KeyFrame內部研究專用

ChatGPT Codex 實戰|打造 AI 簡報生產線,效率提升 10 倍!| 新手也能完成的 AI Agent Skill #chatgpt #codex #skills

Longlong AI and Programming Practical·6月19日週五·20 min中文

三句話摘要

用 Codex 本地 AI Agent 建立可重複使用的簡報生產系統,從資料整理到視覺輸出的完整工作流。 AI 簡報的核心不是讓機器替代排版,而是建立從資料→大綱→內容→視覺→輸出的完整工作流,並透過 Skill 將成功經驗轉化為可重複的自動化系統。 流程決定品質:傳統做簡報邊想邊排邊找圖,導致版本反復修改。AI 時代應先確定目的→整理資料→規劃大綱→最後視覺設計,讓 AI 加速流程而非替代人工判斷。

重點整理

重點
  • 1

    流程決定品質:傳統做簡報邊想邊排邊找圖,導致版本反復修改。AI 時代應先確定目的→整理資料→規劃大綱→最後視覺設計,讓 AI 加速流程而非替代人工判斷。

  • 2

    Codex 的本質差異:它不只是聊天工具,而是能訪問本地文件夾、讀取檔案、建立輸出的工作助理。你提供的素材越完整清楚,AI 對方向的理解就越準確,反復修改次數就越少。

  • 3

    大綱是關鍵樞紐:資料盤點後必須確認大綱,甚至要經過第二次審稿。大綱對了,後續製作才會順利;大綱錯了,再漂亮的排版也是白搭。

  • 4

    輸出路線選擇很重要:可編輯 PPTX 適合內部協作和反復修改,圖片式簡報適合已定稿的對外展示,兩者都是 AI 能直接產出的,但用途完全不同。

實用技巧與重點

乾貨
  • 工具與檔案結構:
  • 工具:Codex(需下載登錄)
  • 工作文件夾包含:project_brief、data_summary、stakeholder_notes、brand_rules、logo
  • 提示詞標號:P0(資料盤點)、P1/P2(大綱規劃)、P3(逐頁大綱)、P4(審稿)、P5(可編輯簡報)、P6(圖片式簡報)、P9(存成 Skill)
  • 操作步驟:
  • 建立專案資料夾並放入完整素材
  • 執行資料盤點(P0),AI 讀取但不動手
  • 確認簡報目的、聽眾、預期頁數(P2)
  • 產生簡報大綱(P3),存成 Markdown
  • 進行大綱審稿(P4),用決策者標準檢查
  • 選擇輸出路線:可編輯 PPTX 或圖片式
  • AI 邊工作邊接受修改意見(Ctrl+Enter 提交)
  • 保存為 Skill,設置觸發詞(如「做職場簡報」)
  • 兩個輸出路線:
  • 路線 A(可編輯 PPTX):文字版型可調整,適合內部會議、草稿版、審核版
  • 路線 B(圖片式):視覺統一高衝擊,適合對外展示、社群分享、視頻使用
  • 新手常踩的坑:
  • 一開始就叫 AI 排版,內容還未梳清就反復修改
  • 素材給得不清楚,資料缺漏或模糊
  • 每頁文字過多,貼文章內容導致擁擠難讀
  • 沒指定輸出格式(PPT / PDF / PNG / 尺寸規格)
  • 核心五觀念:
  • 先想清楚目的(說服誰、解決什麼問題)
  • 先整理資料(不要讓 AI 無素材從零開始)
  • 確認大綱後才開始製作(大綱是樞紐)
  • 定義輸出形式(可編輯 vs 圖片式)
  • 保存成 Skill(讓成功經驗可重複使用)

結論

結論

AI 簡報的核心不是讓機器替代排版,而是建立從資料→大綱→內容→視覺→輸出的完整工作流,並透過 Skill 將成功經驗轉化為可重複的自動化系統。

完整解析

詳細

傳統簡報製作的真正瓶頸不在軟體操作,而在於資料散亂、邏輯不清導致的版本反復修改。很多人習慣邊打開 PowerPoint 邊想內容邊排版邊找圖,結果最耗時的不是做一頁,而是一直在重做。AI 時代的做法應該完全反轉:先明確目的和聽眾、整理完整的資料素材、規劃清晰的內容大綱,最後才進入視覺設計階段。這樣做能讓 AI 成為加速工具而不是替代工具,使流程變得穩定且可重複使用。

Codex 與一般聊天機器人的根本區別在於它是一個本地 AI Agent。ChatGPT 像是你身邊的顧問,只能回答問題;Codex 則像是可以進入你的工作文件夾、讀取資料、建立檔案甚至直接輸出成果的助理。這意味著你不需要手動複製貼上素材給 AI,而是準備好一個工作文件夾,把所有相關資料放進去(包括項目背景、數據彙總、利益相關者訪談、品牌規範、logo 等),然後讓 AI 根據資料夾內容開始協作。素材越完整清楚,AI 對你方向的理解就越準確,需要反復修改的次數就越少。

使用 Codex 製作簡報的完整流程有五個環節。第一步是建立專項工作文件夾並收集所有素材:project_brief(專案背景與痛點)、data_summary(關鍵數據,如客服量、回復時間、滿意度)、stakeholder_notes(管理者訪談摘要)、brand_rules(企業色彩字體語氣規範)以及 logo 檔案。第二步是資料盤點,讓 AI 先讀懂文件夾但暫不動手,這樣可以提前發現素材缺漏。第三步是大綱規劃,這是關鍵環節。講者提供了兩條提示詞路線:如果還不清楚簡報方向就用 P1 讓 AI 透過提問來聚焦目的;如果已知用途就用 P2 直接填入簡報主題、聽眾、目的和預期頁數。第四步是大綱審稿,用預設決策者(如總經理)的標準重新檢查,確保前半段不會冗長、後半段便於快速比較方案。

簡報生成有兩條完全不同的路線,需要根據用途選擇。路線 A 生成可編輯的 PPTX 檔案,優點是文字版型和頁面都可隨時調整,適合內部會議、初稿、主管審核版及跨部門協作,可以反復修改。缺點是需要人工微調才能達到完美效果。路線 B 生成圖片式簡報(PNG 或視覺化輸出),優點是每頁的風格、配色、人物、圖示都統一一致,看起來像是完整的專業作品而非辦公室簡報,特別適合對外展示、公開分享或轉換成 YouTube、社群媒體內容。缺點是文字不容易修改。在 AI 生成過程中,你可以同步提出修改意見,按 Ctrl+Enter 提交即時反饋,AI 會邊工作邊接收你的指令進行調整,無需等待整個工作完成。

最後的關鍵環節是把成功的工作流保存為 Skill(技能)。Skill 是一套可重複使用的工作規則,包含觸發提示詞、標準步驟、視覺規範和輸出格式。例如設定觸發詞「做職場簡報」,以後只要說這個詞,AI 就會自動執行整個流程:資料整理→產出大綱→等待人工確認→正式製作簡報→最後打包成 PDF。這才是從一次性使用 AI 轉變為建立可複製 AI 工作流的關鍵跳躍。新手常踩的四個坑分別是:一開始就叫 AI 排版導致內容未梳清就反復修改;素材給得不清楚導致 AI 猜測偏差;每頁塞太多文字讓畫面擁擠難讀;忘了指定輸出格式(PPT、PDF、PNG、尺寸規格)導致需要重做。問題通常不是 AI 太笨,而是指令太模糊。

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。