AI 分身實戰 903 知識衛星直播重點：3 個工作流案例

AI導演林思翰Hans; AI導演林思翰Hans; AI導演林思翰Hans

AI 分身實戰 903 知識衛星直播重點：3 個工作流案例

ChatGPT、Claude 都愈來愈強，為什麼你的工作問題還是沒有被解決？

9 月 3 日知識衛星 AI 分身實戰直播，我沒有再示範一個更厲害的提示詞，而是直接拆三種工作現場：同時管理多組 Meta 廣告、把圖片與影片生成工具接成素材產線，以及沒有開發背景時，怎麼帶多個 AI Agent 把產品做完。

原因都一樣：模型會回答，不代表它知道資料在哪裡、什麼數字算異常、何時必須停下來請人核准，也不代表有人負責驗收最後成果。

這篇把當天的操作、現場修正與可重複使用的方法整理下來。

第一次接觸 AI 分身，可以先看真正的 AI 分身怎麼做？從聊天到交付工作的四個零件。

9 月 3 日這場是正式開課前的暖身互動直播，不屬於正式課程內容，安裝與設定等完整操作仍放在正式課程，這篇不是把兩小時錄影壓成幾句摘要，而是把操作過程、踩坑與查證結果整理成可以直接使用的筆記。

1. 這場直播實際解決了什麼

廣告監控：AI 可以計算 CTR、CPL、ROAS，也能整理異常，但「多少算差」必須回到帳戶自己的歷史基線。
生成素材：不是請 AI 生一張圖就結束，而是把參考圖、文案、分鏡與人工取捨接成流程。
產品開發：多開幾個會寫程式的 Agent，不等於專案會自動完成，仍需要共同真值、工作順序、驗收證據與決策人。
工具串接：Skill、MCP 與 API 各自負責不同工作，能連上不代表可以無限制操作。

2. 案例一：Meta 廣告 Agent 不該先從「自動調整」開始

觀眾問了什麼：公司同時跑 20 到 50 組不同型態的廣告，希望 AI 分身可以監控數據、追蹤預算、調整受眾，減少每天盯後台的時間。

這類問題很容易得到一份看起來很完整的答案：每天抓資料、計算 CTR、CPL、CPA 與 ROAS，發現下降就提醒，甚至自動關閉成效差的廣告。

ChatGPT 或 Hermes Agent 預設不能直接讀取 Meta 廣告後台。必須另外串接 Meta Marketing API、支援 Meta 的外掛程式或其他獲得授權的工具，才能取得廣告數據。要修改預算、受眾或停投，還需要額外的寫入權限，因此第一階段應先從數據監控、異常提醒與優化建議開始。

AI 適合整理指標與提出建議，預算、受眾、停投等高風險變更仍應保留人工核准。

2-1. 公式可以固定，判斷門檻不能照抄

CTR、CPL 與 ROAS 都能從資料計算，問題在於「好或壞」不是一個跨產業通用的數字，產品價格、廣告目標、地區、版位、受眾成熟度、歸因設定與投放期間不同，基準就會不同。

直播示範中出現的 CTR 門檻與「比基準下降 25%」只是概念驗證規則，用來展示告警流程，不是 Meta 官方標準，也不適合直接複製到其他帳戶。

AI 可以幫你算數字，不能替你決定什麼數字代表生意出了問題。正式門檻應該來自同一帳戶、同類活動、相近目標與一致歸因設定的歷史基線。

2-2. 查到 benchmark，還要回原始來源

現場請 AI 尋找廣告 benchmark 時，它引用了一個 GitHub 專案，我們打開原始頁面後，發現資料來源、市場與用途都不足以支撐這個判斷。

這裡的重點不是「星數少就一定錯」，而是不能把第二手整理直接當標準，至少要核對研究市場、產業、樣本數、資料期間、指標定義與歸因方式，找不到就標記為假設，不要包裝成官方答案。

2-3. GA4 可以匯入 Meta Ads，不等於接管 Meta 後台

直播現場也探索了 Meta 與 Google Analytics 的資料串接，精確說法是：GA4 可連結 Meta Ads 帳戶，把彙總的活動成本、點擊與曝光匯入 Analytics，搭配網站或 App 行為做跨管道報表。

這不代表 GA4 可以編輯 Meta 廣告、替你換受眾或停掉活動，真正設定仍要依照 Google Analytics 官方的 Meta Ads 連結流程，確認權限、帳戶與 UTM，而不是只看聊天工具裡有沒有外掛按鈕。

