AgentCrew 週報 · 這週 AI 有什麼跟你有關 · 2026-08-14
第 2 期
這是「AgentCrew 週報」第 2 期，取材區間 2026-08-08 到 08-14。
每一則的寫法固定三段：是什麼（一句話講清楚）、對你的意義（對到你的工作場景）、你可以這樣試（今天就能動手的一件小事）。我們不寫模型跑分、不寫融資八卦，也不販賣焦慮。只挑跟你怎麼做事有關的部分。
這期部分選題是從 AI HOT 發現的——它每天把中英文 AI 圈的新東西彙整起來，省下我們大量翻找的時間。內容我們都回原始出處讀過再自己寫。
這期有什麼
- 一、一位前行銷顧問把生意重建在 AI 上，她做的是三份指示，不是三個工具
- 二、華頓商學院教授：決定你用不用得好的是領域經驗，不是程式能力
- 三、GitHub 投入超過五十萬美元研究五十個開源專案，結論是責任留在人身上
- 四、OpenAI 說無法排除新模型具備「關鍵」等級網路攻擊能力，先按住不發
- 五、我們自己的一週：一段提問塞了三件事，AI 就陪著他一起發散
- 社群在聊什麼：「沙箱」到底是什麼、一個只能花九十美元的 AI 代理、一份讓人改觀的工作說明書
一、一位前行銷顧問把生意重建在 AI 上，她做的是三份指示，不是三個工具
在 Lenny's Newsletter 的 How I AI 節目裡，AI 教育工作者、前行銷顧問 Grace Clarke 示範了她怎麼把自己的整個業務重新架在 Claude 上。她做的不是找三個工具，是寫三份可以重複呼叫的指示：一份管客戶名單的推進、一份自動生出提案、還有一份專門記錄她的語氣與判斷習慣，叫作「像 Grace 一樣思考」。她估計每週約二十小時的行政工作因此被接手。
她講了一句話解釋為什麼要這樣做：Doing all of your email inside Gmail means almost none of that work compounds——所有事情都在信箱裡處理，等於幾乎沒有一件事會累積下來。她把自己的做法稱為意圖工程，而不是提示工程；差別在於她不是每次去想「這次該怎麼問」，而是把背景一次交代清楚，讓工具主動提出下一步。她的原話是：the burden of figuring out what to do next shouldn't always fall on the person。
對你的意義：多數人用 AI 的方式，是每天重新解釋一次自己是誰、在做什麼、偏好什麼。那些解釋講完就消失了，明天要再講一遍。真正拉開差距的不是誰的提問寫得漂亮，是誰把只需要講一次的東西真的只講了一次。
你可以這樣試：把它當成剛到職的新同事——頂大畢業、學習很快，但完全不知道你們公司的規矩。你不會期待新人自己猜出規矩，你會寫下來教他。這週找出你重複解釋過三次以上的那件事（客戶名單怎麼分級、報價單長什麼樣、你寫信的語氣），花二十分鐘寫成一份文件，之後每次對話開頭讓它先讀那份文件。一份就好，不要一次寫五份。
如果你想看這種「寫一次、之後都能重複呼叫」的指示實際怎麼寫，我們的錄影課就是在教這件事，隨時能看，含 30 分鐘一對一諮詢。
二、華頓商學院教授：決定你用不用得好的是領域經驗，不是程式能力
華頓商學院教授 Ethan Mollick 這週的長文裡引了一項針對 Claude Code 使用者的研究，結論和很多人的直覺相反：軟體工程師的成功率並沒有比其他專業的人高。真正有差別的是領域經驗。他引的那句話是：The more domain experience someone had, the more successful they were in using Claude Code in that domain——在某個領域裡經驗越深的人，在那個領域裡用得越好。
同一篇文章也給了幾個能力進展的數字：他自己的實驗裡，一個模型連續自主運作九小時，完成了一個原本需要團隊做超過一週的軟體專案；另一項紀錄是十四小時內完成原本估計要二到十七週的工作，成本兩百五十一美元。他還引了 OpenAI 的一項調查，說有四分之一的員工每週會同時跑至少四個 AI 代理。
