專欄分享 / 研發手記 / No.11

r&d notes · no.11

研發手記・AI Workflow Lab

先看見重複,才交給 AI

先看見我重複的工作,再抓出 AI 重複的錯

撰文:丁后儀|2026.11.01|閱讀約 7 分鐘|瀏覽 – 次

自動化並非新的概念:從工廠的生產線到辦公室的表單流程,人們一直在尋找把重複的工作交給機器的方法。而隨著 AI 代理人(AI agent)的日新月異,這件事已不再只屬於工程師;教師也能以自然語言,把一再重複的工作交給 AI 接手。

定期自省、回頭檢視自己做事的方式,一直是我的習慣;使用 AI agent 一段時間以來,我也自己建了監控 PM 與監控儀表板。然而,用得越久,我越發現重複其實有兩種,而且有先後:先有我自己一再做的工作,自動化才有存在的意義與必要;讓 AI agent 接手、累積一段時間之後,才看得見第二種――AI 一再犯的錯,讓自動化一再卡關,也讓我始終得在一旁把關。

9 月初,我把這兩種重複一筆筆記進「AI Workflow Lab」(工作流實驗室);大梅老師的課程恰好印證了這套作法,Lab 也加乘了我原本的自動化與監控。緣此,這篇文章想以我的 Workflow Lab 為例,藉由這兩種重複的觀察與修正,探討自動化之前,何以要先看見自己重複的工作;交給 AI 之後,又該如何抓出它一再犯的錯,讓反思落地成下一次的修正。

AI Workflow Lab 案例總覽:9 個案例拆成 11 項工作流,分為需要建立、待釐清、已建立待測試、已建立需改善、已建立正常運作五類
實際畫面|我的 AI Workflow Lab 案例總覽:先看哪些需要處理,再看哪些已能安心沿用。
Lab 設定裡的一句話
「我們首先要回答的是:我真正重複的是什麼?」

這篇文章,就從這個問題開始。

先看見自己重複的工作,自動化才有意義;累積一段時間,才看得見 AI 重複的錯。

01

先有:我重複的工作

一做再做的工作,才值得讓 AI agent 接手。

判斷哪些工作該交出去,靠的是與 AI 一起工作累積下來的經驗。

例如每學期的雙語教材上架;每一支影片的製作與校正。

02

累積之後:AI 重複的錯

交出去之後的卡關,常是 AI 一再犯的同一種錯。

這類錯要先抓出來,才知道流程該從哪裡改。

我的做法用監控與紀錄把錯抓出來,再把修正寫進流程與判斷準則。

01MY REPEATS

第一種重複:用久了,就看得出該交給 AI 的工作

使用 AI agent 一段時間之後,哪些工作適合交給 AI 自動化,我多半很快就辨識得出來;Lab 則替這份判斷加上一點結構。以數位學習平台的教材上架為例:每學期開課,我都要依週次總表,為各門課建立中英雙語的章節,再把簡報轉成 PDF、放進對應的週次。這件一做再做的工作,在 Lab 裡走過了五步――

STEP 01|9/11 凌晨

AI 在旁留意,只說一句

6 門課、98 筆雙語章節上架完,觀察員在回答最後提了一句:「這次已形成固定流程……這個案例值得放進你的 Workflow Lab。」

STEP 02|同一晚

一句「紀錄」,記成一筆案例

我回了一句「紀錄」。AI 隨即寫下:什麼時候會做(新學期開課)、AI 做什麼(轉 PDF、批次上傳、分配週次、雙語命名)、我做什麼(確認規則、授權上傳與發布)、卡在哪裡(多門課容易對錯,發布後還要到學生端確認)。

STEP 03|同一晚

和以前的案例對照

AI 比對後提醒:上架接在視覺教材的核准之後,要先確認用的是核准過的版本;若上架時順手改了核准過的簡報或日期,就會和前一個案例衝突。

STEP 04|同一晚

上了儀表板,一眼看清

我追問它是否已記到儀表板;從此,這件工作和其他案例一起,依狀態列在同一張儀表板上。

Lab 案例 005 卡片:人工授權的教材批次上架流程,已有跨批次重複使用的證據
教材上架在儀表板上的案例卡。
STEP 05|9/29

累積之後,才升為工作流

第一批記下時,只算候選。9 月 15 日又上架了一批;9 月 29 日回頭查核時,確認新的一批也照同一套流程完成,它才升為「已建立工作流」。上傳與發布,仍由我授權。

