❌

阅读视图

发现新文章，点击刷新页面。

我用 NotebookLM 搭建 AI 稍後閱讀、學習輸出工作流，操作教學與延伸應用

✇電腦玩物
Esor Huang


古老的 Pocket 稍後閱讀工具最近決定收攤，近年火紅的 Readweise reader 我付費使用一段時間後，又覺得自己用不到那麼多功能，目前我的閱讀與過濾資訊方式，更像我之前寫的這幾篇文章：「如何過濾資訊與稍後閱讀？2022年五個克服資訊爆炸的學習技巧」、「從讀不完的稍後閱讀轉念：當下讀完，當下處理」，雖然有收集資訊的流程，但更聚焦在之後的輸出與任務上，而非在建構大量稍後閱讀的資料庫。所以，大多時候我反而沒有使用特定的稍後閱讀工具來整理資訊，因為最後的「任務輸出整理工具」才是我更想建立的第二大腦。

大方向上，我希望資訊不要停留在稍後閱讀、知識庫中太久，應更快進入「專案、任務筆記」中。

所以最近我在嘗試利用「 Google NotebookLM 」作為我的「稍後閱讀緩衝跳板」，把當下無法細讀的資訊放入，利用 NotebookLM 內建的許多優秀 AI 索引、摘要、整理功能，加快把雜亂資訊輸出成有效筆記、任務的過程。

今天這篇文章，跟大家分享我的實際「 NotebookLM 稍後閱讀」工作流程。






用 NotebookLM 稍後閱讀的核心流程，基本操作教學：

下面是我目前每天、每周會重複循環的 NotebookLM 稍後閱讀流程：

  • 每天隨意瀏覽資訊時，把有興趣的文章、影片先傳入 NotebookLM。
  • 下一次空檔時，點開 NotebookLM ，快速看過 AI 自動產生的各項中文摘要。
  • 針對摘要後還想深入了解的文章，進行 AI 問答，並產出筆記。
  • 把筆記匯入自己真正的專案任務第二大腦（ Evernote ）永久管理。
  • 一段時間後，把這個 NotebookLM 刪掉，再建立一個新的稍後閱讀跳板。




現在有許多工具，可以讓我實現「隨手」把「網頁文章、YouTube影片、PDF文件」等等需要稍後閱讀的內容丟進 NotebookLM 中，這樣一來， NotebookLM 也可以是一個簡單實用的稍後閱讀收集載體。

例如在手機上，最新推出的 NotebookLM App 可以讓手機上的內容隨手分享到資料庫記事本中。






在電腦端，我會安裝「 NotebookLM 網頁匯入器 」的 Chrome 瀏覽器外掛，也可以一鍵把網頁文章、 YouTube 影片網址丟進 NotebookLM。




如果是 PDF 文件，例如論文、研究報告，我也可以上傳到 NotebookLM 做統整。這樣一來，其實 NotebookLM 也可以看做一個頗為全面的稍後閱讀收集工具。




這些內容隨手丟進 NotebookLM 時，通常我不會特別做分類，就先統一丟進一個「我的稍後閱讀」記事本中，因為我的目的是快速輸出，輸出後就會放入我目前使用的 Evernote 真正的專案整理架構 ，因此不需要在 NotebookLM （或稍後閱讀工具）花太多時間。

並且我通常每一個禮拜（七天左右，大概會收集30~50篇文章），就把這個「我的稍後閱讀」記事本「直接刪除」，然後再建立一個新的「我的稍後閱讀」記事本，處理新的一周的稍後閱讀文章。




利用接下來的空檔，在手機上打開 NotebookLM App ，或是在電腦上打開網頁，點開任何一篇之前收進來的文章、影片、PDF，就會看到預設已經分析好的「中文摘要」。

各國語言的文章、影片，都會自動完成中文摘要，幫助我快速了解文章主題，判斷是否有興趣繼續往下閱讀。




雖然在 NotebookLM 的這個記事本已經匯入大量文章，但我有時候會先取消勾選所有文章，然後反過來「只勾選」看完中文摘要後特別有興趣的一兩篇文章（尤其是長文章），開始針對這一兩篇文章做深入的 AI 索引與問答。

所以無論是要針對單篇、多篇、整個稍後閱讀清單做 AI 資料分析，都能在 NotebookLM 被輕鬆滿足。

而 AI 分析出來的摘要、筆記或任務企劃，我則會複製到 Evernote 中長久保存。




如果說在這樣每日 AI 輔助稍後閱讀的過程中，發現自己想要「深入探索」的新主題，例如先隨手丟幾篇看到後感興趣的醫療文章進來「我的稍後閱讀」記事本，讀一讀發現對健康新生活主題有興趣，接下來一段時間想要「繼續探索更多相關資料」，這時候我才會建立一個「新主題的記事本」，以後相關主題的稍後閱讀文章就丟進這個新主題的 NotebookLM 記事本中處理。





應用一：轉換成 Podcast ，用聽的也能理解今天感興趣的各種文章內容

除了上述基本的 NotebookLM 稍後閱讀流程，我還會在有時間、有想法時，做下面這樣延伸應用。

因應 NotebookLM 最近推出：「NotebookLM 語音摘要支援生成台灣中文對話 Podcast！口音節奏都很逼真」，我也用來生成稍後閱讀文章的「語音摘要」。

例如我收集了幾篇跟時間管理有關的新文章，還有幾篇跟 AI 趨勢相關的文章，還有一篇比較有趣的電影心得報導。到了中午午休，我就按下 NotebookLM 上的「語音摘要」，通常在不用特別自訂指令的情況下，就會生成一段兩人中文對話的 Podcast，而內容就是像新聞摘要報導一樣，會跟我介紹這幾個不同主題的內容。

現在更棒的是，在 NotebookLM 手機 App 上，也可以聆聽這一段大約 8~10 分鐘的 Podcast ，幫助我用「聽的」，快速消化早上收集的多篇文章重點內容。




有時候昨天收集的舊文章已經聽過 Podcast ，如果今天又有新的收集文章，我會先刪掉前次生成的對話節目，然後「只勾選」新文章的項目，就能重新生成「針對新文章」的 podcast。





應用二：針對感興趣主題，利用「探索」搜尋更多相關資料後，進行分析

NotebookLM 的「探索」功能可以在這個稍後閱讀流程發揮很大效用（延伸閱讀：Google NotebookLM 自動搜尋匯入影片文章！幫老師、學生無痛建立研究資料庫）。

例如我在 NotebookLM 上讀到最近一篇文章，跟如何用心理學原理設計 AI 指令有關，我覺得很有意思，還想要深入挖掘更多想法。




於是我打開 NotebookLM 左上方的「探索」，打下幾個 Google 搜尋指令，讓 AI 幫我去挖掘更多的資料來源。




在找到的來源中，我會主動過濾，只勾選自己真正感興趣的幾篇文章，繼續匯入這個「稍後閱讀」資料庫中，然後利用上述方式來閱讀、處理。





應用三：讓 AI 整理、延伸需要的知識、任務筆記，放入筆記系統


當我真正讀到一篇覺得有用的文章時，我會用下面幾種方式，請 AI 將文章整理成真正有用的筆記，而這是我覺得用 NotebookLM 做稍後閱讀工具時最棒的一點，因為我需要的就是「可以使用的筆記」：

  • 單純整理重點摘要
  • 變成自己需要的知識筆記架構
  • 延伸對任務應用的思考
  • 進行反思與討論

有時候文章已經很棒，我會請 NotebookLM 針對這一篇或這幾篇文章（可以在左方資料清單勾選），協助摘要出內容當中的細節。這時候的目的是盡量保留原文中的內容（但預設都自動進行中文翻譯），放入我的筆記（Evernote）後可以更有效參考原始資料。




當有多篇文章有用時，我喜歡勾選這幾篇，然後讓 NotebookLM 用表格整理與比較，快速完成綜合不同想法的知識筆記。




如果某篇文章已經讓我可以聯想到某個具體任務，我會讓 NotebookLM AI 幫我思考如何實作的步驟，這時候整理出來的就更接近可以放入任務筆記的操作內容。




甚至我可以跟 AI 對話，討論自己的延伸想法，請 AI 去跟原始文章做辯證，然後統整出可以放入我自己的思考筆記的反思內容。





應用四：結合整套 Google Gemini 流程提升文獻整理效率

還有一些更進階的搭配用法，利用 Google Gemini 互相搭配的幾個工具，我可以這樣做：

  1. 在 NotebookLM 稍後閱讀處理時，發現有一個主題可以深入分析。
  2. 打開 Gemini Deep Research 針對這個主題做深度研究。
  3. 把深度研究報告匯出成 Google 文件，再把 Google 文件直接匯入 NotebookLM。
  4. 再次利用上述技巧，在 NotebookLM 中完成閱讀、聆聽、筆記處理。


例如讀到某篇健康文章，但第一時間沒有找到更完整的報告，那麼不如讓 Gemini Deep Research 直接寫一篇。




Deep Research 寫完後，直接把報告匯出到 Google 文件。




再把 Google 文件匯入 NotebookLM 稍後閱讀。





應用五：請 AI 整理出知識架構，讓 Gemini Canvas 生成延伸學習測驗

如果是認真閱讀的主題，當收集了足夠多文章，並且一定程度閱讀與理解後，我會利用 NotebookLM 內建的一個「研讀指南」功能，生成一份測驗。




這個「研讀指南」，預設會把資料庫中的文章生成各種問答題，引導使用者去學習、複習。




但現在我會把 NotebookLM 生成的學習指南，複製到 Gemini ，利用 Canvas 中的測驗功能，生成可互動測驗，這樣就能更有趣、有效地完成複習。（延伸閱讀：個人學習、考試新利器！ Google Gemini 測驗功能，一次完成知識研究、出題、複習）




測驗的目的，是快速讓 Gemini AI 分析出我在這個主題上，哪一個領域還可以深入研究？




這時候我可以回到 NotebookLM 該主題的資料庫，請 AI 索引出我之前可能「忽略」、「漏看」的部分，於是又能讓學習把握住更多細節。




以上，就是我最近利用 Google NotebookLM 搭建的一個稍後閱讀、學習輸出的工作流程，我覺得非常有效，也節省很多時間，提供各位讀者參考。



大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

（歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：我用 NotebookLM 搭建 AI 稍後閱讀、學習輸出工作流，操作教學與延伸應用）

ChatGPT 串連 Gmail、Google 雲端硬碟、 Outlook 行事曆，我的 8 種高效工作新應用

✇電腦玩物
Esor Huang


AI 工具如果只能從工具內建知識庫裡面找答案，往往會有資料太舊、資訊錯誤的問題。所以，後來 AI 工具大多都內建了網路搜尋功能，透過即時的資料搜索，一定程度提升了回答的正確性與即時性（延伸閱讀：先用 Deep Research 掃清認知盲區，再用 Google 搜尋，我的 6 種學習新流程）。而現在，許多 AI 工具開始可以「連結」使用者自己的資料庫，例如郵件、行事曆、雲端硬碟的內容，於是 AI 開始可以幫助用戶更直接分析工作問題、設計專案企劃，用既有的資料生成更準確的新內容。

AI 生成結果很大程度取決於「我們輸入的資料」。例如我「下指令」時，會詳細說明任務的背景資料與輸出規格，這往往可以幫助 AI 生成更有效的結果（延伸閱讀：我和 ChatGPT AI 工具如何一起工作，提示語、常用案例指南）。而當我要完成複雜工作時，我甚至會先透過幾輪討論，「餵給」 AI 詳細的參考資料、專案細節，這很大程度會讓 AI 產出更細緻、高品質的結果（延伸閱讀：如何用 AI 工具提升工作效率？三個關鍵步驟讓生成結果更精準有效）。

NotebookLM 這個 AI 工具會有用的一個關鍵原因，也就在於可以用使用者自己的文件，建立使用者自己的資料庫，然後驅使 AI 生成需要的結果。

現在， AI 工具的新趨勢則是直接連結我們日常工作慣用的 OneDrive、 Google 雲端硬碟、 Outlook、 Google 行事曆、 Gmail 郵件等等外部資料庫，常見的生成式 AI 都具備類似功能：

  • Gemini：可連結 Google 自己的雲端硬碟、郵件、行事曆與各種服務，生成用戶需要的客製化內容。
  • Copilot（付費版）：可連結 Office 與 OneDrive 等生成用戶內容。
  • Claude（付費版）：可連結 Google 雲端硬碟等服務生成用戶內容。
  • ChatGPT（付費版）：可連結 Google 雲端硬碟、行事曆、郵件，微軟 Outlook 郵件、行事曆， Box、 Dropbox 等等不同雲端資料庫。
    • 根據 ChatGPT 隱私條款，這些連結的外部文件資料，不會成為 AI 訓練的材料。（不過要使用前，還是要確認符合自己公司的資安規定。）

這篇文章，根據我平常使用的 ChatGPT ，連結我日常工作流程中的 Google 系列服務、 Outlook 系列服務，分享我會用在哪些工作流程中。






當 ChatGPT 連結個人資料庫，新的工作邏輯：

下面我會列舉 8 個過去一週實際發生的應用案例，總結來說，當 AI 可以連結我們的資料庫，就可以加速並深化下面的工作流程：

用 ChatGPT 針對自己的資料庫做「蒐集→分類→摘要→產出」，大幅減少手動整理時間，協助從既有資料改寫新報告，或是發現忽略的重點。

背後的工作邏輯是共通的，都是可以將下面原本我們要分段手動操作的流程加以「自動化」：
  • 抓取並集中處理分散資料：引導 AI 用關鍵字或標籤在 Gmail / Drive / Outlook 搜尋，抓出需要資料。
  • 進行語意萃取：ChatGPT 讀取抓出的資料（郵件、行程、PDF、簡報、試算表），提煉重點或進行詮釋。
  • 重組成新的輸出： AI 根據提煉後的重點，依照我們的新需求，進行改寫重組，完成新內容生成。
  • 還能延伸新企劃，或週期性復盤：不只是資料的重組生成， AI 也能用在資料分析，產出新的觀點、想法與下一步方向。




實戰案例一：研讀專案文件，寫成果報告

  • 工作流：AI 索引特定文件 → AI 摘要分析 → AI 統整與寫稿輸出
  • 解決痛點：在分散文件中複製、整理的繁瑣工作流程

在日常工作中常常遇到下面這樣的情況：我執行一本新書產品專案，過程中產生企劃文件、文稿編輯、活動規劃文件、銷售數據試算表等等各種內容。有一天，老闆忽然來了一個命令：「這個專案做得不錯，交一份成果報告上來。」

這時候我可能需要到之前分散的文件中去找出有用的資料，重新組合成一份完整報告，要耗費不少時間，也是許多人在工作中可能覺得「很煩」的一件事（怎麼又要交報告？）。

於是這次我利用 ChatGPT 連結 Google 雲端硬碟的功能（需要開啟「深度研究 Deep Research」，才能連結這個外部資料庫），這樣提問：

「根據我的 Google 雲端硬碟中的「2024-01 高效時間管理超圖解」資料夾內容，寫成一份完整詳細的專案成果報告。

請一步一步分析，先仔細研究資料夾中的文件檔案，抓出《高效人生工作法圖解》這本書的各種成果，包含目標、讀者、內容特色、宣傳活動、成果數據等等。

接著以專案成果報告的角度，分析這本書籍產品，說明設計理念、列舉具體成就，詮釋成功邏輯，要以真實數據與成果任務為依據，完成專業報告撰寫。」




ChatGPT 深度研究反問了我幾個需求，就開始到我的 Google 雲端硬碟做資料搜尋。

搜尋後，從找到的企劃文件中撰寫出需求設定，從找到的各篇文稿中整理出每個章節的內容特色。




最厲害的是，這個書籍產品我做了很多場活動，分散在很多企劃文件中，這一次地檢索也把這些分散的內容抓出來，並且具體的時間、場次、對象等等也都正確理解，整理出簡單具體的活動企劃報告。






實戰案例二：抓出資料重點，寫出核心文案

  • 工作流：AI 爬梳分散資料 → AI 分析共通重點 → AI 重組輸出
  • 解決痛點：在分散文件中重新整理重點

像是我要寫文案的時候，往往要在很多參考資料文件中重新爬梳關鍵字，抓出這些可用關鍵字後，我重新撰寫成統整重點。

這個過程，也可以交給 ChatGPT 連結資料庫來處理，最後文案當然還要再修改，但可以先利用 AI 把關鍵字重新組合成有效的重點，方便我進一步發揮，我會這樣提問（需要開啟「深度研究」，才能連結這個外部資料庫）：

「針對「 Google 雲端硬碟 」中的「文稿編輯：ChatGPT VBA 吳承穎」資料夾中的文件。

仔細閱讀文稿，找出最吸引人的案例，撰寫一份宣傳這本書的社群貼文。

請一步一步分析，務必先主動閱讀相關文稿，抓出重點，把重點重新整理成說服人的邏輯，用這個邏輯撰寫宣傳這本書的貼文。」




ChatGPT 讀了十幾篇文稿後，抓出兩個 AI 覺得最有吸引力的案例，而且準確根據文稿中的教學流程，改寫成更通俗易懂的職場應用說明。





實戰案例三：分析專案既有文件，找出盲點，研究新方法

  • 工作流：AI 爬梳既有資料 → AI 分析目前架構 → AI 找出盲點
  • 解決痛點：在大量資料與文件中，重新發想新創意

我最近正在撰寫一本新書，目前已經有許多進度，但我還希望可以加入更多「我沒想到」的有用方法。

如果我希望讓 AI 刺激我想法，我需要先提供 AI 足夠的資料，而現在 ChatGPT 可以直接讀取外部資料庫內容，就可以把流程變得更簡單。

我這樣問 AI （需要開啟「深度研究」，才能連結這個外部資料庫）：

「你是職場生產力專家，根據 @Google 雲端硬碟中「2025_Esor_胤丞_高效職場生存法圖解」資料夾裡的內容，分析這本書還可以有哪些寫作題目的建議。請一步一步分析，根據資料夾中的書籍企劃、目前設想的題目，以及模組一中已經完成的文稿，先閱讀一遍，然後從職場生產力的角度分析還有哪些我沒有注意到的盲區、觀點、方法，再以書中目前的題目、寫作架構，設計出這本書可以發展各種新題目。」

而在深度研究功能反問時，我決定給 AI 一個更嚴謹的分析流程，告訴他應該先讀資料庫中的哪一份文件，然後再去查看那些文件：

「優先查看「新書資料卡」確立本書目標與核心規劃，再查看「Esor 和趙胤丞老師合作新書：會議管理，這樣開會更有生產力」確定目前發想，再根據「模組一」資料夾中的文件，一步一步進行分析。」

然後我發現， ChatGPT 會確實根據我指引的邏輯，一步一步研讀需要的資料文件，然後產出我需要的延伸思考建議。





實戰案例四：判讀既有專案時程、特色、架構，發展新專案企劃

  • 工作流：AI 爬梳文件、時程 → AI 分析目前專案流程 → AI 建立新企劃
  • 解決痛點：整理大量資料、文件、時程，設計未來專案企劃

當我需要在目前已經進行的專案基礎上，根據目前時程，繼續規畫下一個新專案，我可以這樣詢問 ChatGPT（需要開啟「深度研究」，才能連結這個外部資料庫）：

「根據 Google 雲端硬碟中「00-每日推進的專案」資料夾裡的內容，分析適合我的新專案企劃。
請一步一步分析，先研究資料夾中我完成與進行哪些專案，分析哪些已經具備完成文稿，哪些還在進行。
在理解我目前進行專案後，分析出我目前擅長的領域與其成效、邏輯。
最後由此進行新產品分析，從我的領域相關，但我可能忽略的盲區入手，根據我擅長的邏輯，設計出適合我往下發展的新產品。專案」




分析後， AI 正確建立了對我目前已經完成專案的理解，然後「延續目前專案類型」、「我需要的專案邏輯」，做出有效的新專案企劃。





實戰案例五：抓取既有試算表，做出數據摘要

  • 工作流：AI 爬梳文件、試算表 → AI 分析重要數據 → AI 整理關鍵數據報告
  • 解決痛點：整理大量數據資料，挖掘出裡面的關鍵數字，形成報告

首先，在這個嘗試中， ChatGPT 似乎還無法做出我們想像的「統計運算」，所以如果你期待的是直接分析一大堆亂七八糟的數字，然後做出最終統計分析，畫出數據圖，那麼可能這個流程做不到。（或是你可以參考樂咖老師的新書《ChatGPT × Excel VBA 資料整理自動化聖經》會教你如何輔助 AI 做才有效。）

所以我這裡所做的還是在「抓出有效資料」的範圍，我有大量的數據資料表，我請 AI 幫我從裡面找出有效的數據，並且做出延伸詮釋：

「根據 Google 雲端硬碟中「15-記帳💲帳簿」內的試算表，分析我平常的支出狀況，並提供具體建議。請一步一步分析，先理解與閱讀每一個試算表中的數據內容，然後進行支出狀況的分類，從分類中理解、統計數據，建立有意義的詮釋，然後用你的理財知識，建議接下來的改進方向。」

這裡你看到的一些數字，其實是試算表中已經做好的樞紐分析，不是 AI 自行統計出來，而是索引資料後抓出已有但零散的數字。




但是 AI 進一步幫我們快速整理重點，然後做出有效的延伸詮釋。





實戰案例六：分析特定任務的分散郵件討論，彙整目前進度

  • 工作流：AI 爬梳 Gmail、 Outlook 郵件 → AI 分析郵件內容 → AI 整理任務報告
  • 解決痛點：整理大量零散的郵件對話，重新拼接成完整的任務現況

我同時有 Gmail、 Outlook 信箱，裡面各有相關任務的討論，討論可能分散在許多郵件。這時候，我可以利用 ChatGPT 針對某一個任務，爬梳所有相關郵件，然後整理出目前任務狀況：

「分析我的郵件中跟「防彈筆記法」有關的討論，整理出這個主題的需求、常見問題與待辦事項。請一步一步分析，先搜尋郵件中相關內容，分類出完成的任務需求、常常討論的問題、需要處理的下一步行動，整理成任務清單。」




ChatGPT 確實可以把分散郵件中的任務討論，整理出任務目前的全貌。




也能進一步針對尚未解決問題進行整理，讓我掌握這個任務的下一步行動。





實戰案例七：分析既有行事曆、郵件，設計下週待辦清單

  • 工作流：AI 爬梳 Gmail、 Outlook 郵件、行事曆 → AI 分析未完成任務 → AI 整理待辦清單
  • 解決痛點：整理大量零散的郵件、行程，輔助確認未完成的重要任務

雖然我自己有習慣的規劃待辦清單方法，可參考：「比較持續 5 年的列每週行動清單習慣，復盤我的待辦清單筆記技巧」。

不過我也想挑戰看看 ChatGPT 如果讀取我的行事曆後，可以規劃任務到什麼程度，於是我這樣提問：

「規劃出接下來一個禮拜的行動清單。請一步一步分析，以每天為區隔，以具體任務成果為單位，拆解出下一步行動，規劃出一週待辦清單。」

我開啟深度研究，並且同時連結 Gmail、 Outlook 郵件、 Google 行事曆、 Outlook 日曆。




ChatGPT 能夠去查看行事曆的行程，也能讀取近期相關郵件。




針對郵件中尚未答覆的需求，行事曆上的重要行程，也確實可以改寫成有效的任務安排。（不過，當然需要我再調整一下才會更有用。）





實戰案例八：回顧過去一週郵件、行程、文件，進行每週復盤

  • 工作流：AI 爬梳特定時間內所有工作內容→ AI 分析工作成果 → AI 進行復盤分析
  • 解決痛點：解讀大量零散的郵件、行程、文件，確認自己的工作狀態，找出問題點

最後我還進行了一個嘗試，很多朋友喜歡每週進行工作復盤，這時候 ChatGPT 直接讀取行事曆、郵件、文件資料庫後，根據實際工作情況幫助我做復盤，還頗有效果：

「針對我過去一周的工作成果與任務，提供一份週復盤報告。請一步一步分析：
-先檢查過去一個禮拜，我在郵件上的回應、修改的文件、行事曆上的行程。
-讀取其中的內容，找出我完成的成果、需要推進的任務、尚須解決的問題。
-針對好的結果，提供有效的鼓勵與延續。
-針對有問題的地方，提供具體的改進步驟。
-針對還未完成的任務，提供下一步行動建議。
-從如何有效延續、提升生產力，獲得更好工作節奏的角度，完成週復盤的總結。」




不僅能夠抓出過去一週我完成的工作，並且也確實提供了正向、反向的檢討。




上面分享了過去一週，我透過 ChatGPT 連結外部雲端硬碟、郵件、行事曆，完成的幾個真實工作案例。

總結來說，目前大概是三種工作流程：

  • 一，郵件 ➜ 任務清單整合
    • 操作範例：從 Gmail 或 Outlook 中搜尋「防彈筆記法」相關郵件，並讓 ChatGPT 自動歸類成「已完成任務」與「待辦事項」。
    • 解決的痛點：解決郵件分散、資訊遺漏的問題，避免重要事項被遺忘。
    • 背後流程邏輯：
  1. 搜尋相關關鍵字或主題的郵件；
  2. 讓 AI 摘要內容、抽取關鍵任務語句；
  3. 加上標籤與狀態分類（例如：待回覆、已處理）；
  4. 生成任務清單，整理為具體行動項目。
  • 二，行事曆 ➜ 每週行動清單整合
    • 操作範例：讀取 Outlook 或 Google Calendar 上的會議與活動排程，並由 ChatGPT 自動產出一週行動清單。
    • 解決的痛點：整理分散的行程，提高任務安排效率。
    • 背後流程邏輯：
    1. 掃描下週行事曆所有會議與已排程工作；
    2. 根據空檔時間、優先順序、任務需求建立任務分配；
    3. 依每日單位分配具體待辦事項；
    4. 最終生成完整「每週待辦與預排任務清單」。
  • 三，雲端文件／試算表 ➜ 實際內容產出整合
    • 操作範例：讀取 Google Drive 中的書籍草稿，讓 ChatGPT 生成 Facebook 宣傳貼文、讀取記帳試算表、產出統整報告。
    • 解決的痛點：避免重複複製、人工整理與分析文檔，降低內容重組所需工時。
    • 背後流程邏輯：
    1. 從 Google 雲端硬碟導入文件（例如 Word、Google 文件、試算表等）；
    2. ChatGPT 讀取並進行結構分析與摘要重組；
    3. 擷取重點資訊，轉為實際內容輸出（如貼文、報告、腳本）；
    4. 如有需要，補充行動建議或加值分析。

    如果有使用付費版的 ChatGPT、 Gemini、 Claude、 Copilot 的朋友，都可以試試看上面的整合流程。



    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：ChatGPT 串連 Gmail、Google 雲端硬碟、 Outlook 行事曆，我的 8 種高效工作新應用）


    如何跟 AI 合作挑戰原本我不會做的事？我用 AI 設計實境解謎遊戲，案例分享

    ✇電腦玩物
    Esor Huang


    這篇文章，分享一個我近期完成的有趣、生活化 AI 應用案例。許多朋友會問我，現在 AI 工具這麼多，要完成一個任務時，要如何選擇搭配不同的 AI 工具，又怎麼進行 AI 輔助的工作流程呢？這個例子也給了我自己許多啟發，與後續跟 AI 一起完成任務的參考。

    最近幫小孩設計了一個生日禮物尋寶解謎遊戲，這是一個「額外工作」，我之前也「沒有類似經驗」，透過 AI 輔助來設計，只花了一點點時間，但最終成果讓孩子享受到新鮮的遊戲樂趣。

    我覺得是一次很棒的 AI 協作經驗，讓 AI 幫助自己完成「以前無法輕易做到的成果」，所以寫成一篇文章，跟大家分享這段與 AI 合作的過程。




    之前到許多博物館參觀時會玩裡面的實境解謎遊戲，提供一本解謎本，上面謎題引導你到各種環境設施，結合現場物件與故事，利用像是數字、推理、拼圖、知識等等謎題，解開一個一個暗號，最後拼湊出一個最終謎底。小孩玩得很開心，大人也覺得有趣。

    今年小孩生日前，許願希望自己獲得生日禮拜的方式，可以變成一個「實境解謎」遊戲，於是我決定讓 AI 輔助，合作設計看看，下面就是我跟 AI 協作的流程。






    1. 利用 Deep Research、文章摘要，讓 AI 「轉化成」設計遊戲專家

    我有一個目前反覆使用（並且覺得很有效）的 AI 工作流程是（延伸閱讀：如何用 AI 工具提升工作效率？三個關鍵步驟讓生成結果更精準有效）：

    要讓 AI 做一個專業、複雜的任務前，先讓 AI 學會這個任務的資料、理論與工作邏輯。

    例如我想讓 AI 幫我設計一個適合小孩生日派對中遊玩的實境解謎遊戲，我先讓 AI 去學習實境解謎遊戲相關的知識、方法與案例， AI 學會後，才開始輸出遊戲設計，而這可以「明確的讓 AI 生成品質更好的任務輸出結果」。




    我利用 ChatGPT Deep Research 功能（尤其 o3 搭配 Deep Research 的效果更具體、深入與嚴謹），先請 ChatGPT 針對「實境解謎遊戲」的遊戲邏輯、設計技巧、台灣具體案例，做一番深入的資料探索研究，寫成一份數千字的研究報告。

    這個過程，我認為就是「讓 AI 學習這個專案需要的知識與邏輯」的流程。




    更進一步的，我從深度研究找到的參考資料中，找出兩篇我認為更符合自己需要的文章（例如有一篇是親子實境解謎遊戲的 25 種設計技巧與案例），請 AI 再深入的讀一遍，進行摘要。這裡同樣是引導 AI 根據我的專案需求去進行「學習」的過程。





    經過前面步驟， AI 就從一個好像什麼都知道，但其實並不真的理解的工作者，轉化成一個擁有「設計親子實境解謎遊戲的知識、案例」的專業工作者 。這個過程看似複雜，其實大概就是 10 分鐘左右的時間而已（其中大多數還是 AI 自動化處理的時間，我可以先去做其他事情）。

    如果要讓這個 AI 學習的效果更好，我會在其中跟 AI 對話，例如告訴 AI 我對哪幾種遊戲設計方法更有興趣、更符合我的需求，那麼 AI 就會學習成為一個可以幫我設計適合我的尋寶遊戲的專業設計師。





    2. 提供真實圖片資料，上傳照片讓「 AI 設計師」理解遊戲場景


    當 ChatGPT 在前面討論串中學會了「如何設計親子解謎遊戲」後（延伸討論串分類技巧：ChatGPT 的 PARA 聊天室分類法：增強 AI 協作威力實戰案例分享），我做了一個步驟：上傳自己家裡幾個適合設計解謎遊戲的地點照片，讓 AI 根據前面學會的方法，自己看照片，針對這些場景去思考如何設計有效的實境謎題。

    善用 ChatGPT 的多模態，讓 AI 透過圖文影音方式，像人一樣發揮想像力。

    ChatGPT 的「GPT o4-mini-high」對於圖像有很好的理解能力，所以與其我用文字介紹任務場景，不如直接讓 AI 分析照片，更充分的理解圖像中可以呈現的更多場景細節。

    結合第一步驟時 AI 已經學會「如何設計實境解謎遊戲」，在第二步驟中針對我的照片分析，讓後面 AI 在設計時，懂得利用對講機、衣櫥、餐桌的鋼骨結構、客廳圓桌、掛畫等等物件來設計謎題。

    你從我的提問可以發現，我並沒有用文字描述這麼多細節，都是 AI 自己從照片中分析所得。





    3. 以「我」的顧客角度，跟「 AI 實境遊戲設計師」溝通需求、喜好


    前面兩個步驟，有點像是我雇用了一位「實境遊戲設計師（AI）」，他有基本的遊戲設計知識與案例，他來我家看過我的實際場景。但這時候，設計師可能還不知道我真正的喜好與需求是什麼？

    所以這時候，我們要來一場顧客（我）與設計師（AI）的需求訪談會議。我在幾次來回對話中，跟 AI 說明我的需求，在 AI 提供的各種案例建議中挑出我喜歡、我不喜歡的部分，讓 AI 設計師充分理解我想要什麼。

    實際操作步驟是，在 ChatGPT 看過我家場景，提供我一些他的建議後，我「複製貼上」幾段我喜歡的，告訴 AI 設計師要從這幾個角度設計，其他則不要。




    這邊我都是用 ChatGPT o3 來討論，這是目前（2025/6時），我覺得最能理性、深入、嚴謹討論的 AI 模型。




    到了這個階段（前面到此這三個步驟，總共花費時間在 20 分鐘內）， ChatGPT 設計出來的關卡流程、謎題設計，已經能夠讓我滿意，也有很多是我自己亂想想不到的。

    接下來就是更細緻的修改微調，以及製作出謎題素材的過程了。





    4. 在 AI 設計的謎題基礎上，提出修正微調方向，完成尋寶手冊腳本

    AI 幫我完成了我不會做的部分，例如設計出了每個關卡謎題。

    雖然我自己不會做，但我是「使用者」，我會「挑剔」。我自己看這個謎題，哪裡怪怪的，於是我就把這個想法告訴 AI ，請 AI 針對我覺得不適當的地方進行微調。




    AI 針對我的質疑進行修改，提出兩種做法，我後來選擇了第二種，而且幾乎就是照著 AI 寫出來一模一樣的方式，完成這個謎題的製作。




    其實 ChatGPT 提出的謎題設計，我只有兩三處不太滿意，其他都覺得很不錯。

    於是很快的，我就請 AI 依照目前我們討論的「定案」，寫出一份家裡玩實境解謎遊戲的完整「故事腳本」，把解謎手冊上要使用的故事文案、謎題文字都生成出來。





    5. 運用 AI 設計解謎手冊上的相關圖片素材


    ChatGPT 內建的圖像生成能力已經有很大的進步，甚至還可以結合文字，所以解謎遊戲手冊上需要的「圖像」，我也全部都用 AI 來生成。（延伸教學：實測 ChatGPT 4o 超實用全新 AI 圖片：生成正確中文、寫實照片、資訊圖表）

