ZEABUR

KKTIX 內部分享

KKTIX · 2026.06.01

讓每個好點子，都能落地

Agentic AI × Zeabur — 團隊的協作日常

歡迎你，朋友 — 這場分享，是準備給你的。

Vita Chen

PM @ Zeabur

// 先問問大家

現在我們有用下面哪幾個？

ChatGPT Claude Code Gemini Cursor Perplexity Midjourney n8n Grok

trends --timeline

風向，每隔幾個月就換一次

關鍵字，一直在換

短短兩年，從聊天一路換到用「講的」就能寫程式，再到一群 agent 一起做事——

2023

聊天

問問題、寫東西

2024

生圖比拼

各家生圖模型較勁

2025 年初

n8n

串自動化工作流

2025 · 4–5 月

Vibe Coding

用講的就把東西寫出來

2026 年初

OpenClaw

龍蝦出現，能直接動手

現在

Multiple Agents

多個 agent 一起協作

PART I — 三次重心遷移

過去兩年，AI 工程的重心走過三個階段

Prompt → Context → Harness

這不只是術語流行史 —— 三者對應 AI 系統發展的三個核心問題，
是包含關係，不是替代關係。

說到底 — 我們只想要它會做三件事

01

理解你

你要什麼，
它有沒有聽懂？

Prompt

02

理解世界

它手上
有沒有對的資訊？

Context

03 — NOW

幫你做事

它能不能
穩定把事做完？

Harness

時間回到
2022 年 11 月 30 日...

GPT

現在進入 — 理解你

01 — 這一段

理解你

你要什麼，
它有沒有聽懂？

Prompt

02

理解世界

它手上
有沒有對的資訊？

Context

03

幫你做事

它能不能
穩定把事做完？

Harness

2022.11 · 那條線的起點

一開始，我們只是隨便聊

問食譜、改作文、寫罐頭訊息——
覺得新鮮，但還沒什麼真的用得上。

接著

後來發現——「怎麼說」差很多

於是有了「Prompt」這個意識，東西一下子變多了：

// System Prompt

先設好身份跟規則，再開始對話

// 一排工具

專門寫廣告、做問卷⋯⋯一個一個冒出來

05 — 第一階段

PROMPT ENGINEERING

「不是模型不會，
是你沒把問題說明白。」

大模型本質上是對上下文非常敏感的機率生成系統：

· 給它什麼身份，它沿著那個身份回答
· 給它什麼範例，它沿著那個範式補全
· 強調什麼約束，它就把那部分當成重點

這個階段被瘋狂研究的

01角色設定

02風格約束

03範例示例

04分步引導

05輸出格式

天花板

解決的是「表達的問題」，
不是「資訊的問題」。

2024 · 生圖比拼

還記得那場「吉卜力之亂」嗎？

所有人的頭貼都變成吉卜力風生圖模型第一次，讓「風格」變成人人能玩的東西。

從那時候，到現在

以前最不擅長繁體中文——現在可以是

同一句話，分別丟給 Gemini 跟 GPT Image。以前文字根本生不出來、整片破圖；現在連招牌、路標都清楚。

而且，不只是靜態圖

「我要怎麼讓這張圖動起來？」

                        ⌗
                        對話截圖 · 放這裡
                        drop conversation screenshot
                    

