的不是技術本身，而是 GARY 的思路：他不是一口氣想蓋一座城堡，而是先用 AI 解決一個痛點（客服），嘗到甜頭之後，再拿同樣的方法去解決下一個痛點（工作流程）。每一步都不大，但每一步都實實在在省下時間。

如果你現在也有什麼工作是「每天都在做一樣的事、做到很厭世」的，那就是最好的起點。你不需要懂程式，不需要是工程師，只要打開 ChatGPT 或 Claude，跟它說：「我每天要手動做這件事，有沒有辦法自動化？」

你可能會發現，答案比你想像的簡單很多。

就像 GARY 說的——先動手做，這是現在進行式。

深夜十二點，皮克敏 在群組裡丟了一句：「我做完了 AI SEO 新功能然後同事都睡著了，找不到人給我情緒價值。」Gary 秒回共鳴，Frank 也在線上陪聊。三個大人，各自盯著螢幕，各自跟 AI 搏鬥，卻在深夜的群組裡找到一點同溫層的溫暖。

這群人每天都在研究 AI 工具，而最近讓他們討論得最熱烈的，是一個叫 Grok 的 AI 推出了 4.3 新版本。

你可能會問：「Grok 是什麼？跟 ChatGPT 差在哪？」別急，這正是有趣的地方。

Frank Y 在群組裡分享了他的觀察：Grok 4.3 走了一條很不一樣的路。大部分 AI 公司都在拚「一個超強模型打天下」，就像培養一個全能選手去參加十項全能。但 Grok 的策略不同——它一次派出四個模型同時上場。

這是什麼概念？想像你今天要搬家。方法 A 是請一個大力士來搬所有東西；方法 B 是找四個普通朋友一起幫忙。每個朋友單獨搬可能沒大力士厲害，但四個人一起動手，有人搬箱子、有人拆家具、有人打包、有人搬電器，效率反而更好。

Grok 4.3 就是方法 B。

它讓四個模型同時處理你的問題，每個模型可能各有擅長的面向，最後整合出一個更全面的答案。單一模型不是最頂尖的？沒關係，團隊合作來補。

這個策略其實很貼近我們日常生活的邏輯。公司開會的時候，老闆不會只問一個人的意見吧？多聽幾個角度，決策通常更靠譜。Grok 只是把這個「多問幾個人」的概念，用在 AI 身上而已。

對我們一般使用者來說，這代表什麼？代表 AI 工具的競爭方式正在改變。以後選 AI，不一定要挑「單科最強」的那個，而是可以看看誰的「團隊配合」最好。就像籃球，全明星隊不一定打得贏默契十足的冠軍隊。

所以下次聽到什麼 AI 新版本，不用緊張，也不用覺得又要重新學。你只要記得一件事：這些工具都在想辦法變得更好用、更聰明，而你要做的，就是挑一個順手的，打開來試試看。

就像那個深夜還在群組裡互相取暖的三個人——AI 不可怕，可怕的是做完了一件厲害的事，卻找不到人分享。所以，找個朋友一起玩吧。

Frank 是個習慣把事情做到位的人。

他在幫朋友 GARY 煩惱一件事：客服機器人要怎麼訓練，才能又聰明、又不會亂說不該說的話？

GARY 的顧慮很實際——同事什麼資料都往機器人裡丟，萬一客戶一問，機器人把內部資訊全吐出來，那就糟了。

Frank 聽完，沒有長篇大論。他只說了幾個字：「丟給我，幫你自動訓練。」

—

他的做法是這樣的：

先把 Claude Code 切到「計畫模式」，跟它討論一份測試計畫——哪些問題是危險的？哪些邊界不能踩？兩邊確認沒問題之後，就讓它自己跑起來。

接下來發生的事，說起來有點像在看機器人打架：Claude Code 會自動對客服機器人發起攻擊測試，試圖套話、問出不該問的東西，然後幫每一輪打分數。分數沒過的地方，它會自己去修改設定檔，再跑一輪，再修，再跑。