3. 案例二：生成圖片與影片，重點不是一次生得多漂亮

第二段直播把畫面操作拉到創作者最熟悉的場景：提供參考圖、找視覺方向、生成多個版本，再把靜態圖片延伸成宣傳影片。

現場使用 Magnific Spaces（原 Freepik Spaces）的節點式創意介面，也談到 Higgsfield 等生成工具，這些工具可以把參考圖、生成步驟與候選結果排在同一個工作區，概念上接近視覺化 workflow。

節點與參考圖可以讓多段生成關係更清楚，但輸出仍要人工檢查文字、人物一致性、品牌與素材授權。

3-1. 真正可重複的是決策，不是某一張生成圖

只寫「幫我做一張有質感的圖」，每次都要重新碰運氣，能重複的流程應該記住：素材要給誰看、哪些元素不能動，以及驗收標準。

產品穩定度是我們最在乎的一件事情，你做得很好看，但產品穩定度不行，那就是完全不行了。

現場生成的短片大約只有六、七十分，有些轉場與產品外觀仍不穩定，好處是工作流保留了分鏡與中間素材，如果第三段不好，可以只重做第三段，不必把前兩段一起重生。AI 分身的價值，是把這些判斷與修正步驟留下來，下次不必從零開始。

3-2. 外掛程式能操作工具，權限就要更保守

直播示範透過 ChatGPT 的外掛程式授權 Magnific 等創意工具，再從對話中呼叫相關能力。外掛程式是否只能讀取資料，或也能建立、修改及分享內容，取決於它提供的功能與使用者授權。

ChatGPT 顯示外掛程式，不等於免費包含 Magnific、Higgsfield 或 Canva 的付費能力，直播使用的是另外購買的工具帳號，實際可用功能仍取決於各平台方案、地區與帳號權限，不需要為了串接把所有工具都買一遍。

編輯補充：實際工作應採最小權限。讀取資料與產生草稿可以依風險放寬；發布、刪除、購買、覆寫正式素材與對外分享，仍應逐次核准。沒有客戶機密，不等於所有寫入動作都沒有風險。

4. 案例三：有很多開發 Agent，為什麼產品還是做不完

第三個提問來自沒有開發背景、正在做產品的夥伴，他已經能用多個 AI 對話協助寫程式，也把工作放進 GitHub，卻仍然花大量時間追進度、處理衝突與確認下一步。

這就像一間公司有很多工程師，卻沒有共同規格、專案經理與驗收制度。再增加一個會寫程式的 Agent，只會讓輸出更多，不會自動讓產品整合成功。

4-1. 需要的不是更多分身，而是 AI 技術總管

直播的核心裁決是：「你要的不是更會寫程式的 AI，而是常駐的 AI 技術總管。」把這項需求整理成可執行版本，至少要明確化以下工作：

所有 Agent 共同讀哪一份規格與基準。
每項工作由誰負責，先做什麼、後做什麼。
完成時要提供哪些測試、畫面或執行證據。
兩個 Agent 的建議衝突時，誰負責整合與裁決。
遇到高風險或規格缺口時，何時必須停下來找人。

直播提到的 Hibiki DSP，就是公開開發中的 Windows 音訊平台，這類跨元件產品更需要把規格、建置腳本與驗證證據視為共同真值，不能只看某個 Agent 說完成了。

4-2. Hans SafeDoc：功能清單不等於產品完成

我也用 Hans SafeDoc 說明同一件事。它不是從「幫我做一個資安工具」開始，而是先把不能碰的界線寫清楚：不動原始檔、本機處理、逐項人工確認，驗證後另建安全副本。

產品頁上寫「支援某格式」不夠，還要真的拿檔案跑過，確認輸出可開啟、原檔沒被修改，而且失敗時不會產生看似安全的假結果。

直播也示範另一個開發原則：先搜尋、試用與比較現成方案，若別人已經解決，就不必重造輪子，若既有方案都不符合，再把差距整理成規格交給 AI 開發。

直播另搜尋某個自動字幕產品的公開資安爭議，但現有證據不足以確認產品完整名稱與事故細節，因此本文不重述外流欄位、通報時間或修復結論。

編輯補充：流量小、不容易被看見，不代表產品可以忽略資安，只要涉及使用者檔案、個資、付款或正式環境憑證，上線前就要完成基本的祕密掃描、權限檢查、備份與事件處理流程。

5. 你使用 AI，最常卡在哪一關

要一直跟 AI 重複交代背景。
AI 做完，你還要大改一次。
工具用很多，但不知道怎麼接上自己的工作流程。
不知道哪些任務可以自動化。
AI 省了時間，卻沒感覺增加價值。
AI 模型很強，但自己的問題還是沒有被解決。

這六個問題不能只靠換模型處理，重複交代背景，要補的是記憶與知識庫；每次都要大改，要補的是驗收標準，工具接不起來，要判斷 API 或 MCP，不知道該自動化什麼，要先找高重複、高痛感、高價值又能驗收的工作。

