ZEABUR

KKTIX 內部分享

歡迎你，朋友 — 這場分享，是準備給你的。

當 AI 開始加入團隊之後？

協作裡的變與不變｜Agentic AI × Zeabur 團隊日常

Vita Chen

PM @ Zeabur

你可能在想，你哪位？為什麼來這邊分享？

我不是工程師。

但得在一群 99% 都是工程師的環境裡，
跟他們一起工作。

你可能在想，你哪位？為什麼來這邊分享？

Zeabur ?

1專注於服務上線後的維運管理與基礎設施（Infra）管理。

2AI 出現之前：維運工作繁瑣、耗費大量人力，且具備較高的技術門檻。

3？AI 出現之後：透過 Agent 協助處理維運流程，降低管理門檻，讓更多人能更有效率地管理與營運自己的服務。

這場交流

1？固守自己的專業，同時近距離觀察工程師如何與 Agent 協作。

2？把工具當成跨職能的溝通橋梁，而不是要求自己變成工程師。

3？先從工作場景做出 MVP，再慢慢迭代成自己真正想使用的樣子。

最後一段留了一些真心話——不全然正面，但很真實。

// 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 Codex NotebookLM GitHub Copilot v0 Sora Suno DeepSeek Runway Kiro

trends --timeline

風向，每隔幾個月就換一次

關鍵字，一直在換

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

2025 末

Skills 爆紅

把專業打包，一鍵複用

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

這幾年看下來，AI 的重點走過三個階段

Prompt → Context → Harness

看著像一串術語流行詞，但仔細想想——對應的，是我們一直想處理的三個問題。

好用的東東

李宏毅老師的 YouTube ↗

想先把原理弄懂？全中文、從零開始的 AI / 機器學習課程，是入門最好懂的一條路。

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

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，偶爾用用；後來越用越常，處理些簡單任務。

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

現在進入 — 理解你

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

幫你做事

它能不能
穩定把事做完？

Harness

05 — 第一階段

PROMPT ENGINEERING

「不是模型不會，
是我們沒把問題說明白。」

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」。

trends --timeline

2025 年初 · 風向轉到這

輪到 n8n

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

2025 末

Skills 爆紅

把專業打包，一鍵複用

2026 年初

OpenClaw

龍蝦出現，能直接動手

現在

Multiple Agents

多個 agent 一起協作

2024 · 生圖比拼

還記得那場「吉卜力之亂」嗎？

第一次讓風格變成人人都能玩的東西 = 滿大街的吉卜力

從那時候，到現在

以前最不擅長繁體中文——現在可以是

而且，不只是靜態圖

/Users/vita/Downloads/我要怎麼讓這張圖動起來.mp4

trends --timeline

2025 年初 · 接著

大家都在串 n8n

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

2025 末

Skills 爆紅

把專業打包，一鍵複用

2026 年初

OpenClaw

龍蝦出現，能直接動手

現在

Multiple Agents

多個 agent 一起協作

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。但試過後發現——

// 嘗試期

？？？

建的時候很興奮

什麼都想自動化一下。

// 建完後

？？？

建完就忘了

擺著不動，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

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

2025 末

Skills 爆紅

把專業打包，一鍵複用

2026 年初

OpenClaw

龍蝦出現，能直接動手

現在

Multiple Agents

多個 agent 一起協作

2025.08

故事來自一個魚缸。

有趣的東東

Draw a Fish ↗

放鬆一下吧——來畫一隻魚，丟進這可愛的大魚缸。

怎麼開始的

暴力提供指示

工具：Cursor → GitHub → Vercel

BUT!

