很多人用 AI 的方式是開一個對話視窗，從頭聊到尾，聊完發現自己還是忙。一位經營 podcast 的矽谷產品人最近分享了他的解法：把整條工作流程拆開、每一段做成一個 AI skill、再把 skills 串起來自動跑——他靠這套系統把 podcast 產製自動化了 90%，每週省下至少 5 小時。這篇把 3 個步驟拆給你看，最後講我自己判斷「什麼該自動化」的方法。
這是誰的方法？一個每週產出一集 podcast 的人
這套方法來自一支 19 分半的影片，作者是矽谷的資深產品人，每週日固定發布一集 podcast。他在影片裡把自己的完整工作流攤開來示範，最後總結成一句話：
「拆解工作流的每一個手工步驟，為每個步驟建立 AI skill，再把 skills 串接起來，自動化整條工作流。」（Map every manual step of a workflow, create AI skills based on these steps, and connect these skills together end to end.）
我特別喜歡他另一個立場：他不是要 AI 全自動吐內容，他說自己「不想讓 AI 拚命產出 slop（劣質內容）」，每一步都還是由他 review、給回饋。這跟我一直以來的用法是同一個方向——AI 做苦工，人留著判斷。
問題出在哪？有 AI 幫忙，還是要好幾天
他的痛點很具體：每做一集 podcast，要研究來賓、準備訪綱、錄音、寫剪輯指示、再打包成電子報、YouTube 影片、社群貼文跟短片——整整 15 個手工步驟。就算有 AI 幫忙，在同一個對話視窗裡處理全部的事，還是要花掉好幾天。
這個場景你應該不陌生。是不是常常覺得：明明有 AI，怎麼還是我自己在跑流程？問題不在 AI 不夠聰明，在於我們把「一整條流程」當成「一個問題」丟給它。他的三步驟，就是在解這件事。
步驟一：把流程拆開，一步都不漏
第一步不碰任何工具，就是把你手工在做的事，一步一步全部列出來。他把一集 podcast 拆出 15 步，從「研究來賓」到「排程社群貼文」，鉅細靡遺。
為什麼要拆這麼細？兩個原因。第一，清單列完，結構自己會浮出來——他的 15 步很自然地分成「準備、剪輯、產出」3 個階段，這 3 個階段就是後面 skill 的雛形。第二，你給 AI 的脈絡越完整，它能接手的就越多。
拆完之後他做了一個聰明的動作：把整份清單直接貼給 AI，問它「這裡面哪些工作你可以接手？」讓 AI 自己認領，而不是人在那邊猜。結果 AI 回答它能包下研究、訪綱、逐字稿清理、標題縮圖、電子報、剪短片——大部分都能接，只需要人給一點指引。
「先列清單再問 AI，比先問 AI 再想需求，有效得多。」
步驟二：每個階段做成一個 AI skill
skill 這個詞聽起來很技術，白話講就是「寫給 AI 的一份 SOP」。你把某件事的做法、注意事項、好的範例寫成一份文件，AI 每次執行這類任務就照著做，不用你每次重新交代一遍。
他為 3 個階段各建了一個 skill：準備階段的 skill 負責來賓研究＋訪綱、剪輯階段的 skill 負責產出給剪輯師的工單、產出階段的 skill 最複雜——它是一個「總管」，會依序呼叫縮圖標題、電子報、節目筆記、社群貼文這些子 skills，一關一關走完。
最讓我有感的是這句：這些 skill 看起來很複雜，但「大部分不是我寫的」。他只是把工作流程講給 AI 聽，讓 AI 幫他把 skill 文件生出來。也就是說，門檻不在寫程式，在於你能不能把自己的流程講清楚。
「skill 就是把你交代過一次的話，變成不用再交代第二次。」
步驟三：把 skills 串起來，人只管品味
