Before / After：兩件每天在用的小工具
Before
- 每天下班要憑記憶回想「今天做了什麼」，工作痕跡散在信箱、Notion 和對話紀錄裡，手打日誌常常漏東漏西。
- 每次活動選品、補貨，都要同時開 5～6 張 Excel 來回比對庫存、銷量、補貨與效期，一次花 15～30 分鐘，還容易看錯或漏看。
After
- 收工只要說一聲「下班」，AI 就自動撈回當天的信件、任務，並提醒我回想其他補充，幫我一起整理成分好類的工作日誌（作品一：工作日誌 Skill）
- 桌面雙擊打開儀表板，30 秒就能查到產品庫存、補貨規劃、活動與效期，零碎重複查詢的時間被大幅縮短（作品二：營運資訊整合儀表板）
兩件作品處理的是同一種情境：把那些本來每天靠人工反覆整理、又容易漏掉的雜事，交給 AI 用固定流程和工具接住。
作品一：工作日誌 Skill（下班收工流程）
它在做什麼
我的工作內容很雜，包含客服、訂單處理、商品上架、庫存管理、網站異常回報與測試、行銷支援……一天下來，工作痕跡散落在好多地方，忙碌時很難隨手記錄剛才做了什麼，到下班前又想不起來。
而這個 Skill 就是為了解決這個困擾，寫給 AI 的一份「說明書」：讓它知道要去哪幾個地方撈資料、怎麼判斷一件事是不是我做的、什麼該寫進日誌、遇到不確定要先問我。
現在只要一句「下班」，它就會：
- 撈當天 Gmail 收／寄件、Notion 今日完成與更新的任務、本機專案紀錄，以及當天和 AI 一起做的事，並提醒我回想有沒有其他需補充的事項。
- 判斷哪些是我親自處理的，分成我指定的幾個大類，依固定格式寫成當日日誌存到本機
- 順手把每天的缺貨通知接進缺貨清單，這份資料後來也成為儀表板的來源之一
左：說一聲「下班」就啟動流程，並先問我有沒有「系統裡做了、但沒留下文字紀錄」的事要補充。右：最後產出的當日工作日誌，依工作類型分類列點（內容已模糊處理）。
關鍵防呆：寄件人與任務邊界
這件作品最大的坑，是「判斷規則」。
一開始它把 Gmail 寄件匣裡的信都當成我處理的工作，但我的寄件身分有好幾個，包含共享的客服信箱群組和系統帳號，很多信實際上不是我寄的。後來定下規則：只有寄件者明確是我本人、或其他來源（Notion、本機紀錄、對話紀錄）能佐證是我做的，才算我的工作；否則只當「資訊同步」或不寫。
反過來，有些工作根本不留痕跡，例如直接在官網後台、CRM 裡完成的訂單處理和客服回覆。因為無法授權 AI 進去抓這些系統的資料，所以收工時讓它固定先問我：「今天有沒有在系統裡直接做、但不會留線索的事」，把我的補充當成正式來源，避免那些抓不到的內容被遺漏。
第一次跑 Skill 發現它把「不是我回的信被列成我的工作」時，真的傻眼。於是問 AI 為什麼這樣判斷，當它把依據講給我聽，我才發現：原來我以外的人（包括 AI），看著同一份資料，理解其實不一樣。那些我看太習慣、想都不用想就能判斷的事，AI 是第一次接觸，我不講清楚，它當然看不懂。好在規則只要講清楚一次就夠了。
作品二：營運資訊整合儀表板
它在做什麼
把原本散在好幾張 Excel 的資料，整合成一個在本機瀏覽器打開、一頁就能查清楚的儀表板。每個商品都能看到：線上可賣庫存、門市庫存、補貨規劃、目前與過去／未來活動、最短效期，以及系統自動判斷的風險標籤（缺貨、低庫存、活動庫存風險、短效期、宣傳候選等）。
讓 AI 動手做前，我也先提了兩個現實限制：因為我同時用 Windows 和 Mac，但只有 Windows 裝了 Excel，所以工具不能假設電腦一定開得了 Excel；並且這些資料含真實業務資訊，只能在本機使用、不上 git。
