各位平常用ChatGPT、Gemini、Claude已經很熟練了。今天要講的不是換一個更聰明的模型，而是換一種使用方式——同一個模型，放在不同的工作環境裡，能做的事差很多。
思多葛 / STOICS
Claude Code Agent
協作經驗分享
從「每次重講一遍」到「開機就接續」——五個階段
一樣都是用AI，
差別在哪裡
你現在的用法
- 開一個對話視窗，把資料貼進去
- 每次都從零開始說明
- AI給你答案，你自己動手做
今天要講的用法
- 開一個專案資料夾，AI直接讀寫裡面的檔案
- 規則寫過一次，之後自動套用
- AI直接完成，包含上傳、部署、更新
接下來會拆成五層，每一層只多做一件事，都是從你現在的用法接下去的。
同樣一句話，
兩種結果
現在的做法
幫我寫這份調查的報告結論
好的，請問報告的格式規範是？
（貼上一次格式要求）
——三天後，下一份報告，整個流程重來一次
專案協作的做法
幫我寫這份調查的報告結論
已讀取專案規則文件，套用既有章節結構與字級規範
▶ 讀取 policy-report-writing → 套用三軸建議架構 → 產出草稿
——格式要求只講過一次，之後每次自動套用
差別不在模型變聰明了，而在右邊那個AI讀得到你的檔案、記得住你的規則。今天要講的就是怎麼把左邊變成右邊。
五層，每一層只多做一件事
L1 外部化
規則從腦袋裡寫出來，變成一份文件
L2 專案化
文件進資料夾，AI能直接讀寫
L3 技能化
文件變成SKILL，不用每次提醒
L4 自動化
手動步驟交出去，包含上傳與部署
L5 沉澱
踩過的坑回寫，下次起點更高
L5做完會回到L1——這不是五件事，是同一件事重複五輪，每一輪的起點都比上一輪高。
L1 外部化
L2 專案化
L3 技能化
L4 自動化
L5 沉澱
L1・外部化
規則寫下來，
比每次重講穩定
你現在的做法
每次開新對話，把要求重講一遍：格式、字級、章節怎麼排、哪些詞不能用
會卡在哪
每次講的版本不會完全一樣。少講一項，產出就少一項；產出品質取決於當下記得多少
多做一件事
把這些要求寫成一份文件，開新對話時先貼上去。講一次、存起來、之後重複用
今天就能做的一件事：挑一件你每週都要請AI做的事，把你的要求寫成一份文件。
這一步不需要任何新工具，用Word也可以。真正的門檻不在技術，在於願不願意把腦袋裡的隱性規則寫成明文。
L1 外部化
L2 專案化
L3 技能化
L4 自動化
L5 沉澱
L1 案例・來臺旅客支出資料集
108～115年，13,615列資料
- 13種分類維度（年度、期間、居住地、支出項目等），順序固定，每一筆都對得起來
- 樣本不足或該年度該類別本不存在（如疫情期間陸客團未開放），一律記為同一約定值，不省略該列
- 資料結構先定案，後續製作比較工具、計算增減百分比才不需要每次重新判讀格式
實際產出：來臺旅客消費及動向調查_支出資料集.csv。規則寫定一次，後面所有計算才對得起來——這是L1最直接的效益。
L1 外部化
L2 專案化
L3 技能化
L4 自動化
L5 沉澱
L2・專案化
從「貼給它看」到「讓它自己讀」
你現在的做法
規則文件寫好了，每次把需要的段落複製貼上到對話視窗
會卡在哪
貼多了浪費篇幅、貼少了漏掉關鍵；而且AI只看得到你貼的那一段，看不到你電腦裡實際的檔案長什麼樣
多做一件事
把檔案放進一個固定資料夾，讓AI直接讀取、直接修改。你不用再判斷該貼哪一段
對話式AI跟agent真正的分界線，不是誰比較聰明，是能不能讀寫你電腦上的檔案。
今天就能做的一件事：把那份規則文件放進一個專屬資料夾，之後這個案子的東西都放這裡。
L1 外部化
L2 專案化
L3 技能化
L4 自動化
L5 沉澱
L2 案例・正反兩例
能讀檔案，
就要負責確認檔案還準不準
正例・捷運簽到退系統
部署資訊留存，下次直接接續
+
Google試算表ID、Cloudflare部署設定全部記錄下來。下次要延伸這個案子，直接讀取這些資訊即可接續，不需要重新確認一輪。
Sheet ID: 1PE-CfDJ...l7yf-Pg4 │ Cloudflare Pages: signintmrt │ env: SHEET_ID / ROSTER_GID / LOG_GID
反例・範本使用說明過時
