前十三天，我們花了不少時間理解 LLM 的底層概念：從 Transformer、Token、Chain-of-Thought，一路走到 Function Calling、Prompt、Context Engineering。
走到這裡，該有的核心概念大致上都具有了，接下來我想稍微分享一下：
我每天到底要怎麼用這些 AI？
然後再切到這些AI工具都共有的東西Claude.md/AGENTS.md, MCP以及Skill。
現在的 AI 工具非常多，而且幾乎每隔一段時間就會多一個新功能。OpenAI、Google、Anthropic 都有自己的模型、產品與工作方式。如果每天都追著「哪一個基準測試第一名」跑，很容易最後花最多時間的事情變成換工具，而不是解決問題。
接下來只是分享我自己目前怎麼使用不同的 AI 生態系。不同人的工作、個性與習慣都不一樣，我的工作流當然不會是標準答案。有人習慣全部留在 ChatGPT，有人喜歡 Claude Code，也有人每天和 Gemini、NotebookLM 一起工作。
工具沒有絕對的好壞，能夠把問題解掉、又適合自己工作節奏的工具與流程，就是好工具。
今天先從 OpenAI 開始。
註：AI 產品更新速度非常快。以下內容以 2026 年 8 月我撰文時的功能與個人使用方式為基準，未來介面、名稱與能力都可能改變。
最基本的使用方式，當然還是 ChatGPT。
有些問題其實不需要 Agent、不需要 Subagent，也不需要 MCP。只是想問一個概念、整理一段文字、討論一個想法，直接開一個對話往往就是成本最低的方式。
前面花了兩天談 Context Engineering，也不是要讓我們從此每問一句話，都先畫一張代理架構圖。
如果我只是想問：
為什麼 Function Calling 需要 JSON？
那就直接問。
不要先建立三個 Agent、查資料系統和專案追蹤單，再來回答一個小問題。AI 工具越來越強之後，另一種需要學習的能力反而是：
不要把簡單的事情故意做複雜。
但有些對話會一直重複。
這時候，我就會開始考慮 GPTs。
Day 8 與 Day 9 我們談了 Prompt Engineering。
如果一件工作只做一次，花時間把提示調好之後，用完可能就結束了；但如果你發現自己每個星期、甚至每天都在輸入類似的背景、規則與輸出格式，那就代表這段提示已經開始有「固定下來」的價值。
OpenAI 的 GPTs，也就是自訂 GPT，可以把固定規則、參考檔案與選定功能組合成一個有明確用途的 ChatGPT。建立時不一定要寫程式，可以直接在建立頁面用對話的方式說明你想要的行為，再逐步調整。
我會把它想成：
把一段已經調整得相對穩定的提示，做成一個固定入口。
例如，假設你是一個每天起床後都一定要算「今日吉凶」的人。
先不討論宇宙到底有沒有把今天適不適合喝紅茶拿鐵加珍珠寫進星盤，這裡純粹當成一個工作流範例。
原本每天可能都要重新輸入：
我的基本資料是……
今天日期是……
請依照下面的規則分析……
回答分成工作、感情、健康三個部分……
最後給我一個今日提醒……
語氣不要過度迷信，當作娛樂參考……
如果你已經和 ChatGPT 來回調整了十幾次，知道自己喜歡哪一種格式，也知道哪些回答方式不喜歡，那就可以把這些規則寫進 GPT 的固定規則。
之後每天只需要：
幫我看今天。
這就是 GPTs 很適合處理的情境：做法重複，但每一次輸入的內容會改變。
像是固定格式的英文教練、履歷審查助手、論文閱讀教練、會議紀錄整理器，都可以用類似方式處理。
