這幾年 AI 工具越來越多，看到別人分享自動化流程的時候，很容易會有一種感覺，好像只要把 n8n、Make、Zapier 或 AI Agent 學起來，就可以立刻把工作全部交出去，我原本也有一點這種想法，所以在開始這個 30 天挑戰之前，腦中其實已經冒出很多想做的東西，像是自動整理信件、自動整理資料、自動產生每天的待辦事項，甚至連找資料、整理文章、產生報告都想直接丟給 AI。

但真的開始整理之後，我才發現問題好像不是「有哪些工具可以用」，而是我根本沒有很清楚自己每天到底在重複做什麼，很多事情做久了之後已經變成習慣，開 Gmail、看訊息、複製資料、整理到 Notion 或文件裡，再自己判斷哪些事情要先做，整個流程每天都在重複，只是因為每次可能只花幾分鐘，所以平常根本不會特別注意。

直到我真的把一天的流程從早到晚列出來，才開始發現原來不少時間就是這樣一點一點被吃掉的，而這些事情單獨拿出來看都不大，全部加在一起卻比我原本想像的多很多。

自動化之前，我先記錄自己到底在忙什麼

所以 Day 2 我沒有先打開 n8n，也沒有急著串 API，而是先做一件看起來很普通的事情，把自己一天會做的事情全部列出來，看看哪些工作是真的每天都在重複，哪些只是偶爾才會出現。

我目前先整理成幾類：

• 看 Email，判斷哪些需要處理。
• 看各種訊息，整理重要資訊。
• 找資料，再把資料整理成可以看的格式。
• 把零散內容搬到文件、HackMD 或其他地方。
• 整理今天要做什麼，以及事情的優先順序。
• 重複搜尋類似的資料。
• 把同一份內容改成不同格式。
• 做完事情之後，再回頭更新進度。

單看其中任何一件事情，其實都不算很麻煩，真正麻煩的是它們每天都會出現，而且中間常常還夾著大量的複製、貼上、切視窗、重新整理格式，做的當下不會覺得很浪費時間，但一天十幾分鐘、一週幾次，累積一個月之後其實就不少了。

我原本一直以為，自動化應該先處理那些很複雜、很花時間的工作，但整理完反而發現，最適合先拿來做的很可能就是這種簡單到已經懶得抱怨，卻每天都還是得自己做一次的事情。

不是看到重複就全部自動化

把流程列出來之後，下一個問題就變成哪些事情真的值得自動化，因為有重複不代表就一定要交給 AI，有些事情雖然每天都會做，但如果判斷錯一次的成本太高，硬是把它自動化反而會變得更麻煩。

像「看 Email」這件事情本身很好自動化，但如果一開始就直接讓 AI 決定哪些信件重要，甚至讓它自己回覆，那風險馬上就高很多，尤其是在它還不了解我的判斷方式之前，這種流程表面上看起來很帥，最後很可能只是多出一個我要每天檢查的地方。

所以我先替這 30 天訂了一個很簡單的篩選方式，一件事情符合越多下面的條件，就越值得優先拿來做：

1. 會重複出現。
2. 每次流程差不多。
3. 輸入跟輸出可以被描述清楚。
4. 做錯之後不會造成太嚴重的後果。
5. 原本需要大量複製、貼上或整理。
6. AI 可以先幫忙處理，人再做最後確認。

這樣篩完之後，我反而先把不少一開始覺得很酷的想法拿掉，像是讓 AI 完全自己處理 Email、自己替我做重要決策，這些東西當然還是很有趣，只是目前不會放在最前面；相較之下，自動整理信件摘要、自動分類資料、把不同來源的資訊整理成同一種格式，反而比較適合當成前幾天的實驗。

我開始把工作拆成 Trigger、Process、Output

整理到這裡之後，我發現很多日常工作其實都可以拆成同一種結構：

Trigger → Process → Output

簡單來說，就是先想「什麼事情發生了」，接著是「中間要怎麼處理」，最後再決定「我要拿到什麼結果」，只要這三件事情講得清楚，一個原本看起來很模糊的工作，就會開始比較像一條可以被自動化的流程。

像是 Email：

收到新信件 → 判斷寄件者與內容 → 產生摘要與待辦事項。

找資料也可以拆成：

我輸入一個主題 → 搜尋多個來源 → 整理成固定格式的筆記。

每天整理工作的流程則是：

收集今天的任務 → 判斷截止時間與重要程度 → 產生今天的待辦清單。

以前遇到這些事情的時候，我只會覺得「這個每天都要做，好麻煩」，但當它被拆成這三段之後，就比較容易看出哪些部分可以用普通程式處理，哪些地方才真的需要 LLM，還有哪些步驟最好留下人工確認。

這裡也是我目前覺得很容易踩到的一個坑，因為只要講到 AI 自動化，很容易就會想把每個步驟都丟給 LLM，但像日期判斷、檔案搬移、固定格式轉換這些事情，其實普通程式或一個簡單節點就已經可以做好，真正需要模型的地方，通常還是摘要、分類、理解文字內容，或那些規則很難全部寫死的判斷。

如果每一步都直接丟給模型，不只速度比較慢、成本比較高，也會多出很多原本根本不需要存在的不確定性，所以接下來在做流程的時候，我也想順便測看看，究竟哪些地方真的需要 AI，哪些地方只是因為現在大家都在講 AI，所以很自然地想把它塞進去。

今天先挑出第一批候選流程

最後我先從自己的日常流程裡挑出幾個接下來比較值得實驗的項目，第一個是 Email 整理，先不讓 AI 自動回信，而是讀取信件之後整理重點、判斷有沒有待辦事項，再把真正需要我看的信件拉出來。

第二個是 資料蒐集與整理，因為我平常很常需要找資料，一個主題可能會開很多網站，再把內容整理到文件裡，這中間其實有大量可以被固定下來的流程，如果可以先自動完成搜尋、摘要或格式整理，應該可以少掉不少一直切視窗的時間。

第三個是 每日待辦整理，把不同地方出現的工作集中起來，再由 AI 幫忙整理成今天真正需要處理的事情；第四個則是 內容格式轉換，例如同一份內容可能要變成 Markdown、文件摘要、簡報大綱或訊息版本，這也是我目前很常重複做的事情。

這些流程現在都還沒有真正自動化，不過至少整理完之後，我已經不是先看到一個工具，再想「它可以拿來做什麼」，而是反過來先看自己現在有哪些問題，再決定 n8n、程式、API 或 LLM 到底應該出現在哪一段。

Day 2 做完之後，我反而少了很多想自動化的東西

原本我以為這 30 天最大的挑戰會是學很多工具，真的開始之後才發現，更麻煩的可能是判斷哪些事情值得做，因為如果一個流程本身就很混亂，把它接上 AI 之後也不會突然變聰明，最後很可能只是得到一套會自己執行的混亂流程。

所以第二天我沒有做出什麼很華麗的 Agent，也沒有出現一個按下去就能幫我完成所有工作的按鈕，只有一份自己的日常工作清單，加上幾個準備開始動手的自動化流程，但我反而覺得先把這件事情整理清楚比較重要，至少接下來不會為了「我要做 AI 自動化」而硬找東西自動化。

接下來我會從其中一個最常出現、風險又比較低的流程開始，真的把它串起來，看看一件原本每天都得自己處理的事情，到底能不能第一次交出去。

Day 3，就先從 Email 開始。