真正的 AI 分身怎麼做？從聊天到交付工作！四個零件讓 AI 替你工作

「AI 分身跟 AI 機器人，到底有什麼差別？」這可能是我最近最常被問到的問題之一。

很多人聽到「AI 分身」，第一個想到的是：一個會模仿我的聲音、長相，或講話語氣的聊天機器人。

但會模仿你，不代表它能替你工作。

你可能每天都在用 ChatGPT、Claude 或 Gemini，問問題、改文章、查資料。AI 的回答速度很快，你花在工作上的時間卻沒有真的變少。

為什麼？因為每次開始工作，你還是要重新貼資料、重新交代背景、重新解釋自己要什麼。AI 做完後，你還要自己檢查、自己修改，再把零散的結果拼成可以交出去的東西。

你省下打字的時間，卻花了更多時間在管理 AI。

最近 Kelly Tsai 看完知識衛星課程試看後，做了一支影片分享她對 AI 分身的理解。

我喜歡這支影片，不只是因為她整理得很清楚，更重要的是，她不是把課程內容換句話說一遍，她用自己的工作經驗重新消化，也提出了自己的判斷，我覺得影片非常用心。

而且她的聲音真的很好聽，如果你習慣用影片吸收資訊，我很推薦先看她的完整說明：

這篇文章，我不打算把影片逐字稿再念一次，我會挑出幾個我認為最重要的觀念，再補上我實際培養 AI 分身時的做法。

看完後，你至少要能回答一個問題：

你現在用的 AI，究竟只是在陪你聊天，還是真的能接走一件工作？

AI 分身和聊天機器人到底差在哪？

先講最簡單的判斷。

如果 AI 每做一步都要等你下指令，那它還不是你的分身。它比較像一位反應很快，卻對你的工作一無所知的助理。

你叫它做什麼，它就做什麼。你沒有講的，它不會知道。你忘了提供的資料，它也不會自己去找。

例如你是一位接案者，收到客戶來信，希望你提供一份報價。

如果你使用的是聊天機器人，流程通常會是這樣：

你先把客戶需求貼進對話框，叫 AI 幫你整理。

接著，你自己去翻以前做過的案子，找到兩份類似案例，再貼給 AI。

AI 寫出報價內容後，你發現它不了解你的計價方式，只好再解釋一次哪些項目要分開計算、哪些服務不能免費送。

最後你把 AI 產出的文字複製到報價單，自己調整價格、檢查格式，再寄給客戶。

AI 的確有幫忙。

但整份工作還是你在做，AI 只負責其中幾個步驟。

真正的 AI 分身，流程會不一樣。

收到客戶需求後，它會到指定的資料夾裡，找出過去相似的案例。

它知道你平常怎麼拆工作項目，也知道你的報價規則、哪些服務可以贈送、哪些地方不能隨便降價。

接著，它會按照你原本的格式產出報價草稿，檢查必要欄位有沒有漏掉，最後停在草稿階段，交給你確認價格。

你看過決定可以寄出，再由你按下送出。

差別不在 AI 寫字有多快。

差別在於，你交給它的是「幫我寫一段話」，還是「幫我完成一份可以檢查的報價草稿」。

前者是一個步驟，後者才是一件工作。

換成其他身份也一樣。

如果你是主管，叫 AI「整理這份會議紀錄」只是一個步驟。

讓它讀完會議內容、找出每個人的待辦事項、標註期限、更新追蹤表，再把需要主管決定的問題另外列出來，才接近一件完整的工作。

如果你是內容創作者，叫 AI「把這段逐字稿改成文章」也只是一個步驟。

讓它先讀你的寫作規則、確認文章方向、查證資料、完成正文、檢查 SEO、準備圖片，最後上傳到 WordPress 草稿，等你審核後才發布，才比較接近 AI 分身。

AI 分身不是某一套軟體才有的神奇功能。

ChatGPT、Claude、Gemini、Claude Code、Codex 或 Hermes Agent，都可能成為工作系統的一部分，工具可以換，模型也會一直改版。