以下截圖採「示範資料版」，用一組不含真實商業資訊的示範資料重建畫面後截圖。
打開後的一覽畫面：上方摘要卡片一眼看到低庫存、活動風險、效期紅燈等數量，下方清單每列都帶風險標籤，也能直接點標籤篩選。
左：輸入關鍵字或 SKU，清單即時篩出相關商品。右：點一下商品，側邊展開明細抽屜，銷量、效期、備貨與採購資訊一次攤開。
關鍵決策一：庫存資料口徑
這是最讓我頭痛的地方。真實環境的資料沒那麼整齊，尤其從不同系統匯出的，各有各的邏輯：
- 由於原始系統匯出的結構限制，線上能賣的庫存不能直接抓某個看起來現成的欄位，而要拿另外兩個欄位相減、自己算出來。這種「看起來有現成欄位、但那一欄其實不能用」的細節，AI 不知道，是試跑後發現出錯，才被我抓出來的。
- 某張庫存表裡有一欄其實是範本資料、不是真實庫存，一開始被算了進去，差點讓我做錯判斷。後來明確規定那一欄不顯示、也不納入任何計算。
只要輸入的資料口徑出錯，輸出的結果就是錯的。要把來自不同系統的報表整合到同一個儀表板上，資料口徑該怎麼對齊，需要非常仔細地核對。
關鍵決策二：資料來源出事時的備援機制
真的開始每天用之後才發現：線上後台、門市慣用的庫存表，都可能因為系統掛掉或維護而暫時匯不出來。有一次後台出 bug，儀表板就跟著不能用，當下真的覺得很崩潰（內心哀嚎：又要回頭人工比對了嗎？）。
所以後來加了備援機制：主來源正常時用主來源；主來源掛了或過期，才自動切到替代表，而且畫面會明白告訴我「現在用的是替代資料、為什麼」；讓工具在資料出狀況時還有另一條路能走。
主要資料缺檔時，畫面上方會標示目前改用哪一份替代資料、原因與更新時間。
其實還踩到很多其他小坑：例如啟動檔換行格式存錯導致 Windows 打不開；「月中」「中下旬」這種非日期文字被程式清空...等，都是發現問題後與 AI 一起，逐步排除、優化，迭代多個版本，最終才調整到比較滿意的狀態。
實際怎麼用
- 活動選品與宣傳判斷：和團隊、主管討論要推哪些商品之前，一次查看產品銷量和各店庫存，不閉再各自湊資料。
- 補貨安排：一眼看出產品缺貨、低庫存，以及是否有活動安排，輕鬆判斷是否要安排補貨。
- 匯出目前清單：把篩好的結果一鍵匯出成 Excel，帶去討論或分享、做其他利用。
- 銷售查詢：可以直接查單品的指定期間或年度彙總，並比較多年度同期銷量。
切換到銷售查詢，輸入商品關鍵字、設定期間，就能展開多年度同期銷量比較。
啟動和結束都只要在桌面雙擊「啟動儀表板」或「停止儀表板」捷徑，不用碰終端機指令。（避免隱私外洩，此為模擬畫面，非真實截圖）
這份整理好的資料，後來也和另一個採購用的工具共用同一份正本；加上工作日誌每天接進的缺貨通知，兩件作品在我的日常裡是連在一起運轉的。
我怎麼跟 AI 協作
整個過程不是丟一句 Prompt「讓 AI 幫我寫個程式」，比較像我當出題和驗收的人，AI 當執行的夥伴，來回好幾輪，逐漸磨出來：
- 先讓 AI 把想法整理成規劃書，不要直接寫程式。
- 再請另一個 AI review 規劃、專門挑盲點（儀表板有做這步；但工作日誌比較單純，看過規劃就直接執行，靠日常使用逐步調整）。
- 分階段做，每一階段先驗證通過，再往下。
- 每一輪我都實際打開來操作看看、回饋、再修。 很多修正是看到成果才發現的：某個數字不對、某個欄位視覺太擠了、某項工作被歸錯類。
在課程裡，我覺得很受用的部分是：學習「怎麼跟 AI 提問和協作」（總之不必擔心 AI 覺得煩、拼命問，不會問還能截圖）以及「把討論與執行分開」。
還有另一個也非常重要的改變，是把記憶存在本機：不管接哪個 AI、跨多少對話，卡過的問題和解法都會留下來，下次就能避開。
結語：原來，這件事沒有那麼難
