如果你是 AI 新手，這篇不要錯過。
我用一套 AI 工作流，在很短時間內建立了一個開源回測量化框架、重塑了我的個人網站、寫了多篇交易相關文章、也開發了各種交易小工具。
現在我會把我最新的 AI 工作流和步驟，完全免費分享給大家。
◉ 新手應該如何正確看待 AI？
在分享工作流前，先搞清楚一些概念。
使用 AI 的最核心思路是，把 AI 當成剛入職的員工。
他有無限潛能，但需要流程與學習。
如果放任它隨意工作，它必定會犯錯。
你的位置是主管，是建立系統、告訴 AI 「甚麼是正確的」、「怎麼做才對」、「該訂立哪些規範」的人。
◉ 使用更強的智能體
如果你想把 AI 放進真正工作流程，最前端的 AI 模型是必須的。
原因很簡單：你需要更好的模型、更長的上下文、更高的使用量，以及能讀檔、改檔、跑命令的能力。
模型名乎其實是 AI 的大腦，你也不想自己手下都是一群笨蛋。
我會到 Arena AI 網站上看各個 AI 網上的綜合評價，目前 Claude 和 Codex 名列前茅。
然而，儘管 Claude 有萬般好，但單是容易封禁就已經很麻煩。
所以頂流模型中，我目前只使用過 Codex，介面簡單、上手快、還提供應用程式版本，對新手來說比 Claude 更友好。
方案的話，可以先用 Codex Plus 試跑看看。
PLus 的額度雖然比較少，但已經足夠讓你熟悉 Goal、Data、ProjectManager、Skill 這整套流程。
當用得更深入時，便可以像我四月那樣考慮升級到 Codex Pro，當時有兩倍額度，用起來非常順。
六月的話我也會考慮升級到 Codex 20X，價格為每月 200U。
200U 聽起來有點貴，但換個角度想：
你等於一次聘請了多個永不睡覺、可以 24 小時工作的研究員、寫手、工程師。
如果把這些工作外包給真人，月薪早就遠遠超過這個數字了。這樣一想，其實非常划算。
如何訂閱 Codex 可以參考這篇。
◉ AI 工作流是甚麼？
所謂 AI 工作流，就是一套讓 AI 完成任務的工作流程規範，一套 AI 自己如何運作的系統。
懂得用 AI 建立工作流的用戶，工作效率絕對可以超過只是把 AI 當對話機器人的用戶五倍以上，不誇張。
想像你是一家公司的 CEO，你不會每天都跑到各個員工的崗位上，指揮他們今天的行動。
你要做的是向員工或者主管交待你想做的事情，然後讓下屬負責。
同樣地，你不再需要每次都指揮 AI 工作。
而是把「想做甚麼」發給 AI，讓他們拆解任務、分發指令給下屬 AI、再按順序做事。
此外還有一個觀念需要記住，那就是現在很多技巧，都是為了解決 AI 上下文漂移以及消耗 Token 的難題。
電腦無法直接理解人類的文字，它必須先將文字拆解成一塊塊的積木（ Token ），再轉換成數字進行運算。
當輸入的 Token 超過模型的能力，愈久遠的對話就會降權重，最後完全消失。
而且每一次讀取 Token 都需要花費電力和算力。
完成同樣結果下，那當然是用得愈少 Token 愈好。
從 Agent 到 Skill、Sub Agents、上下文壓縮等技術，都是為了解決這兩個難題才出現。
◉ 經常聽到的 Agent、Skill，到底是甚麼？
AI 看著有很多高深的名詞，但實務概念上其實很簡單：
可以先用公司管理來理解：
- 目標 (Goal)：專案的預期成果
- 資料 (Data)：專案相關資料
- 員工 (
Agent)：負責執行的 AI 角色和工作流程 - 技能 (
Skill)：員工實際行動時的操作細節 - 參考資料 (
Reference)：Skill內引用的補充文檔 - 報告 (Report)：工作過程留下的紀錄與證據
- 記憶 (Memory)：公司累積下來的長期經驗
而且以上絕大部份，都只是人類也可以讀懂的文檔。
接下來讓我們用開間奶茶店做例子，逐一拆解。
