簡介

之前到大學演講，課程結束後，許多同學留下來問問題。他們覺得 AI 很笨，常常聽不懂需求，回答看起來很完整，拿去做事又差了一截。

我多問了幾句，慢慢聽出一個共通點。不少人已經用過 ChatGPT，也知道怎麼輸入一段提示，但使用方式大多停在一問一答。AI 給的內容不好，就換一種問法；多試幾次仍然不滿意，最後得出 AI 不太可靠的結論。

這種感受並不陌生。聊天介面太自然了，我們很容易把 AI 當成一位隨時在線的問答對象。可是聊天得到的是一段回答，完成工作需要的東西更多。AI 得先知道目標、讀懂手上的材料、遵守限制，過程中還要使用工具。任務完成以後，我們得有辦法檢查結果。

我在課後提到 Codex，才知道不少同學從未聽過它。他們不知道 AI 已經能在指定的工作環境裡讀取檔案、修改內容、執行程式與檢查成果，更沒想過可以把一段完整工作交出去。這也讓我開始思考，當大多數人已經會和 AI 聊天，下一段學習會是什麼。

OpenAI 目前把 ChatGPT 的使用情境延伸到研究、資料分析、文件與簡報，也把 Codex 用在理解程式庫、建立功能、測試和審查工作。

2024 年參加鐵人賽時，我用 LangGraph 從零開始實現 Agentic AI System。當時，我一路研究狀態、工具、記憶、規劃與多代理協作，想知道一個 Agent 是怎麼被做出來的。兩年後，我想把視角換到螢幕的另一邊。Agent 已經開始替人做事，我這次想研究的是，人該怎麼指揮它們。

這也是「一人 AI 團隊」的起點。

為什麼你不能錯過這個系列？

現在會用 ChatGPT 的人愈來愈多。請 AI 改寫文字、整理重點或提供想法，已經逐漸成為日常操作。只會聊天帶來的差異正在縮小，新的差距出現在另一個地方。

有些人仍然一題一題問 AI，再把答案複製到其他工具裡。另一些人開始把工作整理成任務，準備好資料與規則，讓不同 Agent 分工，最後依照明確標準檢查成果。同樣是一個人使用 AI，能完成的工作規模已經不同。

這種工作方式也會帶來新的麻煩。任務一多，Agent 可能重複做事，也可能各自採用不同標準。它們會忘記前面的約定、讀錯檔案，偶爾還會很有自信地宣布已經完成。若使用者沒有看見過程，也沒有設定權限和驗收方法，省下來的時間很快又會花在收拾結果上。

所以這個系列會把注意力放在人怎麼帶 AI。我們會練習把想法寫成可執行的目標，準備 Agent 真正需要的 Context，再把工作拆給合適的角色。等它們交回成果，我們還要知道該看什麼、怎麼測，以及什麼情況需要人親自接手。

會用 AI，是起點。接下來的能力，是把一群 AI 帶到可以交付。

系列內容概覽

什麼是一人 AI 團隊

我所說的一人 AI 團隊，由一位人類領隊和數個負責不同工作的 AI 角色組成。多開幾個聊天視窗，還不會自然形成團隊。

團隊裡仍然只有一個人負責方向。這個人決定要完成什麼、哪些資料可以使用、什麼動作需要確認，以及最後怎樣才算合格。不同 Agent 可以負責研究、資料處理、視覺設計、程式實作或審查。它們各自完成一部分，再把結果交回來。

