當我從Google Drive的「收錄公文」上傳了新的PDF公文檔案，或是手動上傳PDF公文檔案。 對每一份公文檔案進行文字辨識。 採用Google Gemini 3等級模型進行文字辨識。 將公文的資料裡的""公文編號""、""公文類別""、""行文種類""、""行文方式""、""收文日期""、""發文者"""、""聯絡人""、""聯絡電話""、""傳真""、""電子信箱""、""速別""、""密等""、""解密條件""、""發文日期""、""發文字號""、""保存年限""、""主旨""、""說明""，辨識出來，以markdown方式輸出。 這些欄位將是固定不變的。每一筆公文都會是一列。 當有些欄位你無法判斷或是沒有信心時，請填入""？"""。 你會將這些辯識內容黏貼到Google Sheet。Google Sheet的分頁名稱是依自動化流程處理的當年當月時間，格式是yyyy-mm。


----
https://opal.google/app/11FE2Ewch2fM4PTJWS7P_nIDGKGOma-i-?shared

----

https://bauhausgen-1-1-4-2-784848787438.us-west1.run.app/


----

關於明天的演講，我的規劃分成四大部分。

第一部分談談目前生成式 AI 在職場的實際應用狀況，我會分成兩塊來談：

1. 工作能力的增強
   我們現在使用各種 AI 工具協助處理資料、產生文本。在一般人的使用情境下，大部分是使用交談介面（即 Chat UI）與 AI 進行互動；稍微具有進階應用能力的用戶，則是使用例如 Google AI Studio、OpenAI 的 Codex 或 Anthropic 的 Claude Code 等方式，生成所需的工作項目或進行測試。

2. AI 代理人（AI Agent）
   這與目前的代理人趨勢有關。在企業中，根據自動化流程或工作流程的需要，設計出由不同 AI Agent 互相串聯協作的形式，或者在少部分的工序中加入 AI Agent。

這時候，我們會看到「檯面上」與「檯面下」的差異：

1. 檯面上的部分
   這指的第一點是工作能力增強的部分。也就是我們每天與 AI 交互使用、產出結果，這屬於在檯面上大家都看得到，也都能夠互動的部分。

2. 檯面下的部分
   這則是大家看不到的部分。在公司或組織內部所引入的流程中，到底哪些環節使用了 AI？產生了什麼樣的結果？以及在這些流程中，如何去檢驗正確性，甚至輸出成多樣性的結果？通常這類流程是大家所看不到的。

現在大家都還在克服關於 AI Agents 的幻覺問題。如果我們把工作流程分成三段，第一段是所謂的「脈絡建立」，這其中還包含更早一步的「問題意識」或「目標設定」。有了這個指示之後，接下來就是脈絡的建立，也就是我們需要給予 AI 明確的參考資料及要求，讓它在設定好的邊界內工作。

第二段是「生成」的部分，這牽涉到模型的選擇。不同世代的模型能力不一，甚至模型公司也會時常調整模型的表現與性能。

第三段則是「輸出結果的驗證」以及「輸出形式的確立」。通常在這邊會花掉蠻多時間進行資料確認，尤其是 AI 產生的內容會有幻覺問題。

當一個 Agent 的設計都包含這三個部分的要求時，將這些 Agent 串聯在一起，就有可能造成連鎖反應的風險。因此，如何讓 AI Agents 在各自的工作範圍內，能夠準確且穩定地運作，就成了現在技術上的大挑戰。

我們舉一個實例來了解 AI Agents 串聯起來後的工作效益：

1. 市場資訊掃描
   假設有一個 AI Agent 的工作是掃描市場新聞，它會認真掃描競爭學校的狀況並查看論壇資料。它的任務是將掃描回來的資料分門別類整理好，做出有意義的摘要並去除不必要的資訊。

2. 議題研究與探究
   接下來資料會交給第二個 Agent。它會從新聞中尋找值得關注的議題，例如發現某校成立了新的產學合作計畫，它就會進一步搜尋該校過往類似的計畫。這個 Agent 的功能是找到值得探究的議題，並根據前一個 Agent 提供的資料自主運作完成研究。