目標 Goal：專案的預期成果
Goal 是想 AI 完成的最終結果。
如果你是一間奶茶店的老闆，你不會只對員工說：
幫我把生意做好。
員工聽完一定翻白眼，誰知道你真正想要甚麼。
比較好的目標會像這樣：
- 今天下午 3 點前，先把珍珠煮好，並測試口感是否穩定
- 開店前，確認奶茶、檸檬茶、咖啡三款主打飲品的材料是否足夠
- 把餐牌整理成 10 款以內，先保留最容易出杯、最容易控制品質的選項
- 開業前三天，每天拍 3 張店面、飲品和員工準備中的照片，留給 Instagram 宣傳使用
- 每天收店後，記錄哪三款飲品最多人買，以及客人最常問的問題
員工才能順著這個目標，拆解要做甚麼。
很多人用 AI 的時候，只想到了自己。
給了一句很大的願望，卻沒有告訴它成功長甚麼樣子。
資料 Data：專案相關的內容
Data 是 AI 工作時可以使用的材料。
員工有了目標，但還要資料才能下判斷。
收銀員要知道每杯奶茶的價格、最近有沒有搞甚麼優惠推廣價。
備料員要知道現在還剩多少珍珠、茶底、檸檬、杯蓋和冰塊。
沖茶員要知道這杯飲品要少甜、走冰，還是加珍珠。
店長要知道昨天賣得最好的是甚麼、今天哪些材料快用完、午市大概需要多少人手。
這些都是經營的必要資料。
員工 Agent：負責工作的 AI 個體
Agent 是你的 AI 員工。
一間奶茶店裏，會有不同崗位。
收銀員負責接單、確認款項、記錄客人要求。
備料員負責確認珍珠、茶底、檸檬、杯蓋和冰塊是否足夠。
沖茶員負責按標準方法製作飲品。
AI 也是一樣，把不同崗位的職責拆分，記錄在 Agent 各自的文檔內。
這樣做的好處，是每個 Agent 只需要記住自己負責的部分。
如果所有事情都塞給同一個 AI，它很快會開始混亂。
分工可以降低上下文漂移，也更容易驗收成果。
Skill：角色工作時所需要用到的能力
Skill 是 AI 員工做事時的細節指示。
同一個員工，如果沒有訓練，表現也會不穩定。
你請了一個沖茶員工，不能只說「你負責沖茶」。
你要告訴他 SOP：
- 奶茶要用甚麼茶葉
- 茶要煮多久
- 奶和茶比例是多少
- 冰量如何調整
- 出杯前要檢查甚麼
- 客人投訴太甜時怎樣處理
這一套沖茶方法，就是沖茶 Skill。
在 AI 裏，Skill 通常是一份流程文檔，由 Agent 「調動」，也就是在 Agent 的文檔內提及這個 Skill 文檔。
不同的工作細節，就需要不同的 Skill。
Reference：Skill 下面的補充文檔
Reference 是 Skill 底下的補充文檔。
如果 Skill 是沖茶方法，Reference 就是旁邊要查的配方表、甜度表、冰量表、杯量規格和常見錯誤表。
為甚麼不把所有東西都塞進 Skill 裏？
因為 Skill 主文要保持清楚，讓 Agent 只需讀取基本資料便可以判斷是否需要用到這個 Skill。
當真的確定要用的時候，再靠Reference 負責補充大量細節。
例如奶茶店可以有這些 Reference：
- 標準港式奶茶配方
- 甜度和冰量對照表
- 每日開店備料清單
- 材料存量警戒線
- 杯蓋、吸管、外賣袋檢查表
- 常見客訴處理範例
- 供應商聯絡資料
當沖茶 Agent 要做港式奶茶，它先讀沖茶 Skill。
如果 Skill 要求它查甜度表和配方表，它才打開對應 Reference。
Report：它做完後交甚麼
Report 是 AI 員工的工作報告，也可以視為員工的短期記憶。
奶茶店每天收工後，店長需要知道今天發生了甚麼。
- 今天賣了多少杯？
- 哪款飲品最受歡迎？
- 材料有沒有不夠？
- 客人有沒有投訴？
AI 也一樣。
每次重要行動後，它應該寫Report，記錄它讀了甚麼、做了甚麼、改了甚麼、遇到甚麼問題、有甚麼風險、下一步應該怎樣處理。