代誌，不是憨人想的那麼簡單

現在進入 — 理解世界

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

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。

好用的東東

Skill 收集箱 ↗

想搜任何 Skill，都可以在這邊找找看，而且能直接安裝。

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，能直接拿來用的越來越多。

分類大致長這樣

我也好奇了一下，自己裝了哪些？

大概 200＋

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

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。

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
把正確的訊息送進去。」

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「能不能持續跑通」。

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

Agent 自動學到的新知識，等待審核。

已驗證

確認品質 OK，進入下一輪循環素材。

已拒絕

品質不夠，不進入循環。

好用的東東

RAG 模板 ↗

一個方便讓團隊先試用看看的 RAG 模板，適用於小專案到跨部門，都可以把知識匯進去。

換個角度 · 那「個人」呢？

你的知識，平常都放在哪？

我們每個人都有一套——但常常散落在各個角落。

Evernote Notion Heptabase Obsidian Google Docs 手機記事本 GitHub 日記 App

我的輸入 · 散落各處

我們的輸入源，本來就很多元

私人的、工作的、興趣的——它們散落在不同的地方。

INPUT

輸入

⟳

OUTPUT

輸出

滿意的輸出，回頭又成了新的輸入。

問題還在

量大又繁瑣——
就算有 API，一個個串還是太麻煩。

於是我換個方式

我給自己蓋了一個
ReadingVita Repo

今天這場簡報的靈感、想法與調研，就是這樣長出來的。

改變的是什麼

01不用自己寫簡報
02不用自己設計版型
03不用處理那些瑣事

從調用資料到產出內容的這一段，交給 AI。

不變的是什麼

？

思考還是習慣先在紙上手寫：便利貼發散、收斂，反覆幾次才排出架構。

有趣的東東

一個活的、會演化的「個人」紀錄 ↗

薩泰爾共同創辦人 Sunny 的世界觀追蹤系統——AI · 工作 · 身份 · 愛 · 文化 · 學習。

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

幫你做事

它能不能
穩定把事做完？

Harness

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。

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。」

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

Harness · 重點變了

重點不再是「資訊齊不齊」

而是有沒有一套機制，能在執行的過程中——

// 01

持續觀測

關鍵節點即時回報、事後核對紀錄——隨時知道它走到哪、做了什麼。

// 02

修正錯誤

一發現偏差，馬上拉回來——不讓小錯在長鏈路裡愈滾愈大。

// 03

同步迭代

帶著 checklist、按明確標準驗收，邊跑邊收斂到對的結果。

說清楚、資料齊，都只是起點——能持續觀測、持續糾偏、最終驗收。

我們持續努力的方向

三者不是替代，而是包含關係

HARNESS

CONTEXT

PROMPT

把指令包進資訊，再包進一套能駕馭全程的系統——這是我們努力要做的。

說到底 — 就是讓它會做這三件事

01

理解你

你要什麼，
它聽不聽得懂？

Prompt

02

理解世界

它手上
有沒有對的資訊？

Context

03

持久幫你做事

它能不能
穩定、持續把事做完？

Harness

Multi-Agent 實戰

我們正在嘗試訓練的
一排 Agents

// 內部協作 · 團隊一起用

01PR 公審會

02KB 圖書館管理員

03Allen 的數位遊牧同事

04AgentOps

05Ranger 開發巡邏員

// 我自己用

01OpenAB Team

真正互動的地方，
就在 Discord

資訊在哪、人在哪，工具就在哪。

PR 公審會 · 背後的設計原理

何謂公審？

這是我們設的幾個規則。

01

多模型、多視角

找不同引擎的 AI（Claude / Gemini / Codex / Grok…）各自獨立審同一個 PR——盲點不同，湊起來才補得齊。

02

先獨立、再辯論

第一輪封閉各自寫（不准偷看別人），第二輪才互相 @ 反駁討論——先保住多樣性，再解決分歧。

03

固定格式＋三級嚴重度

統一模板（解決什麼／怎麼解／取捨／結論），問題分 🔴必改 / 🟡小毛病 / 🟢提醒，每條都要標到「檔案:行號」。

04

一個召集人統整

全部審完，由召集人合成一份結論貼回 PR，列出每隻判定、保留沒解決的爭論，再自動上標籤。

05

跑到全員 LGTM 才算過

用 PR 標籤當狀態機（待審／待修／已通過），作者修完再跑下一輪；最後人類只花幾分鐘掃一眼把關。

06

會記憶、會進化

每次審查寫筆記 → 反思 → 蒸餾成「審查心法」，下次先讀——越用越準。

好用的東東

OpenAB 開源 Repo ↗

想改規則卻不知道怎麼設定？把整個 repo 貼給 AI、說出你的目的——用魔法打敗魔法。