真正的差別是：你有沒有讓 AI 讀得到工作需要的資料？知不知道事情該照什麼順序做？能不能判斷成果是否合格？又清不清楚哪些事情可以自己處理，哪些事情一定要停下來問你？

技術領域常把能使用工具、規劃步驟並執行任務的系統稱為 AI Agent，IBM 對 AI Agent 的說明也是這個方向：它不只回答問題，還會運用可用的工具與工作流程完成任務。

但「AI 分身」和「AI 機器人」目前沒有一套所有人都同意的正式分級，這篇文章談的，是工作方式上的差別，不是要宣稱只有一種標準答案。

所以你可以回想一下上一次使用 AI 的情況，你交給它的是一個步驟，還是一件工作？

如果資料要你找、每一步要你指揮、做錯後還是你自己修改，那你目前只是在用 AI 加快手上的動作。

當 AI 能讀取資料、按照規則完成流程、自己檢查成果，最後只把需要你拍板的地方交回來，你才真正開始培養自己的 AI 分身。

為什麼每天使用 AI，工作還是沒有變少？

Kelly 在影片裡把 AI 的使用方式分成三個階段。

第一個階段是下指令。

你問一句，AI 答一句。你得到很多小片段，最後還是要自己整理成完整成果。

第二個階段是把步驟串起來。

例如收到表單後，自動把資料放進試算表，再請 AI 產生一封回覆。這已經省掉一些重複動作，但只要遇到沒寫過的狀況，流程就可能停住，等你決定下一步。

第三個階段才是培養 AI 分身。

你把工作需要的資料、判斷方法、做事順序與完成標準交給 AI，它遇到一般狀況時可以自己處理，遇到超出授權的事情才回來問你。

你可以用一個很簡單的方法檢查自己在哪個階段：

上一次跑完整條流程時，你中間需要點幾次頭？

如果 AI 每做一步都要問「這樣可以嗎」、「接下來要做什麼」，那條流程其實還是你在跑，AI 只是站在旁邊幫你打字。

這也是很多人用了 AI，工作卻沒有變輕鬆的原因。

我們以為自己在自動化，其實只是把原本一次說完的工作，拆成十次對話慢慢交代。

真正能把時間還給你的做法，是讓 AI 知道平常遇到這種工作該怎麼判斷。它不需要每走一步都等你，只在真的需要你負責的地方停下來。

一個能工作的 AI 分身需要哪些四個零件？

影片裡整理出四個零件：知識庫、工作流、驗收、授權。

聽起來有點專業，但其實都能用一般公司的工作方式理解。

知識庫是公司的資料櫃，工作流是新人交接單，驗收是交件前的檢查表，授權則是告訴同事哪些事情可以自己決定，哪些一定要找主管。

知識庫怎麼讓 AI 真正懂你的工作？

假設你請了一位很聰明的新同事，卻沒有讓他看公司的資料。

他不知道你服務過哪些客戶、不知道過去怎麼報價，也不知道你最常遇到哪些問題。

這時候，就算他能力很好，也只能按照外面常見的做法回答你。

AI 也是一樣。

模型讀過很多公開資料，但它不知道你的品牌語氣、客戶狀況、過去案例與內部規定。這些資料沒有交給它，它就只能給你一個看起來很完整，實際上卻不適用的平均答案。

所謂知識庫，就是把 AI 工作時需要查閱的資料，放在它找得到的地方。

如果你是接案者，可以先放過去的案例、報價規則、服務項目與合約注意事項。

如果你是主管，可以放部門目標、專案紀錄、會議決策與常用表格。

如果你是創作者，可以放品牌語氣、文章範例、讀者輪廓與不能使用的說法。

但不要第一天就把十年的檔案全部塞進去。

資料越多，不代表 AI 越懂你。如果舊資料、錯誤版本和過期規定全部混在一起，它反而更容易拿錯資料。