    例如生成整本解謎手冊的封面圖片，要同時結合文字、角色，並且用自己需要的風格，只要不會太複雜， AI 都很容易做到。（教學：實戰 ChatGPT 4o AI 生成圖片的工作應用：教學、社群、寫作、簡報 10 種圖解案例）




    但手冊上有些頁面確實自己到簡報軟體中設計更快（例如要加上更複雜的文字，或是圖像要去背等等），這時候就單純讓 ChatGPT 幫我生成「素材」。

    例如我希望手冊的「背景圖」要有尋寶圖風格，我就請 ChatGPT 延續前面的封面風格，繼續設計一致性的背景圖。




    前面有一個謎題，要用圖像猜出英文單字，我就請 ChatGPT 用一致的尋寶風格，畫出這幾個圖像 ICON。




    例如在手冊的最後，我想要把全家福的照片，跟目前的尋寶風格融合，我就上傳兩張照片，一張是全家福，一張是手冊封面，請 ChatGPT 進行圖片融合，成功製作出放在手冊最後的 Ending 圖片。





    6. 請 AI 用特殊風格，產出一致性的圖片、文字

    為了讓整個實境解謎遊戲，從頭到尾、從圖像到文字，都有一致的考古風格，我也讓 ChatGPT 幫助我保持風格的一致性。

    例如在尋寶手冊需要的圖像中，我想要用類似考古時發現壁畫文字的圖像，我就請 AI 設計，並讓每一道謎題都有風格一致的考古壁畫圖像。




    我也讓 AI 再次根據考古風格，修飾所有謎題的文字，維持風格的一致性。





    7. 用 Gemini Veo2、 Canva 製作解謎動畫影片

    前面 ChatGPT 給了我一個謎題設計的巧思：「結合 QR Code ，加上一段影片，成為謎題設計。」於是我決定用 AI 來試試看做出這個影片內容。

    不過， ChatGPT 本身的 Sora AI 生成影片效果不夠好（很容易有物理邏輯錯誤）。所以這邊我改用 Google Gemini Pro 有內建的 Veo 2（現在有 Veo 3）來生成 AI 影片。

    Gemini Veo 生成的影片效果非常好，不僅根據我指定的風格，連我需要的動作也都正確的呈現出來。




    不過影片需要加上一些「標示」或做簡單修改時，我則是利用「 Canva 」來完成簡單的影片特效，強化效果。

    也不是所有事情都用 AI 完成，很多任務還是適合的工具直接操作更快。





    8. 請 AI 檢視完整流程，提供最後回饋


    跟 AI 協作專案的過程，其實協作我本來不會做的事情時，大概都是在上面的流程中，逐步完成：

    1. 先讓 AI 學習，轉化成該任務專家。
    2. 提供 AI 需求，讓 AI 理解背景資料。
    3. 我跟 AI 互動溝通，討論出我的喜好或想法。
    4. 讓 AI 開始動手設計內容、素材。
    5. 針對不滿意的部分內容，來回溝通修正。
    6. 讓 AI 處理風格、格式的一致性調整。
    7. 運用不同工具，針對 AI 素材作進一步修正。
    8. 請 AI 對現有內容挑毛病，找出可以改進之處。

    像是這次尋寶遊戲設計到最後，我把整個計畫內容、流程筆記，再次餵給 AI ，請他挑出還有什麼毛病，找出我可以再微調得更好之處，有多出了幾個讓遊戲更有趣的小點子。




    以上，是我這次透過 AI 協助，完成一件「原本我不會做、完全沒有頭緒」的事情的過程，並且這是在一天之內，大約花 2~3 個小時完成。

    這或許就是 AI 時代，讓人可以去挑戰更多原本以為「我做不到」的事情的流程喔！



    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：如何跟 AI 合作挑戰原本我不會做的事？我用 AI 設計實境解謎遊戲，案例分享）

    AI 時代建立筆記系統的關鍵是「任務／經驗」而非「資料／知識」

    ✇電腦玩物
    Esor Huang


    在 AI 可以幫我們生成內容、整理資料的新時代，我的個人筆記還有價值嗎？如果有，我到底該記什麼、怎麼記？我建議把重點放在「任務 / 經驗」而非「資料 / 知識」：

    先釐清真正要完成的任務，捕捉個人經驗，建立自己的工作流程，培養規劃、判斷、解決問題能力。

    什麼是「任務 / 經驗」，和「資料 / 知識」有什麼差別呢？






    AI 可以做到的資料整理，與人可以做到的任務判斷：

    很久以前，當我想要開始養成健康生活習慣，我會大量收集各種相關資料，花時間為這些資料做分類，想像自己似乎架構了一套健康知識系統。

    但很多時候，會變成只是一個「堆積很多資料」，花費時間整理，卻不一定好用、有用的系統。




    而在現在的 AI 時代，當我在實踐過程中需要參考資料，在 ChatGPT 的 Deep Research （或單純利用 AI Search ）一問，往往就有「根據我的需求」整理好的資料內容。

    以前我們可能要自己手動花不少時間，做各種資料摘要與整合，才能有一篇符合自己需求的「資料筆記」。

    但是現在，如果有正確的提問（ Prompt ），加上有效的 AI 模型與工具，在需要時，我們立刻就能獲得有效的資料筆記。

    P.S. 但要有正確的提問，常常關乎我們對任務的判斷、經驗的累積。




    而 AI 無法直接代勞的，是我們要把這個「資料 / 知識」用在什麼真正的「任務」上，並且會產生什麼我個人的「經驗」。

    例如下面是我現在會寫的真實筆記：

    • 「資料 / 知識」
      • 我不再花很多時間去收集、擷取各種相關參考資料。
      • 甚至我閱讀 AI 整理的資料，理解後，不一定要把所有資料都放到筆記。
      • 我在一邊閱讀時，一邊思考一個關鍵問題：這個資料，要用在我的哪一個任務上？
    • 「任務 / 經驗」
      • 我打開任務筆記，思考在任務筆記的哪一個步驟會用到這個資料？
      • 然後，我把資料直接轉化成我的具體行動步驟，這些才是我寫入筆記的內容。
      • 接著，在這個任務執行過程中，我在筆記添加個人的經驗，調整更適合自己的作法與順序。

    AI 能快速幫我整理大量資料，但不能幫我決定哪個資訊對我有用，也無法取代我在任務執行中的經驗與調整。




    我不會擔心參考資料「準備、整理得不夠」，因為 AI 工具有很多方法可以快速、有效地建構出參考資料系統，還能在 AI 生成過程客製化成我需要的內容。（延伸閱讀：先用 Deep Research 掃清認知盲區，再用 Google 搜尋，我的 6 種學習新流程）

    以前，我們覺得自己沒有先慢慢建立個人資料、知識系統，好像什麼都做不了？

    但在 AI 其實就像是一個可以客製化的知識管理系統後，我可以把更多時間花在下面這些更重要的問題上：

    • 我要如何執行？
    • 對我產生什麼幫助？
    • 在我的個人特質上有什麼需要調整的地方？
    • 怎麼建立起屬於我專屬的工作（生活）流程？

    而這些問題，就是我現在要寫入「任務 / 經驗」筆記中的內容。（延伸閱讀：執行優先於整理，不要憑空設計系統：以我的防彈筆記法實踐為例）

    所以在三年多前提出「防彈筆記法」時，我就已經強調以任務筆記為核心，會建構更有效的個人第二大腦系統，到了 AI 時代，這個想法依然不變，甚至變得更有效。

    下面，讓我們來看看一些對比例子。




    建立休閒任務筆記，而不是感興趣的休閒資料：

    最近在一個企業中分享「防彈筆記法」，有學員提了一個問題：「Esor你的筆記系統看起來好認真，那如果休息時間想要放鬆休閒一下怎麼辦？」

    我當下立刻搜尋「閱讀」兩個字，兩秒鐘在筆記系統中找到一則「養成閱讀習慣」的「任務筆記」，打開這則筆記，可以看到一個待辦清單，關於最近我有興趣讀讀看的日本推理小說，於是我立刻會知道這是空檔時間可以買來閱讀的首選。

    當我想放鬆休息時，我會在「筆記系統」中搜尋閱讀、遊戲、運動這類任務關鍵字，找到當下感興趣的任務筆記，裡面就會有類似下面這樣的待辦清單，可以引導我立刻去做自己感興趣的事情。




    我「沒有」在筆記系統「花時間」建立「書櫃」，然後把各種好像有點意思的書籍資料放進去，架構一個很漂亮的書籍整理系統。

    這樣的書櫃或許吸睛，但大多數的資料其實跟自己真正的工作、生活無關。

    所以我的方法是，建立一則簡單的「閱讀習慣任務筆記」，然後幾個簡單的待辦清單，把我下個階段想讀讀看的書列上待辦清單，把最近讀完正在驗證中的書列上待辦清單。

    事實上，剛好我最近忽然有點想讀日本推理小說，於是我就問了 AI ，有沒有推薦的、新時代的本格推理選擇， AI 給了我一些書單，但我沒有擷取完整資料（因為覺得不需要），我就只是把其中自己感興趣的題目，列入「閱讀任務筆記」的待辦清單而已。

    這比架構一個個人書櫃資料庫更節省時間，卻比擁有一個書櫃，更能在我可利用的空檔時間，引導我立刻開啟感興趣的閱讀任務。





    任務學習筆記，而不是一本書的重點學習筆記：

    我的閱讀任務筆記中還有一個「驗證方法」待辦清單，列出我近期讀完的書，我正在不同任務中驗證書中所學，產生屬於我自己真正的經驗。

    我也在嘗試一種新方法，不做傳統的閱讀重點整理筆記，而是直接在閱讀過程轉化出任務，把自己想要嘗試的行動、產生的經驗，乃至真正需要參考的書中重點，整理在「任務筆記」中，而不是在某一本書的筆記裡。（延伸閱讀：個人知識管理的時間平衡技巧，忙碌中我如何維持高效率輸入輸出？）




    之前我分享過這個案例，在閱讀時的「資料型筆記整理」用 AI 輔助完成（參考：用 ChatGPT 陪我讀英文原文書：5 個強化學習、筆記整理到行動轉化的 AI 技巧）。

    於是我可以把更多精力、腦力花在思考：「怎麼把學到的，對應到真正的任務上」。

    我手動做筆記的時間，是花在寫出上面的「任務筆記」，而不是下圖這樣 AI 也可以整理得很好的資料、知識重點整理筆記。





    NotebookLM 是很棒的 AI 資料庫筆記，但取代不了人的任務第二大腦筆記：

    像是很紅的 Google NotebookLM ，號稱 AI 筆記，我也覺得很好用，但是他能取代的，正是前面的「資料／知識」整理型的第二大腦，卻無法取代我們的「任務／經驗」第二大腦。

    參考：

    這有什麼差別呢？

    例如，我把 Tesla 電動車的操作手冊、相關教學影音內容，上傳到一個 NotebookLM ，建立起一個 AI 筆記資料庫，我可以在上面隨時問各種功能問題（例如自動輔助駕駛怎麼操作？），他就像客服一樣，立刻給我來自說明書與參考資料中的相關內容整理。

    所以，我自己的筆記中，不需要再自己去整理那些「只是來自參考資料」的內容。




    但是，當我自己開始使用自動輔助駕駛後，我產生屬於我的經驗，適合我的操作方法，這些才是我會寫在「任務筆記」中的內容。

    你可以看到這些內容跟說明書不一樣，跟參考資料不一樣，但卻是我自己慢慢累積出來的，屬於我的最佳操作流程，以及那些參考資料不會告訴我、沒辦法告訴我的真實感受。




    NotebookLM 有辦法產生上面的任務經驗筆記嗎？應該沒辦法，因為他的 AI 限定於「從參考資料庫」來生成內容，這就像 ChatGPT 就算可以網路搜尋、深度研究，甚至進行一些 AI 的突發奇想，但其實也是限定在已經有的參考資料上。

    可是，每一個人都是有不同感受、不同喜好的個體，所以我們會決定自己的任務要如何執行，會產生跟大多數人很像但又有點不一樣的經驗，這些，才是我們每一個人自己的任務筆記要整理的內容。




    筆記的核心：連結我的任務，開始累積行動的經驗

    之前我在「我用 NotebookLM 搭建 AI 稍後閱讀、學習輸出工作流，操作教學與延伸應用」這篇文章中，分享我自己利用 AI 搭建稍後閱讀流程的方法。

    AI 可以幫助我翻譯、摘要、整理重點架構，甚至在深入閱讀後進行衍伸補充、思考。

    但是，有一個做筆記最關鍵的問題，我依然要自己來，但也是人最值得花時間去想的問題：「這個資料、知識、想法，我要用在哪一個任務上？」

    例如，我用 NotebookLM 快速整理了很多 Huberman Lab YouTube 影片，找到了幾則我個人更感興趣的主題，深入的理解了 Huberman 分享的知識與方法。但這個過程不是我筆記的重點，真正的重點是我會不斷反問自己：「這個有趣的、有用的知識，我要用在接下來什麼任務上？」

    其中有一個例子是，看到 Huberman 推薦的 NSDR （非睡眠深度休息）方法後，我靈機一動，覺得可以寫入目前正在進行的新書《高效職場生存法圖解》，但不是單純整理資料寫進去，而是在自己的職場工作環境實踐看看，把經驗累積調整後，分享適合職場工作者的做法。

    於是，我撰寫的不是資料整理筆記，而是去修改我的任務筆記，讓這個資料，可以與我的真正任務作連結。




    然後在啟動的任務筆記中，我不是去整理 Huberman 的知識架構，而是開始累積自己實踐過程中的疑惑？調整？等等具體經驗，並開始轉化出我的操作流程。




    在 AI 時代作筆記，我們可以更多的放下對資料整理的需求，更專注在對如何變成任務的思考上。AI 幫我解放了輸入的效率，讓我有更多時間專注在「我自己實際要做什麼」的輸出。

    在 AI 持續進步的情況下，我相信資料型第二大腦會愈來愈不需要，尤其如果我們做的「只是整理他人資料」的第二大腦，即使做得再漂亮，也可能沒有 AI 幾分鐘處理後得到的更新、更詳細、更深入。

    但這不是我們放棄思考，反而是我們獲得了更多時間，可以把思考放回自己身上，不要再過度煩惱輸入，而是專心在執行每個人獨一無二的產出上，並在後面這個輸出的過程做筆記，累積出自己的「任務／經驗」第二大腦。

    因為當愈來愈多工作可以透過跟 AI 溝通，讓 AI 助理完成有效內容草稿時，這個「溝通」需要的，正是我們累積出來對任務的判斷、對更好的工作流程的經驗。

    AI 不會讓筆記失去價值，反而讓作筆記可以更專注、更有力量。推薦這篇文章給平常喜歡用 Notion、Obsidian、 Heptabase、 Evernote 寫筆記，卻感到整理系統有點無力的朋友們，幫你「找回做筆記的理由」。

    延伸閱讀：


    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：AI 時代建立筆記系統的關鍵是「任務／經驗」而非「資料／知識」）

    不只 AI 問答！我用 ChatGPT 打造專案第二大腦的六步驟實作教學

    ✇電腦玩物
    Esor Huang



    單純在 ChatGPT 聊天問答，幫助找答案，雖然已經很好用。不過當作問答機器人來用，可能最後就是一大堆雜亂訊息，只能解決當下淺層問題。

    但其實看似簡單的即時通介面下， ChatGPT 有潛力成為一個能夠整合工作流程、最佳化日常任務的「AI 生產力作業系統」。

    這篇文章，不像傳統的 ChatGPT 使用教學，不是只教「怎麼問問題」或「有什麼功能」，而是系統性地拆解了 ChatGPT 能如何從資訊輸入、知識整合、專案管理，到成果產出的工作流程。

    這時候，ChatGPT 不再只是等待我提問的工具，而是可以由你我主導，架構出一套任務流程：從蒐集資訊、建立專案、到產出結果，環環相扣，互相搭配，成為工作中更可靠的助手。

    可以想像成一個 AI 版的 Notion 或 Trello 這類「生產力作業系統」，在 ChatGPT 上面整理專案任務資料，執行任務流程，完成成果輸出：

    • 可以記住自己各種工作生活專案細節，隨時調閱。
    • 可以追蹤之前專案進度上，繼續往下規劃，或生成不同任務成果。
    • 可以用自己已經完成的成果，做有效復盤，推動新計畫。

    今天這篇文章，分享我如何在 ChatGPT 打造「生產力作業系統」的實作經驗與使用範例，幫助讀者從「單點使用」升級到「系統使用」，更有效利用 ChatGPT 的各種進階功能（任務管理、記憶、搜尋、語音、圖像等），建立起一個 AI 優先的「 ChatGPT project flow 」，作為我們的「新第二大腦」、「新專案管理流程」。




    ChatGPT 流程01. 自動化「輸入」任務新資訊：Task ＋ AI Search


    大多數任務開始於有效的「輸入」，所以很多朋友喜歡使用稍後閱讀、 RSS 訂閱等工具，而我會用下面方法，在 ChatGPT 中用「內建功能」（ Plus 版），打造一個有助於啟動任務的「自動輸入」流程。（另一種 AI 資訊輸入應用：我用 NotebookLM 搭建 AI 稍後閱讀、學習輸出工作流，操作教學與延伸應用）

    我平常有很多 AI 教學課程邀約，也會在電腦玩物分享 AI 提升效率的相關文章，所以我需要「輸入」 AI 領域的工具應用新資訊，來刺激我的想法。

    於是我在 ChatGPT 中建立一個「 AI 工具與應用新資訊」的討論串，利用 ChatGPT Task（任務），要求 AI 「Search for the latest AI tools and applications articles and compile a comprehensive report.」每天給我 AI 最新資訊的回報。




    每一天早上，我就會在這個討論串收到 ChatGPT 的通知， AI 會根據我的需求，自動上網搜尋，找到近期的新聞文章（通常可以抓取到最近一個禮拜內有意思的新文章），以及重點整理。

    這個工作流程有幾個優點：

    • 讓 AI 幫我自動搜尋、輸入內容，節省我自己爬梳太多不相關資料的時間。
    • AI 會根據我的需求：過濾主題、爬梳指定網站、多線檢索。
    • 結合 AI 搜尋，找到的內容雖然不一定是當天最新，但都有明確資料來源。
    • 根據任務聚焦的自動輸入，常常幫助我獲得新工具、新研究、新趨勢報告的相關數據。
    • AI 整理過的自動輸入，內容分量恰到好處，一兩分鐘內就可確認，卻往往能幫助我展開更多新任務。

    例如下面這個例子，其中兩篇新聞的數據，可以變成我接下來課程、書籍、文章中引用的內容。

    其中一個工具的介紹，啟發我可以撰寫一篇應用教學文章。

    而這就是「輸入」想要達到的更有效「輸出」目的。




    我在 ChatGPT 中擁有多個這樣的「任務新資訊自動輸入」討論串：

    • 自動輸入 AI 相關教學任務新資訊。
    • 自動輸入一般任務需要的台灣、國際新聞資訊。
    • 自動輸入我個人健康專案需要的增肌減脂新知識。
    • 自動輸入我還沒有寫作，但適合我擅長主題的新寫作題目想法。

    例如我會這樣要求 ChatGPT：「每天中午 12 點，回顧我在電腦玩物上擅長的文章主題，上網搜尋符合我的主題，但我沒想過的題目，然後以電腦玩物的角度思考，設計新的寫作素材。」

    於是很多文章、書籍、課程的來源素材，每天就在這樣的 AI 自動輸入過程中，持續提供我刺激任務推進的新想法。





    ChatGPT 流程02. 跨領域資料的「整理」分析：跨對話記憶


    當 ChatGPT 擁有「可以在回答時，參考不同聊天紀錄的資料」功能，而且這個功能免費版、 Plus、 Pro 版都有（只是可以記住的容量深度不同），我們更可以思考：「把 ChatGPT 當作各種工作資料的討論系統，同時也是可以隨時調閱資料的管理系統。」

    例如，我在前述的「自動輸入排程」中累積了許多筆記、 AI 相關的新資料，我也在不同任務的討論串中聊過類似筆記方法或軟體。這時候，我可以讓 AI 調用這些在不同討論串的內容，「重新整理」成一個筆記新方法專案的企畫內容。




    這就好像整個 ChatGPT 是一個個人大型資料庫，裡面有我對各種任務資料的搜索，裡面有我的各種想法的討論，而這時候，我可以利用 AI 進行統整與分析。

    這不是傳統意義上的整理，而是 AI 可以根據每一次的新需求，把舊資料（聊天紀錄）重組生成新內容。

    換句話說，如果我可以把 ChatGPT 當作另外一種統一的工作系統。在上面累積更充足的討論，那麼上述重新整理「記憶」的效果就會更好。




    再搭配基本的「（指定）儲存的記憶」功能，例如請 AI 回答時不要那麼愛加表情符號，請 AI 在解析我的特定專案時要用特定邏輯等等。

    這樣一來，這個 ChatGPT 的 AI 生產力作業系統就具備了：

    • 自動輸入、儲存我需要的各種任務資料。
    • 可以記住（記憶）不同任務的執行（討論）過程。
    • 開啟新任務時，可以用 AI 根據當下需求，分析過往的資料，完成新的輸出。

    ChatGPT 自動排程搜尋輸入，再搭配聊天紀錄記憶，最後可以滿足一個工作系統基本的資料輸入、爬梳、輸出需求。





    ChatGPT 流程03. 啟動專案的知識輸出系統：Deep Research 深度研究


    以前我們可能需要花很多力氣在架構自己的「生產力系統」，其中很多時間花在「沒有什麼生產力」的知識筆記整理上。

    所以現在我開啟一個新專案的「起手式」是建構在 ChatGPT 工作系統的 3 步驟：

    1. AI 回顧分析不同聊天紀錄的相關資訊、想法，建立專案的問題出發點。
    2. 根據這個問題出發點，啟動 AI Deep Research ，在既有資料基礎上，進一步研究跨領域的新資料，建立更完整、深入的知識筆記。
    3. 根據建立的知識筆記，再次啟動 AI Deep Research 去研究自己雲端硬碟中的相關文件，建立專案的正式企劃。

    要開啟一個專案，先讓 ChatGPT 統整聊天紀錄，然後利用 Deep Research 做一次延伸資料的市場分析。




    再讓 ChatGPT 去分析我在 Google 雲端硬碟上已經累積的專案文件檔案，開始分析接下來專案可以推進的進度。

    以前我們可能花很多時間做資料整理與知識筆記，但其實我們需要的是：最後要輸出的分析、報告與規劃。而現在， ChatGPT 的工作流程系統可以代勞。





    ChatGPT 流程04. 有效分類專案工作流程：一個專案，一個討論串


    在開始一個新的專案、任務時，我會在 ChatGPT 開啟一個新的專案討論串，上述專案的初步想法整理、深度研究、文件整理，都會在同一個討論串中，然後要輸出不同的任務成果，例如要規劃流程、要撰寫報告、要設計新內容，也在同一個討論串討論。

    這個過程的優缺點是：

    • 優點
      • 可以更具體根據前面特定專案資料，產出新內容。
      • 可以根據前面建立的規則，產出新內容。
      • 討論過去經驗時， AI 更明確知道這個專案的流程。
    • 缺點
      • 當一個專案的討論量逐漸累積，因為一個討論串的內容量很大，瀏覽器網頁端問答時容易載入不順而卡住（可重新整理網頁，才會恢復正常）。
        • 這時候的解套方式是，使用電腦版的 ChatGPT 軟體，效能會更好一點。
      • 當專案討論量大到一個臨界值（我的經驗是每天討論，長達半年），會開始容易出現錯誤，這時候要開新的專案討論串才會順暢。
        • 但這個討論串內容還是可以留著，因為在前面「流程02」有提到，有時候全系統回憶時，還是會有效果。

    於是在真實工作、生活流程裡，遇到任何問題，我會先思考：「這是哪一個專案的問題？」




    接著，進入該專案的 ChatGPT 討論串，這裡的 AI 已經了解這個專案的背景、現況、知識與做過什麼，成為我解決專案問題的最佳幫手。

    例如有一次邀請我上 AI 工作術課程的單位，希望我出幾個簡單的練習題，作為課前、課後測驗。

    於是我打開「課程規劃」專屬的專案討論串，這裡面都在討論我的課程相關任務，我直接問 AI ：「根據前面我們討論過的 AI 課程內容，幫我設計 10 道選擇、測驗題，請一步一步分析，從我討論過的課程相關內容著手，找出最適合學員的應用，設計清楚、易懂、複習學習成效的題目。」

    我甚至連課程資料都沒提供給 AI ，讓 AI 自己在前面的討論串找資料、設計題目，而效果很不錯。




    ChatGPT 的「專案」功能就更好用了，我開了一個「個人生活專案」，裡面有生活教練、車輛管理、投資理財等不同的生活專案討論串。

    我先在「專案」中上傳自己累積的身體、車輛、財務筆記檔案（去掉絕對隱私的資料後，例如帳號密碼），然後在共通指令中設計我的家庭成員、生活需求。

    於是當我在不同討論串中，詢問理財建議、健康建議時，都可以從我的真實資料中讀取內容，提供更符合我需求的回答，就很像是我的生活專案助理系統。





    ChatGPT 流程05. 在這個 AI 生產力系統持續產出：五種主要 AI 模型的應用

    • 我在什麼場景，運用什麼 AI 模型：
      • GPT 4o：一般圖文任務處理
      • GPT o3：需要多一點資料研究，且有邏輯的產出
      • GPT 4.1：需要回顧分析長文本後（例如回顧大量對話）進行產出
      • GPT 4.5 文字內容撰寫修正的產出
      • GPT o4 mini hign 圖像推理後產出

    前面是這個 ChatGPT 生產力系統的輸入、整理、分類建立專案流程的階段，而這些都是為了完成更好的 AI 任務產出。

    所以當需要 AI 協助討論、生成各種任務成果時，我會回到流程 04 建構的專案分類中，進入該專案討論串，在其中繼續生成新內容。這會開始一個正向循環：

    建立專案討論串 ＞ 輸入專案資料 > 整理研究專案資料 > 輸出專案成果
    > 專案成果成為新的專案資料 > 整理研究新專案資料 > 輸出更好的專案成果

    不過，現在 ChatGPT 的 AI 模型選擇很多，下面是我根據 ChatGPT Plus 真實應用情境，分享我自己不同 GPT 模型的應用對應表：

    模型版本
    適用任務
    使用建議
    GPT-4o
    泛用版本，適合即時對話、輕量任務
    日常問答、寫初稿、整理現成資料、規劃基本任務行動清單
    GPT-o3
    搭配大量資料查找後，經過思考，處理更需要邏輯分析的任務
    需要搜尋正確背景資料並進行統整分析，然後產出多面向規劃的任務
    GPT-4.1
    回顧長對話與分析長文本
    長文章、長會議記錄整理，或是分析大量對話後得出新想法
    GPT-4.5
    精準文字潤飾與邏輯修正
    寫作修文、推敲表達順序
    o4 mini high
    圖像推理、分析圖像內容作圖像思考
    視覺設計、版面規劃、圖像解析

    簡單的任務問答，使用 4o。




    但是如果任務需要一些資料研究（還沒到 Deep Research 程度），並且要做相對嚴謹思考的分析，我會使用 o3 。

    其實應該說，目前 ChatGPT 我最常使用的模型就是 o3 ，因為大多數我們想要生成的任務成果，理論上都需要多一點資料研究、理性思考，才能有更好的回答。




    最近我在嘗試透過 ChatGPT 做 Vibe Coding ，已經連續討論了兩個多禮拜，所有同一個專案討論串中有大量內容，為了讓 AI 可以更好的回顧前文，我就會使用 GPT 4.1 進行問答，用比較快的速度有效回顧長文本內容。




    GPT 4.5 我使用的機會不算多，少數真的需要做文字創意寫作時，會用來做文稿的修正。

    但大多數文章的主文，我還是自己撰寫為主，例如這篇文章。




    GPT o4-mini-high，則是當我需要上傳圖像，請 AI 分析圖像內容、結構，然後作圖像化思考與建議時使用。





    ChatGPT 流程06. 可以在 ChatGPT 生產力系統產出的延伸內容


    在這個 AI 生產力系統中，不只可以用前面的 AI 模型進行文字產出，在 ChatGPT 中還有很多功能，可以讓產出的方式更加多元化。

    例如我也常常利用 4o 生成圖片的功能。當我都在同一個課程專案討論串中生成圖片時， AI 已經懂得根據我的形象、課程需求，設計出需要的圖片。（參考：實戰 ChatGPT 4o AI 生成圖片的工作應用：教學、社群、寫作、簡報 10 種圖解案例）




    或者利用 ChatGPT Codex ，進行軟體開發，讓 AI 撰寫程式碼，分析管理 Github 上的專案資料庫。




    我會在寫作卡關、任務卡觀的時候，開啟 ChatGPT 的「進階語音對話」，跟 AI 像是真人一樣來回辯論討論，刺激我的想法，而這往往效果不錯。




    我也很常利用 ChatGPT 的「錄音輸入」功能，直接講出一大段我的想法，請 AI 幫我轉換成通順的逐字稿，快速產出有效的筆記、報告內容。




    透過上述步驟、應用、功能，我在 ChatGPT 上，而且單純就是利用一般人也能使用的 ChatGPT 介面，打造了一個有效的「GPT Project Flow」，讓 ChatGPT 不只是 AI 問答機器人，而是我的一個「 AI 生產力作業系統」：

    1. 自動化輸入：先透過 ChatGPT 的任務功能和搜尋，為每個專案或日常工作建立一個自動獲取資料的流程，確保資訊來源穩定且及時。
    2. 善用 ChatGPT 記憶能力：讓輸入的分散資料有機會根據需要，進行不同的統整與生成。
    3. 深度研究與資料擴展：利用 ChatGPT 的深度研究功能，進一步擴展與專案相關的資訊，確保系統擁有完整和深入資料。
    4. 專案化討論串：為每一個任務或專案創建獨立的討論串，把相關資料、靈感和對話都集中，避免資訊分散，建立各個專案專屬的 AI 助理。
    5. 模型選擇與產出優化：根據不同的任務需求，選擇不同的 GPT 模型來完成，例如用來編輯文字、產生圖像、整理長文本、撰寫程式碼等。
    6. 讓「GPT Project Flow」進入正向循環：根據前面資料輸入， AI 產出的有效專案成果，成為「新的資料」，讓這個作業系統愈來愈能理解、幫助我們獨特的工作流程。

    善用 ChatGPT，關鍵不是會問問題，而是懂得建立工作邏輯。從輸入到記憶、從單對話到專案、從文字到多模態應用——你可以為自己打造一個「AI 輔助的數位工作室」，讓每一個任務都更高效。



    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：不只 AI 問答！我用 ChatGPT 打造專案第二大腦的六步驟實作教學）

    收集資料時 3 步驟「任務化」！AI 工具取代不了的整理技巧教學

    ✇電腦玩物
    Esor Huang


    資料、筆記之間最好的「連結」關係是「任務」，而不是屬性、相關性，這也是在 AI 時代擁有大量自動分析資料工具後， AI 依然無法為我們代勞的整理技巧。也是幫助你不再努力分類、標籤、連結後，還是出現「用不到」、「找不到」、「只是蒐集沒在用」的狀況。

    近期我在電腦玩物分享的這篇文章，也闡述了類似想法：「AI 時代建立筆記系統的關鍵是「任務／經驗」而非「資料／知識」」

    AI 或許可以幫大量資料下關鍵字，自動建立類似維基百科那樣的相關性連結，但 AI 無法幫我決定這個資料用在什麼任務上。

    在還沒有生成式 AI 爆發的時代，我在《防彈筆記法》書籍裡就開始強調真正的數位第二大腦整理是以「任務的連結」為中心（資料連結是不太重要的弱連結，任務連結才是真正有用的強連結：Evernote 實踐 Zettelkasten 卡片盒筆記法，整理知識網路系統），而現在進入了AI時代，我更加認為「以任務為整理中心的連結方式」才是建構高效率第二大腦的關鍵，而這個步驟需要人來做。





    以下為 Google NotwbookLM 製作的本篇文章影片版解說：





    為什麼要讓資料任務化？兩個層次的思考：

    在我的防彈筆記法課程中，常常會分享一個自己收集資料的原則（參考：別怕失去什麼，看到好像不錯、好像有用的資料，最好不要收集）：

    • 每次看到一個好像不錯，有點意思的文章，我會問自己一個問題：「近期內哪個任務用得到？」
    • 然後用任務導向的原則，把資料連結到用得到的那則「任務筆記」。
    • 如果當這個核心的問句得不到解答的時候，我會選擇「放下這個資料」。

    不過之前主要都是分享：不要收集不必要資料，問題是：那如何能夠有效地把資料「任務化」呢？

    最近一次課程中，有學員在下課時跑來問我上述問題。他說自己是工程師，平常也很喜歡閱讀學習大量新資訊，有很多時候看到一些覺得好像不錯的內容，但是當下似乎很難去思考什麼任務要用？這時候應該怎麼辦才好呢？我當下提供了兩個層次的想法來回答他：

    • 第一個層次是：練習建立第二大腦的「核心邏輯」轉換，勇敢放下資料是節省更多時間

    以前在收集各種資料的過程當中，常常只是為了收集而收集，在資料的層次做處理，打造了一個花時間卻不一定能夠準確拿出來使用的系統，並且誤以為是要花更多時間整理，才能有效取出資料來使用。

    其實，我們應該轉換的是自己的收集邏輯，透過提問：「這是哪一個任務可以用的資料？」而非這是什麼資料？可以有效過濾自己需要收集整理的內容，這是跨出有效整理系統的第一步。

