你還記不記得，
大概去年這個時候，
整個網路都是吉卜力風格的圖。

大家把自己的照片、全家福、還有寵物，
都丟進 ChatGPT變成宮崎駿動畫裡的角色，

我自己也玩得很開心。

但一年多後，
我打開網頁版 ChatGPT 的次數，
反而愈來愈少。

先說結論，
ChatGPT 依然很好用，
我現在也還是會用。

只是最近，
我愈來愈少把網頁版 ChatGPT，
當成工作的主要入口。

因為我的 AI 使用方式，
正在從單次問答，
慢慢轉向 AI Agent。

以前使用 ChatGPT，
通常是打開網頁，
輸入一個問題，
等待它產生答案。

要整理資料，
就把檔案上傳進去，

有時候檔案太大，
還會遇到上傳失敗或容量限制。

雖然做出來的內容很不錯，
但做久了之後，
我開始發現一個問題。

每次開啟一般的對話，
常常都要重新介紹背景。

你正在處理什麼工作、
資料從哪裡來、
希望採用什麼格式、
過去已經做過哪些決定，
都要再說一次。

這種使用方式，
有點像每天找來一位能力很好的臨時工。

只是他每次來到工地，
都像第一天上班。

你要先帶他認識環境，
告訴他工程做到哪裡，
文件放在哪一個資料夾，
公司習慣採用什麼格式，
哪些地方有危險要特別注意。

等他終於了解狀況，
可能也快到下班時間了。

這也是我開始尋找另一種工作方式的原因。

所以最近，
我開始把工作重心轉向
Claude Code、Codex 這類具備 agent 能力的工具。

這些工具可以直接讀取專案資料夾，
理解不同來源的文件，
再依照任務需求調用工具。

它可以整理資料、
執行程式、轉換文件，
最後產生實際可以使用的成果。

這和單純問 AI 一個問題，
已經是不同的工作方式。

例如，
今天收到一段會議錄音。

過去使用網頁版 ChatGPT 時，
可能要先把錄音轉成文字，
再上傳逐字稿，
請 AI 整理摘要。

接著要求它列出決議事項與待辦工作，
最後再把內容複製到EXCEL裡排版。

如果先把流程整理好，
再交給支援工具調用的 AI agent 執行，
就可以把這些步驟串成一個完整任務：

讀取錄音檔、
轉成逐字稿、
整理會議摘要、
列出決議與待辦事項，
輸出成 EXCEL列管表。

如果你還有設定郵件和行事曆的權限，
它還可以把表格寄給相關人員，
下個星期自動通知列管期限到了。

原本要切換好幾個工具、
分成好幾次處理的工作，
現在可以交給 agent 依序執行。

其中我覺得最實用的概念，
就是 Skill。

你可以把經常重複的步驟、
判斷規則與輸出格式，
整理成一套固定流程。

下一次遇到相同任務時，
不用重新解釋一遍，
AI agent 就能依照既定方式處理。

像我網站上的文章封面，
就是利用 Codex 批次產出的。

我把平常使用的封面風格、構圖元素，
以及不希望出現的設計，
整理成一套 Skill。

需要處理時，
Codex 會讀取文章，
分析每一篇的主題與內容，
再依照既定的視覺方向，
調用圖片生成工具產出封面。

原本要一張一張生成、
一張一張調整的工作，
現在可以整批處理。

我只要負責挑選、檢查，
再決定哪些圖片可以正式使用。

做一次，
差異可能不大。

但這件事如果每天都要做，
一年就是三百多次。

每次少掉一點重複說明、
複製貼上與切換工具的時間，
累積下來就會很可觀。

當然，
AI agent 帶來的方便，
也有它的代價。

想要完整使用 Claude Code、Codex 這類工具，
通常需要付費訂閱，
而且會受到使用額度限制。

任務愈複雜、
需要讀取的檔案愈多、
執行的時間愈長，
消耗的額度通常也會愈快。

有時候大型的任務進行到一半，
額度可能就快用完了。

接下來只能等待額度重置、
購買額外用量，
或者換成其他模型繼續處理。

像我自己的網站，
就是因為額度不足，
沒辦法一次把工作做完。

我只能把任務拆開，
等額度恢復之後再繼續，
前前後後花了幾個星期，
才慢慢把網站建置完成。

所以，
AI agent 節省了人的操作時間，
同時也增加了工具與運算成本。

每一項工作都交給 agent，
未必划算。

如果只是偶爾修改幾句文字、
詢問一個問題，
網頁版 ChatGPT 已經很方便，

一般對話的額度也相對寬鬆。

當同一套流程經常重複，
或者每次都要處理大量文件，
AI Agent 的效益才會逐漸顯現。

除了 Skill，
我認為未來更重要的資產，
是上下文。

當你累積足夠的專案資料、
過去成果、工作規則與操作紀錄，
AI Agent 就能先讀取這些內容，
理解目前正在處理什麼工作。

它會知道有哪些規則需要遵守，
過去曾經做過哪些決定，
遇到不同狀況時，
應該調用哪些工具，
最後要產生什麼成果。

這時候，
資料夾裡保存的內容，
就不只是以前做過的文件。

它們會逐漸變成，
AI 理解工作的上下文。

上下文愈完整，
你的 AI 就不會只是一位能力很強的臨時工，

而是熟悉你生活大小事的貼身祕書。

微軟也正在透過 Work IQ，
把郵件、會議、檔案與組織關係，
整理成 AI agent 可以理解的工作上下文。

這也代表，
未來企業累積與管理上下文的能力，
很可能會成為新的競爭差距。

這也讓我重新看待日更文章。

每天寫文章，
表面上是在累積內容。

長期來看，
也是在建立一套關於自己的資料庫。

我關心哪些議題、
如何看待工程現場、
怎麼談職涯、閱讀與 AI，
習慣使用哪些例子，
又如何把專業內容轉譯給一般人理解。

這些文章累積得愈多，
AI 就愈有機會理解：

我是誰、
我在意什麼、
我習慣怎麼思考，
以及什麼樣的內容才像我寫的。

過去寫文章，
是讓讀者逐漸認識自己。

未來只要經過整理，
這些文章也能成為 AI 理解我，
協助我工作的上下文來源。

當然，
AI agent 也沒有神奇到
可以完全放著不管。

它仍然需要適當的權限、
清楚的指令、
可靠的工具，
以及整理過的資料。

AI 能讀取的資料愈多，
權限與資安也愈需要注意。

尤其工程工作涉及契約、法規、金額與責任，
最後仍然需要專業人員確認。

但工作的模式，
確實已經開始改變。

所以，
我真正減少使用的，
是以網頁聊天為中心的工作方式。

以前我們學習的，
是如何把提示詞寫得更清楚。

接下來還要進一步思考：

這份工作有哪些固定步驟？
哪些規則可以寫成 Skill？
哪些資料應該持續累積？
哪些成果能交給 agent 先完成？

又有哪些判斷，
最後一定要由人負責？

工具會一直改變，
模型也會愈來愈強。

未來重要的資產，
可能不只是一段寫得很好的提示詞，

還包括你長期累積的上下文、
工作流程，
以及一路留下來的專業紀錄。

你可以先從一項，
每天或每週都會重複的工作開始。

把步驟寫下來，
看看其中哪些內容，
可以慢慢整理成 Skill。

下一次，
你交給 AI 的，
可能就從一個問題，
變成讓它替你完成工作流程。