不過這裡有一個很容易誤會的地方。以目前 OpenAI 的設計，**自訂 GPT 不會自動使用你的已儲存記憶、自訂指示，或之前和這個 GPT 的其他對話；每個新對話都是重新開始。**所以 GPTs 比較像「固定工作規則」，不是「它會永遠記得我們過去發生過什麼」。
如果你的工作真正需要延續過去狀態，那就要另外思考 ChatGPT 的記憶、專案或其他保存 Context 的方式。
這剛好呼應前兩天的 Context Engineering：
固定規則和記憶，看起來都像「讓 AI 知道一些事情」，但其實是不同的 Context 來源。
另一個我很常使用的功能，是 ChatGPT 的 Live 語音模式。
截至 2026 年 8 月，ChatGPT 最新的語音體驗稱為 Live。它和早期「我說一句、等它轉錄、它再回答一句」的語音模式不太一樣：Live 可以同時聽與說，因此打斷、接話和來回討論會更接近真人對話。可用的方案、地區與版本會影響你實際看到的選項。
我自己最常拿它來做的，不是查一個非常精確的答案，而是：
把腦中還很模糊的東西講出來，或是懶得打字的時候。
有時候我走路、開車，或者只是坐在咖啡店，不想一直盯著鍵盤，就會直接開始說：
我現在有一個想法，但我還不知道它能不能成立……
接下來可能就一路聊到產品、課程、研究、網站，甚至突然岔出去另一個完全不相關的方向。
Live 可以在支援的情況下使用網路搜尋與記憶，也能在同一個對話中搭配文字與圖片，所以它不只是單純的語音轉文字。不過可用功能會依帳號與版本而變動，我仍然主要把它當成一個「即時討論與發散」的入口。
我覺得語音最大的優點，不是比較快。
而是它降低了「整理好再輸入」的門檻。
打字時，我們常常會先在腦中編輯自己的句子；說話時則比較容易把半成品直接丟出去。對於還在發散階段的想法，這反而很適合。
缺點也很明顯。
如果你每天和 Live 聊很多，聊久之後可能會開始發現：
自己講話好像也越來越像 GPT。
「你這個想法我覺得蠻不錯的……」
如果你也講到這句時，可能要稍微關掉語音模式，出去和真人說一下話......
這三個工具看起來都在「跟 GPT 聊天」，但對我來說使用時機其實不太一樣。
Chat 比較像一張白紙，我有一個問題就直接進去討論；GPTs 適合我已經知道一件事情要怎麼做，只是不想每次重新交代規則；Live 則剛好相反，我可能連真正的問題都還沒有整理好，只是需要先把想法說出來，再透過對話慢慢找到主軸。
可以先簡化成：
| 我的狀態 | 我通常會選 |
|---|---|
| 我有一個明確問題 | 一般 ChatGPT 對話 |
| 我有一套會重複的工作方法 | GPTs |
| 我腦中有很多東西，但還沒整理成問題 | Live 語音模式 |
| 我要讓 AI 進入檔案、程式與本機工作環境 | Codex |
真正開始改變我工作方式的，則是最後一個：Codex。
如果說 ChatGPT 比較像坐在旁邊討論事情的人，那 Codex 對我的感覺更像：
我把工作桌打開給它，讓它直接開始處理東西。
Codex 有桌面應用程式、命令列工具與其他入口；這裡我主要把它當成一個讓 Agent 在專案裡工作的工作區。你可以在裡面查看修改、交代下一步，也能透過命令列直接在終端機裡與 Agent 工作。
我目前最常使用的反而是這一層。
原因也很單純：以我自己的工作型態來說，它省下的來回步驟多得有點離譜。
以前使用 ChatGPT，我可能會：
找到一份檔案
→ 上傳
→ 請 AI 修改
→ 下載
→ 自己放回資料夾
→ 再跑程式
→ 發現錯誤
→ 複製錯誤訊息
→ 貼回 ChatGPT
Codex 的工作方式則更接近：
這個資料夾就是專案。