    當然，這個過程不會盡善盡美，但也不需要完美。在這樣的練習當中，或許我還是會收集到一些最後都用不到的資料，但一定也會增加跟明確任務連結的資料比例，而這樣我們的系統就會變得比之前更加有用。

    如果在這個核心邏輯轉換時，發現很多看到的新資料都找不到可以連結的任務，那麼或許我們應該勇敢地告訴自己：

    「因為這就是現在的自己不需要的資料，放下他們，讓我去處理真正任務，這樣我可以獲得更多時間與成果。」

    • 第二個層次是：練習「以輸出為目的」，而非輸入，我的任務是我自己可以設計的

    很多時候我們看到有感覺的資訊，自己當下沒有任何任務用得到，但又很想收集，覺得無法實踐以任務為導向的整理系統？

    或者認為，如果都不收集任務以外的新資訊，那我們要如何成長？如何跨出舒適圈？如何擴展自己的多領域能力呢？

    這其實忽略了一個關鍵的重點：那就是任何我要執行的任務，其實是我們自己可以主動設計出來的！

    任務，並非只能是別人給我們的。簡單的說，如果我看到一個非常棒的資訊，很想要收集，但這時候在既有的任務中沒有任何連結，那麼我應該反問自己：「我可不可以為這個新知識建立一個有任務成果的新任務呢？」

    大家現在應該都認同，輸入的目的是為了要輸出，成果是比資料整理更有效的工作系統。

    所以我們不需要去整理那些資料跟知識，應該是要問：我要如何整理才能夠有效的產出任務成果？而這時候我可以主動為蒐集的資訊設計一個新的成果，讓這個整理學習的過程真正有所產出。

    下面我就分享實例，看看在打造數位第二大腦系統的過程當中，我如何把日常收集的資訊任務化，讓大家更能夠掌握住我所說的這兩個層次：

    1. 資料要跟任務進行連結，不用花很多時間整理，這些資料以後會被真正的拿出來使用。
    2. 為自己非常喜歡的知識主動設計任務成果，開啟產出，才是打造第二大腦的方式。






    我的具體實踐案例步驟一：如何把資料連結到任務？

    下面是一個最近真實發生的例子。每天網路上都有很多人推薦許多新的 AI 方法或工具。有一天我看到了一個 AI 設計圖像的工具，看起來這個工具非常厲害，我動了想要蒐集這個資料的念頭。這時候我就問自己一個問題：最近我有沒有哪一個任務有機會用到這個 AI 設計圖像工具呢？




    於是我在腦袋中快速運轉近期的生活、工作，有哪些正在進行中的任務？我想到接下來剛好要去一個學校分享小講座，我想到正好可以利用這個機會試試看這個 AI 設計工具，設計出一些吸睛、有趣的圖像，作為這堂比較輕鬆主題講座的圖像輔助。

    於是我把這個資料擷取下來之後，將其連結到那堂講座的任務筆記。




    接下來，我不會針對這個 AI 設計工具資料去做任何的額外整理、分類或者標籤，因為我已經把資料連結到那堂學校講座的任務筆記了，等到學校講座要開始前，我打開那個任務筆記準備開始處理講座內容時，自然就會看到現在連結過去的這一則 AI 設計工具的資料。

    於是我就會想起來，並且有機會利用這個工具來處理講座上的圖像，經過這樣的產出經驗，或許到時候就會更加掌握這個設計工具的功能，如果發現值得介紹，說不定還會再衍生出一篇電腦玩物上的寫作任務。

    如果你常常看到我在電腦玩物上分享很多我的真實工作生活任務案例，也發現我常常研究很多新的工具、新的方法，你懷疑我為什麼不會覺得自己資訊爆炸？而且有餘力處理這麼多新資訊？那麼大多都是在上述的整理流程裡，建立起幫我去蒐集資料，並且有效利用資料的第二大腦過程。




    我的具體實踐案例步驟二：放下任務不需要的資料

    也是最近的真實例子，看到網路上很多人介紹許多愈來愈厲害的 AI 影片生成工具，我有興趣，但依然先用前面的邏輯想想看：有沒有哪一個任務用得到？

    這時候，我當下想不到任何工作、生活任務可以用這個工具來解決什麼問題，要怎麼辦呢？這時候我的建議是（也是我真實做法）：

    那就放下這個資料，連擷取蒐集都不要。完全省下整理這些資訊的時間。

    為什麼呢？有幾個原因。

    • 第一個原因，收集過多自己沒有真正任務產出的資料，導致自己要花更多時間做資料的整理，這本身就是一件浪費時間的事情。
    • 第二個原因，收集過多跟任務不相關的資料，導致自己分心去研究它們，這常常是讓自己在工作生活中無法聚焦在真正目標的關鍵原因。

    如果我們沉迷於資料收集、稍後閱讀，反而讓我們在資訊爆炸的過程當中，感覺更加茫無頭緒，分心在各種互不相關的資訊上。

    這其實是許多朋友建立第二大腦的最大困境：收集整理時間 ＞ 實際產出時間


    AI 工具的進化，確實改變了許多事情，我們應該重新思考自己建立第二大腦的邏輯。

    如果我在沒有任何任務需要的時候蒐集一個 AI 影片製作工具資訊，花時間整理他，但是放在那天幾個月都沒有使用？

    之後，終於有新任務需要 AI 影片製作工具了，你覺得，現在我們要把之前那則資料找回來用嗎？但是，它已經是幾個月前的工具了，會不會這時候有更新更好的 AI 影片設計工具出現呢？那我還不如去找這個當下更新更好的 AI 影片設計工具？

    所以從上述的幾個理由來看，我們都會發現，當我們看到一個資訊，而我們無法跟任何任務筆記連結的時候，放下它，其實反而是一個提升生產力的選擇。




    我的具體實踐案例步驟三：那學習成長、擴充知識圈怎麼辦？

    來到這一步，有朋友覺得如果只是因為無法跟當下任何的任務進行連結，我就放下它？這樣一來會不會很可惜？二來會不會失去了自己學習成長的空間？

    如果用 Esor 分享的「防彈筆記法」，以任務為導向，會不會反而會變成一個無法成長？只能原地踏步解決目前工作任務的人呢？

    這其實是對這個系統最大的誤解，說任務成果一定要是既有的，或者是別人給予的呢？難道我不能主動設計任務產出嗎？

    當我看到一個資料非常有用，而我無法跟任何現存任務進行連結的時候，我可不可以自己為它設計一個有動力、有興趣、有價值的任務成果產出呢？

    這樣一來，我既不會讓資料整理流於空泛，我也可以有效地去學習接觸新的領域，但又保證了有價值的任務成果產出。

    例如前一陣子我看到很多人在介紹 Vibe Coding 這個概念，那時候有 Cursor 這個工具，後來 ChatGPT 在它的 Plus 以上版本也推出了 Codex 這個 AI 幫你寫程式碼、分析程式碼專案的服務。




    那段時間我不斷看到這類介紹，其中有一兩篇寫得很棒，分析了如何更有效 Vibe Coding 的流程。我很想把這個資料收集下來，也很有興趣，但是那個當下，我無法跟既有的任何專案任務進行連結，因為一來我不是工程師，平常不需要寫程式；二來我當下的任何任務並沒有需要開發網站或者開發某個工具的需求。

    但是最後我還是收集了教我如何 Vibe Coding 的工具與方法資料，但我不是只有收集，而是重新為它設計一個任務成果：「開發一個個人筆記／日記系統」。




    剛好那時候我也同時很想用 AI 來幫小孩寫他感興趣的兒童故事，我想把這個寫作流程用一個自己設計的日記軟體記錄下來，可以整理寫作創意、構思流程。

    於是我把「只是感興趣」的資料，轉化成「真正試試看的任務」。目前已經執行一個月的時間，逐步開發出日記軟體，目前具備可以追蹤寫作日誌、做搜尋、連結、標籤等等功能，滿足我需要的所有靈感想法整理，也挑戰看看如果在我完全不懂程式碼的情況下，用 Vibe Coding 可以做到什麼程度。




    在這個月的過程中，當時那個感興趣的資料，不再只是資料，而是真的變成我理解一個新領域的經驗！

    我真的開發出了一個自己可用的日記軟體，我也第一次比較完整的學到了所謂的軟體開發流程、開發工具，我大致上知道 GitHub 如何管理，這些都是擴展了我原本並不熟悉的領域，也具體完成了一個對我有價值的成果。

    所以，當我們真的對某個資訊感興趣，更應該主動設計產出，這才是真正跨出領域、學習成長的方式。

    而如果連任務產出都設計不出來，變成單純只是收集資料，那麼放棄其實也真的沒有什麼影響。（延伸閱讀：筆記如何變成有效記憶？建立一個任務流程，而非知識庫）

    看完上面的資料處理流程，或許你也可以試試看我的方法：

    1. 收集資料時要馬上任務化：而不是先囤積再說，透過「先問自己這個資料會應用在哪個任務上」的檢查點，不只是省下整理時間，更能推進真正有產出的行動。
    2. 如果沒有現成的任務，也可以自己創造任務：很多人以為任務一定是別人交辦或現成的，其實我們可以為感興趣的新知主動設計一個「任務產出」來驗證和學習。
    3. 當你找不到對應任務，就勇敢放棄那些資訊：「放下」其實是最高效的選擇，不必因為資訊 FOMO（錯失恐懼）讓自己失焦。



    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：收集資料時 3 步驟「任務化」！AI 工具取代不了的整理技巧教學）

    ChatGPT GPT-5 比 4o、 o3 好用嗎？一週使用心得，8個應用案例比較

    ✇電腦玩物
    Esor Huang


    OpenAI 在 ChatGPT 上推出GPT-5，已經有一個多禮拜的時間，經過了這個禮拜實際在工作生活當中的實務案例驗證，這篇文章跟大家分享目前我的一些應用案例與心得。

    GPT-5 推出之後，網路上有許多的聲音覺得更懷念以前 GPT-4o 的版本，所以 OpenAI 也從善如流，在 ChatGPT 裡針對 Plus 以上付費用戶提供了可以切換回舊版模型的選項。在預設的 GPT-5 模式當中，也提供了自動、快速（即時解答）、快速思考、思考（Thinking）的不同選項，讓用戶有更多自由的選擇。





    快速結論： GPT-5 值得一用嗎？

    如果快速總結我使用了一個禮拜 GPT-5 的心得，我會說使用「 GPT-5 Auto 」模式，就是現在對 ChatGPT 一般用戶最好的選擇。而 GPT-5 有下面幾點特色：

    1. GPT- 5 的 Auto 模式會由 AI 自動幫我們切換適合的處理模型，一般使用者更易用，例如這個問題需要更深度的思考，還是可以快速回答，或是需要使用更多圖像分析處理，使用 GPT-5 可以把挑選模型這件事情交給 AI 處理，對大多數一般用戶來講會是一個更輕鬆也更正確的選擇。
    2. 可以明顯感受到 GPT-5 有更長的上下文處理能力，對大量資料的細節掌握更高（對比 GPT-4o、 o3），能夠處理更大量的討論串資料，處理時把握住更多資料細節，也能完成更長更複雜的輸出。
    3. 當 GPT-5 啟動 Thinking 模式時（對比 GPT-o3），結合網路搜尋、摘要、檢索資料，與多步驟思考，可以產出非常詳細、正確度高、分析邏輯有深度的輸出結果。我的感受是比原本 Plus 帳戶中我最常使用的 o3 模式有更好的處理結果。不過它需要的處理時間也更長，有時候會有長達 5 到 7 分鐘以上的處理時間，但很值得。
    4. GPT-5 能夠一次輸出的結果品質、正確度都更好（對比 4o、 o3），有更好的程式開發能力，更好的文本生成能力。例如可以生成功能更完整、介面更好看的網頁工具，或是輸出資料細節更豐富、分析更深入的報告。
    5. GPT-5 能更有效同時連結並處理 Gmail、 Google 日曆、 Google 雲端硬碟與多種網路服務資料，並分析大量資料後，輸出細節更完整、內容更準確的結果。

    （GPT-5 對免費到付費用戶全面開放，不過有使用額度的限制，以 Plus 用戶來說，每 3 小時 ~160 則，Thinking 每週 ~3000 則，額度到了，會自動降為 mini 版本處理。）




    遇到複雜任務時， GPT-5 會啟用思考模式（Thinking ），也可以手動選擇開啟。

    GPT-5 Thinking 是我覺得這個新模型最值得一用的功能。

    不只可以處理更長的上下文、整理更大量的資料，更重要的是他的推理思考步驟更具體、更詳細、更複雜。




    下面是一個 GPT-5 Thinking 思考流程，可以看到他會：

    • 拆解問題，分解工作流程，分步驟進行處理。
    • 每一步搜尋會找到不同資料，進行資料摘要處理。
    • 對分析的資料、完成的步驟進行反思，推理更好的處理方式。
    • 最後完成一個內容更完整深入的輸出。

    之前的 o3 推理模型也有類似功能，而 GPT-5 Thinking 能夠一次拆解處理的步驟更多、更詳盡、更深入。

    基本上像是一個小型的 Deep Research（參考：先用 Deep Research 掃清認知盲區，再用 Google 搜尋，我的 6 種學習新流程），更有能力處理困難、複雜問題，並完成詳盡的、正確的輸出。




    而且 GPT-5 有能力「同時」連結多種資料類型進行處理：

    • 可以上網搜尋。
    • 也能同時檢索整個 ChatGPT 當中不同聊天室記錄。
    • 還可以同時連結我的 Google 雲端硬碟、Gmail、行事曆等第三方雲端服務上的資料。
    • 然後進行最後的統整整理。

    結合 GPT-5 Thinking 的長上下文、多步驟推理思考，以前無法處理好的大量資料、多步驟工作流程，現在 GPT-5 可以產出不錯的結果。

    像是下圖這個例子，我請 GPT-5 幫我上網搜尋目前 GPT-5 功能說明、案例介紹，然後同時要從我的不同聊天記錄分析日常工作流程，最後統整出適合我去試試看的 GPT-5 應用。

    經過了 5 到 7 分鐘的思考，下面是他產出的其中一段結果。這段結果大概是其中五分之一的內容。你可以看到確實可以結合多方來源的資料，包括網路資料、我的聊天記錄、我的工作習慣，透過有效的分析，提供給我實際應用的建議.





    案例1. GPT-5 與 4o 處理文件的差別：分析大量簡報、講義，整理出這堂課程目前的學習重點，並提供改進建議

    我常常有大量的簡報、文件、講義檔案需要進行統整、比較、分析，然後去建立一些新的課程大綱。

    下面這個案例就來看看 GPT-5 跟 4o 兩種模型處理的結果。

    首先，我上傳了多份相關的課程文件資料，然後利用下面的指令要求 AI 幫我去分析資料，統整出一個共同的構，處理相異的部分，整合出一個更完整的內容，還要能夠進行一些延伸的補充。

    你是防彈筆記法課程專家，分析下面指定的講義、簡報、課綱，整合出最完整的課程內容版本。
    請一步一步處理。
    從每一份資料中彙整出課程重點、概念、技巧、演練、案例。
    整理共通的部分，成為課程主架構。
    整理每一份資料中相異的部分，也彙整到主架構中，成為更完整版的內容。
    針對完整版內容，補充可以增加的技巧、演練、案例建議。




    在沒有主動啟動 GPT-5 Thinking 功能的情況下，單純 GPT-5 完成了下面的整理，處理速度則非常快（大約 20 秒內就完成了多份文件內容的讀取與整理），而且資料的抓取很準確，也足夠詳盡。




    我刻意切換回 4o 的舊模型，試試看同樣的資料處理，結果產出的內容如下。

    關鍵不在於是否有用表格整理，而是可以看到 4o 處理的結果明顯缺乏許多細節，雖然也可以做統整，但只能處理到資料表面的重點，而 GPT-5 則可以往下深入到資料的細節。





    案例2.GPT-5 與 4o、 o3 程式開發的差別：把雜亂資料轉為網頁模板，雜亂想法變成可上手的 UI 原型

    GPT-5 在處理程式上也有很大的能力提升，除了可以處理更長的上下文，也就可以處理更複雜的程式架構之外，像是介面、網頁模板的設計上，也有更好的視覺效果呈現.

    例如我請 AI 根據前面課程內容，設計課程網頁版面。

    你是課程頁面設計師，根據上述時間管理課程，以 React + Tailwind 寫一個「課程報名落地頁」。
    請一步一步處理：整理上述討論重點，拆解課程目標、解決痛點、特色方法、吸睛要素。需求：主視覺、三賣點卡、講師區塊（頭像/簡介）、FAQ、表單驗證（Email/手機）、行動版優先。




    下面是 GPT-5 處理的結果，「一次生成」就完成下面這個新潮的、內容豐富的、課程文案邏輯正確合理的網頁版面。




    而下面是同樣資料、同樣指令下， 4o 完成的結果，是不是有明顯差別？




    如果要開發一個比較複雜的軟體，用 GPT-5 ，提供下面指令，一口氣可以完成下圖介面的日記工具版本。
    你是生產力工具的開發工程師，設計一個日記工具。請一步一步分析：
    日記工具可以協助我建立文字為主的日記內容。
    每一則日記可以設定標題、日期、標籤、表格。
    可以搜尋，可以用標籤過濾日記。
    可以用行事曆檢視日記。
    日記之間可以互相連結，並有一個日記連結展示圖。




    而如果用 4o 處理，只能完成下面這樣的設計，主要功能有，但介面完成度低。




    那如果用原本的 GPT-o3 呢？同樣的指令，可以一口氣完成下圖設計，可以一次做出來的功能比 4o 多，但是完成度還是輸 GPT-5 一大截。





    案例3. GPT-5 搜尋資料、整合資訊、輸出文案，更強大的上下文處理能力

    這一個禮拜以來，我特別喜歡使用「 GPT-5 Thinking 」模式，類似 o3 的思考、搜尋能力，但 GPT-5 可以做的步驟更多；更進階，搜尋資料更深入。

    例如下圖的例子，我可以讓 GPT-5 一口氣收集全台灣各地的表演藝術活動資訊，廣度足夠，而且都很準確。




    當我要整合前面討論串的上下文內容時， GPT-5 很明顯的可以處理更多細節，整理更多資訊，把更多資料整理成完整的比較表格。




    需要輸出時， GPT-5 Thinking 能夠思考更好的邏輯，並做出有效的資訊分析整合。

    例如整理上述資料，撰寫新聞稿， GPT-5 會主動以活動的賣點、地點、特色做整合，思考正確的邏輯後，開始撰寫。




    不過在輸出文稿上， GPT-5 一次撰寫 2000 字左右內容比較能把握品質，再長的話，後面內容就會失真或簡略，還是需要分段輸出文本更有效。





    案例4. GPT-5 有能力處理更複雜工作流程：一次處理課程講義 + 會議記錄 + 任務筆記，一次輸出不同形式內容

    我不希望 AI 只能幫我處理簡單的任務。想要能夠一次處理更複雜的工作流程。可是複雜的工作任務常常一次需要處理多種不同類型的資料，還有不同的規格形式要輸出。

    以前的 GPT-4o 這些模型可能無法一口氣完成這麼多步的工作流程處理。但是現在的 GPT-5 則可以辦得到！

    例如下面這個例子。我一次把一份會議記錄組織稿、一份課程講義簡報、一個任務筆記上傳。然後請他分析這些資料之後一次產出會議重點整理、決策分析跟一頁報告。結果 GPT-5 可以在一口氣的處理過程中就完成所有的需求。

    也就是我們可以對GPT-5下更複雜的指令、設計更複雜的工作流程、給他更多的資料，並且正確完成處理。

    以下是 60 分鐘會議逐字稿、投影片、任務表（CSV）。請：1) 產出會議紀要（含 Action owner/Deadline/依賴）；2) 匯整決策依據；3) 生出「對上報告」1 頁。若有矛盾資訊，逐點標註並提出需要確認的問題清單。






    案例5. GPT-5 與 Gemini 2.5 pro 比較：解讀、比對兩張流程圖（圖像），分析、統整並解釋

    AI的圖像處理也是我很常使用的功能，我指的不是生成圖像，而是根據我提供的流程圖圖解素材進行理解分析，並且由此衍生出更多資料的輸出。

    而 Google Gemini 在圖像的分析處理上往往擁有不錯的能力，所以這裡我拿 GPT-5 跟 Google Gemini 的 2.5 Pro 模型來進行比較。


    你是電腦玩物站長，解析這兩張流程圖，分析背後的方法論，並為每一步驟搭配適合案例解析，請一步一步處理

    GPT-5 對流程圖的解析更細緻、完整，而且方法論的解釋更深入，能夠抓住特色，而不是只要表面概念（相對於 Gemini 2.5 pro）。




    對流程圖的延伸解釋上， GPT-5 可以做到把兩個方法論融合，解釋得非常完美。

    相對來說，Gemini 2.5 pro 看起來講了很多，但內容其實相對空泛，也沒有把兩個方法論做很好的整合。





    案例6.當 GPT-5 結合 Deep Research：彙整 10 本競品資料，結合 Google Drive 內部文件，研究輸出決策報告

    前面我們已經看到 GPT-5 在大量資料整理、多種類型資料分析，和多步驟思考推理輸出上，具備的強大能力。

    這樣的能力，如果讓 ChatGPT GPT-5 再加上「 Deep Research 」，那就是如虎添翼，可以一口氣完成下面這樣的處理。

    你是資深出版企劃，研究上傳的簡報、講義，與電腦玩物相關文章，設計「AI × 高效工作術」出版企劃報告。請一步一步處理：
    1) 搜尋並研讀 Gogole Drive 上的 AI、 ChatGPT 課程簡報、講義。
    2) 搜尋電腦玩物上的相關文章，找出資料，補足更多工具、方法、內容。
    3) 分析目前台灣出版市場的 AI 書籍，找出 3 個沒被滿足的讀者痛點
    4) 比較我的課程、文章與競品之間的差異
    5) 根據滿足痛點、呈現差異的特色，設計本書主題與書名/副標 5 組
    6) 根據書籍企劃需要，補足市場分析、特色說明、撰寫方向

    下圖可以看到， GPT-5 ＋ Deep Research 可以大量結合 Google 雲端硬碟上的簡報、我的電腦玩物文章、加上網路上的各種參考資料，爬梳資料的廣度、深度，都比 o3 ＋ Deep Research 有明顯提升。




    分析大量文件、資料後，做出有效的分析規劃，也更加輕而易舉。





    案例7. GPT-5 Thinking 是否能把電腦玩物所有書籍都找出來？並且依據我需要的格式回填資料

    讓我用下面這個案例，來測試 GPT-5 Thinking 的處理資料能力。

    搜尋「電腦玩物站長 esor 」撰寫過的書籍，把書籍細節整理成表格。請一步一步處理，上網搜尋並判斷正確資料，找出書籍名稱、出版年份、頁數、售價，然後分析整理書籍介紹重點，最後提供讀者根據不同需求適合挑選哪一本書的建議。

    首先他正確處理上網搜尋步驟。




    接著他正確理解了各個網頁資料中的格式，並且有邏輯的進行了分析統整。

    這裡不僅完成了大量資料的爬梳（我寫了 10 本書籍），還包含了資料的理解詮釋（表格最右邊的書籍特色介紹）。





    案例8. GPT-5 ＋ 代理程式的能力：能否從郵件/行事曆抽取任務、排時間、完成週計劃

    在ChatGPT付費版中，前幾個禮拜推出了一個叫做「代理程式」的功能。基本上它是一個 AI 代理人。我們可以設計一套指令，接下來就可以請 ChatGPT 幫我完成一系列的自動化工作流程，這些流程可以讓 AI 去處理各種需要人去進行網頁服務操作的步驟。

    例如：
    1. 可以讓AI去連結我的Google行事曆、Gmail去讀取最近的行程跟郵件。
    2. 然後可以讓AI代理人去爬梳更多的網頁資料。
    3. 最後產出一個有效的輸出結果，例如一份報告或者是一份計畫。

    這樣的代理程式能力，如果結合GPT-5，那麼同樣也有如虎添翼的效果。下面是我的測試。

    從我未來 14 天行事曆、郵件，整理重要行程、任務的準備清單。 請一步一步處理：
    1. 檢查 Google Calendar 各個行事曆，確認未來 14 天的重要行程事件。
    2. 檢查近期 Gmail 郵件，確認有提到未來 14 天內須要交付的任務。
    3. 查看我在不同聊天室中，討論到上述相關事件的內容。
    4. 開始安排兩週計畫，根據任務、目標、下一步行動與風險預防、緩衝行動，產出計畫報告。





    GPT-5 能夠根據行事曆，找出任務相關的郵件，在資料連結中有更強的處理能力，可以把相關資料整理在一起，並且正確率與細節度都很高。




    在混亂的資料中， GPT-5 還能梳理出有效的邏輯，並根據具體任務作出行動推理。




    OpenAI 的 GPT-5 現在對 ChatGPT 的所有版本用戶都已經開放了。對免費用戶來說，預設的 GPT-5 一定可以明顯感受到跟以前版本處理能力上的差別。大家很在意的情感溫度等，OpenAI 說他們正在改進當中，但我自己更在意的是任務生成結果的嚴謹性、深入性、正確度和分析的品質，而這部分 GPT- 5 確實比前面的模型要處理的更好。

    而對於付費版用戶來說， GPT-5 的 Thinking 模式大多數時候都比之前的 o3 版本要有更強大的資料處理能力，如果再把 GPT-5 跟 Deep Research 或者代理程式的功能結合在一起，那麼我們可以去思考一個更複雜的任務輸出，交派給 AI 更複雜的工作流程，讓 AI 在幾分鐘自動化的處理過程中，一口氣幫我們完成大量資料的分析和輸出。

    可以更明確的節省更多的工作時間。大家可以參考我上面的案例，實際去測試看看。



    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：ChatGPT GPT-5 比 4o、 o3 好用嗎？一週使用心得，8個應用案例比較）

    Perplexity 免費開放 Comet AI 瀏覽器，實測 AI 自動操作網站功能完成重複性工作

    ✇電腦玩物
    Esor Huang


    「 Comet 」是 Perplexity 推出的 AI 瀏覽器。 Perplexity 是知名的 AI 搜尋、摘要工具，但 Comet 作為一個 AI 瀏覽器，不只是在瀏覽器旁邊放一個 AI 問答助理幫我們做摘要，而是可以真的指揮 AI ，操作瀏覽器、網站上的功能，自動完成我們原本在瀏覽器上要自己花時間完成的重複、瑣碎工作。

    而今天開始（2025/10/3），原本要付費版 Perplexity 帳戶才能使用 Comet ，現在開放所有免費用戶也能下載安裝，並且我實際測試，免費版的 Comet 也能指揮 AI 完成一些瀏覽器、網站上的重複性操作。

    有興趣的朋友可以去下載玩玩看：「 Perplexity AI 瀏覽器： Comet 」。接下來這篇文章，我想分享一下自己實際測試的幾個相對特別的應用案例，看看 Comet 可以做到些什麼不一樣的應用。

    我的初步結論是：把重複、瑣碎、但可標準化的「網頁操作」交給 Comet；把需要判斷、審美、對話的事留給自己。




    Comet AI 瀏覽器和一般 AI 的關鍵不同是：指使 AI 去操作網頁功能

    在實際使用 Comet 來完成一些我的日常工作流程後，我覺得有些看似厲害的應用，尤其是資料索引、研究工作等，其實 ChatGPT 的搜尋、深度研究，或是代理程式功能也可以做得很好，並不一定要使用特別的 AI 瀏覽器。例如：


    像是下圖中， ChatGPT 的代理程式也一樣可以操作 Google 地圖，畫出路線圖。




    所以在我目前初步使用下，發現的 Comet 瀏覽器最大特色就是：

    來到特定網站，可以指使 AI 去操作網頁功能、內容，甚至是需要登入的網站也可以。

    因為 Comet 瀏覽器旁開起的 AI 助理，不只具備問答、搜尋功能，還可以真的命令 AI 動起鍵盤，操作起目前分頁畫面中的各種項目，只要我們有效地透過指令引導，就可以利用這項能力來完成「重複性瑣碎工作流程」。

    由此出發，我測試了下面五種案例，看看 Comet 瀏覽器可以如何指使 AI 完成網站工具操作，並做到什麼程度。

    • 案例一：利用 Comet 操作 NotebookLM 進行重複的資料匯入、整理
    • 案例二：利用 Comet 操作 Google 文件功能進行報告編輯
    • 案例三：利用 Comet 抓取網站資料輸入 Google 試算表
    • 案例四：快速整理瀏覽器大量打開的雜亂分頁
    • 案例五：利用 Comet 操作 Google 簡報，把文字大綱變成圖文簡報

    當然，我還沒有非常長期而深入的使用，如果其他讀者有更好的應用案例，都歡迎分享。





    案例一：利用 Comet 操作 NotebookLM 進行重複的資料匯入、整理

    最近我在電腦玩物寫過這篇經驗分享：「用 Google NotebookLM 實踐卡片盒筆記法：強化 AI 輔助學習功能：生成學習卡、測驗教材」，那是我真實的使用方式，我在 NotebookLM 上建立了許多學習主題的卡片盒研究資料庫。

    但是這個過程中，有很多重複性工作，例如我要操作很多遍匯入資料、整理資料的流程。

    於是我想試試看，能不能利用 Comet 來操作 NotebookLM ，進行重複的資料匯入、整理？

    我先在 Comet 瀏覽器中打開 NotebookLM 網站，登入好，這樣 Comet 的 AI 就可以直接操作網頁中的功能。

    指令：
    利用網站中「來源」分頁的「探索」功能，根據「如何紓解壓力」主題，持續添加所有新的資料「匯入」到來源中，重複這個流程 5 次。

    打開右方的 Comet 助理，左方則是我已經新增的筆記本頁面，我在指令中，明確告訴 AI 功能的名稱、操作的步驟，讓 Comet 自動根據指令去操作網站，完成操作。

    如下圖所示， Comet AI 真的會根據我上方指令，一步一步的搜尋不同主題的資料，然後操作功能，匯入到我的筆記本資料庫，而且真的可以重複操作 5 次。




    完成操作後，一個初步的、草稿版的資料庫就建立完成了。

    這個過程，如果我自己手動操作，可能需要 5 分鐘左右的時間。交給 Comet AI ，其實也大概要跑 5 分鐘的時間，因為 AI 就像真人一樣會一步一步操作網站功能，不過關鍵就在這時候「我可以先去做別的事」，等 AI 自動完成結果即可。




    接著，我又命令 Comet AI 建立提問，整理回答，並儲存到 NotebookLM 右方工作室的筆記中。

    指令：
    切換到網站中「對話」分頁，輸入提問，分別根據憂鬱、焦慮、孤獨、壓力等主題進行提問，按下送出按鈕，並在每個回答結果最下方按下「儲存成筆記」。
    提問範例：「解析 XXX 的機制、問題、影響、解決辦法，製作成以 1.1、1.2 編號的文獻整理回答。」


    Comet 很好的根據我設定的四個主題，進行了四輪的提問，然後把四輪提問的結果，儲存到筆記。




    這個流程全部都是 AI 自主操作網頁完成的。




    在我的「用 Google NotebookLM 實踐卡片盒筆記法：強化 AI 輔助學習功能：生成學習卡、測驗教材」一文中，後續步驟因為不是「重複性工作」，有時候人操作起來更快，例如只要自己全選，就能匯入來源，那就不需要麻煩 AI 。

    或是需要自己跟 AI 問答討論，不是重複性動作，就不適合使用 Comet，反而會比較慢，或是效果不好。




    案例二：利用 Comet 操作 Google 文件功能進行報告編輯


    我測試的第二個案例，不是讓 Comet 幫我潤稿，而是做一些 Google 文件上「編輯功能」的重複性操作。

    以結果來說，這個操作 AI 不一定做得比人快，但關鍵是 AI 就算要多花幾分鐘，但這段時間我可以先去處理其他事務，讓 AI 自動處理。

    指令：
    使用 Google 文件的編輯功能，完成下面步驟：
    1. 把所有中標那行改成「標題2」樣式，所有小標那行改成「標題3」樣式。
    2. 每一段之前要控一行。
    3. 刪掉所有英文、中文之間空格。


    Comet 自動工作時，我可以繼續瀏覽其他分頁，甚至可以在其他分頁上繼續提問。每個分頁都有一個 AI 助理，可以獨立操作。




    等到 AI 自動完成工作，我再回到這個分頁，就可以看到完成操作的結果，正確完成我上面說的幾個編輯動作。




    我甚至還做了一個下面的挑戰。

    指令：
    剪下文件中每一段小標的內容，貼入左方大綱一個新增的「分頁」中，把原本文章變成左方大綱的多個分頁

    結果 Comet 除了可以複製貼上內容，也真的會操作 Google 文件的分頁功能，幫我自動完成文件的分頁整理。（延伸閱讀：Google 文件推出「分頁」，高效整理專案文件、論文研究資料庫）





    案例三：利用 Comet 抓取網站資料輸入 Google 試算表


    那麼如果讓 Comet 來幫我爬資料，建立 Google 試算表內容呢？

    我先打開一份新的 Google 試算表， Comet 的 AI 運作方式是，我先打開、登入自己需要的網站，然後才引導 AI 去操作目前頁面的功能。

    指令：
    協助我操作下面步驟：
    1 . 上網進入 電腦玩物網站（https://www.playpcesor.com/），進入每一篇文章，查看是否有讀者留言。
    2. 有讀者留言時，把留言內容根據屬性放入這份 Google 試算表的「日期」、「意見回饋」欄位。
    3. 然後思考簡潔扼要地回應，寫入「撰寫回應」欄位。