比較好的做法，是先選一件你想交出去的工作，再問自己：完成這件事，AI 需要看哪些資料？

只整理這一小區就好。

工作流怎麼讓 AI 不用一直等你？

有資料之後，AI 還需要知道事情怎麼做。

這就像你把食材全部放在廚房，卻沒有告訴新同事今天要煮什麼、步驟是什麼、客人不吃什麼。

工作流就是一份寫給 AI 看的交接文件。

它至少要說清楚四件事：

• 工作從哪裡開始。
• 中間要照什麼順序處理。
• 遇到特殊狀況時怎麼判斷。
• 最後要交出什麼成果。

例如一篇網站文章，不是寫完文字就算結束。

它可能還要確認標題、查證資料、補上來源、準備圖片、檢查圖片說明，再存進 WordPress 草稿。

如果你只告訴 AI「幫我寫文章」，它寫出一段文字就會認為工作已經完成。

問題不是它偷懶，而是你從來沒有告訴它終點在哪裡。

課程裡會談到 Skill，用最簡單的方式說，Skill 就是一份 AI 工作手冊。

它不是一段比較長的 Prompt，而是把做事順序、判斷方式、可以使用的工具與完成標準一起留下來，下一次再遇到同類工作，AI 不用從頭問你一次。

驗收怎麼防止 AI 很有自信地做錯？

AI 最麻煩的地方，不是它會犯錯，人也會犯錯。

麻煩的是，它做錯時經常還是寫得很完整、排得很漂亮，你如果只是快速看一眼，很容易以為它已經做好了。

所以「看起來不錯」不能當驗收標準。

你要把好壞寫得更具體。

如果是文章，可以檢查資料是否有來源、圖片是否有說明、標題是否符合主題，以及內容有沒有寫出不存在的功能。

如果是報價單，可以檢查客戶名稱、工作範圍、金額計算、付款方式與交付日期。

如果是會議整理，可以檢查每個待辦是否有負責人、期限，以及哪些問題還沒有決定。

這些就是驗收規則。

它們像交件前的檢查表，讓 AI 知道不是「有做」就算完成，而是每一項都通過才可以交出去。

授權怎麼決定哪些事能放手？

很多人一想到 AI 分身，就想直接做到全自動。

自動回覆客戶、自動報價、自動發文，最好睡覺時公司也能自己運作。

但流程還沒跑穩就全部放手，只是在加速犯錯。

你可以把授權想成主管帶新人。

剛開始時，新人先整理資料，你做決定。

熟悉之後，他可以完成草稿，你只看最後一眼。

等到工作規則穩定、風險也很低，才考慮讓他自己處理。

AI 也應該用同樣的方式逐步授權。

例如陌生開發信，可以讓 AI 研究對方、撰寫客製內容並存進 Gmail 草稿，但正式寄出仍由人決定。

網站文章可以讓 AI 查資料、寫作、準備圖片並上傳草稿，但正式發布要由編輯確認。

報價可以讓 AI 按照規則試算方案，但價格、折扣與送出仍由負責人拍板。

越接近金錢、客戶關係、法律責任與人事決策，就越不能只因為 AI 做過幾次沒出錯，便直接全部放手。

不同身份可以先把哪一件工作交給 AI？

很多人聽完方法還是會問：「我知道 AI 很強，但放進我的工作，到底能做什麼？」

不要從工具開始想。

先找一件你最近一直重複做，而且每次都覺得很煩的工作。

如果你是老闆或主管，可以從哪裡開始？

你可以先從每週營運資料整理開始。

讓 AI 讀取各部門固定交回來的資料，整理出本週變化、找出缺漏，再把需要你判斷的問題列成一頁。

AI 接手的是蒐集與整理。

你保留的是資源分配、優先順序與人員決策。

另一個適合的工作是會議後追蹤。

AI 可以從逐字稿找出決議、負責人與期限，更新到追蹤表。至於誰該負責、期限是否合理，仍由主管確認。