請讀 A 檔案，
根據裡面的資料產出報告，
存到 reports/，
跑測試，
如果失敗就檢查原因，
完成後告訴我改了什麼。
它可以在授權範圍內讀取、修改本機檔案，操作專案資料夾、終端機與開發工具；透過外掛或連接的應用程式，也可以接上其他資料與服務。
所以有時候我會半開玩笑地說：
AI 開始可以接管我的電腦了。
但這句話技術上需要打一個很大的星號。
Codex 不是取得電腦宇宙最高管理員權限後想做什麼就做什麼。它能讀什麼、寫什麼、執行哪些指令、能不能連網或使用外部應用程式，都受到你授予的權限、核准設定、沙盒隔離與系統環境限制。
也正因如此，前面 Day 10、Day 11 談的越獄指令、提示注入和最小權限，在這裡突然開始從理論變得很現實。
AI 只會聊天時，亂掉可能得到一段奇怪文字。
AI 能碰檔案和終端機之後，亂掉可能真的修改東西。
所以：
權限開得越大，方便程度越高；你需要承擔的驗收責任也越高。
這一包請小心服用。
Codex 名字很容易讓人覺得它就是寫程式用的。
它確實非常適合寫程式，但我自己慢慢養成一個習慣：只要一件工作發生在電腦裡，不論是什麼樣的事，我就會先問一句：
這件事 Codex 能不能幫我做？
有時候會有意外之喜。
例如：
我的網路有點慢，幫我檢查一下怎麼回事。
幫我整理整個資料夾的照片吧。
為何我儲存的空間剩這一點點。
Codex 之所以和一般 Chat 有不同感受，不只是底層模型不同，而是它周圍的工作管家（Harness）讓模型可以看到檔案、使用終端機、呼叫工具、管理 Context，再把結果寫回真正的工作環境。
模型會思考。
Harness 讓它有地方做事。
如果一件事情 Codex 做得不錯，而且每天都會重複，那下一個很自然的問題就是：
我為什麼每天還要自己叫它一次？
Codex 支援自動化工作，可以讓一個已經調整好的任務在固定時間再次執行。常見例子包括每週檢查、早晨摘要、檢查資料夾新增檔案，以及定期整理專案狀態。
所以我們 Day 8、Day 9 的提示設計，其實可以一路走到這裡：
先用自然語言描述工作
↓
執行一次
↓
觀察結果
↓
修改提示
↓
再執行
↓
直到流程相對穩定
↓
變成自動化工作
這和 GPTs 有點像。
只是 GPTs 把「重複的對話行為」包起來；自動化則進一步把「什麼時候要開始做」也一起固定。
例如每天上班第一件事情是看郵件。
原本可能是：
打開 Gmail，看三十封未讀郵件，先判斷哪一封重要，再思考哪一封今天一定要回。
如果帳號與工作環境已經連接 Gmail，而且權限允許，可以試著把需求寫成：
每天早上 8:30 執行以下工作。
檢查過去 24 小時收到的新郵件，
依照下面三類整理：
1. 今天需要我回覆
2. 需要知道，但暫時不用處理
3. 低優先或通知類郵件
對於「今天需要我回覆」的郵件：
- 用 2～3 句說明為什麼需要處理
- 找出對方真正要求你做的事
- 幫我擬一份回覆草稿
- 不要自行寄出任何郵件
最後產生一份早晨郵件摘要，
讓我可以在五分鐘內完成第一輪收件匣整理。
這裡有一個我很在意的小地方：
不要自行寄出任何郵件。
因為「幫我整理」和「幫我發出去」是兩種完全不同的權限。
前者我可能願意讓 Agent 自動執行。
後者我通常希望保留人類最後確認。
這正是前面幾天那些看起來很抽象的安全護欄、工具權限與人類核准，真正落到日常工作後會長成的樣子。
ChatGPT 的排程功能與 Codex 的自動化工作，都可能幫你定期執行任務；實際可用功能會依帳號、工作區與連接服務而異。若自動化要在本機 Codex 執行，也要確認電腦沒有睡著、Codex 正在執行，不然它就像被交代打掃卻關在門外的助理。