    重複上面步驟，直到完成 5 筆資料處理。

    透過上面指令，可以看到 Comet 可以同時做幾件事情：

    1. 利用原本 AI 搜尋功能，到指定網頁，瀏覽並抓取關鍵資料（這裡可以看到，能正確抓到留言）。
    2. AI 可以操作目前打開的 Google 試算表，並且進行正確欄位的輸入、資料的分類。
    3. AI 可以生成內容並填寫到目前的試算表中。

    同樣的，把很多原本我自己做，要打開許多分頁、操作很多步驟的流程，現在 AI 接手幫我一步一步做完。




    完成工作後，正確的依據我的要求，抓取了 5 筆資料，且正確地填入 Google 試算表。





    案例四：快速整理瀏覽器大量打開的雜亂分頁

    穿插一個比較簡單，但也很有用的應用案例，可以指揮 Comet AI 快速整理目前打開的雜亂分頁。

    指令：
    分析我目前瀏覽器打開的所有分頁，進行分組，讓分頁看起來不雜亂，並根據工作分類。

    利用上方指令， Comet 就會自動建立不同網頁的分組、設定分組名稱，有效的分類整理。





    案例五：利用 Comet 操作 Google 簡報，把文字大綱變成圖文簡報


    最後，我嘗試了一個比較複雜的操作流程，讓 Comet 把我的簡報大綱，一一拆解填入 Google 簡報，並做好基本的文字、圖像設定。

    指令：
    根據我下面的架構大綱，利用這份 Google 簡報功能，製作出適合的簡報，請一步一步處理：
    1.根據下面大綱，先挑選一個適合的簡報主題。
    2.把下面大綱的每一個主題，貼入一頁簡報中。
    3.選擇適合的樣式。
    4.挑選適合的字體，並調整適合的字體大小、顏色、底色。
    5.為每一頁搜尋適合圖片檔案，插入該頁簡報，並設定為背景圖。

    大綱：
    - Perplexity 免費開放 Comet AI 瀏覽器，實測讓 AI 自動操作網站功能完成重複性工作
    - 案例一：
    - 利用 Comet 操作 NotebookLM 進行重複的資料匯入、整理
    - 案例二：
    - 利用 Comet 操作 Google 文件功能進行報告編輯
    - 案例三：
    - 利用 Comet 抓取網站資料輸入 Google 試算表
    - 案例四：
    - 快速整理瀏覽器大量打開的雜亂分頁

    接下來 AI 大概執行了 10 分鐘，說真的，如果人來操作一定更快。但同樣的，當 AI 做的時候，我可以先去處理其他事情。

    首先看到 AI 把我的大綱一頁一頁放入 Google 簡報。




    然後開始操作字型設定。




    接著找圖片放入，並設定為背景。




    最後完成簡報，結果不能說好看，如果要好看就要用「Gamma 用 AI 幫你設計簡報、網頁，瞬間完成戲劇化版面內容」。

    但就像我一開始說的， Comet AI 瀏覽器看起來很適合處理「重複性的瑣碎網站操作」，可以幫我們把這些不想自己動手做的流程交給 AI ，而我們可以把時間花在更重要產出的任務上。




    當然，這些只是我的初步測試，如果你有更好的應用案例，歡迎跟我分享。



    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：Perplexity 免費開放 Comet AI 瀏覽器，實測 AI 自動操作網站功能完成重複性工作）

    Kagi News 少即是多的新聞閱讀器，AI 策展＋摘要＋翻譯帶來極簡專注

    ✇電腦玩物
    Esor Huang


     
    「 Kagi News 」是最新推出的一個「新聞 AI 閱讀器」（目前也完全免費），核心哲學為「少，即是多」，每天提供一份極簡新聞清單，透過 AI 策展、摘要、翻譯，讓我們只需 5 分鐘，就能看完今天的新聞重點。

    從另外一個角度來看，「 Kagi News 」不會隨時隨地更新新聞（目前每天只會更新一次），沒有無止盡瀏覽但大多重複的內容，也不會出現吸睛標題吸引你點閱，但裡面可能大多數是雜訊。

    由知名的搜尋工具 Kagi 推出的「 Kagi News 」，透過社群幫我們精挑細選新聞來源，然後由 AI 助力去做篩選摘要，不會適合所有人：

    而是適合想要把每日新聞當作「激發想法與決策的營養」，而非「打發時間的零食」的閱讀者。

    不過，更重要的一點是，「 Kagi News 」並非只是單純的「簡化」，透過 AI 的分析與生成，在閱讀新聞的過程中，反而會「多出」一些平常閱讀新聞時無法獲得的「結構化、脈絡化知識內容」。

    初步使用「 Kagi News 」閱讀新聞幾天後，下面是我對其「少，即是多」的體驗：

    • 少：
      • 沒有渲染標題，不需要吸引人，回歸理性務實。
      • 讓新聞變成訂閱制，AI 挑選並整合、翻譯，而不是熱門話題出現大量重複新聞。
      • AI 進行事件亮點與觀點摘要，減少雜訊。
      • 每天更新一次，不會無限捲動出現無止盡內容。
      • 介面簡潔、功能克制，專注在閱讀。
    • 多：
      • AI 進行新聞背景的知識補充。
      • AI 進行新聞事件脈絡的邏輯梳理。

    「 Kagi News 」跨平台可用，有網頁版，也可以安裝 iOS、 Android App，透過 AI 翻譯，也非常好的支援繁體中文版，不只有台灣在地新聞，也能把世界新聞翻譯成通順的中文內容。






    Kagi News 新聞工具教學：


    如果在網頁版中打開「 Kagi News 」，完全不登入的情況下也可以直接使用（但是註冊一個免費帳號，可以跨平台同步自己的設定），會在瀏覽器中記住自己的簡單設定。

    「 Kagi News 」的設定流程不複雜，主要需要做的一個動作是「設定分類」，這裡可以挑選各種新聞主題，例如「 Taiwan 」分類可以看到台灣在地新聞，只要選擇自己感興趣的分類主題即可，其他部分不需要太多設定。




    設定中，還可以決定要如何利用 AI 摘要新聞，預設情況下， AI 不只會整合新聞重點，還會自動分析裡面的觀點引言，或是自動加上新聞背景介紹。




    「 Kagi News 」還支援讓用戶過濾掉一些不感興趣的新聞內容。




    設定完成，「 Kagi News 」首頁就會列出每個分類過濾後的新聞標題。

    你可以看到每個分類底下，「 Kagi News 」還會根據目前新聞事件的不同子題，每個子題挑一則重點新聞報導，盡量涵蓋這個分類下的全面性，但減少重複性。




    打開單則新聞，開始可以看到「 Kagi News 」 AI 整理後的獨特閱讀效果。

    首先他會彙整來自多個新聞來源的內容，進行重點摘要，也會附上各種新聞來源。

    接著會用有邏輯的推論方式，展開這個事件一個一個亮點，讓我們從條列清單快速掌握新聞核心結構。




    「 Kagi News 」還會繼續讓 AI 摘要出新聞裡的核心觀點、並且進行延伸講解。

    延伸講解的部分不在原本新聞中，而是 AI 的延伸解說分析：例如分析這個事件的歷史背景、技術名詞解說，或是幫我們重新梳理整個事件前因後果的時間軸。

    所以「 Kagi News 」不只是摘要，而是透過 AI 的協助，讓閱讀者可以更有效地理解完整新聞事件。




    「 Kagi News 」的最後，甚至會利用 AI 整理出快速複習新聞重點的「筆記」，讓閱讀者看一則新聞，不再走馬看花，看完什麼都沒帶走。





    把 Kagi News 放進「三段式新聞處理工作流」


    當然，「 Kagi News 」不是完美的新聞閱讀工具，也不會適合所有的新聞閱讀需求。

    例如對我來說，「 Kagi News 」更像是「一份早報入口」，透過現在的 AI 助力，提供比 Google 新聞更簡潔有力，更不會有干擾雜訊的新聞快報。

    但是如果我需要針對某個新聞主題進行深度研究、數據資料查核、案例追蹤等，仍得依靠更進階的 AI 工具、資料處理工具、筆記工具。

    第一段. 每日掃瞄 Kagi News（5 分鐘）

    • 透過 Kagi News 快速掌握今日新聞重點。
    • 透過 Kagi News AI 處理，快速了解有興趣、有需求新聞的背景脈絡。

    第二段. 針對需要的新聞主題，深入研究（10 分鐘）

    第三段. 建立關鍵資料的 AI 資料庫，便於輸出（10 分鐘）



    其實，在「 Kagi News 」還沒有出現的時候，我也已經常常每天利用 AI 幫我進行感興趣的主題摘要，背後的目的一樣是想要過濾雜訊、聚焦主題。

    Kagi News 畢竟是別人挑選，對使用者來說大家都一樣的內容，如果很明確自己的需求，不如自己問 AI ？

    例如我常常會這樣問：利用 ChatGPT 搜尋處理：
    你是 AI 生產力工具應用專家，列出今天網路上出現的最新 AI 應用技巧或工具，提供我應用測試清單。請一步一步搜尋，先根據我不同聊天中近期的喜好，搜尋相關 AI 工具新聞，或是相關 AI 主題的社群發文，尋找有真實專家分享的使用經驗，找出最新分享，有熱度的內容。並根據：應用案例、使用技巧、關鍵影響列出清單。




    而這往往就可以讓我不用花很多時間滑新聞、滑社群，但獲得足夠卻不過多的資訊，開始處理一天的工作任務。




    無論你要直接使用「 Kagi News 」，還是融入我後半段分享的資訊處理流程，只要目的是要過濾雜訊，推薦電腦玩物讀者也可以把「 Kagi News 」這個「AI 早報」放進「知識生產線」。



    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：Kagi News 少即是多的新聞閱讀器，AI 策展＋摘要＋翻譯帶來極簡專注）

    語音變成生產力：7 種 AI 語音轉文字工具應用情境與工作流程攻略

    ✇電腦玩物
    Esor Huang

    最近看到許多人推薦了一款 AI 語音轉文字工具：「 Wispr Flow 」，我實際測試後也覺得非常好用，除了有正確率、通順度極高的繁體中文辨識修正能力外，還能透過快捷鍵在任何軟體中直接輸入內容（類似即時語音輸入法），加上也有更進階的自訂字典功能、保留錄音歷史記錄等。而且首次下載登入後，還有一定的免費試用額度，確實很值得常常需要打字輸出內容的工作者使用。 

    其實，我原本在自己的工作流程中，包含寫文章、做報告、回郵件，乃至日記記錄、 AI 問答時，就已經大量利用 AI 語音轉文字的方式來處理。無論使用哪種工具（之前電腦玩物也介紹過非常多選擇），經由現在 AI 可以更好的整理、修正語音逐字稿，確實讓這些工作變得更加方便快速，而且：

    語音輸入很多時候確實幫助我更直覺、更不卡關的輸出想法。假裝成「在對目標對象訴說」，往往能刺激我更多靈感。




    「 Wispr Flow 」很棒，但對我的工作上比較卡關之處有兩點是：

    • 他目前還沒有推出 Android App （2025/10/11），現階段在 Mac、 iOS、 Windows 上可安裝軟體。
    • 他更偏向即時語音輸入法，回信、短文、訊息等很方便，但如果我要處理會議錄音、長篇腦力激盪文章時，我覺得會有更好的工具選擇。

    不同的工具，適合不同的使用者、不同的工作情境，所以今天這篇文章，我不單獨介紹「 Wispr Flow 」（事實上他非常好上手，你只要下載安裝後，一定馬上就會用，也可使用我的 Wispr Flow 推薦連結）。

    而是我會展開自己在各種不同工作情境上如何使用不同的 AI 語音轉文字工具，提供有需要的朋友，各自選擇適合的處理方式（也可參考本文開頭的流程圖總結，點進圖片，可看大圖）。

    讓「語音輸入 AI 處理」從單一功能，變成完整的生產流程：輸入（各種情境的即時口述）→ 整理（長錄音修改與轉換）→ 輸出（文章／報告／日記）。

    影片實測示範版本：





    先從比較開始： 7 種 AI 語音轉文字工具功能、效果對比


    除了「 Wispr Flow 」目前只有使用大約一週的時間，其他 App 或軟體都已經有數個月乃至數年的使用經驗。

    先分享我的「使用經驗」總結，大方向上，下面這些 AI 語音轉文字工具正確率都已經很高，對於繁體中文的錯字修正、標點符號、適當分段等也都可以處理，所以使用者真正要考慮的可能不是正確率，而是「適合的使用情境」。


    這篇文章中不會分享操作教學，只會分享我的經驗與搭配流程，所以想了解每個工具操作的朋友，可以點開上面清單的文章閱讀。

    上面我們看了 7 種語音轉文字工具的特殊應用情境與功能，下面來看看「正確率」的比較，就如同我前面所說的，有了 AI 加持，其實正確率、通順度這一點，只有微妙差別。


    工具短評
    優勢應用情境
    結果比較（皆為 AI 輸出結果，螢光筆為明顯有錯誤之處）
    Wispr Flow（正確性目前看起來最高，AI修正結果最通順）
    對 Mac 和 iOS 的使用者來說，這是很方便的語音轉文字工具。它的正確性非常高，而且對於繁體中文的支援也非常好。

    AI 可以自動地修正大多數的錯字，適當地加上標點符號，並進行適當的分段。（還可自訂常用字典）

    此外，它的語音輸入結果也都留下記錄和錄音檔，方便在有問題的時候，可以回頭追蹤和修正。

    缺點可能是必須一直按著錄音健，每說一段才轉錄一段，不是逐句轉錄修正。
    你也發生過每天寫日記，每天追蹤各種時間、健康效率記錄，但留下的都是懺悔日記或是挫折紀錄，而真正想要的習慣沒有發生，沒有持續嗎？

    從 2022 年開始，我在 Amino 當中進行自己的飲食運動。習慣的紀律沒做什麼複雜設計，一開始就是單純地在筆記上面開始累積一些我看到的，覺得可能有效，想要試試看的健康資訊。

    並且我在筆記上面製作了一個每日習慣的追蹤記錄表格，讓我可以記錄每一天的熱量計算，以及每一天是否有做一些有氧運動或者間歇性高強度運動。一直到現在已經持續了三年的時間，我每一天都會在這樣的習慣筆記上做一些修改，慢慢地也對我的身體健康有一些正向的改變。

    （附註：有些專有名詞錯誤，可以利用 Wispr Flow 的字典功能修正。）
    Windows 11 內建語音輸入（正確性與通順度略遜前者，但也已經非常夠用，而且對 Windows 11 用戶來說最方便，可以在任何軟體隨時呼叫）
    對使用 Windows 11 電腦的人來說，這是最方便的 AI 語音轉文字工具。直接用快捷鍵就可以開啓，而且轉錄的過程非常即時，每一句話都會及時地轉錄出來。

    而且，經過 AI 的修正，無論文字跟加上標點符號也都很準確（稍微輸給Wispr Flow）。

    但缺點可能就是它不會留下錄音檔案，如果不小心當機，無法有一個額外的安全備份。
    你也發生過每天寫日記，每天追蹤各種時間健康效率紀錄，但留下的都是懺悔日記或者挫折紀錄，而真正想要的習慣沒有發生，沒有持續嗎？從2002年開始，我在eminent當中進行開始進行自己的飲食運動習慣的紀錄。沒錯，什麼複雜設計一開始就是單純在筆記上面開始累積一些，我看到的覺得可能有效，想要試試看的健康資訊，並且我在筆記上面製作了一個每日習慣的追蹤紀錄表格，讓我可以記錄每一天的熱量計算，以及每一天是不是有做一些有氧運動。或者界線性高向度運動一直到現在已經持續了3年的時間，我每天都會在這樣的習慣筆記上做一些修正，慢慢的也對我的身體健康有了一些正向的改變。
    Evernote 語音（正確性很高，AI修正結果很通順，可先長時間錄音，後續再統一轉錄）
    先在筆記中錄下錄音檔，再由 AI 轉錄完整的一段逐字稿，會有AI的修正，會改錯字，也可以自動的分段，正確性非常的高。

    我嘗試過直接講30分鐘的內容，都可以轉錄完成。

    不過有個缺點就是沒辦法設定一定會輸出繁體中文，大概10次裡面可能會有2次轉成簡體中文，不過也可以再丟給AI修正一次即可。
    你也發生過每天寫日記，每天追踪各種時間、健康、效率記錄。但留下的都是懺悔日記或是挫折記錄，而真正想要的習慣没有發生、没有持續嗎？
    從2022年開始，我在Evernote當中開始進行自己的飲食運動習慣的記錄。沒做什麼複雜設計，一開始就是單純在筆記上面開始累積一些我看到的、覺得可能有效、想要試試看的健康資訊。並且我在筆記上面製作了一個每日習慣的追踪記錄表格，讓我可以記錄每一天的熱量計算，以及每一天是不是有做一些有氧運動或者間歇性高强度運動。
    一直到現在，已經持續了三年的時間，我每天都會在這樣的習慣筆記上做一些修改。慢慢的也對於我的身體健康有了一些正向的改變。

    Google 即時轉錄（正確度尚可，但對 Google 手機用戶來說非常方便）

    對 Android Google手機來說是非常方便的語音轉文字工具。可以斷斷續續的講，可以錄很長的一段內容，都沒有問題。
    但口齒發音影響較大，對繁體中文選字來說較多錯誤需要事後修正。
    你也發生過每天寫日記，每天追踪各種時間健康效率記錄，但留下的都是懺悔日記或是挫折紀錄，而真正想要的習慣沒有發生，沒有持續嗎？ 從2022年開始，我在aminemote當中開始進行自己的飲食運動習慣的記錄，沒做什麼复雜設計，一開始就是單純在筆記上面開始累積一些我看到的覺得可能有像想要試試看的健康資訊，並且我在筆記上面制作了一個每日習慣的追蹤記錄表格，讓我可以記錄每一天的熱量計算，以及每一天是不是有做一些有氧運動或者間歇性高強度運動，一直到現在已經持續了三年的時間，我每天都會在這樣的習慣比例上做一些修改，慢慢的也對我的身體健康有了一些正向的改變。
    NotebookLM（可用 AI 指令強化處理，對超大錄音檔很方便）
    適合超過一個小時以上的錄音檔。

    但如果是即時的語音轉入，反而因為操作流程太繁瑣，變得不方便。



    ChatGPT語音輸入（可用 AI 指令強化處理，對臨時語音輸入情境很方便）

    透過自己的指令，可以引導逐字稿的修正方向，其實更能夠滿足某些特殊的轉錄需求。
    不過因為有時候會網路不穩，錄音轉錄上傳失敗，但又無法保留錄音檔，有一定的風險。太長的錄音也不適合。


    Gemini（可上傳錄音檔，用 AI 指令最佳化）
    透過自己的指令，可以引導逐字稿的修正方向，其實更能夠滿足某些特殊的轉錄需求。
    免費版可上傳的錄音檔長度有限，付費版可容許一個小時內上傳容量更實用。





    7 種 AI 語音轉文字工具實戰應用流程：


    瞭解上述功能後，下面分享不同使用者如何在自己的情境選擇適合工具：

    • 講者/老師：上課中錄音，課後上傳長錄音檔案轉文字 →（NotebookLM）轉逐字 → 產出簡報/學習單。
    • 記者/Podcaster/採訪者：現場即時錄音筆記（Evernote、NotebookLM）→每個錄音採訪段落轉成逐字稿。
    • 知識工作者/寫作者：走路/通勤口述靈感（Wispr for iOS / Google 即時轉錄 for Android / Evernote ）→ 回到桌機用（Wispr for Mac、Windows / WIndows 11 語音輸入 / Evernote ）轉錄想法。
    • 會議紀錄/專案 PM：會後上傳錄音（Evernote/NotebookLM）→ 產出報告或專案規劃。
    • 一般工作者的回訊、回信、筆記：（Wispr / WIndows 11 語音輸入 / Evernote ）轉錄想法。或是利用（ChatGPT 把逐字稿直接改成郵件、報告）



    我自己常常使用的真實情境如下，也提供大家參考（所謂真實情境，就是我自己的特殊工作環境，與自己的喜好，而非通則）：

    • 寫日記，寫比較長的筆記：我會在手機、電腦上打開 Evernote ，在任務筆記中直接錄下語音內容，然後 AI 轉成逐字稿，也可保留原始錄音檔。
    • 會議記錄：如果是要分段記錄重點，我會利用 Evernote 在任務筆記直接錄下接下來講的內容。如果是要完整記錄整場會議，我會先錄音，會後用 NotebookLM 處理。兩種方法都可保留原始錄音檔。
    • 在電腦、手機上寫文章，想法具體，想用語音輸入時（有時候想法明確，直接打字還是比較有效）：我會用 Evernote 先錄音、再轉錄、再處理。
    • 在電腦、手機上要記錄靈感，但想法模糊時：我會利用 ChatGPT 的語音輸入，先下指令請他把接下來亂七八糟的想法理出頭緒，然後我就開始自由且混亂的說出想法，讓 AI 幫我梳理。
    • 在電腦上處理短內容輸入，例如回信、AI 提問、快速筆記：我會用 Windows 11 內建語音輸入法直接輸入，逐句轉換效果很好。
    • 在手機上處理短內容輸入，例如回信、AI 提問、快速筆記：我會用 Google 即時轉錄講出逐字稿，然後複製貼上。



    或者你還可以根據下面的日常工作情境，來挑選、搭配適合的工具：

    • 回訊／回信／表單填寫（零碎 3–10 分鐘）

      • 電腦端：Wispr Flow / Windows 11（即時口述輸入），句子短、段落短。
      • 手機端：Wispr Flow（iPhone） /Google 即時轉錄（Android），保留逐字稿。

    • 會議中分段記錄重要討論（一段 10–30 分鐘）

      • Evernote 存錄音檔＋文字轉錄。
      • 先錄音，NotebookLM 處理錄音檔。

    • 長會議、講座、課程、工作坊（一整場 30 分到超過 60 分鐘）

      • 先錄音，NotebookLM 處理錄音檔。

    • 通勤／走動時手機上的靈感快取（零碎 0–10 分鐘）

      • Wispr Flow（iPhone）
      • Evernote 存錄音檔＋文字轉錄。
      • Google 即時轉錄，保留逐字稿。

    • 腦力激盪後需要內容處理（零碎 0–10 分鐘）

      • ChatGPT 讓 AI 直接處理說出來的雜亂想法。

    • 想法輸出、復盤反省、筆記整理（一段 10–20 分鐘）

      • Wispr Flow / Windows 11（即時口述輸入）。
      • Evernote 存錄音檔＋文字轉錄。



    當然，世界上一定還有很多各式各樣的 AI 語音轉文字 App、軟體、硬體，我沒有全部都試過，上面僅就我嘗試過的，分享真實經驗，也歡迎你在留言補充你的使用經驗，推薦更多不同的選擇。



    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：語音變成生產力：7 種 AI 語音轉文字工具應用情境與工作流程攻略）

    實測何時用 Google 搜尋、 AI 模式、 AI 摘要或 ChatGPT？比較應用案例

    ✇電腦玩物
    Esor Huang
     

    Google 搜尋現在除了「傳統搜尋」功能，還加上了「 AI 摘要（ AI overviews）」、「 AI 模式（ AI Mode ）」，加上生成式 AI 如 ChatGPT、 Google 自己的 Gemini 也都具備上網搜尋能力，對於我們這樣的使用者來說，什麼時候應該使用哪種工具呢？還需要使用 Google 搜尋嗎？

    還是說，現在都直接使用 ChatGPT 來搜尋，或是做 Deep Research 研究，就是最一勞永逸的做法呢？

    在前陣子台灣也推出了 Google 搜尋的「 AI 模式」後，我想來試試看這些工具的差別。

    先說說我測試後的心得，如果我們把資訊工作分成下面三個不同層次：

    • 資料在哪裡？（想要快精準抵達對的頁面、抓出可靠來源）
    • 內容說什麼？（能不能在最短時間掌握重點，強化理解）
    • 要輸出什麼？（能不能把資訊整理成決策、報告、分析表格）

    對應到這三種需求，上述 AI 工具的選擇就不一樣：

    • 資料在哪裡？
      • 傳統 Google 搜尋：擅長「抵達」目標網頁與關鍵資料：下載頁、登入官網、官方文件、資料時間範圍比對、多家媒體交叉驗證，這時候都該用傳統搜尋，才是最快、最穩定的做法。
    • 內容說什麼？
      • Google AI 摘要：擅長「快速摘要」：在你不確定要從哪個角度切入的時候，先看一段整理過的重點，快速聚焦關鍵名詞，再決定要不要點進原文、延伸搜尋。
      • Google AI 模式：擅長更複雜深入的摘要，並且可以「追問」：當問題需要找到更多資料再說明，需要互動式澄清、需要列出來源與日期、需要把不同來源的細節統整出來，AI 模式可以抓出更多細節。
    • 要輸出什麼？
      • 如果目的不是找資料，也不是先看懂，而是要輸出報告、輸出決策分析，還是應該回到真正的生成式 AI 工具上討論（例如 ChatGPT、 Gemini 等）。




    雖然 ChatGPT 這樣的生成式 AI 工具也能搜尋找資料，但是：如果我現在想要直接找到目標網頁，或者我想要驗證資料來源，還是要找一個簡單問題的操作方法，那麼或許 Google 搜尋（AI 摘要）、 AI 模式會更快速有效。

    同樣的，雖然 Google 搜尋的「 AI 模式」也可以根據指令生成內容，但是：太複雜的提問和輸出，需要更多格式風格的輸出，很明顯的 AI 模式無法掌握，還可能分析到一半卡住，所以真正的複雜內容生成，還是應該直接使用生成式 AI 。

    也就是說， Google 搜尋推出 AI 輔助功能，其實可以跟我們日常可能已經常用的 ChatGPT、 Gemini、 Copilot、 Claude 等生成式 AI 工作做出使用上的區隔。

    下面這篇文章，分享我實際針對不同案例的測試結果，看看在不同 AI 工具的效果，並分享我如何判斷不同 AI 搜尋工具適合解決什麼不同問題。




    我怎麼測試 Google 搜尋、AI 摘要、 AI 模式與 ChatGPT 的應用差異？

    在電腦玩物的日常工作裡，我把資訊檢索拆成「導航找到正確來源」、「掌握資訊重點」、「輸出可用成果」三層次。這一次的測試，就用這三層去比較傳統搜尋、AI 摘要、AI 模式與生成式 AI 工具（ChatGPT 等），評估它們在真實任務中的應用。

    測試流程我選擇平常自己會遇到的任務：

    1. 簡單知識的查詢：像是找到官方教學、常見問題、操作步驟。
    • 優先使用最快、最直接的 Google 搜尋，並且有時出現的 AI 摘要也會有幫助（直接整理出問題解決步驟）。
  • 最新產品資訊整理，新聞消息的查核：需要比較與整理官網、電商平台、媒體評論的最新資訊。
    • 相對適合可以快速大量搜尋與摘要的 Google AI 模式。
  • 旅遊或課程的規畫：要整合交通、餐飲、時間、費用等多個條件，還要檢查資料來源。
    • 如果是簡單的景點、課程資料整理，Google AI 模式很有用。
    • 如果是要做旅遊的長期規劃、課程的長期計劃，那麼還是應該用 ChatGPT 等生成式 AI。
  • 報告或提案需要的輸出：要把資料整理成結論、表格或決策建議。


    • 每一個任務我都依序用傳統搜尋、AI 摘要、AI 模式與 ChatGPT/Gemini 實測，記錄它們各自的優點與卡關點，最後再回頭整理成下面的案例分析、比較表格，提供大家參考。




    什麼時候用 Google 搜尋更好用？

    當我只想快速找到「正確的網站」或「官方文件」，還是要明確找出「第一手資料」，傳統搜尋仍舊是相對可靠的入口。

    舉例來說，我要下載一款繪圖軟體的最新版本，或確認某個政府公告的原始 PDF，使用 Google 搜尋，速度飛快，大多時候也可以在第一頁就看到正確的連結。

    這時候動用到生成式 AI 、 AI 模式，反而多了一步，還要等他搜尋後摘要、等他想出答案，效率不如自己點開搜尋結果。

    例如下圖，我就是想找到一篇文章，只要下好幾個關鍵字，可以快速找出我需要的資料，這時候傳統 Google 搜尋一定比 AI 更快更有效。

    我的心得：當需求是「精準抵達」或「明確資料」，可以打開 Google 傳統搜尋。這是最穩定、可控制的方式。





    什麼時候 Google AI 摘要有效？什麼時候會踩雷？


    AI 摘要的好處是「快速抓住重點」，特別適合我們只是想要快速找到某個具體問題的解決辦法的時候。

    像我想研究某款筆記 App 的同步設定，AI 摘要幫我在搜尋結果最上方列出幾個步驟、讓我先掌握方向，如果還不清楚可以再去點開原文核對細節。

    這種情境下，AI 摘要可以用最快速度，節省了我自己篩選資訊的時間。




    但是 AI 摘要有三個不穩定因素：

    1. 是否會出現是機率事件：不是所有關鍵字、所有提問都會出現 AI 摘要，問題相對複雜時 AI 摘要也不一定出現，導致流程不連貫。
    2. 要小心可能摘要資料比較舊：因為 AI 摘要通常以傳統搜尋結果最前面的文章做摘要，但這不一定是最新資料。
    3. 複雜問題通常無法觸發：如果問一些複雜問題，例如設定很多條件的旅遊資料搜尋，這時候傳統 Google 搜尋、 AI 摘要都無法處理。

    如下圖，我在一款最新遊戲發售後，搜尋有沒有最新玩家心得，出現了 AI 摘要，但摘要中說這款遊戲尚未發售，可見這並非當下即時更新，或是相對容易找到舊資料。




    太複雜的提問，例如下圖各種條件的旅遊規劃，也不是傳統 Google 搜尋與 AI 摘要可以處理的。

    我的心得：把 Google AI 摘要當成「有也不錯的輔助」，可以用在簡單問題的教學解答，除了可以找到有用的教學來源，也有很大機會直接摘要出具體步驟，快速解決我的問題。





    什麼時候 Google AI 模式最實用？我的常用案例

    我在寫這篇文章時，剛好遇到 MLB 季後賽進行到一半，於是我在 Google 搜尋、 Google AI 模式、 ChatGPT 上分別詢問了目前比賽中大谷翔平的最新比賽數據。

    下面是三種工具的結果：

    Google 搜尋、 Google AI 摘要都無法呈現最新數據整理。（不過這裡有機率性，也可能某些時候，或是改提問中的幾個字後， AI 摘要就會出現。）




    但是如果使用 Google AI 模式提問，就可以快速分析出最新數據。




    而 ChatGPT 的搜尋也有辦法找到最新數據，甚至提供得更完整（有打擊數據，也有投手數據），還提供了一些延伸解釋。

    如果說你喜歡一個工具用到底，那麼其實無論要搜尋、摘要、輸出，都用 ChatGPT 搜尋、整理，也會是一個有效的選擇。（延伸閱讀：ChatGPT Search 實測：用 AI 搜尋生成即時報導、摘要文章、整理改寫內容）

    雖然 ChatGPT 往往做得很棒，不過生成結果的速度比 Google AI 模式要慢一點。而這個「速度」的差別，會讓我有時候選擇使用 Google 搜尋的 AI 模式。




    Google AI 模式運作時，會非常快速的搜尋數十篇最新資料網頁，然後把搜尋轉成摘要整理，並且可以「追問、對話」。

    所以當需要「整理最新資訊」時， Google 搜尋的 AI 模式提供了一個快速、有效的選擇。快速，比 ChatGPT 等速度更快。有效，比 AI 摘要和 Google 搜尋排序更新。

    例如下圖，可以看到針對右邊找到的十幾個網頁資料（而這是搜尋了數十個網站後過濾出來的結果），摘要出左方的整理回答。

    AI 模式在「找到最新資訊」上，甚至比 Google 搜尋更快，比 Google AI 摘要更可靠。透過當下 AI 搜尋過濾，可以找到 Google 搜尋還沒排序但更新的資料，可以摘要出 Google AI 摘要還沒更新的結果。

    這可以很好的幫我快速掌握最新資料，尤其那些可能也不需要深入研究（這更適合 ChatGPT ），就只是要掌握最新資訊即可的主題（更適合 Google AI 模式）。




    或者有時候，我要做一些「消息確認」時，我也採用 Google 搜尋的 AI 模式。

    例如下圖，我想確認一條社群上看到的消息，了解背後較完整的資訊，或是做事實確認，我只要在 Google 搜尋 AI 模式提出一個簡單問題（或者一條缺乏證據的消息），讓 AI 模式幫我快速找資料並做出整理，右方也可以提供進一步確認的資料來源。




    我在 Google AI 模式的做法：

    • 確認最新的產品規格、新聞事件。
    • 還可透過連續追問得到更多細節。

    我的心得：Google AI 模式很適合，滿足求知慾，快速「知道」，用最快速度整理最新資訊，或是驗證背後新聞資料。





    意識到自己不是要搜尋，而是要輸出：改用 ChatGPT


    當任務已經超出「理解資訊就好」的範圍，進入「需要輸出成果」的階段時，我會直接使用 ChatGPT 或 Gemini。

    一個簡單的例子如下，我需要買一個充電器，想要快速比較各種產品細節、價格，並了解購買建議，這就是我想要「輸出的成果」，不只是簡單的資料搜尋摘要，還牽涉更多推理思考的步驟，這時候 ChatGPT 可以提供類似下面這樣的成果。




    Google 搜尋、 AI 模式雖然也能在這樣的提問中，找到一些需要的資料，但後半部要做的比較分析等，就相對無法勝任。




    我的心得：需要找資料，但更要輸出成果的情境，使用 ChatGPT 類工具會是更好的選擇。

    1. 搜尋資料後，比較分析：重新排成表格、簡報大綱或會議紀錄。
    2. 搜尋資料後，策略規畫：要完成課程企畫、企業內訓提案，需要根據公司的目標、預算、時程來設計方案，這時候生成式 AI 的長篇推理與記憶功能更適合。
    3. 搜尋資料後，內容潤飾：要輸出報告草稿、會議講義、郵件回覆，需要撰寫內容時，在生成式 AI 上潤飾、調整格式等還是效果最好。