如果你是接案者或一人公司，可以從哪裡開始？

你可以先從需求整理與報價草稿開始。

讓 AI 讀客戶來信，對照過去案例，找出需求還缺哪些資訊，再依你的報價規則整理初步方案。

你不必每次都從空白頁開始，但最後的價格、承諾範圍與是否接案，仍由你決定。

你也可以讓 AI 整理專案結案資料。

它把客戶回饋、執行過程與踩坑經驗做成案例卡。下一次遇到類似案子，這些資料就能直接被重新使用。

這時候，AI 不只替你省一次時間，也幫你把經驗留下來。

如果你是創作者或行銷人員，可以從哪裡開始？

你可以從「一份素材變成多種內容」開始。

例如把 Podcast 或影片逐字稿交給 AI，它先依照你的品牌語氣整理成長文，再拆成社群短文、電子報與短影音重點。

接著，它檢查文章資料、準備圖片需求、補上 SEO 資訊，最後寫入 WordPress 草稿。

人要保留的是觀點、公開承諾與最後發布。

因為 AI 可以學會你的格式，卻不能替你承擔說錯話的責任。

如果你是一般員工，可以從哪裡開始？

你不一定需要一開始就串很多工具。

先從固定格式的資料彙整或報告初稿開始就好。

例如每週都要從三份表格整理進度，你可以讓 AI 按照公司的格式比對資料、標出異常，並產出第一版摘要。

你負責確認數字、補上原因，再交給主管。

這樣的工作有固定資料、固定格式，也知道怎樣算完成，很適合當第一個練習。

第一個 AI 分身應該怎麼開始做？

真正動手時，不要先問「我要用哪個模型」。

先問：「哪一件工作值得我花時間教 AI？」

課程裡用四個條件判斷，我把它翻成四個簡單問題：

• 高重複：這件事是不是經常發生？
• 高痛感：它是不是很花時間、很煩或很容易出錯？
• 高價值：真的能省成本、增加收入或改善交付嗎？
• 可驗收：做完後，你能不能判斷好壞？

四個答案都接近「是」，才值得往下做。

選好工作後，可以照這個順序開始：

1. 寫下這件工作的起點與交付物。
2. 整理 AI 必須讀取的資料。
3. 寫下你平常處理的步驟。
4. 列出交件前一定要通過的檢查。
5. 決定哪些動作需要你核准。
6. 讓 AI 完整跑一次。
7. 把錯誤原因與修正方式寫回規則。

這七步不需要一天全部做到完美。

先讓一件工作完整跑通，再開第二條流程。

最容易失敗的做法，是一開始就把公司全部資料搬進知識庫，同時開五條自動化，最後每一條都停在半路。

你真正需要的不是一座看起來很厲害的 AI 控制中心。

你需要的是第一件不用自己從頭做到尾，而且成果可以檢查的工作。

AI 做錯時，為什麼不要立刻自己接手？

這是培養 AI 分身時最反直覺的一件事。

AI 做錯後，很多人的第一個反應是：「算了，我自己改比較快。」

當下確實比較快。

但你自己改完，AI 不知道哪裡錯，也不知道下次應該怎麼做。過幾天遇到同一件事，你還是要再救一次。

這就像主管帶新人。

如果員工每次做不好，主管都把工作搶回來自己做，那位員工永遠不會進步，主管也永遠離不開現場。

比較好的做法，是告訴 AI：

• 哪裡不符合要求。
• 為什麼這樣不行。
• 正確的判斷標準是什麼。
• 應該修改哪一條規則。

接著讓 AI 自己重做，再重新驗收。

前幾次可能比你自己做還慢。這很正常。

課程中我們把這段稱為「生產力 J 曲線」，意思是導入新方法的前期，效率可能先下降，因為你正在整理資料、寫規則與測試流程。等 AI 學會後，同類工作再次出現，前面的投入才開始回收。

