AgentCrew 週報 · 這週 AI 有什麼跟你有關 · 2026-11-07

第 14 期

這是「AgentCrew 週報」第 14 期，幫大家整理 2026-11-01 到 11-07 這一週發生的事。

每一則固定三段：是什麼（先講結論，再講理由和證據）、對你的意義（放到你每天的工作裡代表什麼）、你可以這樣試（今天就能動手的小練習）。除非能講清楚該怎麼選、要花多少錢、能做到什麼，我們不聊模型跑分；也不聊哪家公司拿到多少錢。

這期有幾個題目，是我們先在 AI HOT 看到的。它每天會整理中英文 AI 圈的新消息，幫我們省下不少大海撈針的時間。這期的每一則，都附上了原始出處的連結。

這期有什麼

一、OpenAI 發布 ChatGPT Images 2.6：用文字或照片就能做動畫 GIF，可調速度、逐格編輯

結論：ChatGPT 現在可以用一句話或一張照片，直接做出動畫 GIF；做好之後還能調速度、逐格修改，簡報、貼文、教學材料要用的動圖，不必再到處找現成的。

  • 發生什麼：本週，OpenAI 推出 ChatGPT 的圖像模型 Images 2.6，最大的新功能就是動畫 GIF。你可以輸入一段文字，也可以上傳一張照片，ChatGPT 會替你做成一個會動的圖，之後再調整動畫的速度，或是一格一格修改。
  • 官方示範：OpenAI 用的例子是一句「幫我做一個貓在跳舞的 GIF」。ChatGPT 會先產生好幾張只差一點點的貓，再像翻動畫小冊子一樣串成 GIF。
  • 關鍵在一致性：The Decoder 的觀察是，同一個角色在各格之間的外觀看起來夠一致，足以讓人認出是同一隻貓；舊版模型大概會讓角色一格一個樣。
  • 誰能用：逐步開放給網頁、桌面、手機 App 上所有的 ChatGPT 與 Codex 使用者。
  • 開發者也能用：程式接口另外有兩個模型，GPT-Image-2.6「Flare」走效率路線，「Sunburst」走高品質路線，兩個都是 Images 2.5 時就推出的版本。
  • 使用量：OpenAI 說，現在每週透過 ChatGPT 與接口產生超過四十億張圖，比 9 月多了十億張。註1
對你的意義：簡報、貼文、教學材料要用的動圖，現在一句話就能做出符合主題的，不用再花時間找素材，也不必擔心找到的圖跟內容對不上。另外，這類工具的重點是把動作講清楚：會不會設計不重要，能不能描述「誰、在哪裡、做什麼動作、快還是慢」才重要，這跟你平常交代 AI 工作的訓練是同一件事。再加上，角色在各格之間的一致性，意味著可以做成系列：同一個吉祥物、同一個示意角色，做完一個再換動作做下一個。
你可以這樣試：打開 ChatGPT，描述一個跟你工作有關的小動作，例如「一支筆在筆記本上畫出流程圖」，請它做成 GIF，先看第一版長什麼樣。不滿意就直接說「速度慢一點」或「第三格改成……」，體驗逐格修改；改到滿意，就放進你下一份簡報或貼文。

來源：The Decoder：ChatGPT can now turn text prompts and photos into animated GIFs with OpenAI's Images 2.6 model

回到目錄

二、Figma 成長產品經理把個人的 Claude Code 設定做成 PM OS：31 項技能的共用資料庫，60 位以上產品經理在用

結論：Figma 把一位產品經理的個人 AI 設定，和同事一起整理成共用的技能庫，60 位以上的產品經理在用；起點只是一位產品經理的個人設定。

  • 是誰：Ezra Mechaber 是 Figma 的成長產品經理（負責讓更多人來用產品、並留下來繼續用的職位），他自己的目標是「在對的地方偷懶」。
  • 起點：他進 Figma 的時候，發現除了工程師，幾乎沒有人在用 AI 做真正的工作。所以他和幾位同事，把他自己的能讀寫你電腦檔案、幫你做事的 AI 工具（Claude Code）設定，整理成 PM OS。
  • 做法：PM OS 是一個放了 31 項「技能」的共用資料庫，技能就是把某個固定做法寫成步驟說明，讓 AI 之後照著做。Figma 的產品經理現在都用同一份，所以大家用到的是同一個版本。
  • 用在哪裡：節目示範的技能包括一項每天跑六次、專門整理公司內部聊天軟體（Slack）訊息的技能，還有一個叫 AutoXP 的「AI 成長產品經理」，會自己跑成長實驗，中間留一個需要真人確認的關卡。
  • 規模：目前有 60 位以上的產品經理在用，節目也談到怎麼讓 60 到 70 個人用的是同一份版本。註2
對你的意義：這套共用技能庫，是從一位產品經理的個人設定開始的，起點很小：他和幾位同事把它整理成大家共用的版本。你每週重複做的判斷，做成技能之後，同事就能直接拿去用；新人也不必從頭摸索公司的做法。而且共用同一份，意味著改一次、大家都更新，這比各人各自維護一份說明省事得多。
你可以這樣試：挑一件你這週做過兩次以上的小事，請 AI 用三個問題訪問你，再把你的做法整理成一份說明。下次做同一件事時，把那份說明交給 AI，比較有它跟沒它的差別；如果有差，再請 AI 幫你把說明整理得更好讀，分享給一位同事試試。