整個過程大概跑了三四個小時。Frank 不用坐在旁邊一問一答，也不用手動調整。等它跑完，安全邊界先守住了，再來才是訓練知識和個性。

—

這裡有個細節值得一提：Frank 在分享這個經驗的時候，也順手觀察到一件事——不同的 AI 工具，結構設計差很多。比如有些工具有 SOUL.md、USER.md 這類配置檔，可以讓你事先定義 AI 的個性和行為規則；但 Claude Code 沒有這個機制，它的運作方式是另一套邏輯。

這不是說哪個比較好，而是——在你決定用哪個工具之前，先搞清楚它怎麼運作，才不會拿鐵鎚去轉螺絲。

—

很多人一聽到「AI 編程工具」就頭皮發麻，覺得那是工程師的事。

但 Frank 做的這件事，本質上很簡單：他讓 AI 幫他想計畫、幫他測試、幫他修問題。他自己只需要在一開始說清楚「我要什麼」。

如果你也有一個「想做但不知道怎麼開始」的 AI 專案，或許可以先從這裡開始——不是問「我要怎麼寫程式」，而是問「我要解決什麼問題」。

剩下的，讓它跑就好。

Gary 盯著螢幕，額頭快貼上去了。

他的 LINE 機器人明明私訊都回得好好的，偏偏在群組裡就像斷了線的風箏——完全不理人。他翻設定、查文件、重啟程式，折騰了老半天，還是一樣。「我找不出原因，」他在群組裡敲下這句話，語氣裡滿是無奈。

這時候朋友 Frank 丟了一句話：「你讓 Claude Code 去查。」

等等，Claude Code 是什麼？簡單說，它就是一個住在你電腦裡的 AI 助手，你可以用打字的方式叫它幫你讀程式碼、找問題、甚至直接修東西。而 Gary 更厲害的地方是——他早就把 Claude Code 串接到 Telegram 上了，等於隨時打開通訊軟體就能跟 AI 對話、下指令，不用另外開什麼複雜的工具。

就像你用 LINE 傳訊息給朋友一樣，Gary 在 Telegram 上跟 AI 說：「幫我查查這個 LINE Bot 群組為什麼沒反應。」

AI 就真的動手了。它一層一層往下挖：先檢查機器人狀態，再去翻對話記錄的檔案，最後對比設定檔和實際資料。然後它回報了一個讓人哭笑不得的發現——設定檔裡的群組 ID 是大寫 C 開頭，但系統實際存的是小寫 c。新版軟體剛好更新成區分大小寫，一個字母的差異，整個群組就「對不上號」了。

Gary 把四個群組 ID 全改成小寫，問題瞬間解決。

Frank 在旁邊笑說：「Claude Code 智商打了七折。」因為 AI 一開始還搞反方向，建議他改成大寫。但重點是，即使 AI 不是一次就答對，它幫你跑腿、翻資料、縮小範圍的速度，還是比你自己一行一行找快太多了。

這就是 AI 工具現在最真實的樣子：它不是神，不會每次都對，但它就像一個不會累、不會煩的實習生，你給它方向，它就拼命幫你挖。

而且你不需要是工程師才能開始。把 AI 串進你每天在用的通訊軟體——不管是 Telegram、LINE 還是其他——它就變成你隨手可用的助手。Gary 說他這樣用已經很久了，久到它變成日常的一部分。

所以下次你遇到一個搞不定的問題，別急著放棄。也許你只是需要一個不怕笨問題的 AI 夥伴，陪你一起把那個「大寫C」找出來。

貓咪 Alice 最近忙到快裂開。

手上同時跑著 SEO 佈局、Threads 社群經營、還有一個 AI 企業應用的案子。每次要請 Claude 幫忙，都得重新解釋一次「我現在在做哪個專案」，然後眼睜睜看著 AI 把 A 專案的東西混進 B 專案的回答裡。

