KeyFrame內部研究專用

寫提示詞太累,而且工作流程很難交待清楚?Codex 讓你直接「做給 AI 看」,徹底終結這個困境!

PAPAYA 電腦教室·6月23日週二·5 min中文

三句話摘要

OpenAI Codex推出Record and Reply功能,讓用戶透過實際操作示範教AI執行重複性工作,而不需用文字詳細交代流程。 透過示範而非文字描述來教AI執行重複性工作,讓企業和個人能以最低學習成本建立自動化流程。 傳統交辦方式的痛點:用文字一條一條說明流程既費時又常說不明白,Record and Reply直接用示範解決這個問題。

重點整理

重點
  • 1

    傳統交辦方式的痛點:用文字一條一條說明流程既費時又常說不明白,Record and Reply直接用示範解決這個問題。

  • 2

    技能的本質:所謂技能只是記錄操作流程的文字檔,包含觸發條件、執行步驟和驗證方式,使用者可在Scale標籤檢視和管理。

  • 3

    智能執行機制:Codex優先透過程式碼腳本完成任務而非依賴滑鼠點擊,因此操作更快更可靠,且後續可手動指定特定技能或讓系統自動選擇。

  • 4

    完整的工作流程:從錄製、分析、保存、再使用到管理,形成一套閉環系統,大幅降低重複性工作的人力成本。

實用技巧與重點

乾貨
  • 安裝與啟用步驟:
  • 到OpenAI官網下載Codex,用ChatGPT帳號登入
  • 進入設定 → 切換Computer Use → 打開「控制電腦」和「控制瀏覽器」
  • 回首頁 → 切換插件 → 搜尋「Record」 → 安裝Record and Reply
  • 新對話 → 輸入「@」+「Record」 → 載入並啟用
  • 錄製操作:
  • 點「開始錄製」後系統跳出授權對話框
  • 進行實際操作(複製貼上、上傳檔案等)
  • 點「結束錄製」後Codex分析並生成Scale技能檔案
  • 使用技能:
  • 直接輸入需求,Codex自動選擇最適合的技能執行
  • 或輸入「/」符號從選單手動指定特定技能
  • 示例工作內容:
  • 示例1:從Gmail收據複製(公司名稱、日期、消費金額)到Google試算表
  • 示例2:複製新產品資料表到Excel,並逐件插入對應圖片

結論

結論

透過示範而非文字描述來教AI執行重複性工作,讓企業和個人能以最低學習成本建立自動化流程。

完整解析

詳細

許多企業和個人每天都面臨重複性工作的困擾——需要從一個系統複製資料,貼到另一個系統,動作單調但步驟繁瑣,用文字交代給AI助理常常講不清楚。OpenAI最近為Codex推出了Record and Reply功能,提供了一個全新的解決方案:與其費力描述流程,不如直接示範給AI看。

啟用這項功能需要幾個前置步驟。首先下載Codex並用ChatGPT帳號登入,然後進入設定頁面切換到Computer Use模式,打開「控制電腦」和「控制瀏覽器」的權限。回到首頁後切換到插件欄,搜尋「Record」找到Record and Reply外掛並安裝,建立新對話後輸入「@」符號加上「Record」就能激活外掛功能。

當用戶按下「開始錄製」後,系統會跳出授權對話框,同意後螢幕錄製隨即開始。此時用戶可以進行任何日常操作:複製收據中的公司名稱、日期和消費金額,貼進Google試算表的對應欄位;或是從資料夾開啟新產品清單,複製內容到Excel庫存表,再逐一插入產品圖片。操作完成後點擊「結束錄製」,Codex會分析整個過程並自動生成一個Scale技能檔案——實質上就是一份操作手冊,記錄了觸發條件、執行步驟和驗證方式。用戶可以在Scale標籤檢視這份檔案的內容,也可以停用或刪除技能。

關鍵優勢在於後續的執行方式。當下次收到相同任務時,用戶只需在對話框輸入需求,Codex會參考先前記錄的技能自動操作,系統優先透過程式碼腳本而非滑鼠點擊來完成任務,因此速度更快、穩定性更高。用戶也可以在輸入欄打「/」符號,從彈出的選單中手動指定要使用的技能,然後補上具體任務內容。整個流程形成一套完整的閉環:錄製→分析→保存→重複使用→管理,大幅減少人力成本。

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。