2025 年初 · n8n

自動化、自動化、自動化

那陣子，好像沒接上自動化工作流就落伍了。

但我自己試過很多場景後發現——
除非有很明確的 SOP，不然很多時候，只是為了自動化而自動化。

cd ./2025 && ls

我們現在走到了這裡

Vibe Coding 的那一年

我自己的故事，就是從這個時間點開始的——

2023

聊天

問問題、寫東西

2024

生圖比拼

各家生圖模型較勁

2025 年初

n8n

串自動化工作流

2025 · 4–5 月

Vibe Coding

用講的就把東西寫出來

2026 年初

OpenClaw

龍蝦出現，能直接動手

現在

Multiple Agents

多個 agent 一起協作

我自己呢？ · 2025.08

我是從跟工作無關的事，
開始抄襲的。

在 Product Hunt 看到一個很有趣的專案——
跟工作無關、跟效率無關。

純粹覺得好玩，也想做一個魚缸。

Chapter 1 — 怎麼開始的

暴力提供指示

工具：Cursor → GitHub → Vercel

需要一個 GUI 介面——
有區塊可畫魚、畫筆顏色可選、
粗細度可調、有魚缸區塊。

畫錯可回上一步、
魚放進魚缸後可游動、
可以切換夜晚模式。

現在進入 — 理解世界

01

理解你

你要什麼，
它有沒有聽懂？

Prompt

02 — 這一段

理解世界

它手上
有沒有對的資訊？

Context

03

幫你做事

它能不能
穩定把事做完？

Harness

Chapter 4

我的日常，
很大一部分是在看資料。

// 01

數據面

現在的使用狀況怎麼樣？

// 02

成本面

需要完整的監控與趨勢報表。

// 03

專案面

哪些任務一直沒被推進？
平均延遲幾天？

這三個面向，資料來源都不一樣。

先說一下，什麼是 Skill

Skill＝把一套專業做法，寫成它看得懂的說明書

// 它是什麼

一份 SKILL.md——把「遇到這種任務，該怎麼一步步做」寫清楚，存起來。

// 怎麼用

你不用記指令——AI 自己判斷該調用哪個 Skill，照著做。

// 為什麼強

一個人寫好，整個團隊與社群都能重複用——不用各自摸索。

簡單說：把「會做這件事的人的腦袋」變成一份可以重複呼叫的檔案。

而這些，大多有人寫好了

我們想做的事，大多有現成的 Skill

官方加上社群生態，分類大致是這樣——括號是各類的數量：

數據分析 8

A/B 測試、世代分析、統計、SQL、財務分析

行銷成長 19

文案、廣告、Email、社群、定價、留存

SEO / CRO 22

技術 SEO、Schema、轉換率、落地頁優化

設計 / 簡報 12

前端設計、PPT、海報、設計評審、主題

文件處理 5

Word、Excel、PPT、PDF 讀寫與轉換

開發工作流 19

規劃、TDD、除錯、code review、git

Google Workspace 70+

Gmail、行事曆、Docs、Sheets、50+ 食譜

研究 / 招募 / 其他 13

深度研究、履歷篩選、persona、NotebookLM

但是⋯

真正難的，不是「怎麼分析」

而是分析前——花 80% 時間在梳理：

▶ 資料在哪張表？欄位什麼意思？

▶ 關聯怎麼接？有 API 可以打嗎？

▶ 這指標上一個人怎麼算的？改過幾版？

做到一半，一定會卡住。

真實的工作日常

梳理完，還要一直問人

// 開 issue 跟工程來回對

「這個 SKU 對應的規格要去哪拿？」
→ 工程師：「可以用 GraphQL API 查」
→ 再來回幾輪，才拿到對的資料。

// 而且守備範圍都不一樣

問 A：「不是我負責的」→ 問 B：「你要去問 C」→ 問 C：「我好像做過⋯」

每次都像在玩大地遊戲。

下次同樣的問題，又要從頭問一輪。

Session 4

朋友，接下來是我每天的真實日常。

cd ~/daily_work

Chapter 4

技術性的 Skills 能幫很多忙

但溝通性的 Skill——這件事真的難

// 轉折點

如果，公司有一份共同的知識庫

不用每次都找人、不用每次都從頭問——
而且 Agent 也讀得懂？

那個時候，公司開始在推一個東西——

Context · 把對的知識放進去

斑馬手冊 1.0

一個 GitHub Repo，讓 Claude Code 成為最懂公司的那個人。

1

把業務邏輯、指標定義、schema、踩雷經驗寫進 repo