你知道那種感覺嗎？就像你同時跟三個朋友聊天，結果把要跟男友說的話傳到老闆的對話框裡。

她心想：「有沒有辦法讓 AI 自己記住我現在在講哪件事？」

還真的被她搞出來了。

貓咪 Alice 在 Telegram 上建了一個叫「claude_remote_control_bot」的機器人。簡單來說，就是她在手機上打開 Telegram，傳一句「切換到 SEO 專案」，Bot 就會自動幫 Claude 更新記憶，讓 AI 知道：「喔，現在老闆要聊的是 SEO，不是 Threads。」

操作起來大概是這樣：

1. 打開 Telegram，對機器人說「切換到 Threads 經營」

2. Bot 自動更新 Claude 的 Memory 記憶，把上下文切換到對應專案

3. 直接下指令，例如「幫我想三個本週的 Threads 貼文主題」

4. Claude 就會根據 Threads 專案的背景來回答，不會搞混

想回去處理 SEO？再傳一句「切換到 SEO 佈局」就好，所有的前因後果、之前討論過的策略，AI 都記得一清二楚。

最厲害的是——這一切都在手機上完成。搭捷運的時候、等咖啡的時候、甚至躺在沙發上耍廢的時候，一則訊息就能遠端派任務給 AI。不用打開電腦，不用重新登入，不用再花五分鐘跟 AI 說「我們上次聊到哪裡」。

其實這整件事的核心概念很簡單：幫 AI 做好分類，它就不會搞混。 就像你幫辦公桌上的文件夾貼標籤一樣，每個專案有自己的記憶空間，切換的時候乾乾淨淨。

你不需要會寫程式才能從這裡得到啟發。就算只是在用 ChatGPT 或 Claude，養成一個小習慣——每次換話題時，明確告訴 AI「我們現在要聊另一件事了」——就能大幅減少那種「AI 在亂講」的挫折感。

AI 沒有你想像中那麼聰明，但也沒有那麼笨。它只是需要你幫它整理一下腦袋而已。

虎鯨皮老闆 下個月要飛美國參加年會，行程表密密麻麻——開幕式、分組討論、晚宴、隔天一早的工作坊。他把所有時間抄進 Google 日曆，然後突然愣住了。

「等等，這個下午兩點是美東時間還是美西時間？換成台灣時間是幾點？我要提前幾小時到？」

任何出過國開會的人都懂這種崩潰。主辦方給的是當地時間，但你的腦袋跟身體還活在台灣時區。手動算時差這件事，聽起來簡單，做起來要命——美東跟台灣差 12 還是 13 小時？有沒有日光節約時間？一不小心搞錯，輕則遲到，重則錯過整場重要會議。

Teaju 的解法超級簡單，簡單到讓人想拍大腿。

他拿起手上的 Pixel 手機，直接跟內建的 Gemini 說：「幫我把這些行程的時間，從美國當地時間換成台灣時間，然後排進我的行程裡。」

就這樣。沒有打開計算機，沒有 Google「美東時差換算」，沒有在紙上畫表格畫到眼花。Gemini 自動辨識每一筆行程的時區，換算完畢，直接套用到他的日曆上。整趟出差行程，幾分鐘內搞定。

他說，以前光是時差換算加上反覆確認，少說要花半小時到一小時，而且每次都不太放心，怕自己哪裡算錯。現在交給 AI，不只快，而且少了那種「我是不是搞錯了」的焦慮。

這個案例讓我特別想分享，是因為它完全不酷、不炫、不涉及任何高科技詞彙。沒有什麼「大型語言模型」或「自動化工作流程」——就只是一個要出差的人，對手機講了一句話，然後一個本來很煩的事情就被解決了。

AI 最好用的時刻，往往不是那些驚天動地的場景，而是這種「天啊，我以前到底為什麼要自己算這個」的日常小事。

所以，如果你手機裡有 Gemini、ChatGPT、或任何 AI 助手，下次出國前，不妨試試直接把行程丟給它，跟它說「幫我換成當地時間」。你會發現，原來最平凡的功能，才是最讓人鬆一口氣的那種。