這份報告除了給你看，也要留給下一個接手的 AI。
當對話太長，需要開新對話時，新 AI 只要先讀最近的 Report，就能知道專案進度。
Memory：哪些錯誤下次不要再犯
Memory 是AI 員工的長期記憶。
你不希望員工每次下班後就把所有事情忘記，但他們也不可能全部都記住。
這時候就需要把事情總結成一些教訓、守則，讓員工牢牢記住。
AI 的做法也一樣，把 Report 內一些較重要的部份壓縮，放到 Memory 內，讓 Agent 自主學習成長。
◉ lo2cin4 的 AI 工作流框架詳細解讀
以前我還會用傳統公司的格式，先把 Agent 分成各部門，例如內容寫作部負責文章，產品開發部負責程式，設計部負責圖片。
這種分法看起來很清楚。
但真正開始指派任務時，問題就出現了。
我需要記得每位員工會甚麼、適合做甚麼、哪一個員工用過哪一本工作手冊。
員工數量少時還可以靠記憶。
一旦 Agent 和 Skill 變多，管理成本就會快速上升。
所以我後來不再只用「部門」理解 AI 工作流，改為「專案」導向。
我只做了三個改動：
- 增加了
Agent和Skill的模版資料夾，並且以「專案」為單位建立工作資料夾
- 不再劃分「部門」，而是每個專案都將會有個別微調的
Agent和Skill
- 建立了唯一通用的
AgentProject Manager，它將會負責各個專案內的一切事務，包括自行判斷從模版中複製哪些Agent和Skill以達成目標、安排Agent分工、驗收成果等
這樣的好處有三：
- 不同專案有不同需求，客製化的
Agent和Skill能夠更精確地處理問題，也不用把大量專案步驟塞到Agent文檔內
- 用戶只需要與 PM 一個
Agent溝通便足以完成專案
- 不同專案開啟不同對話，每個對話有各自的 PM，符合人的管理思維
我為大家準備了一個參考資料夾，可以下載後跟著做。
第一步：先理解檔案架構
下載資料夾後，先了解整個 Company/ ，可分成四層。
Company/
├─ README.md：總說明
├─ template/：模板
├─ workspace/
│ └─ dummy-project/
│ ├─ project.workspace.yaml：專案設定
│ ├─ agents/
│ └─ skills/
├─ data/
│ └─ dummy-project/：材料和產物
└─ reports/
└─ dummy-project/：報告和記憶
你只需要先記住四個位置。
template/ 放可重用的模板。
workspace/dummy-project/ 放這個專案的設定。
data/dummy-project/ 放材料、草稿、整理結果和最後產物。
reports/dummy-project/ 放每次行動後留下的報告和記憶。
真正開始操作時，你只要打開 Codex，叫 PM 接手 workspace 內的工作資料夾。
PM 便會幫你處理所有事。
第二步：打開 Codex App，開新對話，呼叫 ProjectManager
現在打開 Codex App 後，為這個專案開一個新對話。
然後呼叫 ProjectManager。
以下用 dummy-project 做示範。實際使用時，請把需求換成自己的內容。
指示詞例子：
「你現在是 workspace/dummy-project/agents/ProjectManager.agent.md。我的需求是：〔在這裏寫你的需求〕。請按你的 ProjectManager 規範和 workspace 規則，先讀取必要文件和已有材料。請不要直接產出最終成果，先幫我分析目標、拆解階段、列出缺少資料、設計每個階段的驗收標準，並說明下一步應該交給哪些 sub-agent 或 Skill 處理。」
