KeyFrame內部研究專用

文組也能上手 AI Agent!ChatGPT Work 讓你的生產力翻倍!

漢克蔡 | Ai 集·8月20日週四·16 min中文

三句話摘要

無程式背景的人如何用AI代理工具自動化日常工作,透過簡單的「丟資料+開外掛」實現生產力躍升。 掌握「想到就丟、想到就開外掛」,把反覆性工作交給AI代理自動化,可將被動工作時間轉化為主動學習和策略思考時間。 --- 附註:逐字稿中出現多個工具名稱變體(Trash GPT、GGBT Work、TrueGBT),應為同一款工具的轉錄誤差,實際工具名稱建議查證原影片來源。 AI代理的核心價值在於自動化三類反覆性工作:整理資訊(會議紀錄、報表)、自我學習(文章總結)、機會發掘(求職、商機研究)。透過開啟外掛(Gmail、Google Drive、瀏覽器)連接資料來源,使用者只需上傳樣板或範例圖片,AI就能依照既定格式自動產出完整文檔,省去重複的格式調整時間。

重點整理

重點
  • 1

    AI代理的核心價值在於自動化三類反覆性工作:整理資訊(會議紀錄、報表)、自我學習(文章總結)、機會發掘(求職、商機研究)。透過開啟外掛(Gmail、Google Drive、瀏覽器)連接資料來源,使用者只需上傳樣板或範例圖片,AI就能依照既定格式自動產出完整文檔,省去重複的格式調整時間。

  • 2

    設定手機遠端遙控功能後,使用者可在通勤時用語音指令下達工作任務,讓AI在電腦上持續運作,徹底分離「人工作時間」與「AI工作時間」,大幅提升單位時間的產出效率。建置可重複使用的自訂Skill工作流程,使得複雜任務(如Lead Research)可標準化、批次化執行,進一步降低每次重新配置的成本。

實用技巧與重點

乾貨
  • 工具與功能:
  • 模型選擇:頁面上方模型代表能力越強、Token消耗越多;下方模型Token少但能力較弱
  • 側邊面板:切換檢視已使用的資料來源(檔案、瀏覽器紀錄等)
  • 外掛清單:Gmail、Google Drive、瀏覽器、Web搜尋等
  • 三類應用場景:
  • 整理會議紀錄:上傳逐字稿+公司模板 → AI自動生成重點摘要
  • KPI報告:上傳截圖範例+Google Drive數據 → AI重製美化版報表
  • 文章總結:瀏覽器外掛+總裁報告格式提示 → Word檔自動產出
  • 遠端設定步驟:
  • 左上角菜單 → Remote → 確認桌面版登錄
  • 手機掃QR Code配對 → 桌面版Settings → 新增連線 → 手機掃QR
  • 設定完成後可用手機語音遠控筆電執行工作
  • Lead Research Skill建置:
  • 提示詞包含:公司名稱、網址、員工數、地區、產業、需求訊號、職缺、聯繫人
  • 去重邏輯:3個月內重複單位避免重複;3個月後可重新加入(新商業週期)
  • 使用指令:「Act / TypeLED」→「20 Leads Please」即可執行
  • 排程功能:
  • 左上角「已排程」設定每週/每月自動執行的工作
  • 內建模板:周一開始任務回顧、週末AI工作總結等

結論

結論

掌握「想到就丟、想到就開外掛」,把反覆性工作交給AI代理自動化,可將被動工作時間轉化為主動學習和策略思考時間。 --- 附註:逐字稿中出現多個工具名稱變體(Trash GPT、GGBT Work、TrueGBT),應為同一款工具的轉錄誤差,實際工具名稱建議查證原影片來源。

完整解析

詳細

現代職場人面臨三大痛點:海量會議紀錄與報表需要整理、資訊爆炸但沒時間學習、職涯發展需要主動發掘機會。傳統做法仰賴手工逐一處理,既耗時又容易出錯。講者提出一個簡單原則:只要掌握「丟資料」和「開外掛」兩個動作,即使完全不懂程式的人也能操控AI代理自動完成這些工作。

以會議紀錄為例,使用者先上傳逐字稿檔案和公司的會議模板,寫一句簡單提示詞「幫我整理會議紀錄的重點」;若逐字稿放在Gmail,只需開啟Gmail外掛、修改提示詞為「尋找Gmail最新財務會議紀錄,依模板整理」,AI就會自動登入抓取資料。完成後可在右側面板檢視所有使用的資料來源,並以不同分頁管理多個任務的產出物。KPI報告類似:上傳美化範例截圖作為參考、連接Google Drive外掛拉最新數據、要求依照格式重製一份報表,AI即可自動產生視覺化儀表板。若結果細節不足,可提高模型等級或推理強度來改善品質。

對於自我學習,講者利用通勤時間讓AI總結商業期刊的新文章。透過瀏覽器外掛和「總裁報告格式」提示詞(結論優先、重點居中、背景放後),AI不僅能跳過動態廣告、擷取重要內容,還能在四分鐘內產出一份Word文檔,使用者開車時只需語音下達指令,下班時已有整理好的學習資料。第三類應用則是建置可重複使用的自訂Skill。以求職研究為例,講者先定義一套結構化提示詞,包含目標地區、公司規模、需求訊號、職缺窗口等欄位,設定去重邏輯(三個月內同家公司避免重複,三個月後視為新週期可更新),一次建置後就能反覆用「20 Leads Please」指令批次產生求職目標清單,每份都包含直接適用的職缺資訊。

整套流程最後透過手機遠端遙控功能完成閉環:在桌面版勾選Remote連線、用手機掃QR Code配對後,即使人在外地也能用語音或文字對電腦上的AI下達工作任務,讓AI在背景持續運作。講者強調最後一步是啟動排程功能,設定每週或每月自動執行「工作回顧」和「AI工作總結」,確保AI的產出成為日常決策的輸入,而不只是偶發的幫助。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。