    ChatGPT、 Google 搜尋 AI 摘要、 AI 模式如何搭配使用？


    如果在 ChatGPT 的分析比較後，我決定要買了，所以需要快速找出某個產品的購物網頁，那麼我會立刻用 Google 搜尋。



    但如果下單前，還想要進一步了解這個產品的使用心得，則可以在 Google 搜尋中快速切換到 AI 模式。





    當我只能想到關鍵字時，先用 Google 搜尋 AI 摘要、 AI 模式


    其實我現在大多時候的工作流程，都是在 ChatGPT（ Gemini、 Claude ）中直接處理，很多時候也包含搜尋，因為 ChatGPT 的搜尋、 Deep Research 真的很強大。（延伸參考：先用 Deep Research 掃清認知盲區，再用 Google 搜尋，我的 6 種學習新流程）

    不過當 Google 搜尋有了 AI 模式後，有一個情況可以反過來先用 AI 模式，那就是「我還不知道怎麼提問，只能想到一個關鍵字時」。

    ChatGPT 等生成式 AI 需要我們提出具體問題。但是 Google 搜尋的 AI 模式，反而可以利用 Google 搜尋的能力，只要一個「簡單關鍵字」，就能找出我想要的回答。





    有趣的是， ChatGPT 這類生成式 AI 反而「無法理解」這麼簡單的關鍵字，往往會給出一些似是而非的回答。





    最後的工作流程建議： ChatGPT、 Google 搜尋 AI 摘要、 AI 模式搭配使用


    綜合以上實測，我現在的工作流程是這樣的：

    1. 先想清楚需求是哪一個「找資料、懂意思、輸出成果」？大方向上：
    • 找資料就用傳統搜尋。
    • 懂意思就用 AI 摘要或 AI 模式。
    • 輸出成果就交給生成式 AI。
  • Google 搜尋自動顯示的 AI 摘要，只能當輔助，使用也要小心，可能有過期資訊。
  • 還無法做出有效提問指令前，可以先用關鍵字在 Google 搜尋的 AI 摘要、 AI 模式中摸索。
  • 複雜輸出直接交給生成式 AI：把需求、限制、資料一次說清楚，讓 ChatGPT 幫你完成最終成果。
  • 必要時，再回到傳統搜尋，用 Google 搜尋、 AI 模式等驗證細節。

    • 下面是我的分析比較表格，給大家快速對照：

    情境/需求
    用 Google AI 模式
    用 Google AI 摘要
    用 Google 搜尋
    用 ChatGPT
    產品/工具比較、旅遊/課程規劃、研究分析、輸出報告成果
    ⚠️可以處理，但容易處理一半就停住，無法提供最完整資料
    ⚠️問題複雜時，不一定啟動
    ⚠️問題太複雜，無法找到有效資料
    ✅要輸出成果，要做更複雜研究與整理，更適合直接使用生成式 AI
    要摘要「最新」資訊，或驗證生成式 AI 的可能爭議資訊
    ✅ 能快速檢索最新或最明確資料，持續追問、列出來源與日期。

    ⚠️有時候資訊反而不是最新的
    ✅ 透過關鍵字＋過濾器快速找出資料來源，自己閱讀確認
    ✅可以利用 AI 搜尋、 Deep Research 深度研究，不過速度比較慢。
    單純找出具體方法步驟
    ✅ 可持續追問，得到不同方法。
    ✅快速提供步驟摘要，方便決定是否進一步閱讀
    ⚠️需要自己比對多個結果
    ⚠️若只需要簡短答案，生成式 AI 的時間成本較高
    導航/精準找網頁（下載頁面、登入官網、目標明確）
    ⚠️反而增加步驟
    ⚠️不一定出現。
    ✅ 最快、最有效
    ⚠️速度反而比直接搜尋慢
    不想設計複雜提問，直接下簡單關鍵字，就想找出一些東西時
    ✅找出資料，摘要資料，提供初步解答，然後再點開來源資料查看
    ⚠️不一定出現。
    ✅提供來源影片或文章
    ⚠️只有關鍵字時，回答可能無效，可能亂回答，需要搭配指令

    善用這四種工具的搭配，就能在資訊洪流裡保持效率：要找資料時不迷路，要理解時抓到核心，要輸出時交給最擅長的 AI。

    這是我在電腦玩物實測後，整理出的「目前」搜尋策略，提供給常常需要找資料的朋友參考。



    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：實測何時用 Google 搜尋、 AI 模式、 AI 摘要或 ChatGPT？比較應用案例）

    [教學] ChatGPT 先做知識整理，再讓 Canva、 Gamma AI 輸出簡報

    ✇電腦玩物
    Esor Huang
     

    Canva 不只是圖像設計工具，也有很多人直接把她當成簡報設計軟體，在這兩三年的線上直播中，我已經愈來愈常看到用 Canva 製作的簡報。（延伸參考：用 Canva 設計精美會議文件、專案報告、學習單，自動轉換成簡報）

    因為 Canva 即使是免費帳號，也提供了非常豐富的簡報模板，加上內建的各種 ICON、圖示、中文字體元素，對大多數人來說都能輕鬆製作出好看的簡報內容。後來又有了 AI 功能加入，讓設計簡報變得更輕鬆。（延伸閱讀：Canva AI 2024 最新 15 個圖片生成、修圖自動化功能應用案例教學）

    今年（2025）， Canva 更直接推出全新的 AI 問答功能，甚至可以透過指令讓 Canva 自己組合內建的各種模板與素材，一句話生成精美簡報、文件、封面等等。不過一開始，這個 Canva AI 問答功能只針對英文為主，到了 2025 年 9 月開始加入了中文的支援，現在也可以直接下指令，就讓 Canva AI 從頭到尾幫我們製作出一份有內容、有版面、有圖片的簡報。




    雖然 AI 簡報很好用，像是除了 Canva AI 簡報，我之前也很常使用「 Gamma AI 」來製作各種工作、課程中的簡報。

    但是，我的流程有點不一樣，我不會「直接在 Canva、Gamma 這樣工具上憑空製作一份簡報 」。而是先在 ChatGPT 上做資料收集、整理、分析後，再讓 Canva、 Gamma AI 做出美美的簡報版面。

    因為一份簡報如果沒有經過資料研究、知識整理的過程，直接「給一個題目」，就要把論述、內容、案例、版面、圖像素材等一次做好，我的經驗是「很難做出正確、有效、深入」的簡報成果。

    Canva、 Gamma 這類工具可以幫忙把簡報設計得很漂亮沒錯，但是卻不適合做「前期的簡報資料收集、研究、整理、分析」。

    下面就分享一套我自己先在 ChatGPT 上討論專案，完成簡報大綱後，再用 Canva、 Gamma 製作簡報的流程。




    階段一：利用 5 分鐘，教 ChatGPT 快速閱讀、搜尋、研究大量資料

    假設我現在只有一個簡報題目「防彈筆記法說明」，那麼我絕對不會直接把這個題目丟給 Canva、 Gamma 去做簡報，那樣會非常容易出錯、出現很多幻覺、內容也不夠深入。

    相對的，我會先打開 ChatGPT ，開始問題研究與資料收集，利用下面這個指令，「反覆多次」替換「知識主題」的關鍵字，讓 ChatGPT 上網搜尋後「調閱」出一筆一筆簡報內容中需要的知識、案例、素材。

    你是個人知識管理專家，請跟我解釋「電腦玩物 esor 的防彈筆記法」。請一步一步分析：先「上網搜尋相關資料」，以「條列清單的格式」，用一般人也能懂的用語，兼顧廣度與深度細節，說明這個主題。

    這個過程通常我會進行 5 分鐘左右，調閱出 10 筆以上資料，作為接下來製作簡報的素材庫。





    階段二：利用 1 分鐘，教 ChatGPT 建立知識架構

    然後，我會利用下面指令，讓 ChatGPT 整理上面調閱出來的十幾筆素材資料，做一次比對統整。

    我把這個過程認為是「教 AI 建立一個知識架構」，讓 ChatGPT 對「防彈筆記法」這個簡報主題有跟我一樣的客觀資料認識，和主觀詮釋角度。

    整合上面所有討論資料，建立一個「防彈筆記法方法、應用」的對比表格，呈現出「打破知識管理、資料整理迷思」的特色。

    可以這樣想像，這兩個階段是讓 AI 進行製作簡報前的研究、整理，並建立「詮釋觀點」。





    階段三：利用 1 分鐘，要求 ChatGPT 根據閱讀與理解，輸出簡報大綱

    接下來，我才讓 ChatGPT 去製作「文字版」的簡報大綱，指令通常如下：

    統整上方的討論，根據「防彈筆記法是幫你更快輸出的知識管理系統」主題，簡報對象是「一般職場工作者」，設計出 10 頁簡報大綱。請一步一步分析，先梳理上方討論的重點，根據背景、解決的問題、方法與應用，拆解出最容易讓人理解的順序。每一頁有一個明確主題，每個主題下條列關鍵重點，並帶入更多具體的數據資料細節，並且最後有吸引人的結論。

    在文字資料的處理，內容的推理思考上， ChatGPT 這類工具一定還是做得比 Canva、 Gamma 等工具要好，

    所以先在 ChatGPT 上完成文字版的簡報大綱，再把大綱貼上 Canva、 Gamma 去製作簡報。





    階段四：將 ChatGPT 簡報大綱複製到 Canva ，完成簡報設計


    最近 OpenAI 有推出新功能，可以直接在 ChatGPT 啟動 Canva ，但需要先把 Canva 切換到英文版，才會比較容易成功，但實際嘗試還是偶爾會失敗。




    根據下面簡報大綱，保留完整內容、架構、分頁，利用 canva 製作出精美簡報：

    1｜為什麼知識管理常常「用不久、產出慢」
    常見困境：資料四散（聊天室、信箱、雲端）、會議逐字稿無法落地、剪藏一堆卻用不上。
    你可以自查的三個數字（本週就量）：
    找資料時間：一天花幾分鐘在找「那份檔案／結論」？
    下一步明確率：每個任務是否都有「下一步×1」？
    會議落地率：上週會議行動在 7 天內完成比例（％）。
    結論：若重心放在收藏與分類，輸出速度自然變慢；我們要把筆記變成工作介面。

    2｜防彈筆記法的定位：為輸出而設計
    核心精神：任務導向＋動態演化＋簡單精準。
    一句話：每個任務一則筆記（SSOT），把目標、行動、決策、依據、變更都寫回「同一張」。
    成功判準（你能立刻觀察）：
    打開任務筆記就知道現在要做哪一步。
    週檢視只需要翻看「那些任務筆記」，不用重找來源。

    3｜系統骨幹：5 層結構（從雜到精）
    收件匣：先丟進來，不分類；每日或隔日批次清空。
    暫時筆記：把一則素材改寫成「問題／關鍵資訊／下一步」。
    專案目標筆記（一個任務一則）：聚焦目標、下一步、決策紀錄。
    資源／經驗筆記：將過程踩雷與做法沉澱成可重用清單。
    永久任務筆記（SOP）：把重複流程標準化。
    建議節奏：收→用 SLA 48 小時；每週 20–30 分鐘做整體覆盤。

    4｜一個任務、一則筆記（最小可用模板）
    抬頭：任務名稱（動詞開頭）｜完成條件（可驗收）｜截止日。
    主體三欄：
    決策紀錄：[YYYY-MM-DD] 結論＋依據連結
    下一步×3：動詞＋產出｜Owner｜Deadline
    參考片段：只留「可直接引用的 3 點」
    變更/風險：本週狀況、阻礙與備案（各 1–2 行）。
    現場示例（行銷報告任務）：
    完成條件：能於 10 分鐘會議中清楚回答 3 個決策題。
    下一步：彙整近 30 天投放成效圖｜A｜10/29

    5｜收集網頁學習資料：輸出導向的收法
    工具任你用（Reader/Glasp/Save to Notion/NotebookLM…），關鍵在寫上自己的話：
    每個高亮配**「我怎麼用」1 句**。
    每篇文章只留下可用片段×3（論點/數據/步驟）。
    作業節奏：
    看到就「一鍵收件匣」→每日或隔日批次清空→拉進對應專案筆記。
    設指標：收件匣未清空天數 ≤ 2 天。
    產出檢核：專案筆記中能直接引用為段落或決策依據；不要讓引用回頭再找原文。

    6｜會議記錄：只保留「會帶來動作」的東西
    兩張表就夠了：
    決策表：議題｜結論｜依據連結｜備案
    行動表：Action（動詞）｜Owner｜驗收標準｜Deadline｜所屬專案連結
    24 小時分流規則：行動嵌回各自專案筆記，不要留在「今天會議」頁。
    追蹤指標：
    行動卡 24h 歸位率＞90％；次週落地率＞70％。

    7｜復盤：把「心得」改寫成「下一次會做的事」
    任務筆記內建復盤區：
    本次做法摘要（≤3 句）／成效&失誤（各 1–2 點）
    下次改進×1–3（動詞＋驗收條件）／可複用規則（1 句）
    節奏：每日 3 分鐘微復盤＋每週 20–30 分鐘沉澱 SOP。
    成效衡量：
    同類任務的交付時間縮短、錯誤率下降；SOP/模板數量逐週增加。

    8｜協作與追蹤：讓資訊與責任對齊
    原則：SSOT（單一真相來源）＝每個任務的那一張筆記。
    團隊看板只放「任務卡連結」，不複製內容，避免版本分叉。
    週會範式：只帶任務筆記檢視「決策更新與下一步」。
    測量：
    決策回溯時間（從提問到找到結論的時間）
    跨部門等待時間（等待外部回覆的平均天數）

    9｜工具與 AI 的正確打開方式（不換工具也能做）
    你已有的工具即可（Notion/Google 文件/Obsidian/Evernote 皆可）。
    AI 三招：
    把零散片段改寫成「下一步×3」；
    把會議討論萃成決策表＋行動表；
    把經驗重構成 SOP/模板並附上原連結。
    風險控管：保留來源連結、標註假設／限制，避免黑盒決策。

    10｜7 天導入計畫（立即行動）＋結語
    D1–D2：選 3 個進行中的任務 → 各建任務筆記（抬頭＋三欄＋復盤區）。
    D3–D4：把最近的 1 場會議，改用「決策表＋行動表」並在 24h 分流。
    D5：清空收件匣，為 3 篇文章各寫「可用片段×3＋我怎麼用」。
    D6：每日 3 分鐘微復盤，週末 20 分鐘沉澱 1 份 SOP。
    D7：檢視三個數字：找資料時間、下一步明確率、會議落地率。
    結語：不要把時間花在整理系統，而是用系統把結果做出來。
    從今天開始，讓每一張筆記都能回答：「下一步是什麼？」



    所以目前來說（2025/10），我還是喜歡把簡報大綱貼入 Canva （或 Gamma ），利用 Canva AI 來製作簡報。

    把剛剛 ChatGPT 生成的簡報大綱貼入 Canva AI ，在對話框下面選擇：「設計」－「簡報」－「想要的風格」，就可以讓 Canva AI 協助製作簡報版面。




    Canva AI 會根據簡報大綱，思考分頁、內容重點，然後先做出一個分頁版本，我們繼續按下方的「產生設計」。




    這樣就能在 Canva 中完成簡報版面套用，與基本的圖文內容設計了。




    最後也能進入 Canva 編輯器進一步修改。




    同樣的流程，我也可以把 ChatGPT 產生的簡報大綱，貼入 Gamma，讓 Gamma AI 直接做出圖文並茂的簡報，作為專業 AI 簡報工具， Gamma 的效果還是最好的。（延伸教學：Gamma 用 AI 幫你設計簡報、網頁，瞬間完成戲劇化版面內容）




    簡報不是從版面設計開始，而是從資料研究開始。

    想要利用 AI 來製作簡報，但是每次在 Gamma、 Canva 上直接讓 AI 做簡報時，常常發現版面雖然漂亮，但簡報內容不夠好、有幻覺、不深入的朋友，可以利用上面分享的流程，來製作更專業的 AI 簡報。





    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：[教學] ChatGPT 先做知識整理，再讓 Canva、 Gamma AI 輸出簡報）

    專案報告、年度復盤 AI 助手應用實測： Gemini Deep Research 連結 Gmail、 Google Drive

    ✇電腦玩物
    Esor Huang


    2025 年底， Google Gemini Deep Research 功能正式支援串連 Gmail / Google Docs / Google Drive / Google Chat 等 Google 雲端服務，把原本散落在 Workspace 裡的信件、文件、雲端硬碟、聊天室，變成 Deep Research 的「私人資料庫」，再加上網路資料，一次生出更多有效資料的研究報告。這個功能，馬上讓我想要來做個實際應用測試。

    2024 年底時 Google Gemini 加入了 Deep Research 功能（延伸教學：Google Gemini Deep Research 實測比較：自動蒐集資料、推理分析、撰寫報告的 AI 研究助理），而且免費帳戶也可以有一定的使用額度，透過「深度研究」，可以驅動一個研究型 AI 根據研究計畫「自動完成」數十篇網路資料的分析整理與撰寫數千字的研究報告。這個過程大約 10 分鐘左右，都由 AI 代理程式自主完成。

    Deep Reseach 這樣的功能，除了可以讓 AI 自動化完成多步驟的工作，幫助人空出時間外，還有一個特色就是可以「一口氣分析非常大量的資料（上下文）」，並且「一次完成更多層次、更多細節的內容輸出」。而這是一般單純的聊天型 AI 問答無法達到的文字處理量。（我的應用：先用 Deep Research 掃清認知盲區，再用 Google 搜尋，我的 6 種學習新流程）

    但是之前 Google Gemini 的 Deep Research 只能搜尋網路資料，少了像是 ChatGPT 的 Deep Research 可以直接連結 Google 雲端硬碟與 Gmail 帶來的工作強度。（延伸教學：ChatGPT 串連 Gmail、Google 雲端硬碟、 Outlook 行事曆，我的 8 種高效工作新應用）

    而現在 Gemini 的 Deep Research 終於補上了對自家 Google 雲端硬碟資料、 Gmail 郵件的支援，搭配 Deep Research 原本「一次處理大量上下文」的輸入、輸出能力，可以做出非常強大有效的應用。






    • 原本 Deep Research：
      • 主要是「看網路 + 你手動上傳的檔案」，幫你做長篇研究報告。
    • 新版 Deep Research：
      • 可以額外讀：
        • Gmail 信件內容與對話脈絡
        • Google Drive 裡的 Docs、Slides、PDF
        • Google Chat 討論紀錄
      • 你可以在 Deep Research 視窗中，勾選要使用的來源：
        • Search（公開網路）
        • Gmail
        • Drive
        • Chat

    可以把這樣的功能用在什麼應用上呢？下面我分享幾個自己實測的成果。

    1. 課程說明報告：把 Gmail 往來、Drive 講義與簡報整合→輸出結構化說明報告。
    2. 年度復盤→次年規劃：掃描 Drive 的簡報、講義，照 KPT 產出可執行的明年方案。
    3. 合作歷程報告：依關鍵字回溯多年郵件＋文件＋Chat，整理時間軸、決策點與下一步提案。

    延伸補充：近期 Google NotebookLM 也加入了「用 Deep Research （或比較簡單版的 Fast Research ）」，導入大量資料研究後的專案報告的功能，同樣可以連結網路搜尋，或是 Google 雲端硬碟內容。

    這時候，一樣可以利用下述的方法，在 NotebookLM 導入有效的研究報告、資料整理，建立有效的 AI 資料庫。（例如搭配我的這個方法，可以建立更專業強大的知識庫：用 NotebookLM 實踐 AI 卡片盒筆記法：輸入、學習、輸出、復盤 6 步驟流程教學）


     



    分析 Gmail 討論與 Google 文件、簡報，完成一份課程說明報告：

    近期我跟「大人學」一起合作開發一堂「用 AI 提升工作效率的實戰工作坊」的課程，過程中我們在 Gmail 中有很多來回的細節討論郵件，在 Google 雲端硬碟中有多份演練、講義、問答、簡報相關企劃文稿。

    現在課程正式上線了，我想要整理上述資料，完成一份課程說明報告。

    於是我在 Gemini Deep Research 中透過下面指令，啟動 Gmail 與 Google 雲端硬碟文件的深度研究：

    你是電腦玩物站長Esor，協助我撰寫一份「大人學：用 AI 提升工作效率的實戰工作坊」的介紹說明。請一步一步處理：
    1.需求：讓電腦玩物讀者了解這堂課程的特色、解決問題、限制，讓讀者明確知道這堂課程適合或不適合自己，以即可以獲得什麼收穫。
    2.處理流程：
    2.1 根據 Gmail 中「【大人學】用 AI 提升工作效率的實戰工作坊」郵件討論，掌握這堂課程的設計目的與現況。
    2.2 根據 Google Drive 中「【大人學】用 AI 提升工作效率的實戰工作坊」資料夾理的文件資料，掌握課程設計、演練的基本架構。
    2.3 搜尋 Google Drive 中「簡報」資料夾內的 AI、 ChatGPT 課程相關最新資料，獲得更豐富的演練案例。
    2.4 處理前面內容，整理出跟讀者說明的架構、邏輯、內容重點，並列出。
    3. 最後一段，依據上傳的「電腦玩物社群貼文範本.md」範本，把上述整理好的內容，再改寫成符合範本格式、風格、用語的貼文內容。


    在 Gemini 的工具選單啟動「 Deep Research 」，選擇不要在網頁中搜尋資料，而是直接讀取我的 Gmail、 Google 雲端硬碟（根據我的指令）。

    我甚至還搭配「上傳」了一份課程說明範本的 markdown 文件。

    我想試試看讓 Gemini 的 Deep Research 一口氣分析十幾份文件、十幾封郵件，和一個範本檔案，是不是還能更根據我的指令，有效完成工作報告。




    第一階段處理研究計畫時， Deep Research 會先做基本搜尋，先找出可能要找的資料範圍。

    從研究計畫中，我可以判斷 Gemini 的 Deep Research 是否已經有正確找到需要的郵件、文件，如果有，就可以按下開始研究。

    這一點我覺得很棒，就像是這個 AI 研究助手會先做基本的資料掃描，然後跟我確認他找到方式對不對，讓我有即時修改調整的空間。




    下面是我這個案例的實測結果，讓我來分析幾個「表現得很棒」的細節。

    • 很明確根據指令要求，相對沒有之前的長篇大論毛病，只輸出指令要求的：結構重點整理、貼文內容。
    • 確實可以找出並研究相關郵件、文件
    • 深入到文件資料的細節，有邏輯的分析重點
    • 整份輸出成果中，每一段都有明確引用來源，點擊後可以打開明確的文件、郵件
    • 很強大的統整、分析能力，不只整理資料，也能延伸推理，獲得有啟發的結果。
    • 明確根據範本輸出。

    明確依據我的指令輸出結果，現在的 Gemini Deep Research 比較不會像是早期那樣長篇大論太多廢話。




    Gemini 可以確實的研究大量相關郵件、文件，一次處理的資料量可以很大。




    結果中，可以看到 Gemini Deep Research 深入到文件資料的細節，再轉化出有邏輯的重點分析。




    而且每一段會有原始文件資料來源，這可以讓我方便確認這一段分析的「正確性」。




    Gemini Deep Research 在大量解析文件後，進一步也有延伸論述的能力，不只是做資料摘要整理。

    例如下圖中對我規劃的課程重點分析，甚至還有一些我自己沒有想到的說明方式。




    前面在深度研究時，還記得我另外上傳了一個範本檔案，讓 AI 遵循這個範本做產出嗎？

    Gemini Deep Research 可以在已經分析了大量郵件、雲端文件後，依然可以明確根據範本輸出成果。

    表示善用 Deep Research 的自動代理、大量上下文運算能力，我們可以給出更複雜資料、分析更多樣資料、多步驟自動化產出結果。




    比較看看 ChatGPT 版本，其實也能達到差不多效果。（延伸教學：ChatGPT 串連 Gmail、Google 雲端硬碟、 Outlook 行事曆，我的 8 種高效工作新應用）

    關鍵不是工具，而是我們的使用方式與工作流程。





    統整今年度大量工作文件、郵件，完成年度復盤與明年度規劃：

    根據上面應用案例，當 Gemini Deep Research 可以一次處理分析這麼多郵件、文件資料，就可以變成一個有效的年度復盤規劃助手。

    我利用下面指令，請 Deep Research 總結我今年的各種課程資料，做一個 KPT 復盤與新年度規劃。
    你是電腦玩物課程規劃的專家，請根據 2025 年我的相關的課程簡報、講義，製作一份今年度課程復盤、明年度新課程規劃的企劃報告。請一步一步處理：
    1.需求：了解今年度課程的主題、特色，分析可以延伸的變化、議題。
    2.處理流程：根據 Google Drive 中的「13-簡報」資料夾內的資料，分析相關簡報、講義內容，梳理今年度的課程細節資料。
    3.根據KPT原則，分析可以保持的特色，需要解決的問題，延伸出明年度可以新增的下一步規劃行動。
    4.最後延伸出 2026 年度新課程規劃的具體建議。


    同樣的可以看到， Deep Research 把我散亂的課程簡報、課程講義、課程討論郵件等，做了初步分析，設定了一個我覺得很有效的研究計畫，也正確的區分出我目前的兩大課程主軸： AI 工作術、防彈筆記法。




    接著就讓 Deep Research 依照這個研究計畫去做分析。




    下面是結果的一部分策略分析，我自己看了覺得很棒，確實找出了目前課程特色，也分析出可以更好的問題點，還提出了具體建議。

    年度復盤可以做到這樣的程度，無論是用在工作，還是用在「自己個人復盤」，都會非常有效。




    分析散落的郵件、文件，建立工作歷程報告：

    如果我們進行一個專案時，郵件、文件都散落在不同的地方，需要掌握這個專案目前進度，或許也可以試試看用 Google Gemini Deep Research 的功能來整理分析。

    例如下面這個應用，我設定好利害關係人的關鍵字，請 Deep Research 去我的郵件、文件系統中尋找相關討論資料，重新梳理更明確的時間軸與工作歷程。
    你是電腦玩物站長Esor，整理和「富邦 共學」相關講堂的歷年合作資料，完成一份工作歷程報告。請一步一步分析：
    1.需求：完成歷年富邦共學講座的主題系列、內容細節、合作資料的統整分析。
    2.從我的 Gmail 中搜尋相關合作郵件，整理郵件中的相關資訊。
    3.完成合作歷程時間軸、主題設計、合作形式的整理。
    4.設計下一階段可以推出的系列主題。


    這是一個已經進行三年的工作歷程， Deep Research 有沒有辦法準確地把過去幾年的資料找出來，並且做出有效分析呢？




    結果還真的可以！ Deep Research 不只可以一次爬梳大量資料，只要我們設定好關鍵字，也能深入挖掘資料架內的資料細節，甚至過去多年的散落資訊。

    善用這個挖掘資料能力，可以更有效的做出專案分析、復盤與規劃。




    總結一下上面幾個案例，我的 Deep Research 操作細節重點，提供大家參考：

    1. 進 Deep Research 前：先想清楚資料邊界（要勾 Gmail/Drive/Chat 哪些）、研究目標（說明？回顧？提案？）與輸出格式（報告、貼文、簡報大綱）。
    2. 指令結構：需求→處理流程（來源、資料夾、關鍵字）→輸出規格（框架/範本）。
    3. 研究計畫頁：務必檢視是否抓到對的郵件串與資料夾，必要時補關鍵字或縮小範圍再跑。
    4. 成果檢核：優先抽查每段落的來源鏈結，確認引用無誤、時效正確，再決定修改幅度。

    有需要的朋友，也可以模擬上述流程，試試看！



    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：專案報告、年度復盤 AI 助手應用實測： Gemini Deep Research 連結 Gmail、 Google Drive）


    與 AI 助手合作後的第二大腦系統，我在筆記方法上的變與不變

    ✇電腦玩物
    Esor Huang


    一年多前寫過這篇「AI 如何與寫筆記結合？我最常利用的 6 種提升筆記效率功能與案例」，但又過去一年，AI 工具在資料整理跟輸出的能力上，已經有了很大幅度的提升。一年前還只是把 AI 當作增加筆記效率的輔助，但是現在， AI 已經是我做筆記過程不可或缺的一部分，並且更深入地融入我的筆記系統流程中。

    但是，是不是有了 AI 可以整理資訊，我們自己就不需要做筆記了？用 AI 做的筆記，還可以說是我的筆記嗎？ 當 AI 可以輕鬆整理大量內容時，真的可以解決第二大腦系統的終極問題：「需要的時候可以直接拿出來使用」嗎？

    這篇文章，分享我目前具體實踐的作法。





    為什麼「第二大腦」常常變成「資料沼澤」？

    從數位筆記開始流行、到「個人第二大腦」、「知識管理系統」這些方法興起以來，各種工具與流程一直想解決同一個問題：人要面對越來越多雜亂資訊，到底要怎麼建立有效的整理系統？

    其實我覺得或許是這個問題問錯了。我從《防彈筆記法》這本書開始，就一直強調一個概念：不要花太多時間做整理，而應該專注在自己的「任務筆記」。

    當我們面對很多雜亂資訊的時候，如果我們想的是如何收藏、如何分類、如何整理出架構，那麼人就變成了為了資料而服務，這樣往往會陷入一個「資料沼澤」。雖然可能會有一個漂亮的結構，但那往往不是一個真正可以隨時拿出來使用的「第二大腦」。

    真正的問題應該是什麼呢？

    1. 不是要怎麼建立一個有效的整理系統。
    2. 而是當我們面對這麼多雜亂的資訊時，我們要專注輸出的「專案」跟「任務」是什麼？

    這才是我們真正應該問的關鍵問題。我們應該從這個問題出發，去建立我們的專案筆記、任務筆記。我們不是要去整理這些資料，而是要回頭整理自己的專案與任務。（延伸閱讀：不快速回訊、不整理郵件，專注任務筆記，才是最聰明的整理術）





    當 AI 加上資料整理迷思，筆記會變得更雜亂

    相信有使用 AI 的朋友，應該都可以發現，在整理資料上面，AI 可以做到下面幾件事情：

    1. AI 的搜尋摘要能力非常強大： 它可以一口氣深入到很多不同的社群、不同的網站中，幫我們把資料挖掘出來。（延伸閱讀：先用 Deep Research 掃清認知盲區，再用 Google 搜尋，我的 6 種學習新流程）
    2. 快速處理資料結構： AI 可以把找到的資料，根據我們需要的表格、清單或各種格式進行快速處理，讓它變成有結構的整理後內容。（延伸閱讀：活用三大 Google AI 教學神器，把複雜知識變成手繪心智圖、遊戲網頁、圖解簡報）
    3. 轉化為圖文視覺化工具： 像是 Google Gemini、 NotebookLM 這樣的 AI，還可以幫助我們把整理的內容，轉化成圖文並茂的流程圖或心智圖。（延伸閱讀：把混亂數據試算表丟進 NotebookLM：自動清理統計，直接變圖表簡報）

    如果我們把筆記只視為資料的整理（當然，這是誤解），這時候 AI 快速找資料的能力，或許會讓人覺得好像不需要再做自己的筆記了，只要利用像是 Google NotebookLM 那樣的 AI 資料庫工具，就可以把資料做出有效的整理。

    那麼，NotebookLM 會不會才是最好的筆記工具呢？我的回答是否定的。因為筆記並不是只有外部資料的整理分析而已。

    例如我自己確實有一個 NotebookLM 的資料庫，專門處理每天想要稍後閱讀的文章，而上面的 AI 問答、工作室的各種圖表整理，也真的會讓學習吸收的過程更有趣、更快速。

    但是，我不會把這樣的整理當作「筆記」。




    真正的筆記應該是像下面這樣，他是我學習這個技術、知識後的「任務筆記」。

    在任務筆記中，我不會直接剪貼 AI 生成的那一大堆資料，而是從中挑出我真正想要測試的，對我真正有啟發的部分，然後列出我的實際測試行動清單。




    並且在實際測試後，把我的經驗、想法，以及下一次可以複製貼上的做法，記錄到同樣這則任務筆記中。

    於是，這則任務筆記會記錄我完成任務的進度、過程，也可以在下一次要做類似任務時，拿出來參考使用。




    相對的，這則任務筆記，不會是 AI 摘要生成大量資料的剪貼集中處。

    AI 非常有可能讓喜歡做筆記的朋友陷入另一種情況，那就是筆記資料庫快速地擴充，結果更加混亂。

    因為 AI 總能快速找到更多資料、整理出更多圖表，我們輕而易舉就能在筆記中（複製貼上）加入大量 AI 產生的內容。但這些內容只會讓筆記變得更加臃腫、資料變得更加混亂。

    如果沒有重新定位筆記真正的用途：專案、任務，那麼 AI 的加入，就好像有一個快速新增資料的自動化工具，他可以不斷餵養，但最後，我們的「第二大腦」又回到那個資料很多、依然無法使用，且要用的時候找不到的困境。




    可以交給 AI 的三種筆記內容，我更有時間自己動手的四種筆記核心

    以結論來說，目前我的筆記系統與工作流程，會這樣跟 AI 一起分工：

    1. AI 做：記錄（語音轉文字／整理逐字稿）、資料（搜尋／摘要／比較）、格式（表格／圖表／架構化）
    2. 人做：決策（我選擇要完成什麼成果）、下一步行動（我接著要做什麼）、脈絡（我的思考與實驗過程）、復盤（做完後怎麼修正）




    在 AI 時代，「記錄、收藏、格式整理」是 AI 非常擅長的部分。
    如果人還要花大量時間做這些筆記，其實不符合 AI 時代的趨勢。而且老實說，這些筆記不是個人第二大腦的核心，很多時候只是讓我們整理時有快感、最後用不到。