3. 資料檢核與驗證
   同時間有第三個 Agent，任務是檢查第一個 Agent 在摘要時是否出錯。它會複核原始資料來源，重新檢核後再交給下一個環節。

4. 策略分析與總結報告
   接著，深度研究與驗證後的結果會交給負責寫總結報告的 Agent。這個 Agent 具有長期記憶能力，能參考過去經人類主管複核過的正確資料，例如元智大學過去曾寫過的專案計畫。這是一個具有策略思考分析能力的 Agent，它會以學校管理者的角色寫出一份初稿。

5. 文檔自動化與派發
   寫完初稿後，文件會自動存入資料庫並持續更新內容。
   (a) 格式轉換：由另一個 Agent 接手，將內容轉化成 HTML、DOCX（依照學校規範呈現）或 PDF。這個 Agent 的功能純粹是文檔轉換與輸出。
   (b) 主動通知：有另一個 Agent 的功能則是監控，當它發現報告觸發了某個關鍵議題時，就會主動將訊息派發出去。例如說這個訊息，一個是給教務長的，一個是給學務長的，甚至它已經先擬好了信件內容，並存在草稿匣裡，等候負責發出訊息的專員確認後再發出。

或者，當這個過程已經自動化進行，且大家對內容的信賴度很高時，信件就可能直接派發到教務長或學務長手上。在不久的將來，我們可以預見在學校裡會有許多 Agents 搭配既有的工作流程，默默地為我們工作。

這時我們會發現，現在每個人做的日常工作中，的確有些部分將被機器人取代。但這同時也產生了新的工作，也就是維護並確保這些 Agents 正常運作。我們相當於監控 Agents 運作的人類專家，憑藉過去的專業學能與經驗，判斷 Agents 運作時可能出錯的地方。

我們也可能不定期進行稽核，調閱報告來查看運作狀況，確保其表現符合預期。一旦發現模型公司的模型性能變動或算力不足，我們就得重新驗證現有的指令（Prompt）及 Agents 的串連方式是否需要修改。

這些都是新的職責。在短時間內，如果我們無法將角色轉換為具有監管能力的管理者，就會出現兩種獨立的狀況：
1. 我們完全不信賴由 Agents 串連出來的工作流程。
2. 我們會被另一批具備管理此流程能力的專家所取代。

我們都不希望 AI 真的造成失業。因此，我們希望的不是回到過去全然依賴人力串連工作的模式，而是讓每個人都逐步具備管理 AI Agents 的能力。

要展現良好的管理能力，必須回歸到個人生產力的發揮，這取決於你與 AI 協作的方式：
1. 精確定義脈絡：你是否能精確告訴 AI 輸入的 Context 是什麼？目標是什麼？以及期待它能做與不能做的事情是什麼？
2. 選擇合適模型：下一步是選擇正確且適合的 AI 模型來生成內容。
3. 驗證輸出結果：確保最後產出結果的正確性，並在格式上符合要求。

這些都是在個人生產力上必須建構的基礎。有了這些能力後，我們才有辦法真正管理 Agents 所需要的品質。


第二個部分，我們讓各位來想一想工作中的「個人生成」與「個人增強」部分，你具體做了哪些？為了回顧你目前使用 Generative AI 的方式，我們來看一下三階段的狀況：

1. 定義目標以及給予 Context（脈絡）
2. 生成時採取的模型選擇
3. 輸出後驗證結果以及格式調整

我們來看看這三件事情目前操作的方式。做法很簡單：直接開啟你目前常用的 ChatGPT 或 Gemini，檢視最近三則你認為工作價值較高的對話。

### 第一步：觀察對話長度與回合數

首先，先觀察你目前的對話回合數。有些人可能只有一次性的一問一答，這算是一組，記為 1；你可能會有多次的一問一答過程，請看看總共有幾組。

### 第二步：目標清晰度與脈絡完整性

回到三步驟中的第一步：定義目標與給予脈絡。請評估在你下的指令中，目標是否清晰？
通常你會告知 AI 最終要產出的結果，或是現階段要產生的暫時結果。你是否很清晰地描繪出產出的規格樣貌？例如：
   (a) 文件檔
   (b) 下載連結
   (c) 分析報告

