AI 分身實戰 813＆820 知識衛星直播重點：AI 分身要讀懂什麼
8 月 20 日直播的時候，AI 幫我寫了一封看起來很完整的回信，但我一打開就發現兩個問題。
第一個是它把「你」寫成「您」，第二個更嚴重，它直接把活動日期寫錯了。
這反而剛好示範了我想講的事情。
AI 分身不是第一次就全部做對，而是它做完之後，我能不能知道它讀了哪些資料、哪裡可能有錯，以及要怎麼驗收。
8 月 13 日和 8 月 20 日這兩場直播，其實都在測試同一件事：AI 到底能不能真的接走一段工作，而不是只幫我們生成一段看起來很厲害的文字。
兩場直播實際做了什麼
我在兩場知識衛星 AI 分身實戰體驗課裡，做了兩種很日常的工作。
一種是把一個餐飲開店與營運的主題，從研究資料一路整理成網站文章，另一種是讀 Email、找專案資料，再準備可以交給窗口確認的回覆草稿。
8 月 20 日的直播，我用科技翰林院的文章 Skill 處理「餐飲開店與營運的 5 個 AI Skill」。它先整理主題、找候選資料、檢查來源和適用地區，再依網站規則做成文章。
現場產出的文章是：餐飲開店與營運的 5 個 AI Skill：把一間店的工作交給 5 個 AI 分身。
8 月 13 日則比較聚焦在工作交接和權限，我希望大家先看清楚，AI 可以幫忙整理、查找、起草和檢查，涉及發布、寄信、報價、付款或承諾時，最後還是由人按下按鈕。
這不是保守，而是出事時要有人知道自己為什麼做這個決定。
Skill 不是收藏一串漂亮指令，它要記得一個實際跑過的流程：先查什麼資料，什麼地方要停，交付時要附哪些證據。直播裡每次抓到錯誤，我都把原因補回這套規則，下一次才能用同一個標準檢查。
直播從工作交接、判斷風險到實際案例，讓大家看到 AI 怎麼接手工作。
四位觀眾的真實問題
四位觀眾問的都不是「哪一個 AI 最厲害」，而是自己每天卡住的工作怎麼交出去，我覺得這些題目反而問到重點，因為每一題都碰到 AI 最容易讓人鬆懈的地方。
問題一：內容發布後誰來接手
方小姐是部落客、作家與個人品牌經營者。她在意的不是草稿寫不寫得出來，她在意的是貼文發布後，留言、成效、下一篇題目又全部回到自己身上。
我在現場把工作拆開給她看：先讓 AI 整理哪個開頭讓人停下來、留言裡有哪些具體需求、讀者可能在哪一段離開，再根據原始資料提出下一輪要保留、停止或測試的寫法。
風險在於，很多人只丟給 AI 幾個按讚數，就叫它猜讀者喜歡什麼，這樣很容易得到一份語氣很肯定、證據卻很薄的建議。我會讓 AI 整理資料和起草，品牌承諾、CTA 與正式發布仍要自己確認。
如果平台有閱讀停留、點擊、留言和私訊等原始資料，我會一起交給它看，它可以先把觀察整理成下次要驗證的假設，不能把一兩則留言講成市場結論。
這個差別很小，卻決定你是在用 AI 幫忙復盤，還是在找一個替自己背書的人。
方小姐的情境很適合先從「每週整理一次」開始，AI 先把素材和候選題目排好，人看完再決定哪一題值得寫，這樣她不用每次從一堆訊息裡重新撈脈絡，也不會把判斷權交出去。
現場我把流程排成一條很具體的工作線：AI 先整理過去一週的貼文和留言，做出內容草稿，方小姐確認後才進入發布，發布後再把閱讀停留、點擊、留言和私訊放回同一份紀錄。到了下一週，AI 先交一張復盤表，標出哪個開頭有人停下來、哪一段沒有人繼續行動、留言裡出現哪些問題，以及哪些題目值得再做。
我覺得這題反而問到重點，因為她想省下的工作不只是一篇文案，而是每天散落在平台後台、留言區和筆記裡的整理時間。AI 可以先把這些東西收回來，人再決定下一篇要講什麼。
問題二：餐飲內容怎麼避免亂講
史先生做金融產業數位行銷，他拿餐飲開店來問：一般人根本不知道地雷在哪裡，AI 寫出來的內容要怎麼檢查？這題其實滿危險的。