Hermes Agent 可以作為同一個 Agent 介面，連接已設定的模型供應商，並搭配工具、Skills、記憶、排程、MCP 與子代理處理多步驟任務。

它不是直接遙控 ChatGPT、Claude、Gemini 或 Grok 的消費版服務，也不會自動附帶所有模型額度。你可以分別串接不同模型供應商，也可以透過 OpenRouter 或 Nous Portal 使用統一入口，實際費用、額度與限制取決於選擇的模型供應方式。

工具只是承載方式，真正要保存的是你的資料、判斷與驗收規則。

Skill、MCP、API 各自負責什麼

Skill：Agent 可按需載入的任務知識、流程、腳本、參考資料與範本。
MCP：讓 LLM 應用以標準方式連接外部資料與工具的協定。
API：軟體彼此交換資料或執行動作的介面契約。

三者不是同義詞，Skill 可以指示 Agent 何時呼叫工具，MCP server 背後也常包裝既有 API；真正能讀多少資料、能執行哪些動作，仍取決於授權範圍與人工核准機制，想進一步釐清，可以看Skill、MCP、API 是什麼？三者差別與三層架構一次看懂。

6. 直播問答：資料、Hermes Agent 與機密知識庫怎麼選

6-1. Word、PDF、YouTube 與電子書，可以整理進同一個知識庫嗎？

有觀眾問，散落在 Word 課程筆記、YouTube 影片、PDF 與電子書裡的資料，能不能自動整理到同一個地方，日後新增內容也能持續更新。

直播示範的做法，是先建立自己的資料目錄，再由 Agent 依來源轉成較容易搜尋、引用與版本管理的 Markdown。Email、會議紀錄、網頁、影片音訊與既有筆記都可以成為來源，但每一種格式仍要有對應的擷取或轉檔方式，付費內容也必須先確認本人有存取與使用權。

不要把「丟給 AI」理解成把帳號密碼直接交出去，需要登入的來源，優先使用官方授權、最小權限與可撤銷的存取方式，轉檔後還要保留來源連結、日期與檔名，才能回頭查證。

6-2. 什麼時候才需要 Hermes Agent？

我直播給的判斷：如果雲端聊天工具已經能完成工作，不必為了使用 Agent 而先增加安裝難度，當任務必須讀取本機知識庫、跨多個本機檔案、執行終端機流程，或把本機文章上傳到 WordPress，而現有雲端介面做不到時，再使用 Hermes Agent 這類本機 Agent。

但 Hermes Agent 安裝在本機，不代表所有資料都留在本機。如果使用 OpenAI、Claude、Gemini或 OpenRouter 等雲端模型，送給模型的內容仍會傳到該服務。資料完全不能離開本機時，還需要搭配本機模型，並限制外部 API、MCP 與網路存取。

多數一般需求不一定先用 Codex 或 Claude Code，先確認卡點究竟是缺少記憶、Skill、API／MCP、自動化場景，還是模型能力真的不足，再選工具。

6-3. 機密知識庫該放本機，還是交給雲端 AI？

直播討論的是雲地混合：原始敏感資料留在本機，先處理姓名、身分證字號、Email、電話、公司名或產品名等識別資訊，再把必要內容交給雲端模型分析，結果回到本機後再依映射還原。

這能降低暴露風險，不代表資料「一定不會外洩」，是否可上傳仍要看公司政策、法規、資料敏感度、雲端服務條款與重新識別風險，醫療、金融、國防或其他高機密環境，可能仍須採完全本機流程。

6-4. 不會寫程式、還不知道要做什麼，也可以開始嗎？

直播的回答是可以先從雲端工具與一件具體工作開始，不必一開始就安裝 Hermes Agent、Codex、Claude Code，也不用先買齊所有外部工具，免費或付費仍取決於各平台當下方案，不能把單一模型訂閱理解成包含全部服務。

至於上完課能不能變現，我不能保證，課程能提供方法、練習與陪跑，成果仍取決於個人的需求選擇、執行、作品與市場驗證，不能把尚未完成驗證的案例當成成效承諾。

選工具的順序不是先追最強模型，而是先確認資料能不能出去、工作是否跨出雲端介面的邊界，以及結果能不能被驗收。

7. 先不要急著做分身，先完成這張任務卡

如果你想把一件工作交給 AI，先回答以下六題：

任務：最後要交付什麼，不是要開哪個工具。
資料：AI 必須讀哪些來源，哪些內容不能碰。
判斷：怎麼區分正常、異常與需要人工處理。
工具：要讀取、計算、建立草稿，還是修改外部系統。
驗收：完成時必須提供哪些證據。
停損：遇到什麼情況必須停下來，不得自行猜測或發布。