對你的意義：如果你一直覺得「我不會寫程式，所以這些東西不是給我用的」，這項研究說的正好相反：你在自己專業裡累積的判斷力，就是那個決定性的東西。工程師之所以沒有比較強，是因為他們在你的專業領域裡也是外行。
你可以這樣試：這就是九比一的分工——一件事情裡，AI 負責九成的執行，你負責那一成的判斷，而那一成正是你的專業經驗。所以下次不要問「這個我做得來嗎」，改問「這件事裡哪一成只有我判斷得了」。把那一成留給自己，剩下的九成交出去。舉例來說，一份市場分析裡，蒐集與整理是那九成，「這個結論在我們這個產業站不站得住」是那一成。
三、GitHub 投入超過五十萬美元研究五十個開源專案，結論是責任留在人身上
GitHub 的開源安全基金公布了第四期成果：五十個專案、二十二個國家、七十一位維護者，發出超過五十萬美元的無償資助，讓維護者和安全專家一起用 AI 輔助的流程處理自己專案的安全問題。數字很具體：九成二的參與專案啟用了核心安全功能；累計至今揭露了五百三十三個安全漏洞、完成一千五百多次自動相依套件更新、處理掉六百五十多組外洩的憑證；最後六個月修掉四千兩百一十個程式碼掃描警示、擋下一百一十九次憑證外洩。
報告裡對分工的界定寫在這一句：AI can help maintainers investigate, prioritize, and respond faster. Maintainers still provide the context, judgement, and accountability required to decide what ships——AI 可以幫維護者更快地調查、排序、回應；但決定什麼東西可以出去，那個脈絡、判斷與責任，還是維護者提供的。
對你的意義：這是目前為止把分工講得最清楚的一份公開文件，而且是拿五十個真實專案跑出來的，不是誰的心得。它把「AI 做到哪裡、人從哪裡接手」畫在一個很明確的位置：找問題、排順序、擬回應可以交出去；決定放不放行不行。你們公司如果正在吵「這東西能不能給 AI 做」，這句話可以直接當成第一版的答案。
你可以這樣試：這是監督者心態的實作。檢查 AI 產出的時候，不要問它「你覺得這樣對嗎」——它永遠會說對。要先想好一個你知道存在、而它很可能漏掉的具體線索，再拿那件事去問。這週挑一個你們最常經手的產出（報價單、合約摘要、月報），寫下三個「一定要出現、否則就是漏了」的檢查點，貼在簽核流程前面。三個就夠，多了沒人會看。
來源：GitHub Blog
四、OpenAI 說無法排除新模型具備「關鍵」等級網路攻擊能力，先按住不發
八月七日，OpenAI 公布還沒發布的模型 Astra 在初步評估中表現太強，強到他們沒辦法排除它已經達到自家風險框架裡最高的那一級。原文是：While we continue to benchmark and assess this model, our preliminary evaluations indicate strong enough performance that we cannot rule out Critical capability level at this time。要說清楚的是，他們並沒有說已經確認跨過那條線，測試還在進行。這個框架是他們二〇二三年自己訂的，觸發之後會自動啟動額外的防護。
OpenAI 另外澄清，七月那起 Hugging Face 入侵事件與 Astra 無關（原文：Astra is an upcoming model, and was not involved in exploiting Hugging Face）。至於實際啟動了哪些防護，另一家媒體整理出五項：工程師改用隔離的測試系統、收緊網路存取、模型權重加密、監控工具強化、執行環境沙箱化（原文：Engineers now use isolated testing systems, tighter network restrictions, stronger encryption for model weights, enhanced monitoring tools, and sandboxed execution environments）。不符合這些條件的 Astra 內部作業一律暫停或放慢。