    所以現在我更想把它們交給 AI，讓人把時間花在「決策產出、推進行動、思考脈絡、覆盤調整」上。

    當我擁有這四種筆記後，反而能跟 AI 工作流程相輔相成：AI 很會搜尋外部資料，但外部資料要能用，一定要跟我的背景、我的經驗、我的想法、我真正的任務有關。

    所以我會：

    • 讓 AI 整理外部知識資料，幫助我啟動某個專案任務。
    • 我在自己的筆記中，記下行動步驟、關鍵決策、脈絡、復盤後更適合我的流程。
    • 然後我再把這套「個人筆記系統」回到 AI 上，請它幫我找能刺激更好想法、更好做法的外部資料。

    於是 AI 跟人結合的筆記系統，就會進入一個有效的正向循環。





    一則學習型專案筆記，把外部資料交給 AI ，把個人執行留給自己：

    以前我們為了保存資訊，可能存一大堆連結、截一大堆圖、剪貼一大堆文章。其實我從很多年前開始就很少做這類筆記，甚至我也不太使用「稍後閱讀」服務，因為我更想把筆記專注在任務真正的處理上。

    到了 AI 時代，我更相信下面這樣的做法更有效：
    以前收藏資訊，是希望需要時能快速找回。可現在像 ChatGPT 的強大搜尋、Deep Research 在找資料上非常好用，我更傾向在每一次「真正需要資料」的需求當下，直接利用 AI 的檢索、搜尋、Deep Research，去找最新、最即時，甚至深入挖掘社群的關鍵資訊。

    既然如此，整個網路都可以當成我的資料庫，我又何必侷限在自己只為了收藏目的做出來的資訊系統中？

    例如，我最近有一個專案，練習用 Vibe Coding 的方式建立一個單機個人筆記系統。我先建立了一則這個主題的專案學習筆記：

    但我並不是去剪貼大量的相關文章來建立資料庫，而是把 AI 當作我的資料庫與外部資料助手，而我筆記只要專注在執行就好。

    一開始的時候，我甚至連 GitHub 等等都不知道該怎麼設定，我就讓 AI 教我具體的操作步驟，並在我不懂的地方告訴我關鍵原理。這節省了我很多找資料、再重新整理資料的時間，讓 AI 找完資料後輸出的結果，直接對焦在我要具體操作的系統設定上。

    所謂的專注在執行，就是不單純做資料的搬運工或收藏者，而是讓 AI 梳理資料後直接給我實踐步驟。




    接下來，我也並非只是把 AI 給我的各種教學方法直接複製貼上到筆記中，而是根據 AI 的教學實際實踐看看。在實踐的過程中，產生我自己實做過有效的待辦清單。

    而我真正寫進筆記的，是我到底做了什麼設定、做了什麼步驟，甚至截圖存檔。

    這樣當我下一次又要開啟一個新的程式開發專案時，就可以照著這些設定直接完成。並且這些筆記不是大家的 AI 助手都能找到的資料整理，而是我自己實踐過最適合自己的行動清單。




    接下來在執行這個 Vibe Coding 學習專案的過程中，我會一邊把下個階段操作的步驟（例如新功能如何開發、如何下好 AI 指令等等）持續累積在這一則專案筆記當中。




    日積月累下，這則筆記會包含我在持續學習過程中累積出來的行動、經驗、想法以及成果背景資料。有了這份筆記，即使專案停滯一段時間，下次要重新開始或繼續規劃時，我可以直接複製筆記中之前累積的執行結果丟給 AI，請它分析下個階段可以做什麼。

    AI 若要提供有效的建議，必須了解我執行背景的脈絡、明確的行動與想法，而我們往往無法提供足夠具體完整的資料給 AI，是因為之前沒有像這樣持續累積「自己的筆記」。

    那些外部的資料，AI 本來就可以找到，本來就可以幫我們梳理、分析（所以，現在的第二大腦，這類筆記可以大量減少）；但 AI 不知道的，是我們那些在自己的筆記當中應該記下來、只有我知道的內容。（所以，現在的第二大腦，這類筆記可以大量增加）

    如果有這樣的筆記，我們只要把累積出來的內容提供給 AI，它在下個階段就能幫我輸出更好的結果。


    一則工作型專案筆記，把記錄分析交給 AI ，把判斷決策留給自己：

    以前我們花很多時間做會議記錄、在課程中不斷低頭苦寫、抄寫書籍文章中的名言佳句。抄寫當然可能加深印象，但我的經驗是：很多時候也會讓我們在會議、課程、閱讀中，反而沒辦法專注思考核心問題、或真正聽懂講者背後想表達的意思。

    在 AI 時代，這些「記錄」可以透過 AI 語音轉文字、AI OCR 等等功能處理完成。

    這時候我們真正要動手做的，反而是：記錄完成後，我判斷的關鍵決策點、我心中想到的關鍵爭議點、我延伸出來的關鍵下一步，那才是人要動手寫的。

    把紀錄留給 AI，把判斷與下一步留給自己。

    例如最近我和趙胤丞老師一起完成的《高效職場生存法圖解》這本書的專案筆記，專案一開始，我們開了無數的討論會議，在公司中也有好幾次的報告會議，這時候，我已經非常習慣大量利用語音轉文字的工具，會議中專注討論並錄音，會後讓 AI 整理出逐字稿。




    但是，真正的專案，並非這些雜亂的會議記錄、郵件剪貼、資訊整理。這些雜訊，就算紀錄得再好（也確實需要紀錄），但也只是把雜訊整理好而已，對記住有幫助，對專案沒效果。

    真正的專案應該是：

    1. 把逐字稿變成有效的待辦清單
    2. 把雜亂的郵件訊息變成一個明確的目標企劃

    所以，我的真正筆記並非是上述那些 AI 很方便轉出來的逐字稿，而是從裡面歸納出的重點。

    當然，也可以讓 AI 歸納逐字稿重點，但最後一定有一步是我（人）判斷要留下哪些重點？以及如何把重點詮釋成下一階段目標與行動。




    AI 或許能給建議、能分析資料，但 AI 沒辦法替我決定：我下一步要怎麼做、要交付給誰、我目前進度在哪裡。

    所以我會用更多時間在任務筆記中記錄：

    • 我到底實際做了什麼？
    • 我在這過程產生什麼經驗？
    • 觸及這個行動的人事時地物關鍵細節是什麼？
    • 我之後要回顧這任務與流程時，有沒有一份準確依據的標準資料？

    AI 資料整理得再好，但如果我不知道工作流程的進度、不知道下一步行動與交付，流程依然混亂。甚至 AI 帶來的大量資訊，反而可能變成雜訊，讓流程更混亂。

    我目前也無法信任 AI 可以從大量的討論串紀錄中，或是自動爬梳我的行事曆、郵件中，幫我歸納出接下來要做的任務。

    為什麼？不是說 AI 做不到這樣的資料分析，事實上它做得到。但問題是，AI 可能只是把一大堆的討論記錄、行事曆和郵件當中所有的行程，全部都列成待辦清單，但這裡面可能不是我自己判斷詮釋後，真正對我最有效的行動。

    如果我認為 AI 可以自動爬梳行事曆、郵件、會議記錄，然後幫我找出接下來最有效的下一步行動，那就變成我好像只是一個接收 AI 老闆命令的機器人。

    我可能只是可以把一些雜事瑣事完成，卻沒有真正去思考這當中我的目標、我的價值，以及我如何把事情做好的關鍵流程。

    而後面這些，就需要我們有一則專案筆記，把我的判斷決策保留下來，讓我可以更有效地挑出自己最關鍵的行動。





    一則生活型專案筆記，把資料研究交給 AI ，把經驗復盤留給自己：

    生活中的大量問題，我確實已經很習慣跟 AI 討論。

    AI 確實可以把資料搜尋、整理得很漂亮，但它沒辦法知道：我為什麼要選這個資料？我的判斷是什麼？我想拿來解決什麼問題？

    例如，我讀到一篇很精彩的睡眠研究報告，我決定把它拿來改善我的睡眠習慣；我想利用裡面提到的一種休息技巧，放進我的日常工作流程做短時間放鬆。
    AI 可以把研究整理得清楚易懂、做出更好複習的圖表，但我要決策用在我哪一段真實工作流程裡，這是我需要自己寫下來的。




    我們有時候會花很多時間排版、分類、標籤，希望筆記整整齊齊，覺得以後更好用。但很多時候，我們花太多時間整理格式，卻沒時間思考資訊的用途，最後這些漂亮筆記反而不會再打開。

    AI 的改變是：如果你真的想要漂亮的格式，不如讓 AI 幫你整理成資訊圖表、幫你整理出心智圖、幫你依照你想要的邏輯摘要整理成表格。
    我們不需要再把大量時間花在筆記的格式整理上。

    我們可以更多時間，專注在那些 AI 無法處理的資料，例如一個生活健康習慣的筆記中，我對每一天習慣的紀錄與反思。




    這些看似簡單隨筆的記錄，卻是在 AI 工作流程裡面，讓 AI 接下來產出更有效任務成果的最佳素材。

    以上面這則生活習慣筆記為例：

    1. 我每個月會把記錄起來的表格資料丟給 AI。
    2. 甚至把整則筆記中前面設定的習慣目標，以及想要達到的關鍵習慣，也提供給 AI 讓他去了解。

    就跟前面的學習工作筆記一樣，一旦我提供給 AI 這些原本累積在筆記當中的脈絡，AI 就可以根據我的經驗做出有效的分析：為下一階段提供更好的目標建議。分析我的經驗後，指出其中某些我忽略或做錯的關鍵環節。

    這時候 AI 就可以根據我的筆記，化身為一個「復盤助手」。

    AI 確實可以幫助我們復盤，但在這之前，我們需要先留下經驗記錄。在 AI 幫我們復盤之後，我們不是照單全收，而是把 AI 提供的建議，轉化成我實際決定採用的改進，並繼續記錄實際嘗試後的結果。

    那麼下一次跟 AI 合作時，我的筆記會成為 AI 最有效的素材，也會成為我自己推進生活健康習慣、最有效的專案任務流程。





    當 AI 成為第二大腦助手：我更少整理筆記，但更專注把筆記變成成果

    過去一年，我很明顯發現：自己更少做某些筆記、更常做某些筆記。例如我會讓 AI 大量摘要我的會議記錄、學習記錄，我不用逐字逐句整理；如果需要漂亮的格式、清楚易懂、深入淺出的圖表，我讓 AI 幫我做。（延伸閱讀：[實戰教學] 懶人也能持續的筆記法：記下來就好，讓 AI 整理架構）

    但我把時間花在：會議、課程、學習之後，我做出的決策、我規劃的下一步行動、我思考要用在哪個具體任務上，以及我執行後產生的想法與經驗。

    所以在 AI 時代，我覺得筆記工作流程可以有很大的改變：
    我們不太需要再把力氣花在「整理筆記」上，但更需要專注在「設計任務筆記的下一步行動」。

    我們其實不用怕資料整理不齊全、怕遺漏——因為一定會遺漏。而且人再怎麼自己收藏筆記，在 AI 時代也未必比得上一份 Deep Research 研究完整有效。重點是：把資料找回來，用在自己真正的專案任務上。
    我們可以把筆記流程，從「收集的系統」轉成「輸出、交付、產出的系統」。

    AI 時代不會取代筆記，而是讓筆記回到它更該做的事情。
    這也回到我一直在講的「防彈筆記法」：以任務筆記為核心，把注意力導向正在要產出的成果，讓 AI 幫我整理資訊資料，讓人專注在下一步行動與經驗整理上。
    延伸閱讀：


    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：與 AI 助手合作後的第二大腦系統，我在筆記方法上的變與不變）

    我如何用 AI 把親子生活變有趣： 7 種父母都能用得上的實戰流程，從複習、遊戲到溝通

    ✇電腦玩物
    Esor Huang

    這篇文章想要跟你分享，父母不一定要變成追上所有 AI 工具的專家，不一定要會寫很厲害的指令程式，也能用最簡單但有效的方式，讓 AI 成為親子生活中最有效的助手，並且 AI 不會取代父母，也不會變成另外一種只是增加螢幕時間的遊戲，而是成為親子之間的好夥伴：

    AI 是把親子生活的困難，轉成可做出成果的流程：更有趣的複習、把真實生活遊戲化、把孩子說不出的想法引導出來、把父母卡住的情緒拉回可溝通狀態。

    從生成式 AI 工具出現後，除了工作應用，我在生活中最常拿來解決的任務場景，就是親子相關的專案。從讓 AI 模擬學校考卷出練習題，到設計讓小孩更樂於複習的知識圖卡，或是和孩子一起設計一些增加親子樂趣的小遊戲，還有研究各種跟小孩有關的健康、教養知識，以及親子旅行中的各種導遊應用。

    今天這篇文章，我要整理這兩三年來實際長期使用的 AI 應用案例，跟大家分享。



    我們真正每天面對的，其實不是「AI 又有什麼更新，又有什麼好玩的工具」，而是那些生活中的真實課題，以及怎麼用 AI 協助我們解決這些課題：

    • 這週要小考，重複的練習讓孩子沒有了學習動力？
    • 孩子想要更多玩樂，卻又不知道可以玩什麼？
    • 想讓孩子體驗 AI ，但更要體驗真實生活的樂趣？

    在這樣的生活裡，AI 對父母的價值，往往不是「再多裝一個 App、多玩一個工具」，而是我們能不能因為有了 AI，而多做出一些「以前做不到，或做起來很吃力」的真實生活中的親子成果，例如讓 AI 協助規劃一場實境解謎生日派對、一套真的貼近學校考題的練習卷、一本用孩子的日記與喜好角色做成的旅途日記繪本。

    接下來，就讓我分享這些在我實際生活中，反覆實踐過的親子 AI 應用案例，你會發現：

    • 不是「用 AI 陪小孩」，而是「用 AI 讓父母成為孩子更喜歡的父母」。
    • 最難的不是用 AI 做教材，而是用 AI 去「產生學習動機」。
    • 你也可以善用 AI ，在真實世界創造更多的互動。




    01.轉移孩子看遊戲短影音的注意力：不如和孩子一起討論，用 AI 設計孩子喜愛的網頁小遊戲

    Google Gemini 結合內建的 Canvas，可以設計出直接使用的網頁小程式。例如我之前用這個方式，製作出把 NotebookLM 的簡報 PDF 拆解成 Powerpoint 的小工具。（參考：我的 Google AI 輔助簡報製作工作流程分享：從 NotebookLM 到 Google 簡報互補）

    有時候當孩子覺得無聊，只想看手機短影音打發時間時，我會利用上面這個功能，設計一些單純的小遊戲，做為親子互動時間的調劑。不過我不會單純只是做遊戲給孩子玩，而是在這個過程跟孩子一起討論，讓孩子「出主意」，看看他希望遊戲要怎麼設計才好玩，然後交給 AI 做出遊戲功能，享受自己設計玩法的過程，也享受遊戲樂趣。

    例如孩子喜歡下圍棋，我就讓 AI 做一個簡單的圍棋小遊戲，即使沒有帶著圍棋道具，也隨時可以上線玩。

    你是網頁工具的開發者，設計一個可以讓我和小孩在電腦上下圍棋的線上工具。請一步一步設計，我們需要一個完整的圍棋棋盤，但可以選擇 9 路、13 路、19 路的大小，可以讓兩人輪流下黑子、白子，並且棋盤上會一直保持目前戰況，直到遊戲結束，或是按下開始新一輪遊戲。

    這時候，我會問問孩子，你覺得加上什麼功能會更好玩？孩子說：希望可以跟電腦對戰、希望吃子時有特效等等，我們就一起追問 AI ，把一個一個功能加上去。

    最後做出一個小孩也樂在其中，過程中還有一起思考的圍棋小遊戲。

    因為 Gemini 的便利與即時生成且能預覽的能力，我們可以跟孩子一起討論，享受設計遊戲的過程和遊戲本身，這是很棒的親子互動時間。




    而且 Gemini 的 Canvas 在生成網頁程式後，右下方還有一個「新增 Gemini 功能」，按下按鈕，會自動幫這個程式生成一個 AI 助手。

    例如這個我和孩子一起設計的圍棋小遊戲助手，就是可以簡單指導圍棋規則與基本策略的 AI 小老師。





    02.善用 3C 脫離 3C ：用 AI 把真實生活遊戲化，設計互動實境解謎遊戲

    有時候希望讓孩子不要只是盯個螢幕，雖然 3C 裡的遊戲確實好玩，但真實世界中也有許多好玩的東西，只是要引起孩子興趣，還是需要遊戲化。

    所以我常常會問 AI ：「怎麼把我們目前身處的場景、隨手可得的物品，轉換成可以立即親子互動遊玩的真實世界小遊戲（而非螢幕裡的遊戲）」。

    我做過最大的一次嘗試，就是把自己家裡的多個場景，設計出要連闖六個關卡的實境解謎遊戲，做為小孩生日派對的闖關遊戲來玩。

    我曾經在這篇文章「如何跟 AI 合作挑戰原本我不會做的事？我用 AI 設計實境解謎遊戲，案例分享」分享我的實際做法，而且後來我用同樣邏輯，反覆設計各種真實世界的互動小遊戲，做為親子時間的樂趣來源。

    我會請 AI 先去研究其他人怎麼設計實境解謎遊戲，你可以想像成是讓 AI 助手先去學習。




    等 AI 學會怎麼設計實境解謎遊戲後，我會提供他當前的場景、物品，請他開始根據前面學會的方法進行設計。




    於是很快的，就會有一些精彩的謎題出現，我可以直接使用。




    當然還可以利用 AI 繪圖工具，設計一些有趣的解謎圖像素材。




    其實真實世界裡，也有許多有趣的桌遊、遊戲玩法，孩子也一樣可以樂在其中，只是我們不具備那麼多樣化的遊戲知識，這時候，我往往就會請出 AI 助手，請他給我一個當下立即可玩的遊戲建議。





    03.針對做錯考卷，用 AI 設計遊戲化的間隔複習練習

    孩子在寫考卷、功課時，出現一些寫錯的地方，我並不會苛責這些錯誤，而是希望鼓勵孩子，這正是可以知道自己還需要真正理解、還需要反覆練習的切入點。可是，如果只是反覆練習一樣的題目，可能孩子覺得無聊，也可能變成只是記得答案。

    有了 AI ，我很常做的一件事情，就是把這些有出錯的題目、考卷收集起來，交給 AI ，請 AI 用有變化的、更有趣的方式重新出題，讓孩子用更好的方式複習。

    例如很久之前我就寫過一篇分享，那時候孩子很不擅長寫一種英文填空題，於是我把學校他常常寫錯的題目考卷上傳給 AI ，請 AI 模仿這樣的出題方式，出類似的題目，讓小孩可以練習，結果效果非常好，也讓小孩快速學會。（延伸閱讀：一般人最好上手且有效的 ChatGPT 提問法，以生成英文練習題為例）




    而在 Gemini 強化了圖像解析與繪製能力後，我更常把這些題目考卷，上傳到 Gemini 解析，然後傳換成小孩有興趣的延伸練習題。（延伸閱讀：活用三大 Google AI 教學神器，把複雜知識變成手繪心智圖、遊戲網頁、圖解簡報）

    例如一個數學上的題目，先把寫錯的原題目上傳，然後讓 AI 用小孩喜愛的角色，重新出一個類似的題目，作為之後複習時的練習。




    利用 AI 出的變化題目，加上孩子喜歡的元素，變成下次複習最好的教材。




    還可以利用 Gemini 的 Canvas 設計一些簡單的互動問答遊戲，讓做錯的題目不再是負擔，反而變成有趣的練習。

    而且設計一次成功後，下一次只要跟他說沿用之前的邏輯，針對「某些不熟的主題」再加強練習即可。（延伸閱讀：個人學習、考試新利器！ Google Gemini 測驗功能，一次完成知識研究、出題、複習）





    04.把原本小孩不感興趣的教材，連結小孩興趣的內容，用 AI 設計新教材

    尤其有了 NotebookLM 之後，我可以在上面建立每一個科目的練習資料庫，除了把需要反覆練習的題目上傳，也可以把各種課本教材上傳，然後請 NotebookLM 的 AI 用更有趣的方式「演繹」成孩子更有興趣吸收的內容。




    例如小孩讀完社會課本後，不確定是不是已經正確理解，可能有些太枯燥的地方會忍不住快速跳過。

    於是我把課本中最重要的那幾頁內容上傳到 NotebookLM。




    接著用 NotebookLM 的 AI 簡報功能，把課本內容重新「演繹」成小孩喜歡的寶可夢劇情，但裡面可以重新掌握與理解課本的重點。

    （類似指令：用寶可夢呆火鱷風格，解釋「學校與我」單元的合作、競爭、服務團隊、學校規範、學生責任。）

    這樣一來，小孩變得更樂於複習，甚至會主動問我有沒有新版本，還想再看一次。




    AI 的優點之一，就是可以連結學習者感興趣的內容、連結應用的情境、連結要解決的問題，而不是只讓 AI 處理資料而已，更要讓 AI 去連結，創造出適合自己的教材，讓學習變成更有趣、更有效。

    但是在這之前，如果要讓 AI 製作出更有效的教材，「簡化」的步驟也不可或缺。

    例如我有一個 NotebookLM 資料庫，裡面可能有大量的國語學習素材，但要聚焦複習時，我會先讓 AI 整理出其中幾個單元的特定內容，先簡化成一份最精簡扼要的文字教材，然後回存到資料庫中。




    然後請 AI 根據這份簡化過的文字重點教材，重新設計簡報、測驗，這樣可以「大量減少雜訊」，在學習上的效果更好。






    05.用AI繪製小孩喜歡、看得懂的重點複習知識圖卡

    Gemini 3 Pro 強大的圖像繪製功能，我最常用在小孩日常學習的重點整理上，結合前面的 NotebookLM 資料庫， Gemini 可以讀取資料庫中的某個單元內容，梳理重點後，快速產出有小孩喜歡圖像的知識圖卡。（延伸閱讀：我把 NotebookLM 知識庫接到 Gemini：3分鐘將課程素材變成攻略圖解、Google簡報、互動網頁）

    你是小學國語老師與繪圖高手，根據下面小孩不熟的知識，繪製手繪風格、寶可夢呆火鱷教學的心智圖圖片。

    請根據下面重點一步一步繪製：
    圖像化的解釋下面這首詩的意思，並說明小學生可能不懂的生字：

    送別 王維
    山中相送罷，
    日暮掩柴扉。
    春草明年綠，
    王孫歸不歸？

    這不只是用有趣的圖像呈現而已，而是讓 AI 根據小朋友熟悉的角色、場景、風格來解釋，小孩一看就懂，而且還很有興趣。（這就是我前面說的：連結）

    當然，我會在這個過程，跟孩子一起解讀這張圖卡，用孩子聽得懂、有興趣的語言，也可以同時注意 AI 可能出現的小錯誤並及時更正。

    推薦無論是老師還是父母，都應該這樣嘗試看看，讓教材跟孩子有興趣的東西連結，或許有更好的吸收效果。（延伸閱讀：活用三大 Google AI 教學神器，把複雜知識變成手繪心智圖、遊戲網頁、圖解簡報）





    06.我如何利用AI，協助孩子的日記與作文

    日記、作文，可能是現在小孩相對比較難跨過的一個關卡，這時候可以怎麼利用 AI 輔助呢？下面分享我的作法。

    首先，我絕對不會讓 AI 直接生出一篇日記、作文，然後讓小孩照抄。

    我的第一步，如果小孩的想法卡關，我嘗試用腦力激盪的方式，讓小孩慢慢自己從腦中挖掘出一些有趣、零散的內容。這時候我會利用錄音的方式，我最常用的是 Evernote 直接錄音轉文字，或是 ChatGPT 直接語音輸入辨識。（延伸閱讀：語音變成生產力：7 種 AI 語音轉文字工具應用情境與工作流程攻略）

    這時候，我會當一個「採訪者」，讓小孩當「受訪者」，根據老師出的作文題目，採訪小孩說出目前腦中的想法，並且在過程中，適度反問他「為什麼？」「如何做？」「感覺怎樣？」，引導他倒出更多的想法。

    於是，通常可以在完全不卡關的情況下，5分鐘內產出一份有各種雜亂想法的逐字稿。




    想法很亂，我們把這些內容丟給 ChatGPT ，請他整理出裡面有共通的地方，給我們一個大綱建議，並且提供一些好點子（但不是現成內容或答案）。

    下面是我採訪小孩後，我們討論出來的作文想法，請根據前面一段的作文結構、創意加分技巧，完成可以引導小孩開始有興趣寫作的大綱。請一步一步分析：




    為了讓文字的大綱變成更有趣的參考，我又把這個大綱丟上 Gemini ，請他畫一個圖像版本。

    不過來到這裡後，我會這樣跟孩子說：「你不用完全照著這個架構，把它當作參考，但你可以自由調整順序，如果你腦中有出現想寫的內容，就直接寫，想不到時就參考這個架構，給你啟發。」






    後來，我也常常利用這樣的方式，跟孩子一起寫「真實生活中的日記」（不是老師的學校作業）。

    當然孩子可以自己手寫、手繪會更好，但我想先聚焦在「孩子願意說出自己的感覺、想法，懂得形容」這件事情上，所以我利用同樣的語音日記方式，像是在旅行途中，跟孩子一起討論今天旅遊行程的記憶點，讓孩子說出自己的感覺，轉成一篇語音日記。

    然後把語音日記上傳到 Gemini ，請他繪製成一張今天的旅行手帳，留下記憶，也讓孩子看到自己剛剛說出來的想法，其實可以變成這樣有趣的內容。





    07.讓 AI 成為我的親子溝通輔導教練

    親子溝通最困難的一點，是我們在情緒的當下，往往無法有效地採取最適當的溝通方式，而會採取彼此傷害的方式。但是冷靜下來很難，我覺得這時候有一個 AI 教練可以輔助，是不錯的。

    不過，當然不是隨便問 AI ，就讓 AI 憑空給我任何親子建議或解答。

    我的第一步，是先把我大量的親子相關閱讀學習筆記，上傳給 AI，讓 AI 也跟我一起學習，理解我的想法。（延伸閱讀：用 ChatGPT 陪我讀英文原文書：5 個強化學習、筆記整理到行動轉化的 AI 技巧）




    接著當遇到生活中的某些溝通難題時，我會聽聽看 AI 的建議，請他根據前面學習過的方法，針對現在一個新的事件，給我一些具體的溝通引導。

    我們當然不用完全照做，但我覺得這個過程，可以讓我有一個冷靜下來、思考一下，想清楚再行動的空間，而這是親子溝通很需要的。





    有時候 AI 的建議，也會啟發我一些更好的行動想法，並且如果我持續在一個討論串上討論這個問題， AI 也懂得參考前面的經驗，提供給我修正的方法與回答，就像一個真正的陪跑教練一樣。（延伸閱讀：ChatGPT 的 PARA 聊天室分類法：增強 AI 協作威力實戰案例分享）




    以上，就是我這兩三年來，最常在親子生活中使用的 AI 應用案例，提供大家參考。大致上的案例都符合下面這個流程：

    1. 先抓出真正的親子情境痛點（無聊、複習抗拒、寫作卡關、溝通失控）
    2. 把素材變成可用輸入（考卷拍照、課本頁、語音逐字、日記、自己的教養筆記）
    3. 用 AI 做「演繹」，而不是「直接代工」（變遊戲、變劇情、變圖卡、變互動、變闖關、變角色視角）
    4. 最後一定回到父母的陪伴與校正（一起討論、一起玩、指出 AI 可能的小錯）



    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：我用 Chrome 內建分頁群組，解決多線 AI 助理與工作流程混亂的問題）

    養成讓 AI 復盤工作流程的習慣，你的 ChatGPT、Codex、OpenClaw 助理就會愈做愈好

    ✇電腦玩物
    Esor Huang

    怎麼讓 AI 從一次性的工具，變成能長期合作的工作夥伴？

    很多人以為 AI 用得好，關鍵在於 prompt 寫得夠完整、夠厲害；但是經過我這段時間反覆實測後慢慢確定，真正讓 AI 愈用愈準確、跨工具也能順利接手的關鍵，往往是有沒有把自己已經驗證有效的工作流程，整理成 AI 也看得懂、能遵守、能持續更新的規則系統。

    最近這幾個月，我開始養成一個習慣：

    把自己和 AI 合作後做得好的工作流程，慢慢寫成一份一份規則文件，讓 AI 助理能夠持續參考、反覆沿用。

    如果 workflow 還只存在你的腦中，只散落在片段聊天或零散 prompt 裡，那麼 AI 每一次都只能重新猜一次你的標準。可是當 workflow 被你整理進指令、文件、規則與復盤機制裡，它就不再只是一段聊天，而會慢慢變成一套可以持續運作的工作系統。






    一個很小的動作，改變了我後面一個月的 AI 工作流程

    先講一個真實案例。農曆年結束後，我在自己的 ChatGPT 裡做了一個很簡單的動作。這個動作不到一分鐘，但它對我接下來最近一個月的 ChatGPT 工作流程，帶來非常明顯的正向影響。

    因為我已經用 ChatGPT 好幾年了，加上前面幾年我自己一直有在實踐 PARA、專案分類、工作流程拆解這些方法，所以我知道自己在 ChatGPT 裡，其實已經留下了很多個不同專案、不同任務的工作經驗。（延伸閱讀：ChatGPT 的 PARA 聊天室分類法：增強 AI 協作威力實戰案例分享）

    於是那時候我做了一件事：我請 ChatGPT 回顧我不同專案討論串裡的聊天記錄，幫我整理這段時間以來，我聚焦在哪些主題的專案上，我在這些不同類型的專案裡慣用的分析邏輯是什麼，我最常執行的任務有哪些，而這些任務執行時常用的工作規則與操作步驟又是什麼。

    換句話說，我請 ChatGPT 透過它的整理能力、研究能力與記憶能力，先幫我把我原本就存在、但過去沒有明確寫出來的方法，梳理成一份我看得懂、也能驗證的工作原則。

    你是我的AI工作流程助手 根據我目前跟你討論的現況 擬出一份未來你作為AI助手處理工作的指導原則清單指南 請你一步步分析 首先你應該先去回顧最近我們最常討論的聊天紀錄 根據我們的聊天紀錄理解目前我最常進行的專案 並且設定出每個專案核心的知識背景 以及我們最常處理的任務和處理這些任務執行這些專案的關鍵步驟 執行原則 邏輯找出那些具有特殊性的地方 目的是未來你作為AI助手在執行這些工作的時候 有一份符合我們前面聊天紀錄處理事情方法的指南 最後從這些不同專案任務中再抽練出有沒有共通的 我們在執行工作的時候的指導原則 然後完成這份手冊的撰寫




    這整個過程其實非常快。AI 很快就幫我整理出一份從部落格、自媒體、課程、出版、親子、旅行、個人生活精進等不同角度出發的專案目標與工作流程摘要。然後我仔細看了一輪，發現它在一些共通原則、專案方向與工作步驟上的整理，都做得很好。

    也就是一份非常像「AI 工作流程助手指導原則手冊」的內容。




    例如，它幫我抽出了我最常使用的幾個共通原則，例如：

    • 第一，我做事情時，總是喜歡先定義要交付什麼成果，再開始分析。
    • 第二，我會先預擬這個成果的價值，再回頭拆解要達成這個價值，中間會遇到哪些問題與阻礙。
    • 第三，我會進一步把問題拆成現階段可以馬上推進的階段性產出，用「破解問題」的方式，讓目標做得更好、更有計畫。
    • 第四，我所有的建議最後都必須落到可執行的下一步，而不是停留在空泛理解。

    如果上過電腦玩物時間管理、筆記術或工作流程課程的朋友，看到這裡應該會很熟悉。這確實就是我長期在使用的方法。我把它用在很多真實的人生、工作與專案任務上：

    只是過去很多時候它是活在我的工作節奏裡，並沒有被完整寫成 AI 可以讀的規則。

    而當 AI 幫我把它梳理出來後，我接著做了下一步。




    從 ChatGPT prompt 到建立 ChatGPT 內的規則系統

    我把 AI 幫我整理出來的共通原則，放進 ChatGPT 的自訂指令裡。我也把它整理出來關於我的任務類型與工作脈絡，放進 ChatGPT 的「關於我」裡。




    接著，我本來就有用 ChatGPT 的專案功能做分類，像是出版計畫、自媒體寫作、親子規劃、個人生活精進等不同討論串，我就再把 AI 從這些討論串裡回顧出來的各自工作規則，放進相對應的專案指令中。




    效果非常快就出現了。

    接下來我進入「電腦玩物寫作專案」時，它會更自然地用符合我思考邏輯的方法幫我拆解題目、研究資料、設計文章架構。當我進入工作專案討論串，或詢問課程設計相關問題時，它也更能準確抓住我處理這類專案時的工作邏輯，再依照我的共通原則，給出更好的結果。

    這時候影響輸出品質的，已經不只是當下那一段指令，而是背後是否存在一套能長期指引 AI 的核心記憶、共通原則，以及面對不同任務時可以套用的工作規則。

    這也是我後來慢慢很在意的一件事：

    真正重要的，不是我當下臨時寫出一段多厲害的 prompt，而是我有沒有把那些已經做得好的工作方法，整理成一套 AI 也能穩定遵守的規則系統。





    覺得 ChatGPT 生成內容不穩定，先建立專屬於你的工作規則

    現在很多人都已經在用 ChatGPT、Gemini，或其他不同型態的 AI 助理工作。不過我觀察大家常遇到的問題其實很接近。

    • 每次問答似乎都從零開始。
    • 換一個 AI 工具，整個討論過程都要重來一次。
    • 很多人會覺得 AI 有時候回答很好，有時候又完全不像同一個助理。
    • 更常見的情況是，自己其實有一套做事方法，只是從來沒有被寫下來，所以 AI 永遠只能猜。