真正要讀取哪些文件，應該由 ProjectManager 根據自己的規範處理。新手不用把路徑逐條寫進 prompt。
Codex 亦提供 Plan 模式，可以在 Codex App 內按 Shift + Tab 進入，它會作出更完整的計劃。
之後，PM 會先說明它理解到的需求，並用對應的 Skill 處理，再提出分階段方案。
第三步：閱讀 PM 方案，批准後交給 sub-agent 運作
PM 提出方案後，先看它有沒有把專案拆成可以管理的階段。
每個階段應該有明確目的、需要材料、負責角色、預期產物和驗收方式。
如果方案合理，就批准它執行。
批准時要明確要求 PM 分派合適的 sub-agent，並在每個階段完成後回報。
指示詞例子：
「批准。現在分派合適的 sub-agent 執行。」
正常情況下，ProjectManager 會像主管一樣，按任務需要安排 ResearchAgent、WriterAgent 或 ReviewAgent。
你要檢查的是分工是否合理，以及產物和 Report 是否寫到正確位置。
第四步：產物不如預期時，要求 PM 修正並記錄
如果你的需求牽涉到美術等沒有標準答案的部份，那麼 AI 第一次交出來的東西，未必符合你的標準。
這時候，你只需要說出看到的問題，讓 ProjectManagerM 自行判斷問題來自目標理解、材料不足、角色分工、工作方法，還是驗收標準不清楚。
同時，你要要求它記錄這次修正。
大多數時候 ProjectManager 都會記得要寫入 Report 或 Memory，但為了確保紀錄完整，最好在指示詞內直接提醒。
指示詞例子：
「這次產物不符合預期。問題是：〔在這裏寫出具體問題〕。請你先分析問題原因，再安排合適的 sub-agent 修正。修正後請驗收結果，回報改了甚麼、為甚麼這樣改、還有甚麼風險。若這次問題會影響未來工作，請寫入對應 Agent 的 Memory；若只是本次工作紀錄，請寫入 reports/dummy-project/{AgentName}/ 內的 Report。產物本身請保留在 data/dummy-project/。」
如是者，直到工作完成。
流程總結
lo2cin4 的 AI 工作流，可以總結成一句話：
先在 workspace 建立專案辦公室和員工，再讓 ProjectManager 制定計劃、分派 sub-agent、把產物放進 data，並把每次行動紀錄留在 reports。
如果你遇到任何難題，歡迎到我們的免費 Telegram / Discord 群組，我很樂意幫大家解決。
下一步：未來可以怎樣和 AI 協作？
這篇先把新手最需要的 AI 工作流骨架講清楚：Goal、Data、Agent、Skill、Reference、Report 和 Memory。
之後如果要再往前走，重點不是把 AI 當成神奇答案機，而是慢慢建立一套可以交接、可以驗收、可以修正的協作方法。你可以先從一個小專案開始，讓 ProjectManager 拆解目標，再用 Report 和 Memory 留下每次改進的紀錄。
如果你還在準備工具存取、訂閱或升級方案，可以先看這篇整理：香港用戶如何訂閱 ChatGPT Plus / Pro。
◉ FAQ：AI 工作流常見問題
AI 工作流和提示詞有甚麼分別？
提示詞通常是一句指令。AI 工作流是一整套做事方法，包括目標、資料、角色、步驟、驗收、報告和記憶。提示詞可以是工作流的一部分，但不能取代整個工作流。
新手需要先學 AI 原理嗎？
不用。如果你的目標是使用 AI 做事，先學會怎樣描述任務、提供資料、檢查結果，比先學模型原理更重要。你可以之後再補理論，但一開始先做出東西。
AI Agent 是甚麼？
Agent 是一個有責任邊界的 AI 工作角色。
它記錄了該負責甚麼、不負責甚麼、要讀甚麼、要交甚麼結果。