2

動工前先讓 Claude Code 讀斑馬手冊

3

再進入執行——一次成功率明顯提升

但我們發現

1.0 只是業務知識的一部分

手寫進 GitHub 的，只是通用業務知識。還有更多沒被納入——
Changelog、Docs、論壇工單，甚至 Agent 自己迭代出的 Skill。

於是有了斑馬 2.0

改變一 · 來源擴充

知識來源：從 1 個變成 6 個

不只是人為輸入——還包括 Agent 自己迭代出來的 Skill、回覆，
以及原本就有的 Docs、Changelog、論壇工單。

2521

Docs

2511

Forum

915

Blog

567

Changelog

210

Skills

27

Learned

Total: 6,751 Knowledge Chunks

改變二 · 可視化介面

來源變多了，需要更好的循環方式

人眼難掃、介面不友善——於是把 RAG service 做成可視化。

改變三 · 共享基礎設施

誰都能接入

知識庫變成團隊的共享基礎設施，不只給一個工具用。

API

任何內部工具都能透過 API 查詢知識庫

CC

Claude Code

開發者、PM 在 Claude Code 裡直接查詢團隊知識

AG

Zeabur Agent

客服 Agent 自動檢索知識庫，起草回覆

UI

Web UI

非技術人員也能在瀏覽器裡搜尋

06 — 第二階段

CONTEXT ENGINEERING

「模型未必是知道的，
系統必須在合適的時機
把正確的信息送進去。」

當 Agent 進到真實環境：多輪對話、調瀏覽器、用各種工具、在多步驟之間傳遞結果 —— 問題從「一次答對」變成「整條鏈路能不能跑通」。

CONTEXT = 所有影響當前決策的資訊

·用戶輸入

·歷史對話

·檢索結果

·工具返回

·當前任務狀態

·中間產物

·系統規則與安全約束

Prompt 其實只是 Context 的一部分。

多一層把關

Agent 學到的知識，由人決定要不要用

每一筆新知識進來，都要經過驗證才能進入下一輪循環。

未驗證

3

Agent 自動學到的新知識，等待審核。

已驗證

26

確認品質 OK，進入下一輪循環素材。

已拒絕

1

品質不夠，不進入循環。

還有一種「給背景」的方式

讓它記住，就不用每次重講

除了知識庫，還有一份「記憶」——把偏好、規則、被糾正過的事寫下來，下次自動套用。

📄 MEMORY.md 跨對話記憶

▶ 用戶偏好 Inbox Zero，處理完要 archive

▶ 寄信前一律先給用戶看完整版再寄

▶ 被糾正一次就記住，下次自動套用

（前陣子很紅的 Skills 也是同個概念——把一套做法存起來、整個團隊重複用。這裡先不展開。）

sleep 300 # 5 min break

Break · 中場休息 5 分鐘

05:00

先停一下——洗手間、喝水、伸展。

“

// 不想離座，聊一下吧

現在大家都是怎麼管理業務知識的呢？

— 轉個頭跟旁邊的人聊聊

現在進入 — 幫你做事

01

理解你

你要什麼，
它有沒有聽懂？

Prompt

02

理解世界

它手上
有沒有對的資訊？

Context

03 — 這一段

幫你做事

它能不能
穩定把事做完？

Harness

07 — 第三階段

HARNESS ENGINEERING

「就算資訊給對了，
模型也不一定能穩定執行正確。」

計劃做得很好，但執行跑偏；調用了工具卻誤讀返回結果；在長鏈路裡慢慢偏行，系統卻沒發現。

HARNESS — 韁繩、馬具、約束裝置

當模型從回答問題
走向執行任務

系統不只要負責「供應資訊」

還要能駕馭整個過程

Session 2

朋友，從這裡開始，AI 不太一樣了。

AI 的進化

AI 不只是聊天了

回答問題

告訴你「怎麼做」
你還是得自己執行
停留在建議層

執行任務

讀你的檔案、寫程式
操作終端機、部署
交付成品，不是建議

交付的形式改變了：從「怎麼做」變成「做好了沒」。

poll --openclaw

有沒有人用過這隻龍蝦？

OpenClaw —— 農曆年前後現象級爆紅的工具。
它是一個很典型的代表：直接幫你做完一連串任務。

有裝過的舉個手——

對話即操作

你的工作:說清楚你要什麼

你說

幫我做一個每天早上自動把前一天的營收數字整理好，發到 Discord 頻道的通知

→

✅ Discord Bot 建立完成

