對話型 Skill（雲端同步）
建立在 Claude Chat 等雲端環境，跨裝置自動同步。適合純文字流程，例如「把這段文字改寫成 IG 貼文」「依固定格式生成評語」。優點是隨開隨用，缺點是碰不到你電腦裡的檔案。
Skill 與多 Agent 派工
前面幾個模組你已經學會「跟 AI 對話」。這一模組要把 AI 從「每次都要重新教的助理」升級成「記得做事方法、會自己跑流程、還能指揮一群分身的團隊」。核心只有兩件事：第一，把你重複做的流程封裝成 Skill（給 AI 看的 SOP），讓它一遇到相關任務就自動套用；第二，理解 多 Agent 派工——聰明的模型當總指揮、便宜的模型當苦工，並把資料、筆記、程式碼當成獨立於任何 AI 的資產。學完你會發現，AI 時代真正稀缺的不是工具，而是「把工作流設計清楚」的能力。
Skill 就是 SOP——一份寫給 AI 看的超詳細做事說明書
很多人以為 Skill 是某種神奇的程式碼，其實不是。Skill 本質上就是一份結構化的 Markdown 文件，把某個任務的所有專業知識、流程步驟、規則條件、品質標準與預期產出，全部一次寫清楚。你只要教 AI 一次，之後它遇到相關任務就會自動翻出這份 SOP 照著做，不用你每次重複交代。
「Skill 就是你交給 Claude 一套完整的做事方法，遇到相關任務他就自動套用，你不需要重複去教他——有點類似你給他一份 SOP，他手上有這份 SOP，就知道怎麼做。」
為什麼用 Markdown？因為對 AI 來說 Markdown 是最容易閱讀、最容易理解的格式——標題、清單、條件都一目了然。所以跟 AI 溝通、寫指令、寫 Skill，Markdown 都是首選格式。一份好的 Skill 不只是把步驟列出來，還會寫進「規則」與「條件」：例如一個出題技能，會明確規定要出幾題、難度分布、要不要附解析、用什麼語言，連審題的標準都寫進去。
檔案型 Skill（威力最大）
只能在 Cowork / Claude Code 這類本地環境跑，因為它會動到你電腦裡的檔案——可以安裝套件、執行 Python、產出 PDF。檔案整理、批次轉檔、生成報表都靠它。三師爸直說：「真正厲害的技能是檔案型技能。」
帶走：判斷要做哪一種 Skill，問自己一句話就好——「這個任務需不需要讀寫我電腦裡的檔案？」需要 → 檔案型（在 Claude Code 做）；只是純文字產出 → 對話型即可。
怎麼做一個 Skill：先手動跑一遍，再叫 AI 打包
做 Skill 的關鍵心法是「先成功跑一次，再封裝」。不要憑空想像流程然後直接寫 SOP，而是先帶著 AI 真正把整件事做完、驗證結果 OK，再請它用內建的「Skill Creator」把剛剛這段過程轉成 .md 檔。這樣產出的 Skill 才會貼近你真實的需求與品質標準。
-
Step 01
挑一個重複性最高的任務。例如「每週整理下載資料夾」「分析會考歷屆試題並出一份分析」。任務越固定、越常做，封裝成 Skill 的回報越高。
-
Step 02
第一次手動帶 AI 跑完整流程。一步一步引導它：「分析這個資料夾」「找出重複檔案」「圖片移到這裡」「文件依內容分類」「最後生成一份整理報告」。容許過程中邊做邊修正。
-
Step 03
驗證結果正確。確認分類邏輯、刪除清單、報告內容都符合你要的標準。這一步是 Skill 品質的源頭，不能跳過。
-
Step 04
下指令打包。對 AI 說：「把剛剛我們做的事情打包成一個技能，命名為『智慧檔案整理』。」AI 會啟動 Skill Creator，把對話與操作流程轉成一份結構化的
.mdSkill 檔。 -
Step 05
重啟桌面版讓它掛載。新建立的 Skill 通常要完全關閉並重開 Claude Code / Codex 桌面版才會生效。之後設定觸發關鍵字，喊一聲就能整輪自動跑。
把剛剛我們完成的「會考數學試題分析」整個流程打包成一個技能，
技能名稱叫「會考試題分析」，
要包含：讀取試題 PDF → 萃取題型分布 → 統計近五年趨勢 → 生成一份含圖表的分析報告，
並設定觸發關鍵字「分析會考試題」。
技能名稱叫「會考試題分析」，
要包含：讀取試題 PDF → 萃取題型分布 → 統計近五年趨勢 → 生成一份含圖表的分析報告，
並設定觸發關鍵字「分析會考試題」。
常見誤區：把 Skill 想成神奇程式碼。它就是一份寫得非常詳細、結構化的 Markdown 指示文件——你看得懂，AI 也看得懂。寫不好的 Skill 通常是「步驟太籠統、沒寫規則與品質標準」，導致 AI 每次產出都不一樣。
省 Token 心法：一次給足指令、用 AGENTS.md 記進度