Skill 是不是高級提示詞？
不是。Skill 是一套可重複使用的流程，常見擁有觸發條件、輸入、步驟、輸出格式、驗收和停止條件。
它的設計能有效降低 Agent 使用時的 Token 消耗並維持 AI 產出的一致性。
使用 AI 一定要付費嗎？
入門不一定。但如果你要把 AI 放進長期工作流程，尤其要它讀檔、改檔、跑命令、處理大型專案，付費工具通常更實際。
重點不是價格。重點是它能不能幫你穩定產出。
我應該把資料放在 workspace 還是 data？
Agent 和 Skill 放 workspace，材料和產物放 data。
workspace 可以想像成專案辦公室，放制度、員工名冊和工作方法。
真正的材料、草稿、整理結果和完成品，應該放在 data。
我是否需要自己讀完整個 workspace？
不需要。
workspace 主要是給 ProjectManager 和其他 Agent 讀的。
你作為老闆，只需要知道這個專案有一個辦公室，內部放了工作規則。
真正使用時，你主要是和 ProjectManager 對話，讓它先讀文件、整理目標、拆分工作。
ProjectManager 寫出來的計劃太複雜，應該怎樣處理？
要求它把計劃分成幾個階段。
每個階段都要有清楚的預期成果、負責的 sub-agent，以及驗收標準。
如果驗收失敗，就不要進入下一階段，ProjectManager 應該主動把問題退回對應的 sub-agent 重做，直到該階段合格為止。
指示詞例子：
「請把計劃拆成幾個階段。每個階段都要列出預期成果、負責的 sub-agent、驗收標準，以及驗收失敗時要怎樣打回重做。請不要在上一階段未通過驗收前進入下一階段。」
如果 sub-agent 分工錯了怎樣處理？
如果某個 sub-agent 做錯方向，你只需要指出問題，要求 ProjectManager 重新分工，並在下一次安排前先確認任務邊界。
Report 和 Memory 要我自己寫嗎？
通常不用。
Report 是員工完成行動後留下的工作紀錄。
Memory 是專案之後要記住的重點。
如果完成品找不到，應該先看哪裏？
先看 data。
data 是放材料和產物的地方。
如果仍然找不到，就問 ProjectManager。
指示詞例子：
「請列出本次任務產生了哪些檔案，分別放在哪個路徑，並說明哪一個是最終版本。」
這比自己逐個資料夾尋找更有效。
我是否每次都要新開對話？
不一定。
同一個專案最好盡量留在同一條主對話，因為 ProjectManager 比較容易保持任務脈絡。
如果隨著上下文漸多，AI 效率開一下降後，你再新開對話，並要求 ProjectManager 讀取最近的 Report 和 Memory。
我應該直接叫 Agent 做事，還是先找 ProjectManager？
我們的設計建議是先找 ProjectManager，讓它再派遣 sub-agent。
ProjectManager 的作用，是先理解目標，再決定需要哪個 Agent 和哪個 Skill。
如果你一開始直接找員工，很容易出現分工混亂。
比較穩定的方法，是先讓店長拆解任務，再由店長安排不同員工處理。
我需要自己選 Skill 嗎？
通常不用。
Skill 可以理解成工作手冊。
新手不需要一開始就記住每本手冊的用途。
你只需要說清楚目標，讓 ProjectManager 判斷應該使用哪個 Skill。
如果結果不理想，再要求它說明用了甚麼 Skill，以及下一次應該怎樣調整。
如果 AI 忘記之前的決定，是否代表架構失敗？
不是。
這通常代表重要決定沒有好好寫入 Report 或 Memory，或者新對話沒有先讀取紀錄。
解決方法不是要求 ProjectManager 補寫紀錄，並在下一次開始前先讀取最近的 Report 和 Memory。
