AI 自動化是什麼？運作原理、適用判斷與新手第一步

AI 自動化，是把原本要你一步一步手動操作的重複工作，交給 AI 模型加上程式自動完成。這裡的 AI 模型，指的通常是大型語言模型（LLM，Large Language Model）：一種用大量文字訓練出來、能理解並產生自然語言的 AI 模型，可以摘要資訊、回答問題、整理文字。ChatGPT、Claude、Gemini 背後都是這類模型，詳細運作請看 大語言模型入門。

這篇文章不介紹任何特定工具的操作，只回答三個長期都用得上的問題：AI 自動化的原理是什麼、怎麼判斷一件事適不適合自動化、新手該從哪裡開始。

AI 自動化和傳統自動化差在哪？

傳統的自動化程式，只能處理格式固定、規則寫死的資料：欄位對不上就出錯。大型語言模型加入之後，多了一種能力：它能處理用自然語言寫成、格式不固定的內容，例如一封信、一份會議紀錄、一段需求描述。

所以 AI 自動化通常是兩種東西的組合：

• 程式負責「確定的事」：什麼時候執行、檔案放哪裡、結果寄給誰。
• AI 模型負責「需要理解語意的事」：這段文字在講什麼、該歸到哪一類、摘要成幾句話。

把這兩者分清楚，是設計自動化最重要的觀念。能用規則寫死的部分就交給程式，只有真的需要理解語意的地方才交給 AI，結果會更穩定，也更省成本。

兩種做法：工作流與 AI 代理

Anthropic 在〈Building effective agents〉一文中，把「用大型語言模型組成的系統」分成兩類：

• 工作流（Workflow）：模型與工具是依照「預先寫好的程式路徑」被串在一起，下一步是什麼由你決定。
• AI 代理（Agent）：模型「動態地決定自己的流程與工具使用」，下一步是什麼由模型依情況決定。

	工作流	AI 代理
誰決定下一步	你事先寫好的程式	模型依當下情況決定
適合的任務	定義清楚、步驟已知的任務	開放式、難以預先知道需要幾個步驟的問題
主要優點	可預測、一致	彈性大，能自行調整做法
主要代價	遇到沒預料到的情況，要自己改流程	成本與延遲較高，錯誤可能一路累積

表中大部分內容整理自上述 Anthropic 文章：它指出工作流適合定義清楚的任務，能提供可預測性與一致性；代理可用於難以預測步驟數的開放式問題，但「自主性帶來更高的成本，以及錯誤累積的可能」，因此建議在沙箱環境中充分測試並設下護欄。只有「工作流的主要代價」那一列，是本站依定義做的推論，不是原文。

同一篇文章最實用的建議是：先找最簡單的解法，真的需要時才增加複雜度。對大多數新手來說，這代表先從固定流程開始，不要一上來就做「全自動代理」。想進一步了解代理，請看 AI 代理是什麼？和聊天機器人的差別。

怎麼判斷一件事適不適合自動化？

下面四個問題是這個網站整理的判斷方法（不是官方標準），可以在動手前先問自己：

1. 它會重複出現嗎？ 只做一次的事，手動做通常比設計自動化快。
2. 規則說得清楚嗎？ 如果你自己也說不出「做到什麼程度算完成」，AI 也無法替你判斷。
3. 結果容易檢查嗎？ 能一眼看出對錯、或能用一個通過／失敗的檢查來驗收，就適合自動化。
4. 出錯能復原嗎？ 修改檔案可以還原、草稿可以重寫，風險低；寄出信件、刪除資料、付款則很難收回。

四題裡，第 3、4 題最重要。大型語言模型可能產生聽起來合理、實際卻不正確的內容（稱為幻覺，Hallucination），所以結果要能被檢查。Claude Code 的官方文件也提醒：代理在工作「看起來完成」時就會停下來，如果沒有能判定對錯的檢查，你就得自己當測試；建議要求它附上實際執行過的指令與輸出作為證據，因為單單一句「測試都通過了」說明不了什麼。

出錯代價高又難以復原的動作，請保留人工確認。這部分在 讓 AI 代理安全操作電腦 有完整說明。

新手第一步：從一件小事開始

建議照這個順序進行：

1. 挑一件小事：每週都會重複、規則清楚、做錯也能還原。
2. 先手動做一遍，把每個步驟寫下來。寫不出來，代表規則還沒想清楚。
3. 標出需要語意判斷的步驟：只有這些步驟才需要 AI，其餘交給程式或你自己。
4. 讓 AI 做一次，再對照你自己的結果。這一步是在檢查 AI 的表現，也是在檢查你的說明有沒有寫清楚，寫法請看 AI 代理任務說明怎麼寫。
5. 穩定之後才讓它自動重複執行，並保留一個人工檢查的環節。

如果你打算使用 Claude Code 這類在終端機裡運作的工具，建議先看 終端機基礎，再看 Claude Code 安裝教學。用到 API 金鑰時，請務必先讀 API Key 是什麼，以及怎麼安全保管。

常見名詞

文中的名詞可以在 名詞小辭典 查到簡短解釋，例如 AI 自動化、工作流、AI 代理 與 幻覺。