很多人用 AI 像在聊天，一次只丟一件事。這其實最浪費——每來回一次都在重新讀上下文、燒 Token，AI 還容易忘記前面講過什麼。正確做法是把所有步驟、條件、預期產出一次完整交付。
「你不要一次叫他做一件，你要一次把你要他做的事情一次把他送出，這樣子最省 Token 的數量。」
第二個省 Token 的關鍵是專案進度檔（AGENTS.md／收工）。AI 的上下文視窗是有限的，「當上下文用完的時候，AI 就會變笨。」解法是：每次對話告一段落就下「收工」指令，讓 AI 把這次的關鍵資訊與進度摘要寫進專案裡的 AGENTS.md。下次開新對話時，AI 只要讀這個檔就知道「上次做到哪」，完全不用重讀一大串歷史對話——既省 Token，又保持 AI 在最佳智能狀態。
| 做法 | 浪費版（NG） | 省 Token 版（OK） |
|---|---|---|
| 下指令 | 「先分析檔案」→ 等回覆 →「再萃取重點」→ 等回覆 →「再做圖表」 | 「分析檔案、萃取重點、制定策略、生成三張圖表」一次送出 |
| 跨對話接續 | 新對話重貼一大串歷史，AI 重讀燒掉大量 Token | 收工寫進 AGENTS.md，新對話「開工」直接讀檔接續 |
自動化三段：Cowork、Dispatch、Computer Use
當 AI 從「會聊天」進化到「會操控你的電腦」，自動化大致分成三個層次，由近到遠、由本地到遠端。理解這三段，你就能依情境選對工具。
Cowork｜本地操控檔案
AI 直接在你的電腦上整理檔案。三師爸示範一句提示詞就把 2,000 多個檔案分類完畢、刪掉 132 個重複檔、釋放 35GB 空間，最後還附整理報告。「一句提示詞，全部幫我做好。」
Dispatch｜手機遠端遙控桌機
在電腦端 Claude 啟用 Dispatch，手機就變成遙控器。人在外面，傳一句「用『智慧檔案整理』整理一下桌面」，桌機就開始做事、做完把結果回傳手機。真正的「數位分身」。
Computer Use｜接管滑鼠鍵盤上網
需要上網搜尋、下載資料時，AI 直接接管瀏覽器，在背景幫你抓資料存到指定目錄，不干擾你當前工作。例如「去抓近五年會考數學歷屆試題，下載到這個資料夾」。
本地：Cowork
遠端：Dispatch
背景：Computer Use
兩個一定會踩的坑：
1. 權限沒開。AI 要刪檔、移檔、操控瀏覽器時會被系統安全設定擋下——記得先授權（如 bypass permission）。刪檔是真的會刪，先確認再放手。
2. 忘記預先登入。Dispatch / Computer Use 操控瀏覽器時，AI 無法幫你登入帳號。要它去你的 Gmail、Drive 操作，必須先在電腦瀏覽器登好那些網站，它才進得去。
1. 權限沒開。AI 要刪檔、移檔、操控瀏覽器時會被系統安全設定擋下——記得先授權（如 bypass permission）。刪檔是真的會刪，先確認再放手。
2. 忘記預先登入。Dispatch / Computer Use 操控瀏覽器時，AI 無法幫你登入帳號。要它去你的 Gmail、Drive 操作，必須先在電腦瀏覽器登好那些網站，它才進得去。
多 Agent 派工：引擎與駕駛分離，組你的 Agent 大軍
最新的玩法是「引擎與駕駛分離」。讓最聰明、但較貴的模型（如 Claude Code、Codex）當總指揮，負責規劃、拆解任務、把關品質；再把大量的苦工——抓資料、翻譯、跑重複腳本——派給便宜甚至免費的模型去做。你可以同時開多個視窗，讓這些分身平行出工，效率倍增。
便宜苦工的來源很多：本地跑的 Gemma（透過 Ollama）完全免費；NVIDIA 免費 API 上的 DeepSeek、Kimi；或開源的 OpenCode 等。總指揮負責「動腦」、苦工負責「動手」，把貴的算力花在刀口上。
支撐這套玩法的關鍵觀念是 「Agent 無關性」：你的資料庫（Firebase / Supabase）、筆記（Obsidian）、程式碼（GitHub）都是獨立於任何 AI 的資產。換 Agent 不會丟資料，工作流的邏輯也不變——這意味著你不會被任何一家 AI 綁死。
「AI 時代大家要把這些觀點建立起來：之後就是哪一家便宜、哪一家好用，我們就改用那一家 Agent。工作流本身的邏輯思考模式是不變的。」
帶走：「你的 Obsidian 筆記不會變、GitHub 不會動、Firebase 資料都還在——不管換哪一家 Agent，你都可以接續原本的工作。」把心力投資在「設計好工作流」與「累積資產」，而不是死守某個工具。工具會更迭，工作流邏輯才是你真正的資產。
繼續往下一站
← 上一模組 ｜ 下一模組 →