我先請 AI 研究 GitHub 上已經有人整理的餐飲 Skill，找出開店決策、營運分析、社群行銷、CRM 分群和評論整理等候選工作。接著回頭看每一份資料從哪個市場來、有沒有對應的原始來源、能不能拿來談台灣餐飲業。
AI 最麻煩的不是寫得不好，而是它可以把錯的東西寫得非常順。
有些 Skill 的工作拆解可以參考，成本、法規和客群假設卻不能直接搬過來。我的判斷很簡單，沒有來源的內容先當候選，別急著放進正式文章。
現場完成文章前，我也會逐項看標題、五個 Skill、圖片標籤、FAQ 和參考連結有沒有補齊。
這些檢查不會讓內容自動變正確，至少能把「這句話從哪裡來」留在檯面上。尤其碰到法規、成本、療效或結果保證，資料沒查到就先不要寫成結論。
我不會因為資料寫著「餐飲」就直接相信它適用，先看作者是誰、資料日期、案例在哪裡發生，再看台灣讀者真的需要的是開店決策、日常營運，還是行銷內容。這些條件沒問清楚，AI 再快也只是在幫你更快整理錯的方向。
直播裡的操作順序是先找候選 Skill，再查看 GitHub 原始頁面和說明文件。我們找到的方向包括開店決策、營運分析、社群行銷、CRM 分群和評論整理，其中有些資料的市場背景不在台灣，我就把它留在候選清單，沒有讓 AI 直接寫成台灣餐飲業的建議。
資料整理完之後，我才把材料交給科技翰林院的文章 Skill。
AI 接著產出標題、五個 Skill 的段落、比較表、內外部連結、圖片標籤、FAQ 和參考資料，再送進 WordPress 後台。我打開後台逐項看它有沒有漏掉區塊，也回頭抽查文章裡的重要說法能不能找到來源。這段最能看出差別，AI 的確接走很多步驟，我仍然看得到每一步交了什麼。
問題三：回信前先把事情拆開
樂心是自由工作者，也參與 NGO 專案管理。她說自己常常花很多時間想一封信怎麼寫，因為信裡可能混著詢價、補資料、確認期限和要求承諾，任何一句答太快都可能出事。
直播裡我用實際工作信件示範，讓 AI 先讀 Email、找專案知識庫裡的資料、列出今天要處理的事，再準備回覆草稿。
它第一次交出的答案，把平輩窗口的「你」寫成「您」，把展期截止日寫成 8 月 20 日。
我沒有直接幫它改答案，而是叫它回到原始資料重新查一次。日期這種事，語氣再好也救不了。這次修正留下來的價值，是下一次它知道遇到活動資訊時，要先找活動頁，不要從信件片段自己補完。
那天還有一個任務牽涉專案用量和帳務申請，另一個要用專案背景回覆方案邀請。
AI 可以先把信件分成要回覆、要補資料和要排進待辦的項目，碰到報價、期限承諾或對外說法時就停下來問我。把這個停點寫清楚，比要求它把信寫得更客氣有用。
這種流程也會讓人看見自己原本沒講清楚的規則，例如同一位窗口該用什麼稱呼，活動日期以哪個頁面為準，什麼情況要先找專案負責人，AI 一問就卡住的地方，通常也是團隊平常出錯的地方。
第一個任務和專案用量、帳務申請有關，AI 先從 Email 找到來信，再去專案資料裡確認用量和申請條件，最後整理表單欄位與回覆內容。第二個任務要回覆一份方案邀請，它得把信件、專案背景和實際使用資料放在一起，才能知道哪些內容可以回答，哪些地方要先問我。
日期寫錯之後，我叫它重新搜尋活動頁，指出原本引用了哪一段、官方頁面現在寫什麼，再重做回信。我也重新檢查稱呼、期限和信裡有沒有多做承諾。這個錯誤很值得留下來，因為 AI 可以把錯的日期包在一封很順的信裡，如果只看文筆，真的很容易按下寄出。
問題四：找到檔案還不夠
江先生是 B2B2B 貿易公司的行銷主管，他希望客戶需求一進來，AI 能先拆工作、找到正確檔案，再整理成客戶回覆。
我在現場先把搜尋條件問清楚：可以查哪些資料夾，什麼叫最新版，檔案要能打開還是同名就算，哪些內容不能進客戶信裡。接著要求 AI 列出找過的位置、候選檔案和每一份的版本依據。
這一題最容易出現假確認，同一份簡報常常有舊版、修改版、客戶確認版和最後交付版，搜尋到同名檔案沒有用。我會要求它把無法確認的地方直接說出來，附件和回信仍由人確認後再送。