最後一步是讓 skills 彼此接力。他透過 MCP（可以想成幫 AI 接上各種工具的水電管線）把 AI 連到錄音軟體、專案管理工具、社群排程工具，於是「從錄音檔到排好程的社群貼文」這一整段，AI 可以自己跑完。
但注意，他全程沒有放手。AI 出初稿、他給回饋、改到滿意才放行；電子報的提示詞不對，他把正確的 6 個提示詞貼回去要求修正；短片的起訖點不好，他指定從哪裡剪到哪裡。省掉的是「聽完整集找亮點」「複製貼上」「點按鈕」這些苦工，判斷力從頭到尾留在人身上。
成果就是開頭那個數字：90% 自動化、每週省至少 5 小時。
加碼偷一招：讓 skill 越用越聰明
影片裡我認為最值得偷的是這個小動作。他要手動改 AI 寫的稿子之前，先叫 AI「拍一張現況快照」；改完之後，叫 AI 比對前後差異、整理成一份編號清單；他逐條決定接受或不接受，最後叫 AI 把這些修正「更新回 skill 本身」。
這樣下次跑同樣的任務，AI 就不會重犯同樣的錯。skill 不是寫完就定案的文件，是會跟著你的回饋一直進化的活資產。我自己的工作區也有一套類似的記憶修正機制，被指正過的事會沉澱下來，真的有差。
我自己怎麼判斷「這件事該不該自動化」
做教育訓練這幾年，最常被問的其實不是「AI 能做什麼」，而是「我這個流程能不能自動化」。我的判斷方式是先看「這件事需要多少判斷」，分三層：
- 完全固定、不用判斷的流程：連 AI 都不用，傳統的 RPA 自動化就能解決。
- 流程固定、但需要微調判斷：像上網收集資訊、整理成文件這種重複性高、可排程的工作，用現在各家 AI 都有的 Cowork 模式就夠了。
- 隨機性高、需要高度判斷：例如客服要先判斷對方的意圖，才決定查資料庫還是讀知識庫——這種才真的需要 Agent。
對照這支影片你會發現，他的步驟一「拆步驟」就是在做這個分層：拆開之後你才看得出來，哪些步驟是第一層、哪些是第二層，而不是把整條流程籠統地丟給最貴的方案。這套判斷法我在〈AI Agent 是什麼？跟 Workflow 差在哪：3 層判斷法〉裡有完整展開，可以搭配著看。
我自己的部落格跟社群發文流程，就是用同一套想法拆成選題、寫稿、配圖、發布、回報幾段，各自做成 skill 串起來，現在每天自動跑一輪。親身跑過一遍的心得是：拆步驟那一步最花時間，但也最值得。
套用之前，3 件事先想清楚
第一，自動化 90% 不等於放手 90%。作者每一步都還在 review、給回饋，省的是苦工不是判斷。如果你打算讓 AI 全自動吐內容不看一眼，做出來的就是他說的 slop。AI 回報的成果也要驗，之前在〈AI agent 可信嗎？11 個動作只寫進報告 1 個，3 步驟自己驗收〉寫過怎麼驗收。
第二，先確認這個流程值得 skill 化。我自己的標準是：同樣的事重複做 3 次以上，才值得寫成 skill。一次性的任務直接請 AI 做就好，先建一堆 skill 反而是負擔。
第三，工具會變，方法不會。影片裡用的是 ChatGPT，但同一套「拆步驟、寫 SOP、串起來」在 Claude、Gemini 上一樣成立。學的是拆解流程的能力，不是背某個工具的按鈕位置。
小結
整支影片講的其實是一件事：AI 幫不上忙，常常不是它不夠強，是我們沒把工作拆到它接得住的粒度。先列出你的 15 步，再問 AI 能接手哪幾步——這個順序對了，剩下的就是時間問題。
如果你每週都有一件固定花好幾小時的事，今天就把它的步驟列出來吧。列完你大概就知道，第一個 skill 該從哪裡下手了。
延伸閱讀
▶ 完整教學影片
▶ 60 秒影片版
本文整理改寫自 Peter Yang 的影片〈How I Automated 90% of My Content Workflow (With ChatGPT)〉（2026 年 9 月）。文中步驟與數字以原片內容為準。
留言
張貼留言