    從這個角度來看，問題不一定在於 AI 不夠強，而比較像是：我們以前沒有把自己做事的方法，整理成 AI 也能讀得懂的規則。

    所以如果你問我，想讓 AI 助理更懂你、更穩定、更能跨工具延續，第一步該做什麼，我會建議先做下面這幾個步驟。

    • Step 1：先請 ChatGPT 回顧聊天與工作脈絡
    這一步，不是直接叫 AI「更懂我」，而是先讓它回顧你們近期真的做過的事。你可以請它幫你整理：

    • 你最近常處理哪些專案；
    • 你最常執行哪些任務；
    • 每個任務的關鍵步驟是什麼；
    • 這些步驟裡，有沒有反覆出現的共通原則。

    這其實很像一次工作回顧。先從已經發生的案例中，把你真正穩定在用的方法抽出來。

    很多人一開始就想直接寫一套完整 SOP 給 AI，可是大多數人其實很難憑空寫出來。真正比較可行的方法，是先回顧你們已經做過的事情，從那些有效的實例中，倒推出你真正慣用的方法論。

    • Step 2：讓 AI 把共通原則抽煉出來
    當 AI 幫你回顧了一輪聊天、任務與專案後，接下來要做的事，就是把那些共通原則抽出來，寫成你之後可以持續沿用的「主規則」。

    以我自己的例子來說，我後來整理出的共通原則，大致會落在下面幾條：

    • 先定義要交付什麼成果，再開始分析。
    • 先拆問題，再給答案。
    • 先設定目標、現況、限制、成功條件，再拆步驟。
    • 所有建議都要能落地，並且有目前就能推進的下一步。
    • 把可重複的方法整理成可持久的手冊、清單、規則文件。

    這裡要特別強調的是，這些原則不是漂亮話，這些原則之所以有用，是因為它們真的是從你的工作節奏、思考方式、驗收標準中抽出來的。

    這些東西一旦被抽出來，AI 之後在不同任務裡，就會更容易抓到你真正重視的標準。

    • Step 3：先放進 ChatGPT 的自訂指令與「關於我」
    這是規則化的第一層。對於大多數使用 ChatGPT 的使用者來說，簡單而有效。

    你可以先把兩類內容放進 ChatGPT 內部：

    • 第一類是「關於我」，讓 AI 了解你的身份、工作情境、讀者輪廓、常見任務與常處理的專案。
    • 第二類是「自訂指令」 中「應如何回應」的原則，讓 AI 了解你的流程偏好，例如先定義交付物、一步一步分析、重視可執行性、維持某種語氣與架構。

    這樣做的效果很實際：

    • 同一個 ChatGPT 會先變得穩定。
    • 你不需要每次重講一遍背景。
    • AI 對你的工作風格，也會開始有比較一致的理解。

    如果你有在使用 ChatGPT 的專案功能，還可以進一步把不同任務類型的規則，放進不同專案裡。這樣一來，AI 不只是知道「你是誰」，它也知道你在不同任務裡，會用什麼方法工作。

    AI 做得好，是因為你把已驗證有效的 workflow 外顯成規則、記憶、驗收與回存機制。




    一般人也能透過讓 AI 「持續復盤」的方式建立規則，設計出你的 AI 助理：

    很多人聽到這裡，會以為自己接下來要先花很長時間，把所有規則一次寫完。其實不需要。

    我反而覺得，一般人最容易做得到的方法，是在一邊跟 AI 合作工作的過程中，一邊透過復盤，慢慢把有效流程整理成規則。

    例如你現在要規劃一場產品活動，你開始跟 AI 討論活動主題、研究案例、查詢市場資訊、整理論壇意見、設計行銷邏輯。剛開始時，AI 也許找資料不夠嚴謹，或者整理出來的內容沒有引用驗證。這時候你會追問、修正，告訴它之後找資料時要附上來源，要有找到的資料才能說出有根據的結論。

    經過一兩次追問修改後，你會發現它終於做到你要的要求了。

    這時候，很多人就直接把這個成果拿去用，然後下一次又從頭來過。但我後來發現，最重要的一步往往就在這裡：

    當 AI 做出有效結果後，你應該馬上請它做一次復盤，幫你把「剛才為什麼做得好」寫成一份之後可以套用的規則文件。

    • 例如你可以請它寫成一份「搜尋研究資料的工作規則」。
    • 之後當你們一起完成一份活動企劃案，也可以請它再寫成一份「有效活動企劃的工作流程規則」。
    • 當你們一起做出一份有效報告，則可以再整理成一份「處理有效報告的規則文件」。

    當你慢慢累積出這些規則文件之後，AI 在這個專案裡就會更懂得如何處理這些任務。如果你把它們放進自訂指令、專案設定，甚至更進一步放到其他工具的規則文件中，那它在不同討論串、不同專案，甚至不同 AI 工具之間，也會更懂得延續同一套做法。

    這個過程其實很像一個真實的人與人合作流程。你們不是一開始就有一本完整手冊，而是在持續磨合、討論、修正、完成有效成果之後，再透過復盤，把有效做法寫下來，之後反覆沿用。

    所以我現在會把這個流程看成一個很簡單、但很重要的循環：

    1. 先跟 AI 一起完成一次任務。
    2. 在過程中追問、修正、驗收。
    3. 當結果開始有效時，馬上請 AI 復盤並整理成規則。
    4. 把規則放進記憶、指令、專案文件。
    5. 之後持續沿用，再根據新經驗微調。

    這種一邊做、一邊復盤、一邊建立規則的方式，對大多數工作者來說，比起一開始就硬寫完整規範，實際得多，也容易持續下去。





    當你開始切換多個不同 AI 工具，規則會變得更重要

    這件事，在我最近切換不同 AI 工具與助理時，感受特別強烈。

    因為現在可用的 AI 模型、AI 助理、AI 開發工具愈來愈多。有些工具比較強在聊天，有些比較強在操作處理專案文件，有些比較強在自動化流程，有些則適合當資訊入口。當我開始在 ChatGPT 之外，也用 OpenClaw、Codex、Google 的 Antigravity 等不同工具處理同一個專案時，我就發現：

    前面整理出來的那些原則、專案類型、工作流程規則文件，讓多個 AI 助理可以一起合作的價值立刻放大。

    例如前一陣子我在部署 OpenClaw 時做的第一件事，就是把我前面在 ChatGPT 用上述方法整理完成的原則、專案類型與工作流程規則文件，全部丟進 OpenClaw，讓它先讀過一遍。它讀完之後，很快就能建立或修改屬於它自己的記憶與 workflow 文件。

    這個過程其實不到兩三分鐘。但當我開始跟剛安裝完成的 OpenClaw 問答時，它就像一個我已經用好幾年的專案助理一樣，懂得我的工作狀態，知道我處理任務時重視的原則，也能用符合我工作邏輯的方式回答。

    後來我開始串聯 OpenClaw、Codex、ChatGPT、Gemini、Antigravity 這些不同工具來處理同一個專案時，這些規則文件就變得更重要。因為我不是只把程式碼、資料或聊天記錄搬過去，而是把「這個專案目前怎麼做才算好」的共同邏輯也一起搬過去。

    之前我在社群上分享過這段經驗：

    #我現在的分工，以及如何讓多個 AI 助理變成一個可以合作的團隊


    - OpenClaw：我用 Telegram 丟資料時最方便，主要負責「資訊入口＋進行抓取與初步整理筆記卡片」
    - Codex 桌面端：在電腦端更舒服，他的運算能力也更強，主要負責「從既有永久筆記推進寫作/研究計畫」
    - ChatGPT / Gemini：補充零散的搜尋調查與快速問答討論
    - Antigravity（或其他本機工具）：做 Markdown 編輯/瀏覽，或是系統維護

    但我覺得更關鍵的是：每一個助理可以同時進行我賦予的特別工作任務，但每一助理也都「可以」接手同一條完整的輸入到輸出草稿流程。

    因為它們共享的不是聊天紀錄，而是共享一套「外部共同記憶」：

    - 同一套資料夾結構
    - 同一套同步規則
    - 更重要的是，#同一套workflow的計畫與規則文件系統。

    這時候，建立 Agent / workflow / rules 相關文件確實是一個有效的方法。

    這些規則文件讓多個 AI 助理（Codex、 OpenClaw、 Antigravity，甚至 ChatGPT 我也把這些文件內容上傳讓他記住），讓我可以把同一個專案拆成「同時進行」的幾條線，但每個助理都了解工作方式，都可以處理各自任務。

    舉例來說：

    - 我從讓 OpenClaw 處理我剛丟進去的最新資訊來源 → 變成筆記卡 → 更新永久筆記
    - 同時間我讓 Codex 讀既有永久筆記 → 思考下一篇文章/研究計畫/大綱
    - 在前面兩個 AI 助理自動工作實，我用 ChatGPT/Gemini 做補充研究 → 把關鍵資料丟回同一個資料庫，進入處理的正向循環
    - 可是 OpenClaw、 Codex、 Antigravity 都會記住彼此做了什麼，可以隨時接續最新進度，展開下一步處理，維持共同邏輯。

    其實我用的方式非常簡單，就是這些 AI 助理與工具管理的是同一個資料庫。另外就是規則、Skills等等有分級，第一層資料夾是主規則，主規則會寫好邏輯，告訴AI針對每一個不同任務，到不同任務資料夾看資料，並使用不同任務資料夾裡的子規則。

    所以像是我告訴 AI 要抓取文章做筆記， AI 先看主規則，知道要去 raw 資料夾操作，進去後看到如何處理 raw 到筆記卡的規則，這時候遇到抓取 YouTube 字幕的問題，而 raw 裡的規則會引導 AI 去使用某個 Skills 或小工具。

    工作流程主從層次與分支清楚，就很好管理（而這可以請 AI 協助做編輯與分類）。

    最後整個資料庫會像「多個員工一起工作」一樣，整合建立一個完整的產出資料庫。




    一個更生活化的例子：家族旅行網站工具

    我最近有一個很生活化、也很能說明這件事的例子。

    我正在規劃一個很多人要一起出發的家族旅行。我想做一個網頁型的 App，把這次旅行的行程攻略、複雜的景點餐廳資訊、旅行中的注意事項、待辦清單與查詢功能整理在一起。讓每一位旅行成員打開後，都能快速查到某一天的行程、某一個地點的資訊，或行前、行中需要注意的事項。




    一開始，我先在 Google Gemini 上做出這個網頁工具的原型。可是 Gemini 畢竟比較適合處理較簡單的版本，當我想把這個網站做得更複雜，甚至要進一步線上部署時，我想要把它轉移到 Google 的 Antigravity。

    但在轉移之前，我並不是只把網站程式碼搬過去。我會先請 Gemini 根據我們前面設計這個網站原型時用到的工作邏輯，以及目前修改出來、已經有初步可用架構的網站狀態，先梳理成一份「專案目標＋設計規則」文件。

    接下來，當我要把專案轉移到另外一個 AI 工具時，我會把程式碼、專案進度文件、設計規則文件一起搬過去，請新的 AI 先讀專案進度與設計規則，再去分析目前的程式碼，看下一步要怎麼改。

    後來到了下一個階段，Antigravity 的額度有限，而且當我要處理更複雜的特效與更繁瑣的資料庫邏輯時，它也不適合再負擔這樣的任務。我就把目前的資料庫狀態、程式碼與前面的規則文件、專案進度文件，再搬移到 ChatGPT 付費版可以使用的 Codex。

    同樣地，我會先請 Codex 讀專案進度與規則文件，再開始幫我修改程式碼。




    就在這樣的過程中，我發現每一次的轉移都很順暢。新的 AI 助理可以立即接手，我甚至可以同一時間讓不同 AI 工具分工處理同一個專案，或者在不同階段交棒，但整體邏輯都能延續。

    後來，當這個旅行網站工具進一步進入比較複雜的資料庫設計階段時，我又做了同樣的事。

    我希望未來無論我丟進去的是行程資訊、攻略資料、景點餐廳資料，還是真實旅遊心得，AI 都能有效幫我重新拆解、放回網站上正確的位置，讓整個資料庫維持穩定狀態。

    於是我請 Codex 先分析整個專案目前的資料庫架構，分析行程資訊通常放在哪裡、景點與餐廳資訊通常怎麼更新、攻略與注意事項通常怎麼描述，讓 AI 自主分析目前狀態與近期不斷修正之後的最佳工作流程，然後再建立一份新的規則文件。




    一旦這份規則文件建立好，我後面的工作流就變得更有效率。比如我今天找到一篇別人去同一個地方旅遊的真實心得，我就直接把這篇文章丟給 AI，請它根據前面自己整理出來的規則，把裡面的資訊重新拆解，分別放進適合的行程、景點、攻略、注意事項架構中。這時候 AI （這裡是用 Codex）就能非常準確地完成我的需求。





    小結：AI 真正會愈用愈好，靠的是規則化之後的工作方法

    很多人接觸 AI 之後，很容易立刻想追求「全自動」。可是我現在的想法剛好相反。我會建議先不要急著追求全自動。先追求一件更重要的事：

    AI 做事開始有一致標準。

    只要 AI 每次做同類型的工作，開始愈來愈接近你的驗收邏輯、愈來愈符合你的工作方式，後面才更容易談自動化、跨工具接手、多助理分工與更長的專案流程。

    說到底，這其實也很像以前我們人自己在做好一件事情時，會使用的時間管理與工作管理方法：

    事情做得好之後，不只完成它，還會做一次復盤，把「這次為什麼做好」整理成下一次可以沿用的做法。

    當人跟 AI 合作之後，我覺得這依然是很有效的方法，而且會愈來愈重要。

    你可以先挑一個自己最常做的 AI 任務，例如搜尋研究資料、整理會議紀錄、寫企劃、做簡報、整理逐字稿。接著利用前面「跟 AI 一起復盤前面做了什麼」的步驟，先把下面四種規則產出：

    • 這個任務的目標是什麼。
    • 這個任務的背景、情境與限制條件是什麼。
    • 這個任務有哪些要遵循的工作流程。
    • 做到什麼程度，才算完成（如何驗收）。

    跟 AI 一起把這個任務做一或幾次，在過程中持續修正、追問、驗收。等你們真的做出一版有效成果之後，記得馬上請 AI 幫你把這次的有效做法整理成規則。

    你可以直接用下面這段話：

    「請根據我們剛才從需求到產出的整個過程，整理出一份之後可以重複套用的工作規則。請包含：目標、適用情境、輸入資料、處理步驟、驗收標準、常見錯誤與下次執行提醒。」

    這樣做過幾次之後，你會很快發現，AI 不只是比較懂你，而是開始比較會做事。

    規則一旦慢慢累積起來，你會發現，無論你用的是 ChatGPT、Codex、OpenClaw，甚至未來換了新的 AI 工具，你的 AI 助理都比較有可能延續同一套工作邏輯，幫你把事情做得更準確、更穩定，也更接近你真正想要的成果。

    如果說這段實踐經驗給我的啟發，以及我現在必定會有的習慣就是：以後當 AI 幫我做出一個真的有效的成果時，我不應該只把成果拿走，而是要立刻請它幫我復盤：為什麼這次做得好？把它整理成下次可重複使用的規則。



    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：養成讓 AI 復盤工作流程的習慣，你的 ChatGPT、Codex、OpenClaw 助理就會愈做愈好）

    不同 AI 工具如何分工、接力完成專案，分享我做一個象棋教學遊戲的流程

    ✇電腦玩物
    Esor Huang

    有一次週末時間，跟孩子一起下象棋，孩子提議如果有一個象棋遊戲兼教練，可以讓我們透過跟電腦對戰來提升棋力，或者我們兩人一起討論策略去贏過電腦，這樣也是另外一種有趣的玩法。當然，市面上一定有這樣的象棋 App 可以直接滿足上面需求，但我想說，有沒有機會利用半天時間，試試看自己用 AI 做出一個象棋軟體呢？

    但是，今天這篇文章，主軸不是要說怎麼開發，不是要教怎麼 Vibe Coding ，更不是要提倡 AI 寫程式有多厲害，因為我不是真正的開發者，所以不會在這一塊班門弄斧。

    我是想從非工程師的角度，分享怎麼運用多種 AI 工具去完成一個專案的流程，讓不同的 AI 模型各司其職，但又能彼此接手工作的方法。

    從經驗談的角度出發，這個流程我也會套用在其他不同工作的專案上，或許你也可以舉一反三應用在其他地方（只是做的成果不同，搭配的 AI 工具不同）。







    為什麼一個任務成果，需要多個 AI 工具接手？（非工程師角度）

    其實，一開始小孩說想要有一個象棋遊戲可以玩，我的第一個想法是：直接用 Google Gemini 的 Canvas 做一個線上可玩的象棋小遊戲就好了吧？

    下一個簡單的指令，確實 Gemini 在兩三分鐘後就給我一個可玩的原型版本。




    但是，實際跟小孩一起玩玩看之後，小孩說電腦不夠聰明、有些規則有問題、想要加上一些特效、音效或特殊功能，又更進一步的希望能夠記錄棋譜、能夠紀錄成績、能夠有「電腦的指導教學」。

    原本想說就繼續讓 Gemini 在一個網頁原型上「硬改」看看，結果發現因為缺乏前期有效規劃，愈改愈亂， 30 分鐘後還達到 Gemini AI Pro 問答生成程式碼的區間額度限制。

    於是才想說，那不如讓不同 AI 工具來分工完成看看？於是我又花了大約兩個小時的時間，讓不同 AI 工具接力，完成了目前常常拿出來跟孩子一起練習象棋的工具。

    我先把這個「有點認真的象棋遊戲＋教學教練」的專案，切分成幾個階段，然後根據我對幾種 AI 工具的判斷，將每個階段交付給適合的 AI 工具去處理：

    • ChatGPT 做前期研究與規劃
    • Gemini 做快速原型測試
    • Google AI Studio 生成整個專案骨架
    • Antigravity 做進階功能延伸
    • Codex 做最佳化、多檔案重構、長期維護

    但是怎麼讓不同 AI 工具接手同一個專案，而且還能維持邏輯一致，可以立即上工，並且可以根據不同 AI 工具的特性，解決這個專案的不同層面問題呢？這篇文章就來分享自己的經驗談。

    專案階段
    我選擇的工具
    核心任務
    為什麼適合
    0→1 構思
    ChatGPT
    研究資料、概念發想、規則梳理
    探索力強
    1→10 原型
    Gemini
    快速做出可玩介面
    做出視覺與互動原型快
    10→40 骨架
    Google AI Studio
    生成專案檔案骨架
    一次性產出基本架構
    40→70 工程
    Antigravity
    精準改檔、測試、重構
    細部修改與強化功能
    70→∞ 維護
    Codex
    最佳化、補功能
    長期穩定修改與維護





    ChatGPT 階段：資料研究、概念發想、專案規劃、技術選擇、遊戲邏輯分析

    我意識到自己前面第一次直接在 Gemini 讓 AI 做一個象棋遊戲時：

    沒有先做好研究與規劃，所以之後愈改愈亂。

    而這一次，我先在 ChatGPT 中建立一個討論串，讓 ChatGPT 先去搜尋研究象棋規則，調查目前象棋遊戲的設計邏輯，進一步分析小孩的喜好與想法。讓 ChatGPT 透過調查研究，先掌握要設計象棋遊戲的基本知識與技巧。

    然後我還用錄音訪談的方式，透過聊天，錄下小孩想要什麼樣的象棋遊戲，希望有哪些功能，甚至鼓勵他天馬行攻的想一些特殊玩法。然後把這段訪談錄音轉成逐字稿。

    最後，我把逐字稿也上傳到 ChatGPT ，請他用前面研究過的知識、技術，幫我重新整合成一個我的小孩真正需要且會喜歡的象棋遊戲專案計畫。

    你是孩子的遊戲設計助理，我要幫孩子設計一個線上象棋遊戲，先幫我擬定一個遊戲專案規劃。請一步一步分析，上網搜尋中國象棋的基本規則、玩法，然後搜尋類似遊戲設計案例，思考必備的線上網頁遊戲基本規劃。 接著根據前面你對我和小孩一起玩遊戲的喜好理解，解讀下面我訪談小孩想要的遊戲機制，根據前面你的基本中國象棋遊戲設計架構，根據你的遊戲設計專家角度重新思考，規劃出最適合我和小孩玩的中國象棋遊戲設計專案規劃企劃案。 訪談內容：###




    最重要的是在 ChatGPT 充分研究後，先寫出一份包含要用什麼技術、象棋規則怎麼導入的專案規劃書。

    之後換到不同的 AI 工具接手，就可以先「交接」這份規劃書，讓接手的 AI 立刻掌舵狀況。




    Gemini 階段：快速產出可玩的原型介面，確認可行

    我很習慣任何專案一開始（不只是做一個小工具或遊戲，也包含一個知識產品、活動企劃等等），都先像前面一樣，讓 ChatGPT 去調查、研究、分析，經過學習後，擬出一份符合我需求的專案規劃書，然後再開始工作。

    而以這個象棋遊戲為例，接下來我需要快速試試看這個專案規劃的一些基本功能，例如電腦對戰、創意技能等等，是否可行？

    於是我又回到 Gemini （超過限制時間後，額度又回來了），把 ChatGPT 的專案規劃丟上去，請她盡可能做出專案上她可以做得到的功能。

    初期要測試看看專案概念是否可行，產出可執行的原型（或是網頁、圖像、簡報等等產出）， Gemini 確實很快就能做出有外觀介面、有基本互動的成果。

    我先用這個方法，確定 ChatGPT 做出的專案規劃基本可行，後面才有機會一步一步加上更多功能。（例如如果需要更進一步的後台資料庫、棋譜、電腦思考棋步的運算邏輯、電腦可以推演棋步做教學等，就無法只是在 Gemini 上就做出來。）





    Google AI Studio 階段：生成整個專案骨架

    如果要一個認真、可玩、長期練習的象棋遊戲，需要一個完整的程式架構，所以在 Gemini 先用幾分鐘確認可行，有機會做到後，我就轉換到 Google AI Studio 來生成這個專案的基本骨架。

    我一樣把前面 ChatGPT 寫出來的專案規劃書貼上 Google AI Studio ，請內建的 Gemini 3.1 Pro 根據規劃書，開發一個象棋遊戲。




    Google AI Studio 會「一口氣」生成專案需要的介面、功能、前端、後台等各種程式與檔案。例如在我的這個例子中，除了完成前端的介面互動與棋盤設計外，他也幫我寫了一個新的xiangqi.ts（象棋規則引擎，其實有既有的引擎，不過 AI 這邊自己寫出一個），思考了小孩想要的「特殊功能」如何跟正規象棋規則分開。

    對比來看， Gemini 做出有畫面的基本功能，但專案規劃書有很多特殊能力他無法做到。而 Google AI Studio 因為可以架構更完整的程式碼，所以像是電腦下棋難易度的分析等等都可以一口氣做完。




    不過因為 Google AI Studio 有一個問題，生出架構後，當然還需要修改，例如有些程式擠了太多規則變得肥大，或是高難度的電腦因為運算太久導致卡住，面對象棋特殊局面的規則還無法有效處理，因為純演算導致電腦開局反而比較笨等等。

    這些問題本來我也想要在 Google AI Studio 改，但 Google AI Studio 畢竟是測試用環境，他的「記憶能力」不太好，幾次對話就會忘了前面的專案目標與規則，不適合長期迭代修改。

    所以我把它完成的基本象棋遊戲程式碼「下載」到本機電腦，改用 Google 的 Antigravity 來進一步修改更細節的功能。




    Antigravity：完整的開發代理，接手骨架，做進階功能添加

    我是使用 Google AI Pro 的帳戶，所以在 Antigravity 上有一定的 Gemini 3.1 Pro、 Claude Opus 額度，但這個額度也沒有很高，我的經驗是如果幾個小時連續運作複雜程式修改，往往就要隔幾天才能再使用。




    Google Antigravity 能夠處理本機上指定資料夾內的檔案、文件（當然還有程式碼），簡單好用，他可以做到（後面的 Codex 也可以）：

    • 直接操作指定資料夾內的：讀、寫、建立、刪除檔案
    • 執行終端命令
    • 瀏覽器自動化測試：可以打開 localhost、點按鈕、截圖驗證
    • 記憶能力很好，可以維持專案改進過程的上下文
    • 精確的編輯：可以只改第 157 行而不動其他地方
    • 多檔案協同重構：同時修改多檔案並保持專案一致性
    • 也可以用現在最流行的方式做專案管理：維護各種專案規則的 md 文件

    我讓 Google 的 Antigravity 先接手處理剛剛 Google AI Studio 完成的象棋遊戲基本骨架，然後先加上幾個主要的功能。



    第一步，我讓 Google Antigravity 先閱讀目前專案程式碼，然後再看一次前面 ChatGPT 規劃出來的計畫書，比較一下兩者異同，掌握專案現況，思考接下來專案應該怎麼開發。

    更重要的，先建立一份未來可以依循的「專案規則文件」。（延伸閱讀：養成讓 AI 復盤工作流程的習慣，你的 ChatGPT、Codex、OpenClaw 助理就會愈做愈好）




    接著我讓 Google Antigravity（或者說它內建的 Gemini、 Claude ）找出目前專案根據規畫還可改進之處，然後我把改進變成一個一個任務，貼上去讓 Antigravity 接力修改。




    不過因為知道 Antigravity 的額度有限，加上我其實更喜歡使用 Codex （ OpenAI 的程式開發工具），未來一定會再交給 Codex 接手。

    為了讓之後接手更順暢，當 Antigravity 這邊做了什麼大改動，就請他在專案相關規則文件中做更新、對齊進度、修改最新規則等。





    Codex：系統的最佳化，長期的維護、修改

    現在這個象棋遊戲的專案，則已經轉移到了 OpenAI 的 Codex 繼續接手。

    既然如此，為什麼不乾脆一開始就會 Codex 做呢？

    我的想法是，在 ChatGPT 上做搜尋、研究、調查（Deep Research），先進行資料的統整分析，然後做專案規劃的討論，是比較適合的。所以我把想出專案規劃書這一步，交給 ChatGPT。

    既然要做認真的 App ，確實就不會只是用 Gemini 的 Canvas 製作，但可以先用 Gemini 測試看看外觀做出來是什麼樣子，基本的規劃邏輯跑得動嗎？

    倒是不一定需要用 Google AI Studio 製作出遊戲骨架，這一步也可以直接就交給 Antigravity 或 Codex，所以後面三個 AI 程式開發工具互相接手，考量的其實是「額度」的問題。

    雖然我有 Google AI Pro 和 ChatGPT Plus 帳號，但畢竟本職不是工程師，沒有真的採用買 Token 額度的方案，而這時候這兩者在用 Antigravity 或 Codex 做工具時的額度也都是有一定限制，如果用得勤快一點，在循環時間內的額度常常是不夠我用的。

    所以我就採用了讓三種 AI 程式工具互相接手的方式。




    下面是我這次經驗，不同工具分別開發了哪些功能：

    • ChatGPT：做了許多搜尋、研究、分析，寫出專案規畫出。
    • Gemini：只是測試看看做得出來嗎？
    • Google AI Studio ：完成基本的程式骨架。可玩的電腦對戰象棋遊戲。
    • Google Antigravity：
      • 製作本機可以啟動的執行檔。
      • 完成程式碼版本控管與同步規劃。
      • 改進電腦運算規則，讓電腦棋步有難度、但也不會導致卡頓。
      • 加上開局棋譜等資料庫，強化電腦的下棋能力。
      • 進一步改進特殊情況的規則。
    • Codex
      • 最佳化整個程式碼，讓每一個程式不擁腫，執行更快。
      • 導入可個人非商業使用的象棋引擎，做為大師級的挑戰。
      • 加上 AI 教練功能，讓電腦可以當下引導玩家做出更好的棋步選擇，並說明原因。

    Codex 要接手時，第一步我一樣讓他先去讀程式碼，以及前面我有持續維護更新的專案規則文件，掌握專案現況，接下來就可以更順利地推進工作。




    使用 Codex 開發功能的時候，我會使用規劃模式，讓 AI 先做出規劃，我確認後再執行，面對複雜改動時往往更有效。




    目前這個象棋遊戲，變成我和孩子週末練習時的一個有效輔助和遊戲。

    我們還是會拿出真的象棋來玩，但當想要挑戰一下，或是練習的時候，就打開這個象棋遊戲，用他的困難模式來訓練自己，或是父子一起挑戰大師模式，適時用電腦教學來看看什麼可能是更好的策略。

    在這次的經驗中，不只是開發程式，完成企劃、內容專案也一樣， AI 工具有不同特色，而不同 AI 之間能順利接手，關鍵在於「先把研究與規劃做紮實，再進入產出。」然後在不同 AI 工具切換時「把這個專案目前怎麼做才算好的規劃」一起交出去。


     

    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：不同 AI 工具如何分工、接力完成專案，分享我做一個象棋教學遊戲的流程）

    AI 結合卡片盒筆記法，人不再操作軟體，用對話流程讓 Codex 搭建資料整理系統：我的兩個月實測心得

    ✇電腦玩物
    Esor Huang

    首先要說明的是，這篇文章我不會稱為是 AI 可以取代我們的第二大腦，因為我對第二大腦的嚴格定義在於我的專案、任務、行動與經驗管理，而這部分大多時候依然需要自己手動定義、整理與改寫，例如我讓 AI 處理參考資料，但是我需要自己筆記為什麼這樣做的目標？如何做的流程？怎麼做更好的經驗？而這也是我提倡的「防彈筆記法」的核心。

    所以這篇文章想要分享的經驗是，那些外部參考資料，有沒有可能利用 AI ，在不用額外花太多時間的情況下（人只要丟資料、給想法、下指導）， AI 就可以持續整理、歸納、改寫、統整、延伸與檢驗正確性，讓 AI 自動完成一個人（我）可以隨時取用在工作、生活各種產出上的資料庫。

    而因為當 AI （或者 AI Agent ）可以完成上述自動整理流程，並且在我的實做下，像是抓取資料、分類、連結、統整、筆記、畫出流程圖等功能都可以 AI 處理，人「不再需要操作軟體介面」，所以甚至可以做到 AI 本身就是資料庫工具，而我不再需要另外一個 Obsidian、 Notion 或 Evernote 來處理這些外部資料。







    用 AI 建立外部資料庫：讓「整理」與「操作工具」不再成為學習阻礙


    過年期間，我先用 Google 的 Antigravity，讓 AI 幫我做出一個可用的 RSS 閱讀器。那時候有讀者在底下提醒我一句：「如果直接用 OpenClaw 做，可能會更好。」

    那句話後來真的打到我。因為我腦中其實一直卡著一個更大的痛點：最耗時的工作，從來不是讀文章，也不是寫筆記，而是操作軟體去整理的時間。

    把文章結合自己的觀點整理成可重複使用的筆記卡、串聯不同筆記卡片、把相關卡片結合自己的想法變成更穩定的「永久筆記」，再把卡片串成可以拿來處理專案的流程架構、用於寫作的大綱、融入到課程中的方法綱要，這一整段流程，除了要花時間也應該花時間的：我的想法、觀點思考之外，其他很多步驟其實都是「軟體操作時間」。

    我想把時間留給自己的實做、思考、想法產出，但把所有軟體操作時間交給 AI。

    所以我後來做的實驗，並不是想再做一個筆記工具或稍後閱讀工具。而是：

    當我丟出資料、觀點、想法後，能不能讓 AI Agent 類型的助理，直接且自動幫我完成下面工作：

    • 處理我本機資料夾裡的 md 文件。
    • 抓取無論網頁、 YouTube 影片、社群貼文中的內容，建立「參考文獻」。
    • 根據我的觀點整理出筆記摘要，建立某個工具、觀點或技巧的「暫時筆記」。
    • 根據我的需求建立未來各種任務產出可以參照的穩固方法論的「永久筆記」。
    • 在不同永久筆記之間建立連結，可以看到層級關係，乃至於「知識架構圖」。
    • 根據我未來出現的任務、產出，挖取這個外部資料庫，提供我架構、論述、案例、方法大綱。

    關於卡片盒筆記法中的文獻、永久筆記、筆記連結的教學，可以參考我之前的兩篇文章：

    如果講得再白話一點：

    我不是想打造另一套第二大腦、外部資料庫、稍後閱讀軟體，我是想訓練一個能持續幫我整理外部參考資料的 AI 專案助理。




    目前的實際流程示範：以 Codex 為例，我丟網址、丟想法，讓 AI Agent 在本機 md 資料夾裡建立資料庫


    一開始（2026/2 時），我是利用當時很流行的 OpenClaw 來架構這個 AI 整理外部第二大腦的流程，只要在 Telegram 丟一個資料網址，告訴他我的觀點， AI 就會跑完筆記卡摘要與改寫流程，接著自動建議我可以補充到哪些永久筆記，我再補上觀點後， AI 就會持續的穩固我既有的永久筆記系統，並在更新之後幫我調整目前知識架構圖。

    但是目前，我主要利用 ChatGPT 的 Codex 來完成這個流程。

    無論用哪種工具，包含很流行的 Claude Cowork  當然也可以，只要 AI Agent 能讀寫本機 md 文件，又能照著你定義好的流程工作，它就能慢慢接手原本要靠稍後閱讀工具、數位筆記工具、手動剪貼整理才能完成的大量知識整理工作：