一份能拿來判斷的查找結果，至少要寫出客戶要什麼、還缺哪些資訊、搜尋過哪些位置、找到哪些候選檔案，以及每個候選為什麼可能是最新版。這比只貼一個檔案連結多幾步，卻能讓你在寄出前發現版本、授權和敏感內容的問題。
江先生的工作很適合把「找不到」當成正式答案的一部分，AI 找不到確認版時，回覆應該是列出缺什麼資料、誰能確認，而不是硬挑一份看起來最像的附件。客戶看到慢半步的誠實，通常比收到錯版本好得多。
現場我要求查找結果固定交出七個欄位：客戶要什麼、目前還缺什麼、搜尋過哪些授權位置、找到哪些候選檔案、每份檔案的日期與版本依據、哪些地方無法確認，以及一封沒有超出證據的回覆草稿。這樣我不用重新猜 AI 到底查過哪裡。
如果資料夾裡同時出現「最終版」「客戶確認版」和日期更新的另一份檔案，AI 不能只靠檔名挑一個。它要確認檔案能不能開、內容日期、專案狀態和最後修改來源，仍然衝突時就列出兩個候選，告訴我需要找誰確認。
我會先看附件裡有沒有敏感內容，再決定哪一份可以寄給客戶。
把工作交接給 AI 之前，先填四格
這四個案例都可以用同一張表整理。你不需要一開始就做出複雜的 Agent，先把工作講清楚，AI 才不會在空白處亂猜。
| 交接項目 | 要說清楚什麼 | 本文案例 |
|---|---|---|
| 工作 | AI 要完成哪一段 | 整理內容成效、準備回信、尋找客戶檔案 |
| 資料 | 可以讀什麼，哪些不能用 | 平台成效、官方資料、Email、授權資料夾 |
| 方法 | 按哪些步驟做，資料不足時怎麼處理 | 先分類、回原始來源查證、標記無法確認的地方 |
| 成果 | 要交什麼、誰驗收、誰決定 | 附證據的草稿、候選檔案清單、人工確認後的發布或寄送 |
把工作交接給 AI 前，先對齊工作、資料、方法與成果四個項目。
我現在帶大家做 AI 分身時，最常花時間的就是這四格。
工作沒有切小，AI 會一次接到太多模糊指令。資料沒有邊界，它會找不到或讀到不該讀的東西，方法沒有寫下來，它每次都用不同方式猜，成果沒有驗收條件，大家看到一篇順的文字就以為做完了。
你可以怎麼開始
先挑一件每週都會重複、做起來很煩，而且你看得出成果好壞的工作。
整理會議後的待辦、把客戶問題分類、從固定資料夾找附件，通常都比「經營整個品牌」更適合當第一題。
接著把四格寫下來，先讓 AI 交草稿、候選資料和證據清單，第一次跑完別急著擴權，直接把它錯在哪裡、為什麼錯、正確資料在哪裡補回規則。日期寫錯那次就是一個很好的例子。
等同一種工作在真實情境裡反覆通過檢查，再考慮讓它多讀一個資料夾、多做一個步驟，這樣比較慢開始，後面才不會一直回頭救答案。
你也可以先替第一個任務訂一條很具體的停止線，例如找不到活動官方頁就不得寫日期，找不到客戶確認版本就不得附檔，AI 遇到這種情況回報卡點，遠比自信地補一個答案可靠。
課程與延伸閱讀
想從頭把 AI 分身建起來，知識衛星課程會帶你整理知識庫、工具分工和實際需求，讓 AI 從聊天工具變成能協助處理工作的夥伴。
查看 SAT 知識衛星 AI 分身課程
結帳時可輸入優惠碼 Hansfb。
推薦閱讀
常見問題 FAQ
8 月 13 日與 8 月 20 日的 AI 分身直播有回放嗎？
沒有公開回放，這兩場是知識衛星正式開課前的實戰體驗課，內容以現場示範與觀眾提問為主，本文整理了兩場直播的重要案例與工作交接方法。
AI 把日期寫錯時，應該怎麼處理？
先不要直接把答案改掉，要回到原始資料，例如活動官方頁、合約或已確認的專案文件，找出 AI 讀錯或漏查的地方，再把正確查核步驟補進工作規則，這樣下次驗收時才能檢查它是否有先找原始來源。
第一次要交給 AI 分身什麼工作？
先選一件高重複、很耗時間，而且結果能清楚檢查的工作，例如整理待辦、分類客戶問題或從固定資料夾找附件，先讓 AI 交草稿、候選資料與證據清單，反覆通過檢查後再擴大範圍。
