KeyFrame內部研究專用

ChatGPT 5.6 徹底進化!這 8 個 Work 實戰場景,讓它從助手變成你的「全職員工」

七七行銷筆記·7月24日週五·13 min中文

三句話摘要

ChatGPT 5.6 Work 模式 8 個實用案例,展示 AI 如何從對話助理進化成自動執行工作流的超級助理。 ChatGPT 5.6 Work 的核心價值不在於寫文案或回答問題,而在於用「逐字稿優先 + 跨工具整合 + 自動執行」的模式,把日常的重複性工作和內容轉化工作自動化,讓使用者真正從執行層解放出來,專注於創意和決策層面。 三層模式分工清晰:Trade 適合臨時對話,Work 負責長期專案執行並持續優化,Codex 則專攻編程和技術落地。選對模式是提升效率的前提。

重點整理

重點
  • 1

    三層模式分工清晰:Trade 適合臨時對話,Work 負責長期專案執行並持續優化,Codex 則專攻編程和技術落地。選對模式是提升效率的前提。

  • 2

    Computer Use 真正解放雙手:AI 可自行打開瀏覽器、操作滑鼠完成退訂、表單填寫等重複性任務,且不會完全佔據使用者的操作空間,允許同時進行其他工作。

  • 3

    逐字稿是關鍵輸入:提供逐字稿而非原始音頻/影片,能幫助 AI 更精準定位內容,減少額外識別和猜測的步驟,大幅提升輸出品質。

  • 4

    CLI 和 Skill 擴展能力邊界:透過連接飛書 CLI 或安裝 GitHub Skill,AI 可直接操控外部工具,將被動產出內容轉為主動完成工作,從「助理」升級為「員工」。

實用技巧與重點

乾貨
  • 三種模型定位
  • Runa:速度快、成本低,適合量大但要求不高的任務
  • Tera:最均衡,日常 90% 任務適用
  • Solo:5.6 旗艦,各方面能力大幅提升
  • 八大案例工具與方法
  • 批量退訂郵件:連接 Gmail → AI 分析找出訂閱 → 確認清單 → Computer Use 自動操作
  • 帳單管理:連接財務工具 → 自動記帳、分類訂閱、找出重複扣款
  • 家庭回憶地圖:上傳相冊 → AI 讀取拍攝地點和時間 → 生成設計稿 → Site 功能發佈可分享網頁
  • 桌面寵物:外掛程式 → hatchpad skill → 上傳照片 → AI 生成動畫寵物
  • 音頻剪輯:Eleven Labs API → 提供逐字稿和要求 → AI 給出剪輯策略 → 執行,可將 2+ 分鐘音頻壓至 30+ 秒
  • 研究變簡報:Chat 深度研究 → 側邊選擇對話 → Work 模式轉為簡報 → 自動生成 12 頁精美投影片
  • 長文變圖解:YouTube 連結或逐字稿 → 提取重點方法 → 生成多張社群媒體用圖文(自動設計風格)
  • CLI 連接飛書:複製官方安裝指令 → 貼給 AI → 自動下載安裝 → AI 可直接在 Codex 建立飛書文檔並寫入內容
  • 關鍵操作流程
  • 安裝 Skill:GitHub 連結 → 貼給 ChatGPT → 幾分鐘自動安裝,或直接說 Skill 名稱讓 AI 聯網搜尋
  • API 存儲:AI 自動生成 ENV 檔 → 複製貼上 key → 存在本機專案 → 後續自動調取
  • 提示詞領取:掃描官方 LINE 二維碼 → 輸入「WALK」獲取可複製使用的提示詞清單

結論

結論

ChatGPT 5.6 Work 的核心價值不在於寫文案或回答問題,而在於用「逐字稿優先 + 跨工具整合 + 自動執行」的模式,把日常的重複性工作和內容轉化工作自動化,讓使用者真正從執行層解放出來,專注於創意和決策層面。

完整解析

詳細

ChatGPT 5.6 最關鍵的進化,是從單純的對話工具轉變為完整的工作流執行平台。首先要釐清三個概念:Trade 是對話式顧問,適合隨時聊天;Work 是專案執行員,可長期執行複雜任務並持續優化;Codex 是技術工程師,專門負責編程落地。內部還分三種運算模型——Runa 最快最便宜但能力有限、Tera 最均衡適合日常、Solo 是旗艦模型全面超越前代。

實務應用上,最印象深刻的是 Computer Use 功能。用戶可以讓 AI 打開瀏覽器、操作滑鼠自動完成退訂郵件、填表等重複任務。關鍵是 AI 執行時不會完全佔據使用者的操作控制,用戶可同時切換其他頁面做自己的事。這打破了傳統自動化工具的黑盒感——你能看到 AI 在做什麼,隨時可介入。

第二個突破是「逐字稿優先」的工作流。以音頻剪輯為例,與其傳原始音檔讓 AI 去識別,不如直接提供逐字稿。AI 能更精準地理解上下文、定位冗餘詞句和多餘停頓,從而產出更符合預期的剪輯策略。影片中示範將 2 分多鐘的口播壓到 34 秒,口誤、重複、停頓幾乎全被刪除,且背景噪音也被自動處理,成品已接近直接可用的程度。

第三個突破是跨平台工作整合。透過連接 CLI(如飛書 CLI)或安裝 Skill(如 hatchpad 桌面寵物外掛),AI 不再只能產出內容供人工複製貼上,而是直接操控這些工具完成工作。使用者只需與 Codex 對話,Codex 就會自動調度其他「員工」(各式工具)去執行。這把使用者從「在多個應用間切換」的繁瑣流程中解放出來。

從實用性看,相冊變回憶地圖、聊天研究變簡報、逐字稿變社群知識圖解等案例,都是把已有內容轉化成具有展示價值的新形式。AI 不但理解內容邏輯,還能自行決定設計風格、版式、視覺層級,輸出的精美度足以直接發佈,省去了傳統的設計師環節。這對需要內容多平台分發的自媒體創作者來說,價值尤其巨大——一份逐字稿可生成簡報、圖文、影片剪輯、知識卡片等多種形式。

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

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
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。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。