來源：Lenny 的電子報：How Figma's PMs actually use AI every day | Ezra Mechaber (PM, Figma)

回到目錄

三、Google 開發者部落格實測：先試 Flash 低思考強度，再決定要不要做分流器

結論：想用便宜的模型省錢，先試 Flash 的低思考強度，不夠再做分流器；因為真正該算的是「每完成一件事花多少錢」，不是單價。

  • 作者與出處：Google 的 Sergio Villani 在 11 月 3 日的開發者部落格文章裡建議：在動手做分流器之前，先試試 Flash 的低思考強度（原話：Start with Flash on low thinking before you build a router.）。
  • 理由：AI 的單價雖然在降，用 AI 自動寫程式的總花費卻在升；所以該看的是每完成一件事花多少錢，而不是每百萬個 AI 計價用的字數單位（token）多少錢。
  • 分流器是什麼：可以把它想成坐在昂貴模型前面的總機人員，是一個輕量的分類器，先判斷任務簡單或複雜：簡單的走便宜的設定，複雜的才轉給更強的模型。
  • 證據：他們用 50 題可以自動評分的程式任務測試，單用 Flash 的低思考強度就全部答對，加上分流器也是全部答對，分流器的好處是可能再降低成本與等待時間。
  • 容易踩的一步：限制模型最多能輸出多少 token，並不能讓它在簡單題上少想；文章形容那個上限只是天花板，簡單題的答案根本沒有接近過它，還讓 25 題難題中的 7 題做壞了。註3
對你的意義：不是每件事都需要最強、最貴的模型：簡單的事交給便宜又快的，真的卡關再升級，就像把例行的整理工作交給新手，把需要判斷的留給資深的人。順序也很實用：先試最簡單的設定，確定不夠用，再加上更複雜的機制，不要一開始就蓋一套分流系統。如果想看我們自己怎麼分配，延伸一篇：《Opus 指揮、Sonnet 實作、Fable 當顧問：三個模型的分工》就是把不同強度的模型，分配給不同工作的做法。
你可以這樣試：挑一件你常交給 AI 的工作，用最便宜或最快的那一檔做三次，再請 AI 幫你檢查三次的結果有沒有出錯。低檔夠用，這件事以後就固定用低檔；只有做錯的那一類，才改用高檔。如果想把這套分工學成自己的流程，可以從錄影課開始，隨時能看，含一對一諮詢。

來源：Google 開發者部落格：Cost per task: Using cheap classifiers to route across Gemini models and thinking levels

回到目錄

四、我們自己的：用一個指令切換 AI 的工作模式，一週實測 136 場對話

結論：把你一再對 AI 重複的話做成「模式」，用一個指令就能切換；Dustin 自己做了一個外掛，一週實測 136 場對話，開啟收尾模式後，AI 在回覆結尾附上決策清單的比例，從 10% 升到 86%。

  • 起點：Dustin 翻自己的對話紀錄，發現同一類要求講了一遍又一遍：「中間不用過問我」這句話，三週內講了 28 次；另外還有把批次工作外派給其他 AI、收尾時只留待決事項。
  • 做法：這些要求要常常切換，所以他做了一個 Claude Code 外掛（work-mode），用一個指令切換三種模式：放手去做（auto）、外派批次工作（out）、收尾（wrap）；另外還有一個 /at 指令，告訴它他現在是在電腦前還是用手機，回覆的格式就跟著改。
  • 收尾模式的效果：回覆結尾附上決策清單的比例，從 10% 升到 86%；建議他跑收尾指令的比例，從 3.5% 升到 26%；回覆平均也從 878 字降到 647 字。
  • 外派模式的效果：有外派工作的回合，從 11% 升到 34% 到 55%；省下的是 Claude 的額度，估計約占那一週用量的 14% 到 25%。
  • 一個發現：那一週他切換模式 158 次，全是叫出選單用點的，舊選單一次只能選一個，所以 auto 一開 wrap 就被擠掉；因此 0.4.1 版改成可以複選。註4
對你的意義：如果你發現自己一直對 AI 重複同一句話，那就是可以做成模式的訊號：重複 28 次，就代表這件事不該每次都靠你手打；而讓 AI 去查你的對話紀錄、算出你的口頭禪，就不必靠自己回想。模式也不一定要寫成外掛：先把你最常重複的一句話，變成每次開工前貼給 AI 的一段固定說明，也是個好的起點。
你可以這樣試：請 Claude 查看你的對話紀錄，找出你反覆對它說的三句話，並算出各出現幾次；接著挑出現最多次的一句，請它照這篇文章的方式，幫你做成一個模式，再用一週，看它有沒有真的少問你、少打斷你。