文件會過時，不能直接沿用
+
觀光署HTML範本的使用說明文件，記載的頁數與缺口清單會隨檔案持續開發而過時。接手前必須先對照檔案實際內容再動手，不能直接採信說明文件的舊描述——否則新產出會與現行架構產生衝突。
正確做法：grep "class=\"slide\"" 範本.html 核對實際頁數，不要只看說明.md
這兩張卡是同一件事的兩面：能讀檔案是L2的好處，但檔案會過時是L2的代價。先讀懂、再動工，這句話從這裡開始一直用到最後一層。
L1 外部化
L2 專案化
L3 技能化
L4 自動化
L5 沉澱
L3・技能化
SKILL不是新東西，
就是L1那份文件
你現在的做法
檔案在資料夾裡了，但每次還是要提醒AI「先去讀那份規則文件」
會卡在哪
忘記講就沒套用。規則存在，但只在你記得的時候生效
多做一件事
把文件放到SKILL的位置，AI判斷相關時會自動載入，不必每次提醒
SKILL裡面要放什麼，你最清楚；這些內容要怎麼寫Claude Code才讀得懂，LLM最清楚。你不需要同時會這兩件事。
① 對話用平常的方式，把規則跟AI講清楚
→
② 生成請AI把這段討論整理成一份SKILL.md
→
③ 執行交給agent照著做（第一次通常會有落差，這是正常的）
→
④ 回存把修正過的版本存回去，下次不必重來
④之後回到①——但起點已經比上次高。
MD檔就是純文字檔，記事本就能開、能改。它跟Word的差別只有一個：沒有排版，所以AI讀起來不會被格式干擾。
今天就能做的一件事：挑一件你每個案子都要重講一次的規則，跟AI對話把它講清楚，最後加一句「請把上面的討論整理成一份SKILL.md」。
L1 外部化
L2 專案化
L3 技能化
L4 自動化
L5 沉澱
L3 案例・兩份SKILL怎麼拆
不同性質的規則，
分開存才能分開用
做「國際標竿案例」系列時，把「報告格式怎麼排」跟「這個產業容易踩的資料陷阱」拆成兩份SKILL分開存放。這是實際的資料夾結構：
.claude/skills/
├── policy-report-writing/ ← 格式規範，任何產業都能用
│ └── SKILL.md（章節結構、officecli操作、字體字級）
└── game-industry-policy-research/ ← 只管遊戲產業的資料陷阱
└── SKILL.md（ESAC問卷改版、Newzoo消費端限制…）
├── policy-report-writing/ ← 格式規範，任何產業都能用
│ └── SKILL.md（章節結構、officecli操作、字體字級）
└── game-industry-policy-research/ ← 只管遊戲產業的資料陷阱
└── SKILL.md（ESAC問卷改版、Newzoo消費端限制…）
下次做其他產業的案子，只調用`policy-report-writing`即可，不會被遊戲產業的特殊規則干擾。
SKILL的調用也有順序：先用「討論方向」的SKILL把事情想清楚，再去find需要的工具部署到專案——這份簡報本身，就是照這個順序做出來的。
這在軟體工程稱為「關注點分離」（separation of concerns）——不是我們發明的做法，是任何模組化系統都遵守的原則，我們只是把它應用到SKILL的歸檔上。
L1 外部化
L2 專案化
L3 技能化
L4 自動化
L5 沉澱
L4・自動化
以前要點十下的事，
現在講一句話
你現在的做法
AI給你結果，你自己複製出來、開網頁、上傳、確認
會卡在哪
中間每一個手動步驟都要人在場。人不在，流程就停；步驟一多，更新頻率就降下來
多做一件事
讓agent直接呼叫外部服務——試算表、雲端部署、網路查證，中間不需要人
以前｜更新一次線上簡報
- 開瀏覽器登入Cloudflare
- 找到專案，進入上傳頁面
- 選擇檔案、上傳、等待完成
- 複製網址，開啟確認有沒有讀到新版本
- 發現沒更新，回頭檢查是哪一步漏了
現在｜更新一次線上簡報
- 跟Claude Code說「確認，上傳」
左邊五步、右邊一步，做的是同一件事。省下的不只是時間，是「因為麻煩所以乾脆不更新」這件事不會再發生。
L1 外部化
L2 專案化
L3 技能化
L4 自動化
L5 沉澱