別怕 AI，它有時候就只是一個很會算時差的朋友而已。

虎鯨皮老闆 下個月要飛美國參加年會，行程表密密麻麻——開幕式、分組討論、晚宴、隔天一早的工作坊。他把所有時間抄進 Google 日曆，然後突然愣住了。

「等等，這個下午兩點是美東時間還是美西時間？換成台灣時間是幾點？我要提前幾小時到？」

任何出過國開會的人都懂這種崩潰。主辦方給的是當地時間，但你的腦袋跟身體還活在台灣時區。手動算時差這件事，聽起來簡單，做起來要命——美東跟台灣差 12 還是 13 小時？有沒有日光節約時間？一不小心搞錯，輕則遲到，重則錯過整場重要會議。

Teaju 的解法超級簡單，簡單到讓人想拍大腿。

他拿起手上的 Pixel 手機，直接跟內建的 Gemini 說：「幫我把這些行程的時間，從美國當地時間換成台灣時間，然後排進我的行程裡。」

就這樣。沒有打開計算機，沒有 Google「美東時差換算」，沒有在紙上畫表格畫到眼花。Gemini 自動辨識每一筆行程的時區，換算完畢，直接套用到他的日曆上。整趟出差行程，幾分鐘內搞定。

他說，以前光是時差換算加上反覆確認，少說要花半小時到一小時，而且每次都不太放心，怕自己哪裡算錯。現在交給 AI，不只快，而且少了那種「我是不是搞錯了」的焦慮。

這個案例讓我特別想分享，是因為它完全不酷、不炫、不涉及任何高科技詞彙。沒有什麼「大型語言模型」或「自動化工作流程」——就只是一個要出差的人，對手機講了一句話，然後一個本來很煩的事情就被解決了。

AI 最好用的時刻，往往不是那些驚天動地的場景，而是這種「天啊，我以前到底為什麼要自己算這個」的日常小事。

所以，如果你手機裡有 Gemini、ChatGPT、或任何 AI 助手，下次出國前，不妨試試直接把行程丟給它，跟它說「幫我換成當地時間」。你會發現，原來最平凡的功能，才是最讓人鬆一口氣的那種。

別怕 AI，它有時候就只是一個很會算時差的朋友而已。

章魚 Mia 盯著螢幕上密密麻麻的報價單，眉頭越皺越緊。

她在一間腳輪公司負責海外報價，每次產品線一更新，就是上百個品項要重新定價。剎車輪、活動輪、固定輪，大的小的、塑膠的鑄鐵的，排列組合起來讓人眼花撩亂。上禮拜她就出過一次包——一款重型鑄鐵輪的報價，居然比輕型塑膠輪還便宜。客戶沒說什麼，但採購經理私下丟了一句：「你們的價格邏輯是不是有問題？」

那句話讓 章魚 Mia 冷汗直流。

報價不是只有數字對不對的問題，是信任問題。一旦客戶覺得你的價格「怪怪的」，後面什麼都不用談了。但要她一條一條人工核對？幾百個品項，每個都要比大小、比系列、比市場行情，光想就頭皮發麻。

後來 章魚 Mia 決定讓 AI 幫她把關。

她建了一套「三層驗證邏輯」，說穿了就是教 AI 用三個角度幫她抓問題：

第一層：同系列內自己跟自己比。 剎車輪應該比活動輪貴、活動輪應該比固定輪貴，這是基本常識。她設定剎車款溢價要在 15% 到 35% 之間，固定款要有 15% 到 30% 的折扣。尺寸越大應該越貴，同系列承重能力偏差超過 30% 就跳警告。

第二層：不同系列互相比。 重型鑄鐵輪本來就該比輕型塑膠輪貴，如果反過來，AI 馬上舉紅旗。

第三層：跟外面的市場比。 AI 會去 Alibaba、Made-in-China 這些平台搜同類產品的價格，如果自家報價偏離市場行情超過 20%，跳警告；超過 30%，直接標紅。

最後 AI 會自動產出一份驗證報表。遇到明確錯誤，必須人工確認才能繼續；遇到警告，記錄下來但流程不卡住；全部沒問題的，就直接放行。

章魚 Mia 說，第一次跑這套系統，一口氣抓出了十幾個她肉眼根本不會注意到的問題。有些是小數點的位移，有些是系列之間的價格倒掛。「以前我花一整天核對，還是會漏。現在十分鐘跑完，比我仔細一百倍。」