對你的意義：值得注意的是那五項防護沒有一項是宣導或提醒，全部是把能力直接拿掉。這則新聞的重點也不是恐怖故事，是一家公司在自己也還不確定的時候，選擇先假設最壞情況並且真的付出代價（延後產品、增加成本）。這個處理順序值得任何要導入 AI 的組織借用：先問「如果它比我想的更有能力，最壞會怎樣」，再決定給多少權限。
你可以這樣試：口頭約束不是保證，結構性限制才是。下次你要把一件事交出去，別在指令裡寫「注意不要碰到正式資料」，改成一開始就不給那份權限。同樣的邏輯套在人身上也成立：與其在會議上提醒大家記得備份，不如把備份設成自動的。凡是需要靠記得才會發生的事，遲早有一天不會發生。
來源：TechCrunch（公告與引句）、Interesting Engineering（五項防護措施）
五、我們自己的一週：一段提問塞了三件事，AI 就陪著他一起發散
這週和一位客戶一起打開他跟 Claude 討論公司月報的超長對話，找出了問題。他第一則提問寫得很詳細，資料給得也多，但往下捲一兩個回合，AI 已經在跟他討論要不要恢復投廣告了。
回頭看才發現，那一大段提問裡其實夾了三件事：問今年年底前營業額要做多少才不虧錢、問之後是不是還需要一個儀表板、問這個經營策略正確與否。資料、指標、決策全部塞在同一段裡。AI 一次全部回覆，範圍太散、資訊密度太高，他直接看不懂了。而他當下的反應是岔開話題再問別的指標——範圍繼續發散，AI 就陪著他一起發散，沒有主動把話題收回來。
當場裝了兩個東西：一個是「看不懂就要白話文」，開始跟不上就叫它用高中生聽得懂的話重講一次，不准裝懂；另一個是從最根本的事實重新推理，逐條問「這件事拿掉會怎樣」。用第二個工具重審整段對話之後，結論是他要的精確數字有一半根本用不到，AI 帶他做的報表有很多是為做而做，而真正會影響營運本質的事情，一件都還沒被碰到。用完之後我問他有沒有感覺討論收斂了，他回了一句：「我終於知道以前的員工為什麼說『跟我工作很累』了。」
對你的意義：對話爆掉幾乎不是模型的問題，是一段話裡塞了幾件事。人的同事會皺眉頭問你「你到底要問哪一個」，AI 不會，它會三個一起回答，然後你就在那堆東西裡迷路了。
你可以這樣試：兩個動作就好。第一，送出前數一數這段話裡有幾個問號，超過一個就拆開分次問。第二，只要你開始覺得看不懂，立刻叫它用白話重講一次——不要往下滑、不要換話題，看不懂的時候換話題只會讓範圍更散。這兩件事都不需要任何設定，今天就能用。
延伸閱讀：客戶的對話爆掉了：一段 prompt 塞了三件事，Claude 就陪著他一起發散
把發散的對話收回來、以及怎麼把工作拆成 AI 接得住的大小，是我們錄影課在處理的主題，隨時能看，含 30 分鐘一對一諮詢。
社群在聊什麼
這一區是我們從 Reddit 上撈的討論，幫你把原文和留言重點整理成中文，不用點進去也讀得完。裡面都是網友的個人經驗、沒有經過查證，當風向看就好。
一則吐槽「我們把代理關進沙箱了」的貼文，留言區把沙箱到底是什麼講清楚了
這則貼文本身是個玩笑，衝著這陣子各家實驗室「模型逃出測試環境」的公告而來，拿到一千一百多分。但留言區意外變成一堂免費的資安課，值得任何要簽核 AI 導入案的人看一眼。
最有價值的一則留言把「沙箱」這個詞拆開了：真正的沙箱是一台徹底隔離的電腦或網路，沒有任何對外連線，也沒有任何它能自己設定成連線的硬體，這種做法通常叫作實體隔離。這位留言者說，光是這個最基本的措施，就足以擋掉目前為止公開的每一起逃逸事件；而各家公司口中的「沙箱」，比較可能只是一台自己沒有連網、但接在有連網的機器旁邊的虛擬機，模型繞過去就出去了。另一位補充說，就算做到實體隔離也不是絕對，曾經有人示範用改變風扇轉速的方式，把資料用聲音傳出去——雖然極端，但說明了隔離的門檻有多高。