    • 一個由 md 文件組成的外部知識庫
    • 一套由 AI Agent 維護的整理流程
    • 一個能回收成卡片、永久筆記、文章草稿與流程圖的工作系統

    AI 工具可能未來會換，但這個資料庫與流程會留下來，可以持續使用。（參考：不同 AI 工具如何分工、接力完成專案，分享我做一個象棋教學遊戲的流程）

    下面就先具體示範我目前的資料庫工作流程，後面再分享其中幾個關鍵細節。




    讓 Codex 在本機資料夾建立資料庫：


    首先，我建立了一個本機資料夾，讓 Codex （或者你也可以用 Claude Code 或 Claude CoWork）來管理其中的各種文件（資料庫的核心，以 markdown 的 md 檔案為主），在這個資料夾建立需要的小工具（例如抓取 YouTube 字幕的 Python 程式），以及建立工作流程、知識處理規則的 md 文件（這些規則文件，可以讓不同 AI 助理共同遵循）（規則文件非常重要，可參考：養成讓 AI 復盤工作流程的習慣，你的 ChatGPT、Codex、OpenClaw 助理就會愈做愈好）。

    除了因為我本來就有 ChatGPT Plus 版本（前幾天更新到 Pro 版本），我用 Codex 還有另外一個原因就是他前一陣子推出桌面軟體端，我更喜歡在這個簡單易懂的對話介面中進行工作流程。

    只要在 Codex 中開啟要用來做資料庫的本機資料夾，接著就可以用對話來建立工具、打造自動流程、處理各種資料夾內的文件檔案。




    在這個流程中，我讓所有資料、知識、草稿、驅動 AI 的規則技術文件，無論是文獻還是永久筆記，全部用 md 文件格式儲存在這個本機資料夾。

    我沒有像很多朋友那樣搭配 Obisidian 等功能來管理，因為我想嘗試：

    「工具就是 AI Agent 本身」，而人「盡可能」不要操作任何軟體介面與功能，人唯一需要的就是「跟 AI Agent 對話」。 




    而雲端同步的功能，我則是要求 Codex 自動幫我推送到 Github 做版本控管，也能在雲端網頁上讀取我的完整資料庫。





    建立 Codex 處理資料庫的基本規則：


    我先對 Codex（一開始其實是在 OpenClaw，但方法都一樣） 定義好抓取所有資料的共通流程，主要的原則有下面這些，而這些原則是來自於我多年來對一個知識管理系統研究後的架構（先貼給 Codex ，請他建立一個之後一定會遵循的規則文件）：

    • 核心流程：抓取來源 →建立 raw 全文證據庫 →根據我的觀點摘要 card 筆記卡 →更新或建立 opinions 永久筆記 →需要的時候根據資料庫內容，進行每日 digest / 寫作大綱 / 關鍵論述輸出 → GitHub 版本同步
    • raw 資料夾（文獻）：是全文證據庫，不能自己省略；抓不完整就不算完成。要注意抓取來源、時間等細節。
    • card 資料夾（暫時筆記）：是一篇原文一張卡，保留我的觀點、摘要、引用、應用情境、下一步行動。
    • opinions 資料夾（永久筆記）：這才是第二大腦核心，重點是更新既有母筆記，不是一直新增新筆記，讓一個主題愈來愈完整。
      • 所有永久筆記更新時，要做判斷屬於哪一種知識：
        • PROJECT = 正在進行專案，通常是我定義的跟我目前想要研究、進行的主題工作有關（例如這個外部資料庫專案）
        • WORKFLOW = 未來可參考的工作流程，包含操作步驟、最佳範例。
        • METHOD = 專案與工作流程通用的方法論，包含理論、證據。
      • 新增 cards 後，必須檢查 opinions 是否需要回填，強制要求 AI 要做這個檢查，主動提供建議，讓 raw 變成 card ，再補充到 opinios ，最後永久筆記愈來愈完整。
      • 但若要新增全新永久筆記，要先取得我的同意，避免資料庫最後發散混亂。
    • 額外的連結與流程圖
      • 所有的 raw 並須連結到原始來源，所有的 crad 必須有 raw 的連結，所有的永久筆記必須有 raw 或 card 的連結。
      • 而永久筆記之間也會互相連結，並建立一個知識架構圖。
        • 每次更新永久筆記後，要同步維護 INDEX（總目錄）、MAP（知識架構圖），讓整個資料庫的體系愈來愈完整。




    上述的規則，一開始先讓 AI 寫進一份 Workflow.md 的文件中，文件放在這個工作資料夾的根目錄，並邀請 Codex 等 AI Agent 每次處理工作時優先遵循這個規則。

    但是你說，下面的規則看起來比上面的簡單版完整很多啊？

    那是因為在兩個月的實踐過程中，每次 AI 的處理有調整，或是處理得很不錯的時候，我都會請 AI 自己復盤，把目前學會更好的處理規則更新回規則文件，這樣 AI 助理之後的工作就會愈做愈好。（延伸閱讀：養成讓 AI 復盤工作流程的習慣，你的 ChatGPT、Codex、OpenClaw 助理就會愈做愈好）





    讓 Codex 根據網址抓取文獻、建立筆記，逐步擴充資料庫：


    有了上面的共通原則後，第一階段我要先讓 Codex 幫我抓取文章，當我看過一篇感興趣的文章、YouTube 影片、社群貼文後，我就把網址丟給 AI Agent（ Codex ），並希望 AI 能夠自動抓取資料全文建立文獻（raw），同時製作一張有我的觀點的筆記卡片（card）。

    我那時候的第一步是從下面這段丟給 AI Agent 的指令開始啟動的：

    根據前面的專案原則，我想建立一個自動整理與成長的資料庫。請一步一步處理：

    1.請你先不要做自動抓取，先在 workspace 建立以下資料夾結構：

    raw/（放原始文章）
    card/（放整理後筆記卡）
    digest/（每日總表，回顧每日資訊總結）

    2,接著請你建立一個「整理腳本」或「工作流程說明」，讓我每次把網址、文章文字，以及我的觀點貼給你時，你就會自動抓取全文放入 raw ，並自動產出符合以下模板的筆記卡到 card。

    模板如下：###
    檔名：YYYY-MM-DD - {title}.md
    內容：
    - 來源：
    - 原文連結：
    - 原文日期：
    - 主題標籤：#AI工具 #工作流 #筆記術（最多 3–5 個，並保持一致性，同一個主題共用同一個標籤）

    一句話結論（我需要記住的）
    （<= 40 字）

    重點摘要，結合我的觀點，盡量搭配使用原文，但翻譯成台灣慣用繁體中文（翻譯後同時附上原文參照）
    1.
    2.
    3.
    4.

    核心概念表格：
    概念
    作者怎麼說
    根據我的觀點，我可以怎麼用（對工作/寫作）

    對我有用的 3 個應用情境
    - 情境 1：
    - 情境 2：
    - 情境 3：

    今天能做的下一步：測試、研究、寫作（務必具體）
    -

    待追問（下次研究關鍵字）
    ###

    不過根據不同情況，就算有上面基本規則，事情也不一定馬上就能順利，但這時候我就都交給 Codex 這樣的 AI Agent 去解決。

    例如有時候抓不到網頁全文？無法抓到 YouTuhe 字幕？有些社群抓不到我想要的指定網址的貼文？我就把問題丟回給 Codex ，讓他找方法解決，可能寫一個 Python 小程式，或是需要申請一個 API ，但就一邊做，一邊讓 Code 幫我補足這些抓取功能。

    或是當我發現有時候 AI 根據我丟的網址，抓到部分資料，但沒有抓到全文，於是我就讓 Codex 寫一個自動檢驗小程式，並讓 AI 在他必定要遵循的規則文件中加上：「抓取文章後一定要跑這個檢驗程式，確定有抓到頭尾完整的內容。」




    所以現在我的這個資料夾中有抓取網頁小工具、PDF轉換小工具、抓取 YouTube 字幕小工具、抓取特定社群貼文小工具等等，這些小工具也都是 Codex AI 自己撰寫。

    讓我每次只要丟一段網址，提出我的觀點， Codex AI Agent 就會自動完成基本的兩大步驟：

    • 先抓取完整內容，建立有引用來源的文獻。
    • 再根據我的觀點，建立筆記摘要卡片。

    例如我讓有了上述基本原則與工具的 AI 來抓取我的這篇文章：「與 AI 助手合作後的第二大腦系統，我在筆記方法上的變與不變」。

    我這樣提問：

    抓取下面文章，根據我的觀點建立筆記卡。

    我認為在知識管理上應該善用 AI ，但要明確區分 AI 可以做的資料管理，以及人要主動引導與建立的專案、經驗的真正知識管理，才是好的工作流程。

    文章網址： https://www.playpcesor.com/2026/01/ai.html




    我每一天大概都會隨手丟上5~10篇連結，加上我的一兩個核心觀點，通常是我快速讀過後有啟發的文章、影片、PDF或貼文資料。

    然後 Codex 這樣的 AI Agent 可以自動做完兩件事，新增兩份文件：幫我自動抓取全文建立文獻，並建立一個符合我觀點的筆記卡片。

    下面就是 AI Agent 自動完成的筆記卡，裡面結合了我剛剛丟給他的觀點，以及原文內容，但也包含已經在這個資料庫中的相關內容延伸。




    這兩個月的累積，我就透過 AI Agent 的抓取、整理，建立了數百則的文獻資料與觀點筆記卡（類似上面這樣，有摘要、有觀點、有延伸應用的內容）。





    讓 Codex 根據暫時筆記，建立「永久筆記」的連結系統：

    不過這樣還不夠，如果這些文獻、觀點筆記卡都是散亂的根據時間排序，其實很難有效使用，但我也不想要在這個暫時筆記的層級去做分類或連結。

    所以我建立了一個「永久筆記」的自動整理邏輯，只要我丟出進一步觀點給我的 AI Agent ，他就會根據前面抓取的筆記卡，思考是否要新增永久筆記，或是要補充、修正之前的某一張永久筆記，透過 AI Agent 的自動化流程，讓「真正可以在未來拿出來反覆利用」的永久筆記系統愈來愈完整。

    下面是我提供給 AI Agent 的永久筆記規則。（只是參考，讓大家看到一份規則文件，可以引導 AI Agent 多步驟去自動化完成工作，指定 AI 去使用哪些工具，以及 AI 一定要遵守的關鍵原則。）

    永久筆記（opinions/）：把 cards 統整成可複用資產（必讀）
    永久筆記新增/更新的標準作業（必遵守）

    0) 觸發規則（硬性）：每次「新增 cards」後都要檢查 opinions 是否需回填
    只要新增一張 cards（或對 cards 有實質增量更新），都必須立刻跑一輪：
    這張 cards 的「新有效內容」是什麼？（新判斷標準/新風險/新步驟/新框架/新清單）
    對照 opinions/INDEX.md：要更新哪一張母筆記？還是需要新增？
    依 routing 規則決定回填到 PROJECT / WORKFLOW / METHOD
    原則：更新優先；新增需 Esor 同意。

    0-1) 回填前的人機確認（硬性）：先展示 cards 重點，再詢問 Esor 是否要回填
    在真的動手更新 opinions/ 前，先做這 3 件事：
    先展示這次 cards 的重點摘要（建議 3–5 點）
    明確詢問：這次要不要回填到永久筆記？
    明確詢問：Esor 有沒有補充觀點、反對意見、或想強調的版本？
    沒有先問，就不要直接改 opinions/。
    若 Esor 明確表示「先不要更新永久筆記」，就停在 card 階段即可。

    1) 更新/新增前：主動詢問 Esor 的想法（用以重現你最近示範的流程）
    在要更新/新增永久筆記前，先問：
    你自己的觀點/你要強調的主張是什麼？
    你希望這次回填後，永久筆記「更能做到什麼」？（未來要拿來用的價值）
    收到回覆後：把想法延伸改寫成更完整論述並融入正文（不是只貼一句備註）。

    2) 回填位置原則：更新永久筆記不固定更新在哪一節（以內容適配為主）
    不要硬塞在「套用方式」。以內容類型決定寫進哪個欄位/段落：
    一句話原則：當 cards 帶來更好的總結主張
    Dealbreakers：當 cards 帶來新的翻車點/一票否決條款
    套用方式：當 cards 帶來新的可執行步驟/做法
    常見誤區：當 cards 帶來新的錯誤認知/誤用型態
    Evidence / Links：當 cards/raw/opinions 的證據鏈或結構關係需要補齊

    3) 永久筆記寫入規則（引用/證據/索引）
    先查 opinions/INDEX.md：確認是否已有母筆記（更新優先）。
    依 routing 規則決定回填到 PROJECT / WORKFLOW / METHOD。
    寫入時要「整合改寫內容」進正文（不是只補連結），並在段落後附 （來源：...）。
    若內容包含 Esor 的補充觀點：在段落末尾加註 （來源：esor 補充想法，YYYY-MM-DD），並搭配對應 cards/opinions 作為支撐來源。
    Evidence 優先 raw；Links 只連永久筆記。
    新增全新永久筆記需 Esor 同意。
    每次新增/更新永久筆記後：更新 opinions/INDEX.md + opinions/MAP.mmd，再跑 opinions_linker.py。

    原則（防彈筆記法）：永久筆記主題優先順序＝專案任務名稱 → 工作流程名稱 → 方法論名稱；不是破碎的單一論點。

    rss_cards/：一篇原文一張卡（保留證據與脈絡）
    opinions/：把卡片統整成「可維護、可驗收、可回存」的長期資產

    A) 永久筆記的三種卡型與模板
    PROJECT（專案任務）：projects/rss-second-brain/opinions/TEMPLATE_PROJECT.md
    WORKFLOW（工作流程）：projects/rss-second-brain/opinions/TEMPLATE_WORKFLOW.md
    METHOD（方法論）：projects/rss-second-brain/opinions/TEMPLATE_METHOD.md

    A-0) 最重要原則：優先「更新」既有永久筆記，而不是一直新增
    永久筆記的核心不是新增，而是把新知/新做法回填到既有的母筆記（Project / Workflow / Method）。
    新增條件（很少）：
    你確定這是一個全新的專案任務／全新的可重複流程／全新的方法論框架；而且在 opinions/INDEX.md 找不到對應母筆記。
    預設策略：
    先查 opinions/INDEX.md 是否已有母筆記
    有就更新（加步驟/驗收/反例/回存/證據鏈）
    沒有才新增

    B) 永久筆記索引與關係圖
    索引（新增前先查，避免重複）：projects/rss-second-brain/opinions/INDEX.md
    關係圖（Mermaid）：projects/rss-second-brain/opinions/MAP.mmd
    必遵守：每次新增/更新永久筆記後，都要同步更新 INDEX 與 MAP

    INDEX：確保每一張永久筆記在 PROJECT / WORKFLOW / METHOD 某一區塊下有一條索引。
    MAP：新增節點並至少連一條關係（例如 PROJECT→WORKFLOW）。

    C) 永久筆記「連結維護」機制（每次新增/更新後都要做）
    目的：避免 Project↔Workflow↔Method 漏連結。

    觸發時機（何時要跑？）

    你「新增或更新任何一張永久筆記」後：必跑一次。

    下面讓我做一個「自己不丟觀點的示範」（通常真實流程，我會加上更多想法再更新永久筆記），看看 AI Agent 是否會依照上述規則，把前面 AI 建立的筆記卡，更新到永久筆記系統。

    我這樣對 AI 提問：

    根據剛才新增的筆記卡，根據永久筆記建立規則，分析適合更新或新增到哪些永久筆記，並提出具體建議。

    於是訓練好的 Codex ，就會根據我給他的永久筆記建立規則，AI 拿著剛剛建立的筆記卡去撿索我的永久筆記系統，找出適合更新或新增的永久筆記，並分析內容，給我更新建議。




    我可以根據 AI 助理給我的建議進一步思考，然後回給 AI 一個明確的整理指令，例如：只根據首選方案更新既有的永久筆記。




    下圖可以看到， Codex 根據我建立好的永久筆記規則，完成剛剛那則筆記卡更新到永久筆記的任務。AI 可以同時完成：

    • 把筆記卡的關鍵內容，更新、修正到指定的永久筆記。
    • 擴充永久筆記時，也會加上來源筆記卡的註記。
    • 自動在永久筆記的目錄、流程圖系統中做好更新。

    前面幾個階段跑下來，我們只是丟資料、給觀點、下自然語言指令，這就節省了非常多我們自己操作軟體介面的步驟。




    永久筆記完成的結果像是下圖這樣。

    於是我這兩個月打造的 AI 外部資料庫系統，就在這樣「不斷讓 AI 自動更新永久筆記」的流程中，慢慢擁有了一些系統性的、更深入完整的知識與方法，方便我後續拿出來利用。




    而為了讓永久筆記也不只是單篇方法，而是可以系統性利用的架構，所以我讓 Codex 去做出一個連結目錄，生成一個畫流程圖小工具，隨時用目錄連結與圖解方式，展開這個永久筆記系統的全貌。




    這兩個月，我的數百篇筆記卡，其實也才建立了二十幾則永久筆記，大多數都是把新的筆記卡更新到既有的永久筆記上，強化那些方法論與工作流程，但這正好可以看到持續更新的永久筆記的深度。(而且我本來就偏好用更新筆記，取代新增筆記：每天新增30則筆記？還是更新30則筆記？兩步驟建立穩定筆記系統）




    利用 Codex ，根據目前的永久筆記、筆記卡、參考文獻，進行草稿產出：


    我大概是從二月開始這個實驗（一開始用 OpenClaw ，後來 ChatGPT 推出 Codex Windows 桌面軟體版後就改用 Codex ），我現在的外部知識庫裡，至少會分出幾層：

    • raw：原文全文，保留可追溯、可驗證的來源
    • card：每篇內容整理成可回收利用的筆記單位
    • opinions：把重複出現的觀點、方法、流程，整理成會越用越強的永久筆記
    • digest / outline / draft：把前面的知識層再推進成可以發布的輸出準備

    最後第四個層次，則是看需求，讓 Codex 在既有的這個外部資料庫中做產出。

    例如最新新增了比較多的新資料，我就會讓 Codex 做一個「 Digest 」總結。

    根據規則，把最近一個禮拜新增的筆記卡、更新的永久筆記，做一次快速復盤的摘要。





    或者我要做一個專案，我要產出一篇報告，我提供一些想法，然後讓 Codex 在這個外部資料庫中產出草稿。

    我需要到學校教一個 Google 的 AI 工作流程，根據我的永久筆記出發，搭配有更多細節的筆記卡與文獻，建立一個有效的工作流程大綱草稿，先直接秀出給我看，我再決定是否加入草稿資料夾。





    總結：我學到的 AI 工作流程


    我覺得這次實驗，但也已經變成我的一個處理外部資料庫的流程，真正學到的不是 AI 幫我做了很多事，可以自動化。是我開始學會：

    • AI Agent 是可被設計的 workflow
      • 如果你只是把 AI 當成問答工具，它每次都只能重新猜你的標準。但如果你把流程、交付物、驗收、回存方式都定義出來，它就會越來越像一個真的專案助理。差別不在模型更聰明，而在你有沒有把它當成流程在設計。
    • 不會寫程式，也可以利用 AI 建立自己的工作系統，但要學會分派工作＋驗收工作
      • 這次我其實沒有自己手動寫程式。很多技術性工作，都是交給 AI 處理。但我真正需要做的事情是：
        • 說清楚我要什麼交付物
        • 說清楚限制與標準
        • 看結果是否真的符合需求，再讓 AI 調整
    • 第二大腦真正該留下來的，是流程與規則
      • 我現在越來越覺得，工具其實不是最重要的。無論是各種 AI 工具，還是各種筆記軟體，各自有不同強項。但真正讓它們能幫我做事的，不是因為哪個工具特別神，而是因為我們自己有一套流程：
        • 哪些資料要保存
        • 哪些資料怎麼整理
        • 哪些內容值得回存
        • 哪些輸出要怎麼驗收
      • 工具可以換，但流程會留下來。甚至利用 AI Agent，打破工具操作流程，打造更靈活的資料庫。

    AI 的工作不是替我思考，而是替我處理那些我以前不想花大量時間做的外部資料整理工作。而我自己真正保留的，是：

    • 提出問題
    • 提供想法
    • 做最後判斷
    • 驗收哪些內容值得留下來

    真正的核心反而是：

    我能不能把自己的整理流程拆解清楚，然後交給 AI Agent 去處理那些原本最耗時、最容易拖住你的操作型工作。

    如果可以，那麼我們未來要管理的，也許不再是越來越多的工具介面。而是一套會在自然語言對話、規則文件、md 資料夾與驗收流程中，慢慢長出來的外部知識庫。



    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：AI 結合卡片盒筆記法，人不再操作軟體，用對話流程讓 Codex 搭建資料整理系統：我的兩個月實測心得）

    ChatGPT Images 2.0 工作專用 AI 繪圖工具：大量密集中文排版圖解、簡報案例實測

    ✇電腦玩物
    Esor Huang

    今天這篇測試文章中，一個最讓我驚豔的實測結果是， ChatGPT Images 2.0 做出連續多頁的圖解簡報，效果更接近工作可用，精確性與複雜度還比 NotebookLM 更高。

    一開始 AI 繪圖推出的時候，大家關注在 AI 能不能繪製出很擬真的照片、符合特殊風格的圖片。後來 Gemini 的 Nano Banana 繪圖引擎，讓中文內容可以更正確、更合理的出現在圖片上（延伸閱讀：活用三大 Google AI 教學神器，把複雜知識變成手繪心智圖、遊戲網頁、圖解簡報），不過當文字量增加到一定程度後，就會看到侷限。

    即使如此， Google Gemini 的 Nano Banana 依然非常好用，我大量應用在製作需要的知識圖卡，甚至孩子的學習教材上。（我如何用 AI 把親子生活變有趣： 7 種父母都能用得上的實戰流程，從複習、遊戲到溝通）



    而現在（2026/4/21） OpenAI 推出了「 ChatGPT Images 2.0 」，這款最先進的 AI 繪圖模型有一個讓我非常感興趣的能力：

    「 ChatGPT Images 2.0 」針對「文字密集型視覺」更加實用、多語文字渲染更好、更能遵循細節指令去排版、更適合做海報、資訊圖、講義圖表、多格漫畫、文件插圖、產品流程圖、內部工具畫面等等。

    針對 ChatGPT Images 2.0 在大量密集多語言文字處理上的突破，我想測試看看其是否能生成更接近可以拿來交付的工作圖像成果（測試後答案是肯定的），可以滿足那些簡報、圖解、海報、講義需要的大量文字、版面編排、多語言、統計欄與密集資訊區塊的版面需求。

    目前 ChatGPT Images 2.0 已對所有 ChatGPT 用戶開放（包含免費版本）。你可以直接在聊天裡啟動「創作圖像」功能要求生成圖片，網頁端與 App 版都可使用。

    而如果是付費帳戶，還可以使用 ImageGen 2.0 Thinking，會加入推理、多圖生成、web search等能力；官方描述是，它可以先研究、再推理、再把來源材料轉成視覺成果。ChatGPT Plus 以上用戶，可以選擇 Thinking 模式再加上創作圖像功能，體驗看看效果。。

    下面就直接分享我的幾個實測案例：
    • 測試：文字密集型視覺圖解
    • 測試：圖文密集講義替換不同風格
    • 測試：搭配真實人物的連續上課講解畫面
    • 測試：文章型內容的排版設計
    • 測試：做出連續多頁的圖解簡報（保持一致性，每頁都有大量圖文解釋）




    更新：ChatGPT GPT-5.5 結合 Images 2.0 ，直接拆解一篇文章，變成連續 10 頁圖解簡報


    如果你是 ChatGPT plus 以上版本，建議這樣試試看，啟動「 GPT-5.5 Thinking 模型」，同時啟動「創作圖像」功能，這時候可以梳理大量資料後，產出「連續多圖」內容，不僅保持一致性，每一頁內容的拆解也很精準，圖像也幾乎不出錯。

    例如，解讀一份資料後，直接產出 10 頁簡報圖，效果與正確性比 NotebookLM 更好。

    把下面文章拆解成連續多頁的教學簡報圖解，請一步一步設計，先讀取這段網址的教學文章正文（ https://www.playpcesor.com/2026/03/ai-chatgptcodexopenclaw.html ），然後把裡面的圖片、文章拆解成 10 頁重點教學的內容。 簡報圖的目的是要幫助讀者更快的了解關鍵的方法，透過能夠讓讀者一頁一頁看下去的編排，每一頁都能有修收穫。 據此，產出一頁一頁，總共10張的簡報圖。





    測試：文字密集型視覺圖解

    我有一個 ChatGPT 討論串，專門討論防彈筆記法的各種內容（參考：ChatGPT 的 PARA 聊天室分類法：增強 AI 協作威力實戰案例分享），於是我測試看看， ChatGPT Images 2.0 是否可以同時幫我梳理聊天討論串中的各種技巧內容，然後製作出一張有完整數據資料的圖解。




    我用下面指令，讓 AI 總結前面討論，然後展開圖表的設計。

    這個指令中，我沒有刻意指定設計的風格與方式，而是讓 ChatGPT Images 2.0 自己思考適合的內容、適合的版面，自己去設計完成，也更能直接試試看這個新 AI 模型的處理能力。

    你是一頁式圖解說明專家，根據前面討論的數據分析資料，製作一份「防彈筆記法如何打造第二大腦系統」的一頁式圖解，請一步一步分析，根據前面討論，以圖解專家角度梳理要放入的數據與資料，思考最佳說明流程，從你的角度挑選一個跟主題搭配最適合的圖解風格、圖像元素，然後設計對應的圖像版面，完成這張圖解。

    下面是 ChatGPT Images 2.0 第一次就完成的圖解結果。




    這張圖片可下載，雖然解析度不算特別高，但也是可用的清晰度。

    上面的大量小字幾乎都正確生成（細看還是會有一兩個接近錯誤的怪字），而對內容的重新排版、版面的配置、搭配的圖像與流程，以一個方法論講義圖解來看，也沒有什麼可以挑剔的了。（可點擊圖片看大圖）





    測試：圖文密集講義連續修改、替換不同風格

    接下來，我讓 ChatGPT Images 2.0 處理最近一場直播講座的內容，直接梳理出另外一張圖解。

    文字的處理依然非常驚人，在一頁圖片上塞入這麼大量的文字內容，但幾乎都沒有錯誤。




    我也挑戰了讓 AI 把這張圖解替換成不同的風格，下圖是他產出的結果。所以我們可以用這樣的方式「連續多次修改」，但能保持內容正確性，又能調整風格與細節。（可點擊圖片看大圖）

    精簡文字內容，讓深入淺出，並改成在一張紙上寫下的手寫筆記風格。





    測試：搭配真實人物的「連續」上課講解畫面

    如果搭配真人照片與上課簡報效果如何呢？我上傳一張自己的講課照片，然後搭配前面的 AI 直播講座內容，讓 ChatGPT Images 2.0 幫我設計場景、放上人物，把直播內容變成一頁簡報。


    設計一張我在實體教室中正在解說上述一個核心案例的照片，請一步一步繪製，根據附件我提供的人物照片，挑選前面內容中適合的部分當作投影幕上的簡報，展現出我正在跟台下學生解說投影內容的畫面，以攝影專家角度思考真實照片應該有的光線、質感、氛圍，完成設計。




    接著，我讓 AI 維持人物與場景，但換到下一張簡報，這時 ChatGPT Images 2.0 也能準確地完成連續生圖任務，並保持一致性、連續性。

    再做下一張照片，同一個場景、人物，但切換到下一張投影片





    測試：文章型內容的排版設計


    那如果真的把一篇文章變成一頁排版呢？我把最近在 Facebook 貼的一則短文，交給 ChatGPT Images 2.0 用雜誌排版角度直接做成一張圖片。

    下面是我的完整短文與指令，可以比較看看 ChatGPT Images 2.0 完成的排版設計效果。

    你是雜誌專題報導排版專家，根據下面提供文章，製作一份「如何減少 AI 幻覺」的一頁雜誌專題報導版面，請一步一步分析，根據前面討論，以專家角度梳理要如何設計標題，可以搭配哪些圖解，思考最佳排版畫面，從你的角度挑選一個跟主題搭配最適合的設計風格、版面元素，然後設計對應的圖像版面，完成這頁排版。

    文章：###
    這個週末的大人學 AI 課程中，有學員在下課後問我：

    他常常問 AI 問題的時候，還是會覺得 AI 模型非常容易出現很多幻覺，常常給出一些不存在的證據或資料。
    這時候，到底要怎麼辦才好呢？

    我自己的解決方法是這樣，既然沒辦法要求 AI 不要有幻覺，#我就改變自己的工作流程。

    例如，我在 ChatGPT 裡，有一個長期拿來跟 AI 討論如何跟孩子進行溝通的討論串。
    但是，在這個討論串裡，我不是憑空就直接問 AI：要怎麼處理孩子的問題？要怎麼面對親子之間的關係？要怎麼跟孩子一起溝通？

    我會先自己去讀幾本國內外談親子溝通的書，把許多我讀過的相關書籍筆記，匯入 ChatGPT 的同一個討論串裡，先讓它建立基本的溝通知識、基本的科學證據。

    訓練好這個 AI 後，我才開始在那個脈絡裡跟它問答。（相關案例可以參考：用 ChatGPT 陪我讀英文原文書：5 個強化學習、筆記整理到行動轉化的 AI 技巧 https://www.playpcesor.com/2025/03/chatgpt-5-ai.html）

    這其實是我使用 AI 處理「任何問題、任何專案」時慣用的流程。

    很多時候，我們會以為 AI 可以直接從它內建的資料庫中，找出有效的東西來回答我們。但因為 AI 內建的資料實在太龐雜了，所以往往就會出現前面那位學員說的那種幻覺：說得好像有道理，但裡面的證據、資料、引用，其實都有問題。

    所以，如果我知道正確的資料是什麼、有效的文件在哪裡，只是我沒有那麼多時間自己梳理，那不如直接把這些資料文件丟給 AI 去整理，然後讓 AI 以這些有根據的內容來回答我，或者推演新的內容。

    而如果我不知道資料在哪裡的時候，我也不會直接就讓 AI 來解決我的問題。

    我反而會先讓 AI 自己去研究、自己去找資料。例如可以利用 Deep Research 這樣的功能，讓 AI 先深度找到那些有根據、有證據的內容，先建立基本的知識庫，然後再來回答我。

    關鍵就是：#先訓練AI建立基本的知識脈絡，然後再來回答我。

    當然，這樣的過程不是說 AI 就百分之百不會有幻覺。但我覺得，這會大幅降低 AI 回答有問題的比例。

    更進一步來說，什麼叫做幻覺呢？

    其實就像我們人在思考一件事情的時候，我看著一些參考資料，我研究一些數據、案例，但身為一個人，我還是會去想像、去推理、去思考有沒有其他可能性，我也會自己為這些資料做出詮釋。

    而當我們開始做詮釋、做推理的時候，其實某種程度上，就已經不再只是單純重複原本的資料了。

    我的想法（想像出來的方法）有可能是對的，也有可能是錯的。
    如果你把這樣的過程也看成一種幻覺，那麼當然，AI 無論如何，就算已經給了明確的證據跟資料，當它開始推理、開始思考的時候，也會跟人一樣，產生某種程度的幻覺。

    所以我自己反而不會把問題理解成：AI 到底能不能完全沒有幻覺？

    我更在意的是：

    它的資料來源是不是有根據？
    它的推理過程是不是合理？
    它提供的建議，我必須自己決定要不要再測試？
    要不要保持懷疑的態度，隨時調整？

    這樣一來，AI 有沒有幻覺，其實就不是一個那麼嚴重、那麼無解的問題。

    因為這是可以透過工作流程去降低、去修正、去克服的一種風險。




    我再請 ChatGPT Images 2.0 換一個風格，內容也依然保持了準確的一致性。（可點擊圖片看大圖）

    很好，但是改成像是紐約時報那樣的紙本雜誌、真實照片的排版風格




    對比一下，同樣指令與內容， Gemini 目前直接畫出的版本如下圖（被 AI 強制精簡文字）。





    測試：做出連續多頁的圖解簡報（保持一致性，每頁都有大量圖文解釋）


    最後這個案例，我挑戰讓 ChatGPT Images 2.0 來「製作簡報」。

    最近像是 Google NotebookLM 的圖解簡報非常流行（我的 Google AI 輔助簡報製作工作流程分享：從 NotebookLM 到 Google 簡報互補），但是圖片很驚艷，上面的文字正確性卻不好控制。

    ChatGPT Images 2.0 可以做到什麼程度？下面分享我的實做流程。

    我先把 OpenAI 官方介紹 ChatGPT Images 2.0 的文章，提供給 ChatGPT 分析資料，讓 ChatGPT 梳理出簡報大綱：

    我要製作一系列介紹 ChatGPT Images 2.0 的簡報圖，但請你先了解我想介紹的下面簡報內容：請一步一步閱讀：

    https://openai.com/index/introducing-chatgpt-images-2-0/#textmode接

    將上面理解，整理成「6 張系列簡報圖的腳本大綱」，一步一步處理，包含每張圖的標題、要放的關鍵文案、建議畫面結構。




    讓 ChatGPT 先完成簡報文字大綱的設計後，接著開啟創作圖像功能，讓 ChatGPT Images 2.0 開始一頁一頁設計（這邊我採用比較保守的作法，一頁一頁來）。

    你是課程簡報設計專家，根據上面規劃好的簡報圖1，設計出這頁16:9簡報，一步一步設計，根據上述規畫重新思考構圖、文字配置、風格，完成這頁簡報設計。




    下面我就直接把 ChatGPT Images 2.0 完成的 6 張簡報圖貼上，讓大家直接看實測結果，同時也可以了解官方文章中要傳達的重點功能。（可點擊圖片看大圖）









    從上述實測結果來看， ChatGPT Images 2.0 的 AI 繪圖能力關鍵是更能完成直接可用的工作成果。

    那些需要大量文字、圖解、排版、流程與知識的工作圖像內容，現在 ChatGPT Images 2.0 也能一次就生成有效的圖像，很值得納入工作流程使用。



    大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：


    我的電子郵件是 [email protected] ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

    （歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：ChatGPT Images 2.0 工作專用 AI 繪圖工具：大量密集中文排版圖解、簡報案例實測）

    ❌