教師省思|方法
工具不是起點;它讓我原本的作法,走得更遠。

哪些工作要交給 AI,最後仍由我來判斷。

有了真正重複的工作,自動化才有存在的意義與必要。

02AI'S REPEATS

第二種重複:交出去之後,為什麼一再卡關

然而,工作交給 AI agent 之後,自動化的過程卻一再卡住,一直要由我來把關。累積一段時間之後我才看懂:卡住的地方,往往是 AI 一再犯的同一種錯――已退件的素材又回到成品裡,只改一處卻整段重做;同一種錯,在演講力影片與數位教材兩個專案裡都查得到。

9 月 9 日凌晨,我請 AI 評估一份工單:要不要為視覺教材的製作,再整合一個儀表板。AI 反問:單靠版本與退件紀錄,能不能解決主要的困擾?

那一次對話的最後,觀察員點出了一句:「你反覆承擔的是『替 AI 重建已核准脈絡、重述退件原因,再重新驗收』。」

紀錄明明都在,我卻仍一次次替 AI 找回核准過的版本、重述退件的原因,再重新驗收。進一步細看,同樣是「又錯了」,有的是要求沒有落實、用錯版本,有的是局部修改擴大了範圍,有的是驗收時漏看。問題不在缺少一個存放紀錄的地方;紀錄在製作時有沒有真正被讀取、被用上,才是我接下來要觀察的事。

Lab 案例 004 卡片:核准脈絡與退件接續改善機制,下一步是先核對現有流程與驗收紀錄,確認是否需要補建
實際畫面|「有紀錄也沒用」的案例,在儀表板上仍列為「待釐清」。
實際紀錄|9/09 凌晨我的回答
「現在就是靠版本與退件紀錄,但我發現常常沒有記住,常要一直提醒。」

有紀錄,不等於被記得;一再提醒的地方,正是 AI 一再犯的錯。

03CATCH & FIX

抓出錯之後:AI 也需要評量尺規

Lab 也被我拿來加強原本的監控。9 月中,AI 影片的視窗一直出錯、停在原地,卻沒有被識別出來;是我自己盯著視窗,追問它是不是已經停工。於是我先請 AI 盯住這支影片的任務,9 月底再擴大到所有工作,命名為「Melanie 工作流觀察站」:它只讀、不動手,任務失敗、等待核准,或停滯許久沒有進度時才通知我,同一個異常只通知一次,事件也記進 Lab,與其他案例一起比對。

抓出來之後,便能對症修正。AI 影片的短鏡頭不只一次動作失控、生成失敗;追下去才發現,是我們為了控制,把太多要求塞進一個短鏡頭。於是改成精簡的指令,固定其他條件做兩組對照,每次只多加一項;9 月 9 日我核准測試結果後,這條「1–1–1」才寫進正式的影片流程。

寫進流程的一條規則|影片的短鏡頭
每個鏡頭,只有一位主角、一個動作、一種運鏡。

從失控的鏡頭,到一條寫進流程的規則;AI 下一次犯同樣的錯之前,流程便先替我攔下來。

我的評量判斷庫(Evaluation),也是這樣建立起來的。製作教學網站時,問題往往不在 AI 不改,而在改了卻不穩定、總差一點不到位;換到下一個案子,同樣的問題又出現。緣此,我需要一份評量尺規(rubric),讓 AI 知道要做到什麼程度才算好――就像老師提供評量尺規,讓學生學會自我評鑑。

首頁定稿那天,我請 AI 把這段修正歷程記進 Lab;我稱讚、微調與退件的地方,也被整理成一到五級的判斷準則。以首頁為例,便整理出 10 項判斷、50 組五級準則,目前仍一邊使用、一邊校準。判斷庫記下的不只是錯在哪裡,更是「好」長什麼樣子;AI 有了這把尺,才能像學生一樣,學著自我檢核。

實際紀錄|10/15 首頁定稿那天
「首頁終於完成,很棒,請記錄這個修正歷程。」

延伸閱讀判斷庫的完整故事在研發手記 No.07〈讓學員不迷路的教學網站〉;好與不好如何分級,見〈門檻,是一階一階走上來的〉,母版與標準見〈自動化越多,人越重要〉。

