現在關於 AI 的文章很多。有人分享怎麼寫 Prompt、怎麼加快寫程式，也有人用 AI 做出很炫的小工具。這些內容都很有趣。

但我腦中想起一個畫面：每天打開相同的系統、查差不多的資料、照著固定格式整理報告。流程早就熟到可以背起來，時間還是一天一天被吃掉。既然這些工作已經有 SOP，或許可以讓 AI 接手其中一部分。
我想做的 AI 自動化，就是從這些每天重複的工作開始。這也是這個系列的起點。

你我都知道的重複工作

以前看過一些同事，每天都要開著幾個系統查資料、截圖、整理項目，最後再寫成報告。這些工作通常有固定順序，也有已經做了很多次的 SOP，只是每天的輸入資料不同，
單次做起來好像沒多難，但每天都做就很耗時間。更麻煩的是，當人把大部分精力花在查資料和整理格式，就很難再仔細追查異常。報告有交出來，問題可能還是躲在圖表裡。

我會想到讓 AI 加入，是因為這些流程大多都在做三件事：取得資料、理解資料、寫成報告。查系統和蒐集資料可以交給工具；讀懂資料、找出重點，再整理成報告，可以交給 AI。把兩邊串起來，AI 就能參與整個工作流程。

拆解 SOP 的輸入、處理與輸出

我自己處理這類需求時，會先把原本的 SOP 拆成三件事：

1. 輸入是什麼。
2. 拿到資料後，要用什麼順序和邏輯處理。
3. 最後要交出什麼結果。

例如 SRE 收到告警後，輸入是告警內容、觸發時間與相關服務；接著查看 metrics、log 和 trace，確認異常發生的時間、影響範圍與可能原因；最後整理調查結論與處理建議，必要時再寫成報告。

這個拆解過程看起來很基礎，實際做下去常常會開始痛苦。你會發現某些步驟只是「以前的人就這樣做」，有些判定連團隊內部都沒有一致標準。AI 還沒開始寫程式，光是重新釐清 SOP，就可能先抓出幾個原本沒有注意到的盲點。

幫 AI 裝上可以工作的手腳

SOP 拆完後，下一步是決定 AI 要怎麼取得資料和執行動作。

LLM 很像這套流程的大腦，可以理解人話、整理資料與推理下一步。但它不會憑空知道系統發生過什麼，也不會自己連到監控平台查 metrics、log 和 trace。這些動作要靠程式、CLI、API 或 MCP 完成。

工具準備好後，還要決定怎麼控制整個流程。可以用程式碼固定每個步驟，也可以透過 System Prompt、AGENTS.md 或 CLAUDE.md 告訴 Agent 怎麼使用工具。當流程已經穩定，而且之後會反覆執行，也可以進一步整理成 Skill。無論採用哪種方式，都要把執行順序、判斷規則、安全邊界與停止條件寫清楚。

用實際需求驗證這套方法

接下來，我會拿自己在工作現場實際遇過的需求來驗證。每個需求都會先還原原本的人工做法，再走完下面這條流程：

拆解工作的 SOP
→ 確認輸入、處理邏輯與輸出
→ 準備 AI 需要的工具
→ 定義執行流程與安全邊界
→ 選擇適合的方式實作
→ 用真實結果驗證這套流程

功能做出來後，還要確認最後的結果有沒有解決原本的需求。過程中遇到 AI 判斷錯誤、資料不足或流程設計有問題，我也會照實記錄，看看 AI 實際能接下哪些工作。

結論

如果一件工作每天都要查相同的資料來源、照固定順序判斷，最後再整理成固定形式的結果，就很適合拿出來拆解。看到這裡，也可以回頭想想自己的工作：有哪些事情一直在重複查資料、理解內容和寫報告？只要原本的 SOP 能說清楚，就有機會把其中一部分交給工具和 AI。

下一篇會從我遇到的其中一個需求開始：混沌工程。這也是我第一次把前面這套方法放進實際工作流程，看看 AI 到底能幫上多少忙。