✅ 排程設定:每天 09:00

✅ 自動拉取營收資料

✅ 部署上線，開始運作

腦中那句「好麻煩喔」——
現在就是一個工具的起點。

但還是

光靠人維護，還是不夠

驗證靠人工

素材好壞還是得人點進去判斷，規模一大就追不上。

Multi-Agent 實戰

我們把它做成一個——PR 公審會

一句話派工 → 多個 agent 各自 review → 一個 agent 彙整、留言、標記 approved。

01　派工 · 自動分派 reviewers

02　彙整 · 留言並標記 approved

Session 5

朋友，點子準備落地了。

zeabur deploy --from=idea

Chapter 5

有了點子，然後呢？

對第一線

不用管 infra，
專心做你想做的事。

對主管

賦能全公司，
用自然語言直接落地。

兩種人，都接得住

不管你會不會寫 code

// 如果你不會寫 code

不用碰 infra、不用學部署。
用一句中文說要做什麼，
Agent 幫你把工具真的架起來、跑起來。

// 如果你是工程師（有人問了）

「AI 介入 DevOps，是調度者，還是真的臨時寫 code？」
—— 兩者都做：它調度既有服務，必要時也生成設定與程式，再交給你把關。

Zeabur 的定位

寫程式變快了——那「上線」呢？

快速部署不稀奇——Vercel、Railway 都做得到。
真正卡人的，是部署之後的每一件事。

// 你真正在付錢的，是這些

▶ 設網域、DNS

▶ 監控、警報、擴展

▶ SSL 憑證、資安

▶ 寄信服務、資料庫

—— 要嘛養一個 DevOps 工程師（很貴），要嘛自學到懷疑人生。

// 所以我們存在

Your AI DevOps Engineer

以前你在按，現在 Agent 幫你按。

Zeabur 的迭代

Zeabur 自己也在進化

// 半年前

一鍵部署很快——

但每個產品線，
還是要自己進去設定。
買網域、設 DNS、發 Email⋯
一個一個手動處理。

// 現在呢？

？

// 這就是 Zeabur 的樣子

Demo · 一句話搞定整套 Email

買網域 → 自動驗證 → 收到信

01　買網域

02　1 分鐘驗證

03　收到了！

還記得 Session 3 講的 Skills 嗎？

如果 Skills 可以被任何 Agent 調用——

那進到 Zeabur，為什麼還要人去找按鈕？

$ zeabur skill --list

▶

部署、綁網域、設 DNS — 一句話搞定

▶

申請 Email 服務、發信 — 一句話搞定

▶

租 Server、查容量、查帳單 — 一句話搞定

所以我們做了 Zeabur Agent Skills。

我們的服務可大可小

從一個點子，到整間公司

無論規模，我們都能一起把它落地。

// Level 1

小專案

一個想法、一個 MVP、一個內部小工具——從 0 到 1，最快上線。

// Level 2

特定部門

行銷、客服、營運——針對單一團隊建立專屬知識庫、工具與自動化流程。

// Level 3

整個公司

跨部門知識流動、企業級基礎設施、長期陪跑——成為你的技術後盾。

換個說法

把 Zeabur 當成你們的
DevOps 營運團隊

電商、品牌、內部工具——
任何你覺得複雜的事，或是想用 AI 賦能的事，
都可以一起聊聊。

Session 6

朋友，最後，聊點真心話。

git log --mindset

最後，

來聊聊心路歷程

試錯成本趨近於零

知識的 Gap、技術的 Gap——
在這個時代，門檻比任何時候都低。

我發現自己能做到的，
似乎比想像中還要多。

大家現在都很 FOMO

新模型半夜一點發布，群組立刻炸開

我們是不是，已經焦慮到睡不著了？

凌晨 01:00 · Discord

群組 · 立刻炸開

我現在讓自己
保持的心態是⋯

保持對新工具的探索

但不過於 FOMO

工具是來服務我們的

找到一個用起來順手的，
持續用下去就是很棒的選擇。

工具選擇

好的工具，不應該改變你的工作流

它應該融進你本來就在做的事裡——而不是讓你多一件事要擔心。

// 舉個例子：OpenClaw（龍蝦）

我裝了，但⋯

· 方便之餘，還要擔心權限控管和 Token 消耗

· 沒有達到原本預期的便利

· 反而多了一個要管的東西，更繁瑣了

// 舉個例子：Discord + Claude Code

我每天本來就要進 Discord