所以真正的工作流不一定只有一條路。
你可以問：
這件事用 ChatGPT 的排程功能比較簡單？
還是：
它需要本機檔案與終端機，所以放進 Codex 的自動化工作比較合理？
這就是我覺得「理解各家工具所長」比背產品功能更重要的地方。
每次談 Codex、連接的應用程式與自動化，很容易最後變成一句：
有資安風險，所以不要用。
我覺得這也不是很實際，因為通常用了一次之後會回不去(資安？你哪位...)。
開車有風險，我們沒有因此把車全部丟掉；比較合理的做法是學會煞車、紅綠燈和安全帶。
使用 Agent 也是一樣。
如果只是第一次嘗試，可以先讓它讀取檔案、提出修改建議，而不是立刻給最大權限。真的需要自動修改，再逐步開放。需要連接郵件、GitHub、Google Drive 時，也先理解連接的服務到底能讀什麼、能不能寫入、什麼操作需要你確認。
OpenAI 目前在 Codex 外掛的設計裡，也延續這個概念：外掛可以包裝技能與連接服務，但應用程式仍然受到原本資料存取權與操作權限的限制。裝了外掛，並不等於突然拿到通往所有公司資料的萬用鑰匙。
這和 Day 11 談提示注入時的結論完全一樣：
假設模型有一天真的被騙了，真正決定後果大小的，是它手上到底有多少權限。
回頭看，我現在並不是每天坐在一個 ChatGPT 視窗裡解決所有問題。
有明確的小問題，我直接開 ChatGPT 對話。
某種行為一直重複，我會思考是不是做成 GPTs。
腦袋一團亂、想先講再整理，我會開 Live 語音模式。
工作開始涉及本機檔案、專案資料夾、終端機或多步驟執行，我會往 Codex 移動。
如果流程已經跑過很多次、輸出也相對穩定，就開始想：
能不能讓它變成自動化工作？
所以真正改變的不是：
我今天用了幾個 AI 工具。
而是工作逐漸從：
每一步都由我自己執行
變成：
我決定目標
↓
選擇適合的入口
↓
AI 協助執行
↓
我驗收
↓
穩定後再考慮自動化
這裡最重要的還是 Day 9 談過的那件事：
人必須知道什麼叫做好。
沒有驗收能力，再好的 Agent 最後也只是一台速度非常快的隨機工作產生器：跑得很快，卻不保證跑對方向。
我不太喜歡把 AI 工具整理成：
OpenAI 適合做 A，Claude 適合做 B，Gemini 適合做 C。
因為產品更新太快，而且每個人的工作內容也不一樣，而且模型的聰明程度是動態改變的，可以看一下stupid meter這個工具。
我更傾向把它想成一個工具箱。
有時候需要螺絲起子。
有時候需要電鑽。
有時候其實只需要徒手把螺絲轉緊，根本不用搬整箱工具出來。
OpenAI 對我來說，目前比較有價值的不是「有一個最強的聊天機器人」，而是它提供了幾種不同工作深度的入口：從一般對話、GPTs、Live，到 Codex 與自動化，讓同一個想法可以逐步從「聊天」往「真正執行」移動。
但這只是我的工作流。
下一個人完全可能有另一套更適合自己的方法。
所以接下來幾天，我們會繼續看看其他 AI 生態系。我不打算替它們排冠軍，而是想觀察：
每家公司正在把模型、Context、工具與工作管家（Harness）組成什麼樣的工作方式？
下一篇，我們就從 Google 開始。
OpenAI Academy. Using custom GPTs
OpenAI Help Center. ChatGPT Release Notes — GPT-Live-1
OpenAI. Introducing the Codex app
OpenAI. Gmail Plugin for ChatGPT
iThome鐵人賽
看影片追技術