所以不要因為第一天沒有省到時間，就認為 AI 分身沒用。

也不要因為它第一次做得不錯，就立刻全權放手。

先教、再測、逐步授權，這比較像培養一位能獨立工作的同事。

這堂課怎麼把 AI 分身真正做出來？

如果只看概念，你可能會覺得都懂了，真正打開電腦時卻不知道第一步做什麼。

所以課程不是只告訴你「AI 分身很重要」，而是把前面的四個零件放進實際工作。

你會先建立一個 AI 工作環境，讓 AI 不只對話，也能讀取檔案、執行任務與保存規則。

接著建立知識庫，把個人資料、公司文件、案例與判斷方式整理成 AI 看得懂的內容。

再把常做的工作整理成 Skill，也就是寫給 AI 使用的工作手冊。需要查外部資料或操作其他服務時，才加入 MCP、API 等連接方式。

MCP 可以把它想成 AI 和外部工具之間的轉接頭。API 則是軟體彼此交換資料的入口。你不需要先背技術定義，只要知道它們是讓 AI 能拿資料、使用工具的方法。

到了真正交付工作之前，還要用導入四條件選出值得投入的主戰場，再設定授權深度與驗收方式。

最後不是追求「全部自動」，而是建立一個可以反覆修正的循環：AI 執行、人驗收、錯誤寫回規則，下一次再做得更好。

這堂課不會保證你安裝好 Hermes Agent，隔天就多出一位全自動工作的數位員工，它也不是把人完全移出流程。

人仍然要決定方向、定義標準、管理授權，並為重要結果負責。AI 分身接手的是可以說清楚、可以重複、可以驗收的工作。

AI 分身真正替你省下的是什麼？

聊天機器人可以讓你的手變快。

你打字快一點、改稿快一點、找資料快一點，這些都有幫助。

但如果每一步都需要你守在電腦前，省下來的只是幾分鐘。

AI 分身追求的是把一件工作接走。

它知道去哪裡找資料、照什麼順序執行、怎樣才算完成，也知道什麼時候必須停下來找你。

你不再需要從頭盯到尾，只要處理真正需要你判斷的地方。

所以打造 AI 分身的第一步不是換工具，也不是搬走所有資料。

先找一件經常發生、有明確成果，而且你知道如何判斷好壞的工作。

把資料、流程、驗收與授權範圍交代清楚，讓 AI 完整跑一次。做錯了，不要急著自己救火。把錯誤教回去，讓它重做，也讓這次修正成為下次可以使用的規則。

當同一件工作再次出現，你不需要重新解釋一遍，AI 也不會從零開始。

這時候，它才不只是陪你聊天的機器人。

它開始成為一個能被你培養、能接走工作，也能把時間還給你的 AI 分身。

---

FAQ

---

資料來源與延伸閱讀

• Kelly Tsai，〈用 AI 工作沒有更輕鬆？因為你只是在下無用指令！有這四個零件，AI 才會替你工作〉：本文四個零件與三階段使用方式的合作影片來源。
• IBM，〈What are AI agents?〉：說明 AI Agent 如何依目標規劃任務、使用外部工具、取得資料，並透過回饋持續修正。
• Anthropic，〈Building effective agents〉，2024 年 12 月 19 日：區分固定工作流與自主 Agent，也說明工具使用、檢查點、評估回饋及人工介入的重要性。
• Model Context Protocol，〈What is the Model Context Protocol (MCP)?〉：MCP 官方文件，說明 AI 應用如何用開放標準連接資料來源、工具與工作流。
• Anthropic，〈Claude Code overview〉：Claude Code 官方文件，說明代理式工具如何讀取專案、編輯檔案、執行命令並串接開發工具。
• Nous Research，〈Hermes Agent Documentation〉：Hermes Agent 官方文件，涵蓋工具、記憶、Skills、MCP、排程與訊息閘道等工作系統能力。

資料查閱日期：2026 年 8 月 13 日。本文中的「AI 分身」是工作方式的描述，不是產業已有一致定義的正式分級。