· 不用多開一個 app

· 不用學新介面

· 工具融入動線，才是有用的工具

大家都在談 FOMO，但我想聊另一面

把事都委交給 Agent 之後，反而冒出兩個挑戰

效率看起來提升了，但內在的專注，正在被悄悄拉扯。

01 專注力頻繁切換

為了不讓 Agent 閒著，一次開四五個視窗同時跑。但每個任務屬性都不同——思維得瘋狂切換，對專注是很大的負擔。

02 效率與專注的拉扯

每句要傳出去的話，都下意識想讓 Agent 先幫忙修飾——久了，反而弄丟了本能的直覺反應。

想聽聽大家 (a) 已經在用的——你也有類似困擾嗎？　(b) 還沒開始的——是不是因為覺得發展太快、追不上？

第二個反思

當技術來解放我們——
它還算解放嗎？

起點是這支影片：有人在車裡寫 code。
吃飯、開車、通勤都在寫，上班當然也在寫。

如果接下來所有時間都拿去寫 code——
那不就變成一天到晚都在工作？

我更想問的是：被技術解放之後，我們還可以拿這些時間做些什麼。

今天分享結束後...

唯一希望你做的

就一件事

給第一線的同事

不如，撥 10 分鐘，
把今天最煩的那件事，
用一句話交給 Claude Code。

不用會寫 code、不用裝任何東西。

給主管 & 老闆

不如，給大家一個下午，
讓他們自由去試。

剩下的，他們自己會來告訴你。

腦中那句「好麻煩喔」——現在就是一個工具的起點。

朋友，今天就到這 — 謝謝你陪我走完。

Made with Claude Code · Deployed on Zeabur

讓每個好點子，都能落地

讓每個好點子，都能落地

現在我們有用下面哪幾個？

關鍵字，一直在換

Prompt → Context → Harness

理解你

理解世界

幫你做事

時間回到2022 年 11 月 30 日...

GPT

理解你

理解世界

幫你做事

一開始，我們只是隨便聊

後來發現——「怎麼說」差很多

「不是模型不會，是你沒把問題說明白。」

還記得那場「吉卜力之亂」嗎？

以前最不擅長繁體中文——現在可以是

「我要怎麼讓這張圖動起來？」

自動化、自動化、自動化

Vibe Coding 的那一年

我是從跟工作無關的事，開始抄襲的。

暴力提供指示

理解你

理解世界

幫你做事

我的日常，很大一部分是在看資料。

數據面

成本面

專案面

Skill＝把一套專業做法，寫成它看得懂的說明書

我們想做的事，大多有現成的 Skill

真正難的，不是「怎麼分析」

梳理完，還要一直問人

技術性的 Skills 能幫很多忙

如果，公司有一份共同的知識庫

斑馬手冊 1.0

1.0 只是業務知識的一部分

知識來源：從 1 個變成 6 個

來源變多了，需要更好的循環方式

誰都能接入

「模型未必是知道的，系統必須在合適的時機把正確的信息送進去。」

Agent 學到的知識，由人決定要不要用

讓它記住，就不用每次重講

05:00

理解你

理解世界

幫你做事

「就算資訊給對了，模型也不一定能穩定執行正確。」

AI 不只是聊天了

回答問題

執行任務

有沒有人用過這隻龍蝦？

對話即操作

光靠人維護，還是不夠

我們把它做成一個——PR 公審會

有了點子，然後呢？

不管你會不會寫 code

寫程式變快了——那「上線」呢？

Your AI DevOps Engineer

以前你在按，現在 Agent 幫你按。

Zeabur 自己也在進化

買網域 → 自動驗證 → 收到信

如果 Skills 可以被任何 Agent 調用——

從一個點子，到整間公司

小專案

特定部門

整個公司

把 Zeabur 當成你們的DevOps 營運團隊

最後，

來聊聊心路歷程

試錯成本趨近於零

新模型半夜一點發布，群組立刻炸開

保持對新工具的探索

但不過於 FOMO

工具是來服務我們的

好的工具，不應該改變你的工作流

把事都委交給 Agent 之後，反而冒出兩個挑戰

當技術來解放我們——它還算解放嗎？

今天分享結束後...

時間回到
2022 年 11 月 30 日...

「不是模型不會，
是你沒把問題說明白。」

我是從跟工作無關的事，
開始抄襲的。

我的日常，
很大一部分是在看資料。

「模型未必是知道的，
系統必須在合適的時機
把正確的信息送進去。」

「就算資訊給對了，
模型也不一定能穩定執行正確。」

把 Zeabur 當成你們的
DevOps 營運團隊

當技術來解放我們——
它還算解放嗎？