L4 案例・前置作業也能自動化
先寫規劃文件，才動手改
- 收到大量修改意見時，先整理成「要改什麼、依據在哪個表號或哪一行」的清單
- 清單確認後才執行，不是邊做邊生、邊生邊改
- 結果：18點修正意見一次完成，沒有來回猜測、沒有執行完才發現方向錯誤
這份規劃文件叫114年期末報告_HTML完整版_修正意見.md，逐點附了實際行號、變數名、docx表號當根據，不是「大概這樣改」的模糊描述。
事後修正即使幅度很小，模型仍須重新載入完整上下文才能定位修改點，單次成本與初次產出相當。軟體工程有個廣為人知的現象——缺陷發現得越晚，修正成本越高——在這裡同樣成立。
↗ 現場點開看：台中捷運即時簽到退系統／來臺旅客支出比較小工具
L1 外部化
L2 專案化
L3 技能化
L4 自動化
L5 沉澱
L5・沉澱
同一個坑，不要踩第二次
你現在的做法
AI做錯了，你告訴它哪裡錯，它改好，繼續往下做
會卡在哪
這次修好了，但下個案子、下個人，還是會踩同一個坑
多做一件事
修正之後多做一步：把「怎麼發現的、根本原因是什麼、怎麼避免」寫回文件
寫回去的東西，就成為下一輪的L1。這就是為什麼說五層是一個循環，不是一條直線。
今天就能做的一件事：下次AI做錯，別只是叫它改，順手記下來。
L1 外部化
L2 專案化
L3 技能化
L4 自動化
L5 沉澱
L5 案例・四個實際踩過的坑
這些坑，教程不會告訴你
增減公式分母誤置
支出比較小工具
+
發現：算出來的增減數字跟官方報告對不起來。
原因：公式的分母誤置，直覺上容易寫錯方向。
pct = diff / 基準值 * 100
pct = diff / 比較值 * 100
// diff = 基準值 - 比較值，分母要用比較值，不是基準值
修法：對照官方報告表3/表4數字逐一驗證過才算過關。
Google試算表gid異動
支出比較小工具
+
發現：網頁一直抓到舊資料。
原因：用「取代整個檔案」的方式匯入新資料，分頁的gid會跟著改變。
// 只改secret不會生效：
wrangler pages secret put DATA_GID
// 改完一定要重新部署，Function才會讀到新值：
wrangler pages secret put DATA_GID
wrangler pages deploy
修法：重新設定gid之後，還要重新部署才會生效。
選單設計互動成本過高
HTML簡報系列
+
發現：使用者反映每張卡片各自要選一次年份，操作繁瑣。
原因：初版設計為每張卡片獨立控制，看似彈性但實際操作成本高。
修法：改為單一全域選單，一次控制所有卡片同步更新。
資料驗證UI不接受INDIRECT
捷運簽到退系統
+
發現：Google試算表的資料驗證欄位拒絕=INDIRECT()公式，回報「請輸入有效的範圍」，即使命名範圍設定完全正確。
原因：這是Google近期改版後的行為，不是設定錯誤。網路上找得到的教學多半寫於改版前。
修法：改用Apps Script的onEdit事件動態呼叫setDataValidation()。
第四個坑值得特別說明：這件事光靠單次問答查不出來，因為公開資料裡的教學都寫於平台改版之前。要在實際環境裡試出來、確認是平台限制而非設定錯誤，然後把結論寫回文件——這整段就是L5。
討論環節
四個案例，現場實機操作
台中捷運即時簽到退
支出比較小工具
觀光署HTML範本
加拿大遊戲產業報告
「資料說明（先於全文閱讀）：本文引用兩組獨立、方法論不同、且時間覆蓋範圍不同之統計來源，兩者不可直接合併比較。」
「本文由Claude（Anthropic）於Claude Code環境中，依循academic-research-skills外掛之deep-research與academic-paper技能協助完成，包含研究方向釐清（蘇格拉底式對話）、系統性網路資料蒐集與查證、以及草稿撰寫。所有引用來源均經即時網路搜尋／擷取驗證，無虛構文獻。人工作者應於採用前自行複核關鍵數據與論點。」
摘自報告文末的AI協作揭露聲明——agent做的是背景作業，最終判斷仍是人工核實。
L1 外部化
L2 專案化
L3 技能化
L4 自動化
L5 沉澱
五層，一次看完
L1 外部化
規則從腦袋裡寫出來 ／ 支出資料集缺值規則
L2 專案化
