想做 ai agent development 不等於要懂得寫程式。真正決定成敗的,是你能不能先把公司的分工與流程講清楚,再把它拆成一個又一個可以判斷對錯的任務;工具只是最後一塊。以下按實戰次序走:開始前要準備什麼、每一步做完應該見到什麼、卡住時怎樣排查,以及怎樣判斷這套系統值得繼續投入。
- 這套做法適合流程相對穩定、資料拿得到、成果能判斷對錯的公司;流程天天在變、又說不出「做完」標準的公司,先把流程寫下來再談 agent。
- 起點是任務,不是工具。揀一個每週重複、做完容易核對的動作,先做第一個 agent。
- 三個核心元件是 AI 模型、操作介面與 context 層。多數人只換模型,忽略了最花時間的 context 層。
- 「夠好」可以先定在處理一項任務 80% 的工作,其餘由人補上,不要一開始就追求全自動。
先問一句:這套做法適合你的公司嗎?
自建 agent 系統最適合「一個人戴幾頂帽」的老闆,或兩三個人的營銷與營運團隊。這類公司通常流程不算複雜,決策人就是用戶,改流程不需要開會三個月。
本文的做法與數字,來自 Michael Stelzner 與 Keith Moehring 在 Social Media Examiner 2026 年 6 月 16 日刊出的訪問;下文提到「作者」時,指的是 Keith Moehring 自己那套做法。
但有幾類公司我會建議先停一停。第一,流程未定型:同一個任務每次做法都不同,連你自己都說不出「做完」的標準,agent 只會把混亂自動化。第二,需要即時對外承諾而沒有人把關:報價與退款這類動作,先要有人工審批的設計,否則一次出錯的代價高於省下的時間。第三,資料散落在十幾個系統,連接口與權限又未清點清楚的公司,應該先做整合,而不是先做 agent。

開始前要準備的工具與權限
- 一個 AI 模型賬戶:Claude、OpenAI 或 Gemini 都可以,重點是你能把業務資料餵進去,而不是哪一家最強。
- 一個能連接本機文件夾的操作介面:例如 Cursor,把模型直接接到你電腦上的檔案;作者估算每月約 99 美元。
- 會議記錄與任務工具:Granola 這類有 MCP connector 的會議記錄工具,加上 ClickUp 這類任務系統。
- 各工具的 API key 或連接權限:會議記錄、任務、客戶資料,逐項確認你有權讀取。
- 一份客戶清單與命名規則:客戶代號、文件夾位置、主要聯絡人。
這些接口與權限如果散落在不同系統,先做一次盤點。這一步其實就是 ai 系統整合 的工作,不是買一個工具就完事。
逐步操作:每一步做完,你應該見到什麼
以下六步按「先有任務、再有系統」的次序排。每一步都寫明完成後應該見到的東西;見不到,就代表這一步未做完。
- 畫出問責架構圖。 由行政總裁或老闆開始,下面是營運整合者,再下面分銷售與營銷、營運、財務,然後是各崗位。每個崗位寫明它為何存在、負責什麼、每日每週每月每季做什麼。作者建議可用 Ninety.io 的免費功能,或者請 AI 幫你整理成圖。完成後:你手上有一頁可打印的圖,和一份每週重複任務清單,並圈出幾個最值得自動化的候選。
- 開一個 context 文件夾。 作者的 L2 Ops 放在桌面,內分六個子文件夾:Playbooks、Reference、Skills、Templates、Scripts、Clients。Playbook 寫流程,Reference 寫命名與系統背景,Skills 寫重複動作的做法,Templates 放成果範例,Scripts 放接 API 的程式,Clients 則一個客戶一個子文件夾。完成後:AI 打開這個文件夾就找得到規則、範例與客戶背景,你不用每次重講。
- 選模型與操作介面。 作者主要用 Claude,也會按任務複雜度切換模型;Cursor 的介面有三個面板:左邊文件夾樹、右邊對話面板、中間你正在處理的檔案。完成後:你見到 agent 只在這個文件夾內讀寫,其他位置的檔案它碰不到,而且你可以要求它在改檔前先問你。
- 寫第一個 playbook。 把做法寫成給 AI 看的指令:先做什麼、再做什麼、去哪裡找資料、成果要長什麼樣。作者的框架叫 WAT,即 Workflows、Agents、Tools。你講清楚之後,AI 會先交一份建置計劃,列出它會建立哪些檔案、每部分怎樣運作;你逐段核對、改到滿意才按 Build。完成後:一份你簽核過的計劃文件,而不是一個黑盒。
- 用真實樣本測試。 建置時間視複雜度,由一分鐘到十分鐘不等。揀一批真實但範圍小的任務跑一次,然後逐項核對輸出。完成後:你見到 agent 交出的成果,知道哪些對、哪些要改,並把要改的寫回 playbook 或 Skills。
- 加第二、第三個 agent,最後才加 orchestration。 作者的 orchestration agent 每月初收到一個 prompt,就知道要啟動哪些子 agent、按什麼次序做,把原本要兩週的每月客戶工作縮短到一小時。完成後:你收到的是一份待審核的清單與已建立的任務,而不是一堆未整理的輸出。

