KeyFrame內部研究專用

AI Agent 教學應用 Google Spark + GAS,教師自動化的雲端神搭配

三師爸Sense Bar·8月9日週日·40 min中文

三句話摘要

Google Spark 作為雲端 AI Agent,與 Google 生態系統和 GAS 整合進行教學自動化應用。 Spark 最大價值在於輕鬆串接 Google 生態系與排程自動化,適合教學中蒐集回饋、定時處理資料,但應搭配其他 Agent 撰寫複雜邏輯以發揮完整效能。 Spark 的定位與局限:Spark 是雲端 Agent,與本地 Agent(如 Cloud Code)互補而非取代。Spark 擅長處理 Google 生態系整合、排程輪循、讀取雲端檔案;但無法編寫 GAS、處理本地檔案、讀寫 Office 套件,因此需與其他 Agent 搭配使用。

重點整理

重點
  • 1

    Spark 的定位與局限:Spark 是雲端 Agent,與本地 Agent(如 Cloud Code)互補而非取代。Spark 擅長處理 Google 生態系整合、排程輪循、讀取雲端檔案;但無法編寫 GAS、處理本地檔案、讀寫 Office 套件,因此需與其他 Agent 搭配使用。

  • 2

    必要的前置設定:使用 Spark 前必須在帳戶設定中連接 Google 應用程式,包括 Gmail、Google Drive、Google Calendar 等。此舉等同放棄檔案隱私,使用者需謹慎評估。建議安裝 Google 雲端硬碟應用程式,方便直觀管理檔案。

  • 3

    排程與輪循的威力:Spark 最大優勢在於能設定定時任務。可於固定時間執行搜尋、整理檔案、讀取表單、寄送通知;也支持輪循功能,每小時或定期檢查條件並自動回應,特別適合教學場景蒐集學生作業回饋。

  • 4

    GAS 與 Spark 的最佳搭配:講者使用 Codex 撰寫 GAS 程式,製作表單網頁讓學生輸入資料至 Google Sheet;再由 Spark 定期輪循讀取表單資料,自動撰寫感謝回覆並填入回應欄位,形成完整的教學自動化流程。

實用技巧與重點

乾貨
  • 帳戶要求:需 Google Pro 訂閱
  • 支援串接工具:Gmail、Google Drive、Google Sheets、Google Docs、Google Slides、Google Calendar、Google Chat、YouTube、Google Search、Google Maps、Google Contacts
  • 不支援功能:編寫 GAS 程式、連接 Google Apps Script、處理 Word/Excel/PowerPoint(可讀但無法修改生成)、觸及本地電腦檔案、Deep Research(需回到 Gemini)
  • 排程設定單位:每日、每小時、每週
  • 通知方式:Spark 對話通知、Gmail 通知、Google Calendar 提醒
  • 推薦工具:CLASP(簡化 GAS 部署流程,減少複製貼上)
  • 主要 Agent 對比:Cloud Code、Codex(穩定度最高)vs Anti-Gravity(不穩定)

結論

結論

Spark 最大價值在於輕鬆串接 Google 生態系與排程自動化,適合教學中蒐集回饋、定時處理資料,但應搭配其他 Agent 撰寫複雜邏輯以發揮完整效能。

完整解析

詳細

Google Spark 是 Google 推出的雲端 AI Agent,定位於自動化 Google 生態系統的工作流程。與本地運行的 Agent(如 Cloud Code、Codex)不同,Spark 在雲端執行,用戶關閉電腦後仍能持續運作。講者強調這不是取代關係,而是互補:Spark 無法編寫程式或處理複雜邏輯,但在排程、輪循、Google 生態系整合上獨具優勢。

使用 Spark 前需完成兩項準備。首先,在帳戶設定中連接 Google 應用程式—需授權 Gmail、Google Drive、Google Calendar 等工具,使 Spark 能讀取相關資料。其次,建議安裝 Google 雲端硬碟應用程式,在本地電腦上掛載雲端硬碟,方便管理檔案與協調其他 Agent 的工作。

Spark 的核心優勢是排程與輪循功能。用戶可設定 Spark 在固定時間執行任務——例如每天早上 7 點讀取最新郵件並分類、每晚 10 點搜尋 AI 代理最新五則新聞並彙總。輪循功能則適合教學場景:設定每小時檢查一次 Google Sheet 表單,自動為每份學生回覆撰寫個性化感謝詞並填入回應欄位。

講者示範的完整教學流程是:用 Codex 編寫 GAS 程式,建立網頁表單讓學生輸入名字與心得,資料自動存入 Google Sheet;再由 Spark 定期輪循讀取表單,根據學生回饋自動生成回應並更新表單。整個流程無需人工介入。講者特別提醒,Google 相較 OpenAI 與 Anthropic 的產品穩定性較差,建議主要使用 Cloud Code 或 Codex,將 Spark 作為補充工具。此外,使用 CLASP 工具可簡化 GAS 部署流程,避免重複複製貼上程式碼。

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。