上課之前，我用 AI 就是開網頁版 ChatGPT 聊天。看到有人分享 Skill、Claude Code 多好用，但一查資料幾乎都要用終端機，對沒有工程背景的我來說很恐怖，有種不得其門而入的感覺。
現在我真心覺得：這件事沒有那麼難。 當然還是有一堆小細節要研究、要靠試錯累積經驗，但「沒有工程背景」絕對不是熟練使用 AI 的障礙。我開始把腦中那些「不用想就會的判斷」寫成規則交給 AI，每天照著跑，反而空出腦力去想那些一直沒空好好想的問題。
如果可以回頭跟那個「覺得終端機很恐怖」的自己說一句話，我會說：「這件事比你想像的簡單多了！而且非常值得學，因為它真的幫得上忙。」
課程學習心得與評價
我每天的工作有很多繁複、瑣碎的人工過程，所以一直都很想嘗試自動化，讓自己能從瑣事解脫。曾經想研究 n8n，但稍微了解後就覺得這好複雜、好像要花很多時間，可是每天下班後就覺得很累了，自己好像沒那個腦力和時間慢慢研究...這個想法就這樣被我一直拖著。
直到今年初（2026）開始，一直接收到各種 AI 越來越強的資訊，又看見雷小蒙的案例，真的讓我很心動，而且感覺可能比研究 n8n 容易？所以就決定報名課程，開始學習如何打造自己的 AI Agent。
一開始只敢從比較小、我容易判斷和控制的事情來練習，所以選了「工作日誌 Skill 」當最初的作品。成功做出符合想像的成果後，才慢慢敢去夢想更大的可能性，於是蹦出了作品二「營運資訊整合儀表板」，而這真的是我之前完全無法想像自己能做到的事。
在讓 Claude Code x Codex 幫我一起打造出這個儀表板之前，我已經為這問題困擾了很久，也試圖想說用看看 Looker Studio 之類的工具協助，但都礙於各種限制（學習門檻稍高、疑似資料量太大直接跑不動...），最終作罷，結果還是回頭用最傳統的 Excel 表，我還以為大概就只能這樣了。
沒想到！這個本來只存在夢裡的工具，真的被 AI 幫我做出來了！雖然與 AI 來回溝通、驗證、迭代的過程，也不能算輕鬆（誠實地說，真的非常需要耐心），但不同的是，這次我不必先學會「工具該怎麼用」，我只要會自然語言就夠了！就能夠跟專屬的 AI 助理溝通，讓它幫我逐步打造出完全符合自己需求的工具，這真的讓我很開心。
如果工作上有類似困擾的人，也想做屬於自己的儀表板工具，但不知道怎麼開始，我想說：你不需要懂技術，但必須很清楚知道自己現在有什麼、想要得到什麼。把你想要的情境、畫面，以及你現有的資料，盡可能描述給 AI（甚至直接丟檔案給他，但建議先去除隱私資料。），它就會幫你盤點現在還缺少什麼、技術上可以怎麼樣做到。但不要抱持一次溝通就能完美實現願望的期待，因為有些需求其實剛開始是很模糊的，反而是在獲得錯誤的結果時，才逐漸被釐清。
剛開始什麼都不懂可能會有很多的焦慮和擔心，但不要害怕，跟著課程的進度循序漸進，一定會漸入佳境。課程內容的文字份量不少，可能會讓人懶得閱讀 XD 但我真的很推薦可以認真閱讀一次，我覺得雷蒙老師已經是用很淺白的文字在說明一些很複雜的事情。就算讀完不是 100% 懂，也會對整體框架有個模糊的認識，剩下的，就直接藉由實作去累積自身的經驗，然後在某些地方踩了坑、撞了牆，再回頭翻看，就會忽然發現之前不懂的部分，現在明白是在說什麼了。
總而言之，我覺得學習過程就是把握三個重點：
- 有耐心：需要不厭其煩的來回溝通、測試和回饋
- 認真閱讀：包含課程文檔以及 AI 回應你的內容，有時卡關是因為沒回答 AI 要你確認的問題
- 有想法就動手做：不用做很厲害的東西，從小事開始就好；不必怕失敗，記憶系統和安全三件套先裝好，出錯了 AI 可以幫你補救
留言與交流
使用 GitHub 帳號回覆作者，分享你的想法。
