對話式 AI 已經不夠用!學會與 AI Agent 有效協作,才能在「K 型社會」站穩腳步,利用 AI 為人生加值!|《AI Agent 訓練營》feat. 張修修

這部在講什麼訪談

探討從對話式 AI 轉向 AI Agent(智能體)的思維變革,強調建立系統化架構而非單純下指令。透過拆解工作流,讓 AI 成為能執行任務的數位員工,協助個人在生產力極端化的 K 型社會中站穩領先位置。

適合誰想運用 AI 工具大幅提升工作效率的人。
核心觀點AI Agent 的大腦與手腳架構、LLM 四個核心物理限制、五種高效協作的工作流模型。
最值得看07:14 用忍者龜「克朗」比喻大腦與外殼協作關係。

論點怎麼成立

07:14
11:06
34:58
39:55

主張與佐證意義優先,時間戳用來導航

背景01:19

從對話走向執行

2025 年末標誌著 AI 從單純預測文字演進為能編寫程式碼與執行任務的 Agent。張修修將 AI 從聊天夥伴轉變為能串聯工具、自動處理繁瑣庶務的數位員工,透過系統化思維進入 AI 協作的高效率領域。
概念07:14

AI Agent 的三層架構

以忍者龜反派「克朗」作比喻:第一層是負責思考的大型語言模型大腦;第二層是讓大腦能存取信箱與檔案的手腳外殼。第三層則是存放使用者工作流程與喜好的記憶,讓 AI 隨著使用時間增加而更貼合個人需求。
案例11:06

標題腦力激盪智能體

透過 Agent 派分身執行 SEO 評分、關鍵字分析並模擬受眾人設互評,解決單一視窗記憶力不足的問題。這讓標題發想時間從五小時縮短至五分鐘,且產出品質更趨穩定,展現了多重分身機制的強大。
機制22:11

LLM 的四大底層特性

掌握機率性文字接龍、知識切斷點、有限工作記憶與人設引導能力這四大物理限制。理解這些邊界才能精準判斷 AI 何時會產生幻覺,並給予正確的補償與引導,讓 AI 在其能力範圍內發揮最大效用。
限制26:59

工作記憶與注意力的管理

AI 的注意力跟人類一樣有限,一次交辦太多任務會導致產出品質下降,應採「Sub-agent」策略拆解任務。明確規定輸入與輸出的格式,能避免對話歷史過長導致的反應遲鈍,確保 AI 始終保持在高效運作區間。
方法34:58

工作流一:串聯與分類

基礎工作流包含將複雜任務拆成多個檢核點的連鎖提示詞,以及根據訊息類別決定自動回覆或轉交真人的路徑分配。這種結構化邏輯能大幅降低錯誤率,避免資源錯置並提升自動化流程的精準度。
讓下一支影片也替你省時間

把你常看的 YouTube 影片,也變成這樣的重點摘要

安裝摘要王後,打開任何 YouTube 影片就能一鍵整理重點,先看值得看的段落,不必再複製網址。

一個選填問題

剛才這份摘要有幫你節省時間嗎?

如果願意,點一下最接近你的感受就好。

方法36:54

工作流二:平行、迭代與動態

進階模式包含多位專家同時審稿的平行協作,以及逐字稿校對至達標為止的評估迭代。最複雜的動態統籌常見於軟體開發,由 AI 根據初步掃描結果,自行判斷後續要派多少分身處理不同的程式區塊。
觀點30:30

treat AI like a Human Intern

應將 AI 視為實習生管理:不要讓它定核心策略,而是處理繁瑣的研究與初稿校對。創作的核心邏輯與靈魂應由人類保留,否則產出將失去獨特性;唯有當 AI 輔助人類的熱忱時,才能產生真正的價值加成。
趨勢39:55

K 型社會的生存之道

未來社會將分化為電池與掌控者,領先的 0.2% 人才能運用 Agent 獨力完成過去一整個團隊的工作。AI 會加速個人基本功的影響力,好的管理者能如虎添翼,而缺乏章法的人則只會製造出更多數位垃圾。
指標44:52

評估協作是否成功的標準

衡量指標在於人生的主動權是否回歸,若使用 AI 卻感到更焦慮,代表方法錯誤或過度追逐工具。好的協作應是讓雜事摩擦力變小,並建立自動運行的複利系統,讓人類省下精力去做真正具挑戰性且獨特的事。
需要留意:片中提到的 2025 年與 2026 年時間點,應為講者針對 AI 發展速度所做的情境設定或對未來趨勢的展望。目前主流模型已具備強大的 Agent 雛形,但要達到影片描述的「全自動動態統籌」,仍需依賴開發者環境或付費 API 權限,非所有免費版對話視窗皆能達成。

延伸思考摘要王的延伸觀點

影片中提到一個發人深省的細節:如果讓 AI 從頭規劃文章的大綱,作者再進去補內容,那篇作品的靈魂與邏輯其實已經不屬於你了。張修修主張,作者應該先寫出初稿或核心架構,再請 AI 擔任「寫作教練」或「審稿團」,從旁提供不同角色的反饋與邏輯分析,這樣才能確保創作的能動性保留在人類手中。

這引出了一個關鍵的取捨:自動化的邊界在哪裡?當 Andrej Karpathy 提到全人類僅 0.2% 能有效駕馭 AI Agent 時,這份領先不僅來自技術操作,更來自於對「領域知識」的掌握。AI 雖然是強大的槓桿,但若使用者本身缺乏判斷品質的能力,槓桿只會放大失敗。

這讓我們必須思考:在 Agent 幾乎能代勞一切執行層面的時代,哪些「無法被自動化」的人類特質反而變得更貴?是對受訪者的好奇心、是對創業痛點的直覺,還是那份能判斷 AI 產出是否為「垃圾」的審美觀?在追求效率的同時,如何不被 AI 豢養成喪失創造力的使用者?

早期觀眾反應

整理 4 則有效留言信心 低

觀眾對於課程含金量抱持懷疑,並針對受眾限制與實質價值提出疑問。

分歧課程實用性爭議1 則提及

部分觀眾認為內容過於基礎且市場導向明顯,質疑其深度及AI產出品質。

疑問地域與工具限制2 則提及

觀眾對於不在台灣或無法使用特定AI工具(如Claude)時,是否適合參與課程存疑。

目前僅整理 4 則有效留言,反應仍可能改變。

生成於 5 天前 檢舉
摘要先揭露後段價值,完整內容仍屬於原創作者。 回 YouTube 看最值得的一段 → 在 YouTube 邊播邊讀 · 加入 Chrome →