AI 也需要評量尺規;知道「好」長什麼樣子,才學得會自我檢核。

04REFLECT

一位大學教師的省思:反思,要落地成下一次的修正

觀察與反思,不只是個人的工作習慣,也是 AI 時代的人才素養。經濟合作暨發展組織(OECD)在「學習羅盤 2030」中提出「預想—行動—反思」循環(Anticipation-Action-Reflection cycle,簡稱 AAR):行動之前先預想後果,行動之後再反思,讓下一次的行動更貼近目標。

世界經濟論壇(World Economic Forum,簡稱 WEF)《2025 年未來就業報告》以四個象限比較各項技能:右上角的「2030 年核心技能」,是現在已屬核心、未來還會更重要的能力,「動機與自我覺察」「好奇心與終身學習」「韌性、彈性與敏捷性」都在其中。這張四象限圖,也是我在色彩學第一週和學生一起討論的素材。

反思若只停在「想」,便難以帶來改變。看見自己一再做的工作,就交給 AI、建立流程;看見 AI 一再犯的錯,就把修正寫進流程。惟有讓反思落地成下一次的修正,觀察方能真正產生價值。

色彩學第一週簡報:2030 未來核心能力四象限圖,橫軸為 2025 年雇主視為核心技能的比例,縱軸為預計到 2030 年使用量將增加的比例,分為新興技能、2030 年核心技能、邊緣技能與穩定技能
實際畫面|色彩學第一週的簡報:依 WEF 調查資料繪製的四象限圖,右上角即「2030 年核心技能」(資料:WEF《2025 年未來就業報告》圖 3.6;圖表製作:天下學習團隊)。

理論依據OECD 指出,「預想—行動—反思」循環可以成為個人的習慣,是終身學習的實踐環節;而反思,是一種有系統、嚴謹且有紀律的思考(OECD, 2019)。

教師省思|自省
反思的價值,在於下一次真的做得不一樣。

舍恩(Donald Schön)在 1983 年的著作中,以「反思的實踐者」(reflective practitioner)描述專業工作者:在行動中、也在行動之後,反思自己的做法。教學如此,與 AI 協作亦然。每一次回頭,我都會問自己:我真正重複的是什麼?AI 一再犯的錯,卡在哪一個環節?這次的修正,下一次是否真的做得不一樣?

看見自己,是反思;改變做法,才是落地。

NEXT

未來,帶進教學與研發

in the classroom

教學:把反思,帶進與 AI 的協作

我過去的教學,一直很重視帶學生反思;到了 AI 時代,這個觀念更要交到學生手上。AI 能替學生做的事越來越多,回頭檢視自己做了什麼、哪裡可以更好,卻只能由自己來。

課堂上,我想請學生寫下自己的 AI 使用觀察紀錄:哪些步驟一做再做、AI 完成後自己固定改了什麼。前者看見自己重複的工作,後者看見 AI 重複的錯;在動手自動化之前,先學會看見。

教師研習中,我也想請老師們回看自己與 AI 的對話,圈出那些說過不只一次的提醒――「每次」「又要」「跟上次一樣」。圈得出來的地方,往往就是流程最值得先改的位置。

in development

研發:觀察慢一點,判斷準一點

Lab 仍在持續累積。「有紀錄也沒用」這個案例,至今仍在觀察:我不急著替它下結論,而是繼續檢視紀錄在製作時是否真的被讀取、被用上;證據足夠了,再決定要不要建立流程。

觀察站記下的每一則異常,也都留在 Lab 裡,和其他案例一起比對;同一種錯出現在不同專案時,才看得出它是流程的問題,而不是一次的意外。

上一篇研發手記 No.10〈請 AI 替我去問之前〉:請 AI 替我訪談之前,先想清楚的四件事
期盼透過這篇分享拋磚引玉,也想聽聽大家―― 在你和 AI 的對話裡,哪一句話,你已經說過不只一次?

🔒 文中截圖取自我的 Lab 案例儀表板(暫存副本)與色彩學課堂簡報;案例只寫工作模式,不含會議、公文、信件內容與他人資料。

本文提及與延伸閱讀

#AIWorkflowLab #工作流 #自動化 #AIagent #自省 #反思 #預想行動反思 #AI素養 #人機協作 #以人為本

交流園地

歡迎留下想法與我交流。填暱稱即可留言,留言會公開顯示,請勿留下個資。