文件進資料夾，agent能讀能寫 ／ 簽到退系統部署資訊、範本說明過時
L3 技能化
對話變成SKILL，自動套用 ／ 格式規範與產業陷阱拆兩份存
L4 自動化
手動步驟交出去 ／ Cloudflare部署、前置規劃文件
L5 沉澱
踩過的坑回寫，起點墊高 ／ 分母誤置、gid異動、INDIRECT限制
五層走完回到L1。每一輪的起點，都是上一輪的終點。
任務性質不同，架構也不一樣
這四個案例的任務性質完全不同，架構的判斷邏輯也不一樣。這張表可以之後回頭找對照。
DOCX
文獻回顧型
加拿大遊戲產業案例
+
Agent沒辦法直接生出能當成果的學術定稿，但可以幫你先做資料蒐集、抓資料來源的陷阱（哪些數字不能混用、哪些統計代表的是消費端不是生產端），省下大量背景作業的人力。這段是報告裡真實的一段話：
「兩組數據統計對象不同——加拿大統計局衡量的是『加拿大本地公司之營收』（生產端），Newzoo衡量的是『加拿大消費者之實際支出』（消費端），因此不宜直接加總或比較絕對金額。」
這種來源陷阱要靠人力一頁頁核對很花時間，agent可以先抓出來，人再做最終判斷。
長年資料模組化型
支出資料集＋比較工具
+
重點是怎麼把108～115年零散的報告資料整理成能重複調用的模組——包含計算邏輯內嵌進去，以後每季/每年有新資料，直接套進既有架構，不用重做一次。
即時性・現場操作型
捷運即時簽到退系統
+
拆成三塊、各管各的：督導看的即時追蹤網頁、中間存資料的Google試算表、訪員用的簡單簽到操作頁。角色不同、需求不同，介面就要分開設計。
視覺化呈現型
觀光署HTML簡報範本
+
跳出PPTX一頁一頁往下疊的思維，改成「資料驅動＋可以互動篩選」的思維——先分清楚哪些是要能互動篩選的變動資料、哪些是固定不變的版面架構。
回到第一個問題：差別在哪裡
| 對話式LLM（單次問答） | 專案化Agent協作 | |
|---|---|---|
| 狀態延續 | 每次歸零，須重新提供上下文 | 讀取歷史紀錄與專案資料夾，直接接續 |
| 資源整合 | 僅限文字輸入輸出 | 可讀寫檔案、呼叫外部服務（試算表、雲端部署、網路查證） |
| 規則套用 | 每次重新描述格式與規範 | 封裝為SKILL，重複調用不需重述 |
| 錯誤修正 | 單輪問答難以迭代查核 | 多輪對話中即時發現、驗證、記錄，供下次調用 |
這張表跟第二頁那張是同一件事，差別是現在你知道每一格背後要做什麼了。
五件今天就能做的事
L1 挑一件你每週都要請AI做的事，把要求寫成一份文件
L2 把那份文件放進一個專屬資料夾，之後這個案子的東西都放這裡
L3 跟AI對話把規則講清楚，最後加一句「請整理成一份SKILL.md」
L4 想一件現在靠人工重複操作的事，直接問agent「這個能不能自動做」
L5 下次AI做錯，別只是叫它改，順手記下來
模型多聰明我們控制不了，但這五層每一層都是我們控制得了的。
附錄・會後自行點閱
這些SKILL，你也可以直接拿去用
案例專屬
interviewer-checkin-tracker
建置訪員/督導即時簽到位置追蹤平台的骨架，捷運、纜車等現場訪查案都能套用。
html-slides
做單一HTML檔案的互動式簡報，取代一般PowerPoint範本，視覺質感更好。
design-assets
公司內部視覺素材庫，做簡報前先查這裡有沒有現成識別色、圖片、版型可用。
policy-report-writing
寫政府委辦報告、產業研究報告的格式規範與寫作慣例。
game-industry-policy-research
遊戲產業資料來源判斷、常見資料陷阱、寫作慣例。
通用型
superpowers（brainstorming等）
開工前先討論清楚方向再動手，避免做完才發現方向不對要重工。今天這份簡報就是這樣做出來的。
find-skills
不知道有沒有現成SKILL可用時，先問這個，幫你找、幫你裝。
officecli
處理Word／Excel／PPT文件的檢查、修改與產出。
academic-research-skills
學術寫作、論文相關需求，從規劃、寫作到審查都有對應流程。
這些是目前已經建好的SKILL，有需要可以直接拿去用，或參考它們的寫法自己建一份。