韋惟珊
數位時代 BusinessNext 的文章作者，這篇文章以 5 個 AI agent 的內容工作流為主題，主張把策略、研究、寫作、編輯、發布拆成不同角色，才能減少 AI 文章的同質化。
2026-07-17 的訪談延伸到非工程師建立 Agent 的工作流拆解：區分 Tool 與 Skill、從最終 Output 反推 Input、在流程斷點加入檢核，並以 Skill 維護成本對照重複工作的省時效益。
2026-07-20 的保單整理案例以 Gemini Notebook 建立可追問的個人文件庫：先取得有效正式文件、去除個資，再用附出處與不確定性規則的提示詞整理保障內容；正式理賠仍需由保險公司或業務員確認。
2026-07-21 的延伸文章把 Wesley 的案例推進到反思式使用：AI 給出好答案時，追問它如何推導、採用什麼框架與核心邏輯，將答案轉成學習素材；這是作者對案例的整理，不等於模型真實內部推理的直接觀測。
2026-07-22 的 ChatGPT Work 教學則把作者的案例放在會議後簡報場景：上傳會議紀錄與既有簡報大綱，要求 AI 整理專案目標、里程碑、負責人、期限、風險與下一步，再由人核對關鍵欄位後下載。
2026-07-30 的語音提示詞教學則把 Karpathy 的 voice ramble 整理成低摩擦輸入與意圖對齊 gate：先講出背景、顧慮與卡住的地方，再讓 AI 回述任務並反問 2–3 個不確定處，確認後才執行。文章同時提醒核對語音轉錄的數字／名稱、模型超譯與雲端錄音的機密風險；這是作者的操作整理，不是獨立 benchmark。
2026-07-31 的 Claude Code 教學則把 session 管理工具用在歷史對話整理：讀取 session ID、建立日期、標題與內容，依「對象＋動作型主題」命名為 YYYYMMDD｜對象｜主題，再用定期 /schedule 維護新對話。這是可重用的 session metadata 與檢索 workflow，但作者的產品功能描述仍需以當期 Claude Code 文件確認。
2026-08-03 的 i-have-adhd 教學把「怎麼回話」做成開源 Skill：第一行先說要做什麼，步驟回報時間／進度，遇到問題列出原因與解法；它適合任務收斂，不適合腦力激盪。這是作者對開源 skill 與產品操作的整理，不是 ADHD 臨床建議或獨立 benchmark。
2026-08-04 的第三方 Skill 安全檢查則把作者持續整理的 Skill 工作流接到供應鏈風險：安裝前把 Skill 當成不受信任內容，掃描 scripts／references 的 outbound network、telemetry、傳送欄位與權限，移除具體 webhook 或回傳設定，再在最小權限 Agent 環境驗證。這是實務安全 gate 的媒體整理，不是完整 sandbox 或網路安全保證。
2026-08-05 的 AI 簡報文章把作者持續整理的工作流推進到開工前的四題 gate：先確認要促成的決定、聽眾的在意與反對點、唯一記憶句，以及每頁要說服還是供查閱，再讓 AI 產生候選大綱與視覺。這是媒體與簡報教練觀點的操作整理，不是獨立溝通成效 benchmark。
2026-08-06 的 Gemini Spark 週報實測則把作者的產品操作整理延伸到週期性 agent 交付：讀取 Gmail、Calendar 與 Drive 的專案脈絡，產生固定欄位的 HTML 週報，並依排程寄給指定成員。這是媒體實測與產品條件的來源歸屬，不視為獨立成功率 benchmark。
2026-08-10 的資料分析文章把作者的工作流整理延伸到分析驗證：先做資料健檢，再確認比較基準，最後區分事實、推測與無法判斷，避免 AI 把正確計算包裝成沒有根據的績效結論。這是可重用的 prompt／review gate，但案例與建議不是獨立統計或因果分析 benchmark。
2026-08-11 的親子情緒命名文章把作者的工作流延伸到高情緒互動：讓 AI 先中性描述情境、提出最多三個保留「可能」的細緻情緒詞，再由孩子確認或拒絕，並避免把哭鬧、打人等行為直接貼成情緒。這是可重用的 agency-preserving prompt pattern，但文章中的情緒標記說法不是臨床診斷或獨立心理學 benchmark。
2026-08-12 的 Gemini in Sheets 實測則把作者的工作流延伸到 reference artifact 與表格驗證：用上月報表作為欄位、排序、小計與公式的範本，讓 Gemini 先提出執行計畫，核准後再修改本月資料，最後核對筆數、公式範圍、總計與遺漏分類。這是可重用的資料轉換／review gate，但產品資格與實測成功不是獨立 benchmark。
2026-08-12 的 AI 廣告治理文章則把作者的工作流延伸到生成內容發布：以香帥蛋糕 AI 廣告失誤為案例，整理 G-U-A-R-D 框架，要求 AI 素材不可直出、品牌語感要用核可文案對齊、產品與品牌承諾要人工查核，並在發布前完成魔鬼代言人與標準檢核表。這是可重用的品牌內容 governance gate，但案例與框架不是獨立品牌成效研究。
2026-08-13 的 Grok 4.6 文章則把作者持續整理的 agent 工作流推進到模型選型：將長時程 agent、自我驗證、GDPval／Terminal-Bench／AA-Briefcase 等任務級評測，以及輸入快取成本放在同一個比較框架。這是可重用的 model-harness-fit 與 task-level cost 判準，但 Artificial Analysis 數字、產品價格與上線範圍仍是來源／第三方 attribution。
相關頁面
- bnext — 發表該文的媒體平台
- five-agent-content-workflow — 本文對應的工作流概念頁
- ai-cognitive-offloading-and-agency — 把 AI 使用從答案消費轉成保留主導權的學習迴圈
- ai-collaboration-compounding-workflow — 把 session metadata 與重複工作外部化成可維護的 AI 協作系統