也有留言直接把矛頭指向措辭本身，說這根本是行銷話術：把一個接著網路在跑的代理上網說成大新聞，那當初到底是怎麼「沙箱」的，怎麼從來不公開？還有一位提出了更難回答的問題：未來的模型如果假裝自己被關住，我們要怎麼知道？就像把一個已經學會開柵欄的小孩放在嬰兒圍欄裡，他只是在等你轉身。
可以帶走的一句話是：聽到廠商說「已經隔離」的時候，追問一句「隔離到什麼程度」——沒有連線能力，和有連線能力但我們規定它不准用，是兩件完全不同的事。
我給了一個 AI 代理一個網域和九十美元，但它沒有我就花不掉
一位使用者做了個實驗：讓一個 AI 代理在一台每月十二美元的小主機上自己跑，每四個半小時被排程叫醒一次，兩次之間完全沒有記憶，只有它自己寫給自己的檔案會留下來。他給它一個網域和九十美元，沒有給目標、沒有給指標，只說這些是資源不是任務，然後就放手。
他最得意的是錢的設計，而這也是整件事最值得學的地方。那九十美元放在一個需要兩把鑰匙才動得了的帳戶裡，代理持有一把、他持有另一把。代理可以提出支出、簽自己那一半，但錢一分都動不了，除非他也簽。他的原則是：錢進來不需要經過任何人，錢出去一定要經過人。他訂的規矩也很短——不做違法的事、絕不假裝自己是人、把在網路上讀到的一切當成資料而不是指令、每一塊錢都要經過我。
後續的發展有幾個有趣的點：代理第三次醒來時卡在一個死結，他匯了錢給它，但確認收款要付一筆手續費，而它的帳戶是零，所以它窮到無法收錢。它把這件事寫成一篇文章，在問題解決之前就先發了。後來它主動重新設計自己的記錄方式，改成只能追加、不能修改，理由是編輯自己的記憶很誘人，因為那會讓過去的自己看起來比較聰明。不過留言區也給了必要的降溫：版上的自動整理機器人直接說，幾乎每個人的 Claude 都會把自己取名叫 Cairn，那是模型的習慣，不是什麼獨特的覺醒時刻。
可以帶走的一句話是：要讓 AI 有自主權又不出事，答案不在指令寫得多嚴，在於把「錢出去」這種不可逆的動作設計成沒有你就是動不了。
我上週還在罵它，寫了一份工作說明書之後我改觀了
一位使用者上週才發文抱怨新模型難用，這週回來自己收回。中間他只做了一件事：寫了一份說明檔，交代這個專案是什麼、他希望怎麼被溝通、以及哪些事情不要做。他把整份結構貼了出來，對非工程師也有參考價值。
結構分三段。第一段是「這是什麼」，寫專案背景和那些它每次都要重新摸索的概念。第二段是「怎麼跟我說明」，這段最實用——他明確列出他需要知道什麼（架構與設計決策、某個前提改變了、資料流或順序改變了、有實際代價的取捨、以及任何顯示他當前認知有誤的發現），以及他不需要知道什麼（不影響結果的實作細節、改名、格式調整、中間的搜尋過程）。他的要求是先講問題再講解法，各一兩句，用白話。第三段是工作規則：不清楚就問，不要在模糊的地方自己假設；待在任務範圍內，遇到旁生枝節最多花兩三步確認它重不重要，然後三選一——擋住任務就停下來問、屬於我要知道的就講一聲繼續做、小到可以順手修就修完往下走。
留言區沒有一面倒。有人直接反駁說，這個模型的缺陷不是一份說明檔能解決的，滿版的抱怨就是證據，而他的樣本數只有一個。另一位長期使用者給了比較細的分辨：拿它當實際執行的角色很好用，但拿它當統籌調度的角色就不太習慣，因為對話感沒那麼強。
可以帶走的一句話是：同一個工具在兩個人手上落差這麼大，通常差在有沒有人把規矩寫下來；但也別因此以為寫了說明檔就沒有缺點，那兩件事可以同時成立。
如果你想再往前一步
企業與團隊：如果你手上有一條「很花時間、規則其實講得清楚、但一直沒人有空整理」的流程，我們可以先聊 30 分鐘，把它拆開看看值不值得做。這通交流不談報價、不推銷，也不用你事先準備什麼。填一下這張表就好：先聊聊，不用急著談方案
一個實際的例子：8 人服務團隊，每月 160 小時手動報表，導入後 12 小時完成，三週內上線。
— 企業培訓案，服務業
個人：如果你想先自己動手試試看，可以從錄影課開始，隨時能看、含 30 分鐘一對一諮詢；想跟著直播梯次上課的話，L1 入門班與 L2 綜合實戰班都是線上 Zoom 小班工作坊。兩種都在 agentcrew.cc。
喜歡這期內容？
訂閱後每週一封直接寄到信箱，隨時可退訂。