來源：AgentCrew blog：用一個指令切換 AI 的工作模式：work-mode 開發與一週實測

回到目錄

五、Wiz 整理「黑色十月」：一個月內至少九個 AI 開發者平台披露資安事件，三家把原因指向金鑰被取得

結論：這波事件裡，金鑰是最值得先盤點的一環：Fireworks、Zeabur、Lightning 三家都自己指出，事件的根本原因是金鑰被取得。

  • 發生什麼：資安公司 Wiz 在 10 月 30 日的文章裡，整理出十月至少九個 AI 開發者平台披露了資安事件，名單包括 Fireworks AI、Andromeda、Zeabur、Lightning AI、OpenCode、Railway、Warp、CommandCode 和 Northflank；文章之後持續更新，截至 11 月 6 日又加上 kernel.sh 等平台。
  • 金鑰是什麼：金鑰就像讓程式自動登入或呼叫服務用的通行證，拿到的人就能直接用你的帳號額度；這也是三家平台共同的根本原因。
  • 被盜之後：Wiz 描述的兩個被盜案例裡，金鑰很快就被人拿去試，其中一把在 13 小時內呼叫了約 170 萬次 AI 服務，另一把在 30 小時內呼叫了約 80 萬次。
  • 損失：光是這兩個案例，以公開牌價計算，Wiz 估計可能超過 10 萬美元。
  • 一個細節：其中一把金鑰只開特定區域的路線，攻擊者一開始一直失敗，找到能走的路之後，仍然成功呼叫了超過 100 萬次；沒成功的部分，幾乎都是因為撞到帳號的區域額度而被限流。註5
對你的意義：做法其實很具體：金鑰集中放在一個地方管理，每一把只開給需要的功能，再設定可以呼叫的範圍和每月花費上限。這兩種限制要一起用：只限路線還不夠，攻擊者找得到能走的路；有了每月上限，就算被盜，損失也有天花板。另外，如果你的 AI 工具是掛在第三方平台上，金鑰通常也放在那裡，所以這份盤點對個人使用者一樣適用。
你可以這樣試：請 AI 幫你盤點放在各個 AI 平台或工具裡的金鑰：有幾把、放在哪、誰能用；接著挑最重要的一把，請 AI 帶你看它有沒有花費上限與可呼叫範圍的設定，沒有就現在設起來。

來源：Wiz：“Black October” for AI Developer Platforms

回到目錄

社群在聊什麼

這一區是本週 Reddit（美國熱門網路論壇，類似台灣的 PTT）上三場值得看的討論，原文連結附在標題旁。註6

一、你們的資安團隊在核准 Claude Code 之前查了什麼？（What did your security team check before approving Claude Code?）（原討論串）

  • 可以帶走的判準：審查時真正該看的是管理設定能不能強制套用、對話紀錄會留多久、出事時由誰負責；光靠禁止某一個指令，幾乎沒有用。
  • 起點：發文的人說，公司放行讓 180 位工程師用 Claude Code，審查花了六週，裝設工具本身只花一天。管理設定用集中管理員工電腦的工具（Jamf）統一派送：不准讀放金鑰的檔案、關掉略過權限確認的模式、只連少數核准的外部工具。
  • 資安與法務：資安團隊發現，單靠「禁止 curl 指令」幾乎沒用，因為那只擋得住 Claude 平常習慣寫的語法；真正管用的是沙箱（把 AI 執行的指令關在受限環境裡）的網路白名單，而沙箱預設是關的，得自己打開。法務最在意資料留多久：預設保存 30 天、零資料保留要整個組織簽核、回饋功能的對話會留五年，所以先把回饋指令關掉；本機對話紀錄是明文，也把保存期限從 30 天縮到 7 天。
  • 還沒解決的：AI 做了不該做的事，要找誰處理？資安以為歸平台團隊，平台團隊又以為歸資安，對話紀錄關掉之後，兩邊都沒什麼可查。
  • 留言：有人提醒，沙箱啟動失敗時，指令會直接在沒有保護的狀態下執行，要在管理設定裡改成「啟動失敗就擋下」；也有人建議把「誰同意了哪個高風險指令」另外留一份簡單紀錄，比保存完整對話紀錄的敏感度低。