你不需要懂什麼程式語言，也不需要會寫程式碼。章魚 Mia 的做法其實就是把她腦袋裡「檢查報價的直覺」，一條一條寫成規則，然後交給 AI 去執行。就像你教一個超級認真的實習生：「這個要比那個貴、那個不能超過這個範圍」——只是這個實習生永遠不會累，永遠不會漏。

如果你的工作裡也有類似「需要反覆核對一大堆數字」的環節，不妨想想：我能不能把檢查的邏輯說清楚，然後讓 AI 幫我跑一遍？

你可能會跟 章魚 Mia 一樣，發現那些藏在報價表裡的隱形炸彈，其實一直都在。

灰狼 Gary 盯著螢幕上的待辦清單，嘆了一口氣。

他的工作流程大概是這樣的：客戶在表單上填了需求，他要手動複製到 Notion 建一張任務卡，再到 LINE 群組通知團隊，最後把進度更新回試算表。每天光是這些「搬資料」的動作，就吃掉將近一個小時。重點是——這些事情沒有一件需要動腦，純粹是手指的勞動。

「有沒有可能，我只要在一個地方按一下，其他地方就自己動？」

這個念頭讓他開始研究 Notion 的串接功能。結果他發現，Notion 不只是一個筆記工具，它天生就被設計成可以跟其他服務「牽手」的平台。透過內建的 API 和一些簡單的自動化工具（像 Make 或 Zapier），他可以設定：「當 Notion 裡新增一張任務卡，就自動發一則 LINE 通知，同時在 Google Sheets 新增一列紀錄。」

Gary 說，整個過程最讓他驚訝的是「體驗比想像中友善太多」。他不是工程師，不會寫程式，但 Notion 的串接介面幾乎是用拖拉跟填空就搞定的。第一次設定大概花了半小時摸索，之後每天省下的時間遠遠超過這個投入。

他分享了一個很實際的畫面：現在客戶需求一進來，Notion 自動建卡、自動通知、自動記錄，他只需要專心處理真正需要判斷力的事情。「我終於不用當人肉複製貼上機了。」

群組裡的 Frank 聽完後也有感觸，他說：「養龍蝦和用龍蝦是兩個不一樣的事情。」意思是——花時間去「建構」一套自動化系統，跟單純「使用」AI 下指令，是完全不同的層次。Gary 做的事情，就是願意花半小時去「養」，換來每天一小時的自由。

如果你也覺得自己每天在做很多「不需要大腦但很花時間」的事，不妨從 Notion 串一個最小的自動化開始。你不需要懂程式，不需要搞懂什麼 API 原理，只需要問自己一個問題：

「這件事，我能不能只做一次，讓它自己跑？」

答案通常是：可以，而且比你想的簡單。

灰狼 GARY 那天訓練完 AI 客服，突然想測試它記住了什麼。

他問了一句：「你知道我的 Email 嗎？」

AI 毫不猶豫，把他的 Email 完整吐出來。

GARY 愣住了。不是驚喜，是一種說不清楚的感覺，像是發現家裡有個看不見的人，默默把你說過的每句話都記在一個小本子上。

這就是 AI 記憶功能的真實面貌：它不是只記「你說你想喝咖啡」這種無害的小事，而是一視同仁，你給它什麼它就記什麼。有用的記，沒用的也記，你以為說完就消失的也記。

GARY 從那天開始，對 AI 記憶的看法變得更複雜。

記憶功能讓他的 AI 語音助手變得更順手，不用每次開新對話都重新介紹自己，這是真的好用。但那個 Email 事件讓他意識到一件事：你給 AI 的東西，它都留著。你教它什麼、跟它聊什麼，都在塑造一個「記住你」的 AI。

這把雙面刃的另一面，不是技術問題，而是習慣問題。

你要思考的不是「AI 能不能記」，而是「你想讓它記什麼」。

這比「AI 有記憶真方便」更值得想清楚一點。