先選一件你已經實際做過、結果可以驗收的工作。自己跑通、修正，再把它整理成 Skill，不要把尚未成熟的方法封裝起來，讓 AI 更快地重複錯誤。

直播現場就出現一個直接例子：AI 顯示回信完成後，人工回查仍發現搜尋條件漏掉一封信，最後才補上，抽獎人數也在執行前由錯誤數字更正，這說明工具回報成功，不是驗收證據，真正的完成要回到外部系統檢查實際結果。

結論：AI 分身不是多一個聊天室，而是一套工作系統

廣告 Agent 需要自己的基線與人工核准；生成素材需要參考、流程與品牌驗收；多 Agent 開發需要共同真值、順序與整合責任。

當你的 AI 一直給通用答案，先不要問哪個模型更強。回頭檢查它少了哪份資料、哪個判斷沒有寫清楚、哪個工具沒有權限，以及完成後到底由誰驗收。

把這些補齊，AI 才會從一次性的回答，變成可以重複交付成果的工作系統。

錯過 9 月 3 日暖身直播，怎麼複習？講者建議直接閱讀整理文章，暖身直播以互動、案例與現場問答為主，安裝、設定等完整操作仍放在正式課程，本文已把操作、修正與參考資料整理成可獨立閱讀的筆記。

查看 SAT 知識衛星 AI 分身課程

課程優惠折扣碼：『 Hansfb 』

常見問題 FAQ

不會寫程式，也還不知道要做哪一種 AI 分身，可以開始嗎？

可以，但不要一開始就做一個什麼都會的萬能分身。先挑一件自己經常重複、知道結果好壞，也能清楚驗收的工作，用 ChatGPT 或 Claude 把流程跑通。等到需要讀取本機檔案、操作終端機、排程或串接多個工具時，再考慮 Hermes Agent、Codex 或 Claude Code。

Word、PDF、YouTube 與電子書，可以整理進同一個知識庫嗎？

可以，但不同來源需要不同的處理方式。Word 與一般 PDF 可以轉成文字，掃描 PDF 需要 OCR，YouTube 通常先取得字幕或逐字稿，電子書則要確認檔案格式與使用權。整理後建議保留來源名稱、網址、日期與原始檔案，不要只留下 AI 整理過的內容。

建立 AI 分身一定要使用 Hermes Agent 嗎？

不一定。如果 ChatGPT 或 Claude 已經能完成工作，就先用現有工具。當任務需要讀寫本機知識庫、跨多個檔案、操作終端機、長時間執行、排程或串接外部工具時，再考慮 Hermes Agent。

Hermes Agent 安裝在電腦裡，資料就不會上雲嗎？

不一定。Hermes 的記憶、Skills 與對話紀錄可以保存在本機，但如果使用 OpenAI、Claude、Gemini 或 OpenRouter 等雲端模型，傳給模型的內容仍會送到該服務。資料完全不能離開本機時，還需要搭配本機模型，並限制外部 API、MCP 與網路存取。

AI 可以直接監看，甚至自動調整 Meta 廣告嗎？

可以做到，但 ChatGPT 或 Hermes Agent 預設不能直接讀取 Meta 廣告後台。必須另外串接 Meta Marketing API、支援 Meta 的外掛程式或其他獲得授權的工具。建議第一階段先讓 AI 讀取數據、比較歷史基線與提出建議，修改預算、受眾或停投等高風險操作，先保留人工核准。

GA4 串接 Meta Ads 後，可以直接修改廣告嗎？

不可以。GA4 可以匯入 Meta Ads 的成本、點擊與曝光，搭配網站或 App 行為製作跨管道報表，但不能修改 Meta 廣告的預算、受眾、素材或投放狀態。

已經同時使用很多 AI Agent，為什麼產品還是做不完？

因為增加 Agent 只會增加產出，不會自動處理工作順序、版本衝突與驗收問題。需要另外設定一個「AI 技術總管」，讓所有 Agent 讀取同一份規格，分配工作、檢查測試、整合衝突，並在遇到規格缺口或高風險變更時停下來找人決定。

在 ChatGPT 裡使用 Magnific、Higgsfield 或 Canva，需要另外付費嗎？

通常需要。ChatGPT 的訂閱不會自動包含外部工具的付費方案、點數或生成額度。是否能使用、能做哪些動作，以及每次生成需要多少點數，都取決於外部平台的帳號與方案，不需要為了建立 AI 分身一次買齊所有工具。

AI 分身實戰 903 知識衛星直播重點：3 個工作流案例

1. 這場直播實際解決了什麼