這些是怎麼長出來的？

自由選配模型跟運作場景

可以是 Slack，也可以是 Discord。

好用的東東

OpenAB 模板市集 ↗

這一整排的 Agent 模板都在這，挑一個就能一鍵建出你自己的。

點子準備落地了。

zeabur deploy --from=idea

有了點子，然後呢？

上線之後要考慮的事情也很多

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。

▶ 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。

做各自擅長的事情

差異化

各自擅長的事

// 你

產業 Know-how

最懂自己的產業、架構與理想的工作流。

該做什麼、往哪走。

想用 AI 賦能的任何點子。

// ZEABUR

你的專屬 DevOps 團隊

01加速——AI 賦能的客製化工具，例如：模板。

02資安——持續修補、威脅偵測，不用你操心。

03自動擴容——規模成長、流量爆衝，系統自動跟上。

04備份與穩定性——即使出狀況，使用者感知不到。

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。

好用的東東

Zeabur Templates ↗

任何點子都不用自己造輪子——先來找找有沒有現成的模板可以直接用。

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？

？

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。

以前你在按，現在 Agent 幫你按。

有了點子之後

Zeabur 到底能幫你做些什麼？

好用的東東

Zeabur Agent Skills ↗

看看 Agent Skills 能怎麼幫你——部署、綁網域、發信、查帳單，一句話搞定。

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？

01　官方發布

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？

02　凌晨 Discord

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？

03　群組炸開

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

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

？？？

過度琢磨

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。

第二個反思

當技術來解放我們——

它還算解放嗎？

今天分享結束後...

唯一希望你做的

就一件事

不如，撥 10 分鐘，把今天最煩的那件事，
用一句話交給你喜歡的 AI。

不用會寫 code、不用裝任何東西。

腦中那句「好麻煩喔」——現在就是一個工具的起點。

朋友，那今天就到這裡囉，希望你有收穫。

Made with Claude Code · Deployed on Zeabur

Q & A

有什麼想聊的，都可以問！

午安。

當 AI 開始加入團隊之後？

我不是工程師。

Zeabur ?

這場交流

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

一開始，我們只是隨便聊

後來發現——「怎麼說」差很多

理解你

理解世界

幫你做事

「不是模型不會，是我們沒把問題說明白。」

輪到 n8n

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

大家都在串 n8n

自動化、自動化、自動化

Vibe Coding 的那一年

故事來自一個魚缸。

暴力提供指示

BUT!

代誌，不是憨人想的那麼簡單

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

我也好奇了一下，自己裝了哪些？

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訊息送進去。」

Agent 學到的知識，由人決定要不要用

你的知識，平常都放在哪？

我們的輸入源，本來就很多元

量大又繁瑣——就算有 API，一個個串還是太麻煩。

我給自己蓋了一個ReadingVita Repo

今天這場簡報的靈感、想法與調研，就是這樣長出來的。

05:00

理解你

理解世界

幫你做事

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

「就算資訊給對了，模型也不一定能穩定執行正確。」

重點不再是「資訊齊不齊」

持續觀測

修正錯誤

同步迭代

三者不是替代，而是包含關係

理解你

理解世界

持久幫你做事

我們正在嘗試訓練的一排 Agents

真正互動的地方，就在 Discord

何謂公審？

自由選配模型跟運作場景

有了點子，然後呢？

上線之後要考慮的事情也很多

做各自擅長的事情

時間回到
2022 年 11 月 30 日...

「不是模型不會，
是我們沒把問題說明白。」

我的日常，
很大一部分是在看資料。

我們想做的事，
大多有現成的 Skill

「模型未必是知道的，
系統必須在合適的時機
把正確的訊息送進去。」

量大又繁瑣——
就算有 API，一個個串還是太麻煩。

我給自己蓋了一個
ReadingVita Repo

「就算資訊給對了，
模型也不一定能穩定執行正確。」

我們正在嘗試訓練的
一排 Agents

真正互動的地方，
就在 Discord