二、沒注意到 Haiku 一直在把東西送上正式環境（Not paid attention and Haiku was shipping to the production）（原討論串）

  • 可以帶走的判準：該在意的是程式碼上線前要過哪些關卡（測試、型別檢查），而不是哪個模型寫的。
  • 起點：發文的人做個人專案（類似 Discord 的聊天軟體），以為自己用 Haiku 5.5（較小、較便宜的模型）寫了一小時、做完兩個功能。他請 Claude Code 數了每筆程式碼存檔紀錄（commit）註明的模型，結果兩天內有九筆是 Haiku 的，約四筆新功能、五筆修正。
  • 結果：據他所知，正式環境沒有壞；一次部署做到一半失敗，舊版本繼續運作，測試腳本被 Cloudflare 擋下，Claude 也會直接說哪件事還沒測過。讓他意外的是，寫的當下他分不出差別，是回頭數存檔紀錄才發現。
  • 留言：有兩種看法：一種認為只要測試和型別檢查擋得住退步，換哪個模型風險都差不多；另一種是分工經驗，有人用 Haiku 當主力、複雜任務才換 Opus，也有人說判斷標準應該是任務模糊不模糊，而不是任務大小。

三、我一個人用 15 個各有分工的 Claude Code 工作階段跑整個 App，這是我的設定提示詞（I run my whole app solo with 15 Claude Code sessions, each with its own job. Here's the setup prompt.）（原討論串）

  • 可以帶走的判準：規則寫在說明檔裡，常被 AI 跳過，要用在特定動作發生時自動執行的檢查（hook）才能強制；說明檔也要寫得夠短，因為每一行在每次新對話都會載入。
  • 起點：發文的人說，一個很長的對話會越用越差：塞滿不相關的內容、忘記先前的決定，甚至動到自己做好的東西。所以他讓每個範圍（iOS、Android、網頁、後端、設計等）各開資料夾和專屬說明檔；別人範圍的工作，就在專案裡開一張「卡片」（一個文字檔，寫明下一步由誰做），七週結掉 2,600 多張。
  • 心得：先從少數幾個開始，同時開太多很快就用光方案額度；每張卡片只能有一個負責人；回報「完成」或「在等某人」之前，先檢查實際的程式或系統。
  • 留言：並非一面倒贊成：有人說同時追蹤太多工作階段就吃不消，也有人質疑塞很長的指示反而占掉對話空間；另一位留言的人說，他在說明檔寫了「改程式前先載入某技能」，15 次對話一次都沒被照做，改用 hook 才解決；也有人分享用 GitHub 的標籤取代卡片檔。

如果你想把這些變成自己的做法

個人：如果你想把上面提到的其中一件事，照著你平常的工作習慣做成一套固定的工作流程，我們有一對一陪跑方案：先幫你把基本功打好，再照你的實際業務整理出適合你的做法，過程中有問題隨時都能問。方案細節、時間安排和常見問題都整理在這一頁：看一對一陪跑

註解

  • 註1：這則的細節取自 The Decoder 的報導，原始消息來自 The Verge。
  • 註2：技能庫的細節取自 Lenny 電子報 How I AI 節目的文字介紹。
  • 註3：Google 的原話是先試 Flash 的低思考強度，再做分流器（Start with Flash on low thinking before you build a router.）；用關鍵字寫的簡單規則，判斷任務難易與人工標註的吻合度，從 93.8% 掉到 70.6%；以上都是該文的單次實測結果，實際成本和速度會隨使用情況不同。
  • 註4：實測範圍是 136 場對話；外派模式的回合比例也受工作類型影響，實際效果應比表面數字低；省下的額度是估算值。
  • 註5：Wiz 原文說三家都把事件根本原因歸於憑證被取得（Fireworks, Zeabur, and Lightning all attribute their incident root causes to credential access.）；多數事件仍在調查，技術細節有限。
  • 註6：Reddit 上的內容是網友的個人經驗，沒有經過查證，當作風向參考；功能到底有沒有，一律以官方說明為準；第三則的發文者說，並非 15 個同時在跑，一開始也不是 15 個。

喜歡這期內容？

訂閱後每週一封直接寄到信箱，隨時可退訂。

每週一封，只寄跟你的工作有關的 AI 動態。不轉發名單、不騷擾，每封信都能一鍵退訂。

導入診斷