概念上，它大約會長成這樣。

人類領隊
├── 研究 Agent
├── 資料分析 Agent
├── 視覺設計 Agent
├── 程式開發 Agent
└── 審查與驗收 Agent

角色數量不必多。每個角色都需要知道自己的責任，拿到足夠的背景，也要清楚什麼時候該停下來等待人類確認，這些條件會直接影響結果。

任務選集與能力升級主線

我會準備多個可以獨立閱讀的任務。它們可能是整理陌生主題、分析資料、製作互動式視覺化、建立後台網站。每個任務都會留下可以看見的成果，也會刻意保留過程中遇到的問題。

這些案例會由同一條能力主線串起來。前面的案例先練習說清楚成果，讀者可以挑選感興趣的任務閱讀，從頭跟著走的人，也能看見一人 AI 團隊如何慢慢成形。

六個學習階段

• 第一階段：先分清楚聊天、任務與 Agent。ChatGPT 很適合協助我們釐清想法，Codex 則能在工作環境中讀取材料並執行一連串動作。知道工具差異以後，我們才能把工作放到合適的位置。
• 第二階段：練習定義成果。我們會把模糊想法整理成 Goal，準備必要的 Context，也把限制、參考資料與完成標準一起交代清楚。
• 第三階段：開始分工。一項跨領域任務通常包含研究、分析、設計與實作。不同 Agent 各自負責一段，人類則要避免責任重疊，並確認前一段的輸出能被下一段接住。
• 第四階段：建立穩定規則。我們會接觸 AGENTS.md 和 Skill，讓專案規範與重複工作有固定寫法，減少每次重新解釋，也觀察寫得太多或太少會造成什麼問題。
• 第五階段：進入多 Agent 協作。工作平行展開以後，我們要處理進度、交接、衝突與權限。哪一些動作可以直接執行，哪一些需要人類確認，也會在這裡逐步釐清。
• 第六階段：回到驗收。程式能執行、檔案有產生或 Agent 回覆完成，都只是過程訊號。最後仍要核對資料、執行測試、查看畫面，並留下足以說明成果的證據。

誰應該關注這個系列？

這個系列會盡量讓沒有程式背景的讀者也能跟上。你可能從來沒有使用過 ChatGPT，想知道現在的 AI 已經能協助哪些事情。也可能已經每天和 ChatGPT 對話，卻覺得它的答案時好時壞，複雜工作最後仍得自己收尾。

如果你聽過 Codex，卻不知道它和一般聊天有什麼差別，這個系列會從實際任務帶你認識。若你已經開始用 Codex，也可以一起研究怎麼改善工作流程，讓任務更穩定，並逐步嘗試多 Agent 分工。

讀者不需要先決定成為 AI 工程師。這次要練習的是把自己的工作說清楚，知道 AI 做到了哪裡，也保留做最後決定的能力。

程式碼

本系列預計建立一個公開的 GitHub Repository，並隨著每日任務持續更新。

Repository 裡除了程式碼，也會放入每個案例的任務說明、Context、AGENTS.md、Skill、Agent 分工、成果截圖與驗收紀錄。若過程中出現值得保留的失敗版本，我也會盡量記下當時出了什麼問題，以及後來怎麼修正。

Repository 完成後，我會把連結更新在這裡。讀者可以直接取得案例材料，也能對照文章裡描述的過程。

作者介紹

大家好，我是許恆修，長期投入人工智慧應用、AI Agent 與相關教學。過去曾在逢甲大學創能學院教授人工智慧相關課程，也擔任過工研院課程講師，並參與多場 AI 技術講座。

2024 年，我在 iThome 鐵人賽完成了「用 LangGraph 從零開始實現 Agentic AI System」系列。當年的文章從 AI Agent 基礎一路寫到多代理、RAG、可觀測性與網站整合，也留下了三十天實作中遇到的問題。2024 年系列文章

這次我會繼續站在學習者的位置，把自己怎麼理解 ChatGPT 與 Codex、怎麼安排 Agent 工作，以及哪些做法最後沒有成功寫下來。如果你對講座、課程或合作有興趣，也歡迎透過以下信箱與我聯繫。

聯絡信箱：hengshiousheu@gmail.com
每週電子報：hengshiou.substack.com

文章連結

目前已發布 Day 1～Day 24。以下依學習主線整理，每篇列出可以練習的任務與能力；你可以從頭閱讀，也可以先挑一項自己正在做的工作。

第一次接觸任務委派，可以先讀 Day 2、Day 3；想減少重複交代，接著讀 Day 4、Day 7；想嘗試多 Agent 分工，可以從 Day 18、Day 19 開始；已有 AI 成果卻不知道怎麼驗收，先讀 Day 22；想把既有材料做成自己的工作工具，可以接著讀 Day 23；想讓 AI 協助把照片參考做成 3D 模型，可以讀 Day 24。

Day 1～3：先把一份工作交出去

Day 4～8：讓規則與流程可以重複使用

Day 9～12：把資料、成果與操作接起來

Day 13～17：讓 Codex 理解專案，並管理修改

Day 18～22：開始組織 AI 團隊，處理中斷與驗收

Day 23：把既有材料做成自己的工作工具

Day 24：讓 AI 接手工具工作，把照片參考做成 3D

你準備好了嗎？

下次 AI 給出不理想的回答時，我想先多問自己一件事。我交給它的是一句問題，還是一份真的能執行的工作？

接下來三十天，我會用不同任務測試這件事。我會記錄 AI 怎麼工作，也會保留它失控、卡住與需要人接手的時候。等成果交回來，我們再一起檢查，它究竟做完了多少。

如果你已經會和 AI 聊天，我們就從這裡開始學著帶它。如果你還沒有使用過 ChatGPT，也可以從第一個任務開始，看看一人 AI 團隊究竟如何形成。