整條路線的目的,是把重複工作變成可以重複執行的 ai 自動化,而不是請一個甚麼都懂的通才。
非開發者老闆自建 multi-agent system:由 accountability chart 到 model、interface、context folder、playbook、testing 與 running costs
把六步拉遠一點看,就是一條完整路線。accountability chart 決定誰負責什麼,也決定哪些任務值得交給 agent;model、interface 與 context folder 決定 agent 在哪裡工作、看得到什麼;playbook 決定它怎樣做;testing 決定它夠不夠可靠;最後是 running costs:工具月費、你每週花在維護 context 的時間,以及出錯時要人手補救的成本。這五段任何一段缺了,系統都會在下一個月開始走樣。
| 階段 | 你要交出什麼 | 完成後見到什麼 |
|---|
| 組織架構 | 一頁問責架構圖與任務清單 | 你知道哪幾個任務先做 |
| context folder | 六類子文件夾與客戶資料 | agent 找得到規則與背景 |
| playbook | 一份寫給 AI 看的流程文件 | 一份可核對的建置計劃 |
| testing | 一批真實任務與核對記錄 | 完成率、用時、返工與介入次數 |
| running costs | 月費、維護工時與補救成本 | 一個可以比較的投入與產出 |
常見錯誤與排查:多數人卡在哪裡
- 一開始就要一個大而全的 agent,例如「幫我做內容營銷」。範圍太大,AI 會做它以為你要的,不是你真正做的。正確做法是拆成研究、素材核對、訪談三個小 agent,各自穩定後再串起來。
- 跳過 context 層,只換模型、只改 prompt。結果每次都要重講背景,出錯也查不到原因。
- 把 workflow 當成 agent。Anthropic 在《Building effective agents》提醒,能用固定流程解決的問題就不要加自主性,複雜度應該只在證明有用時才加。
- 沒有審批關卡。對外發送、花費、訂單或權限變更,應該先等你確認;作者也建議一開始開啟「改檔前先問我」。
- 次序錯了。orchestration 要等底層 agent 可靠才加上去,不是先做一個總管,再回頭補下層。這也是自建 ai agent development 最常見的翻車位。
如何驗證成效:什麼叫「夠好」?
作者的標準很務實:一個能處理一項任務 80% 的 agent 已經創造實際價值,其餘由人補上。他也提到 agent 的第二個作用:所有事情有記錄、可以查詢,忘記某個項目何時完成,直接問就有答案。整套系統能自動化一位創業者約 60% 的工作量,前提是流程已經拆成可判斷對錯的任務。
驗證方法可以這樣做:
- 先建立基線:人手做同一批任務,記下用時、返工原因與完成量。
- 再讓 agent 跑同一批任務,比較完成率、用時、返工與人工介入次數。
- 功能驗收與經營成效分開看。前者看輸出對不對、權限有沒有守住;後者看任務量、成本與毛利。
- 如果 agent 讀不到 CRM 或任務系統的正確項目,先修接口,不要急著改 prompt;這仍然是 ai 系統整合 的問題,不是模型不夠聰明。
Topkee 的看法:自建與委外的分界在哪裡
Topkee 做 AI Agent 客製開發時,起點與上面一樣:先由一條工作流程開始,把資料與應用接入現有系統,連成可執行的能力,而不是做一個通用聊天機器人;agent 只在授權範圍內讀取資料、產生成果、保存記錄或提交審核,關鍵決定仍由人負責。分別在交付方式。我們用四項原則收口:資料有來源、執行有權限、成果可驗收、交付可接手。再把專業方法寫進崗位規則、Skill 與 Playbook,把系統操作接入同一段對話,讓成果留在 Library 給下一個任務用,知識庫稱之為三個銜接點。平台以 Bot Team 承載身份與規則,Skill 承載任務方法,Plugin 提供工具接口,客製開發則補上介面、系統整合、權限與驗收標準;落地按評估與設計、開發與試點、驗收與上線、持續改進四階段走,試運行時看完成率、用時、返工與人工介入。
所以分界在於誰來承擔 context 層的日常維護,不在於自建便宜還是委外更快。公司內部有人能持續維護流程與資料,自建可行;沒有一個人能長期負責,交付時把規則、接口與驗收標準寫清楚,會比買一套工具實際。平台這一邊可以參考 Topkee Cloud,而像 TTO Funnel Tuning Agent 這類崗位,就是把一條營銷分析流程做成 agent 的例子。

下一步:今天先做哪一件事?
- 今天:翻開上個月的行事曆,找出重複三次以上、又可以判斷對錯的動作,寫下「做完」的標準。
- 明天:為它開一個 context 文件夾,先把六類子文件夾建好,放兩份範例進去。
- 本週:寫第一個 playbook,用一批小樣本測試,記錄完成率、用時、返工與人工介入。
- 如果盤點後發現接口、權限與資料質素都要從頭整理,先做一次評估,把範圍與驗收標準寫清楚,再決定自建還是委外;這一步本身就是 ai 自動化 能不能持續的分水嶺。
Sources
- Michael Stelzner 與 Keith Moehring, "Building AI Agents: The System That Automates 60% of One Entrepreneur's Workload", Social Media Examiner, 2026-06-16. https://www.socialmediaexaminer.com/building-ai-agents-the-system-that-automates-60-of-one-entrepreneurs-workload/
- Anthropic, "Building effective agents", Anthropic, 2024-12-19. https://www.anthropic.com/engineering/building-effective-agents