如果是的話，代表你有給予目標，但目標描述的清晰度如何，則由你自己評判。

接著是 Context（脈絡），這指你給予了多少參考資料。隨著熟練度不同，有些人可能已經善用以下功能：
   (a) ChatGPT 的 Project 功能：在檔案庫中預載經常參考的檔案，讓模型搜尋。
   (b) NotebookLM：載入大量的來源資料。
   (c) ChatGPT 的 GPTs 或 Gemini 的 Gems：在自定義機器人中預埋資料。

總之，如果你在該任務中有載入或預設這些參考資料，你在這一點上就是有得分的。請評估這些資料是否足以讓 AI 理解資訊並有助於達成目標。Context 的完整度可從三方面檢視：
*  格式：即範本。
*  內容：即你要給予的知識。
*  規矩：即告訴 AI 能做什麼、不能做什麼。

### 第三步：模型選擇與結果驗證

接下來看第二步，關於模型的使用。你選用的模型是哪一種？
*  基礎模型：用於快速完成任務。
*  複雜模型：通常指推理模型或思考模型。

例如在 ChatGPT Plus 中，甚至可以選擇思考時間的長短。請思考你是如何做選擇的？為什麼覺得這個模型適合該任務？

最後，請檢視生成的結果。你花了多少力氣去驗證正確性？請自我評估：
*  你是否花了很多時間確保正確性？
*  若對結果不滿意，你是否反覆讓它重新輸出？
*  你是否回頭修改提示詞（Prompt）？
*  是否採用多回合對話請它補充、回審資料？
*  是否找到了可供參考的資料，要求它重新參考並修正結果？

請檢視為了確保正確性以及對結果負責，你具體採取了哪些步驟。


在個人生產力的層次上，不只是檢查完結果而已，這也包含了最後你要將結果輸出成組織所要求的格式。

你採取的做法是什麼？
1. 直接貼到 PowerPoint 上嗎？
2. 使用像 Gamma 這樣的工具轉換成簡報？
3. 將結果放入 NotebookLM 讓它生成簡報？
4. 還是你有其他更好的方法，讓它生成組織需要的格式？

如果今天你需要的是學校的標準範本，你如何確保生成式 AI 所產出的結果可以直接放入這個標準範本中？你又花多少時間去處理這些內容？

以上我提供的是一個非常粗略的檢視過程。我們正在做的，是讓你自我檢視：在與生成式 AI 協作的過程中，你所需要付出的所有時間。你可以看一下，在這樣的過程中，你反覆修改所花掉的時間有多少。

這樣的自我評估非常重要。往往我們在「中間生成」以及「最後檢核」的過程中，花掉了非常多的時間。這代表生成式 AI 可能每次都能很快產生結果，但你在最後的驗證、修改與輸出階段，又花掉許多時間。當生成式 AI 輸出的結果可編輯性很差時（例如 NotebookLM 所產生的簡報），你可能還得花上額外的時間成本，去學習新的方法來修改這種格式受限的狀況。

處理完這些概念後，你就完成了一個工作流程上的完整檢視。你自己看一下這整個討論的結果，你滿意嗎？

如果你滿意的話，接下來可以思考：你會請生成式 AI 整理你們對話中的所有想法，並將其打包成一套「標準作業程序（SOP）」嗎？

雖然不是所有的工作工序都能整理成 SOP，但以我們在組織中從事的大部分任務，我認為至少有六成是有機會轉化的。所以我們來試試看，如果你要求生成式 AI 將以上討論的內容進行檢驗，了解我們在對話中：
*  如何達成目標
*  採取了哪些步驟
*  對工作品質設定了哪些要求

將這些內容羅列出來，形成一份檢視清單或工作手冊。你自己試試看，看看生成式 AI 會給你什麼樣的結果。

在這裡我要帶入一個蠻新的概念，這個概念是由 Anthropic 所提出的「Skill」（技能）概念。

所謂的 Skill，是指我們處理事情的一種標準作業方式。在這個「技能」裡面，你會很明確地說明：
1. 這個技能要達到的結果是什麼
2. 執行時必要採取的步驟
3. 具備的能力有哪些
4. 會參考哪些範本資料
5. 如何自我修正
6. 如何與其他技能相互聯繫

為什麼我們需要這個概念呢？其實這就跟我們將 AI 產生的檢驗結果做成資料檔是一樣的道理。它裡面包含了一組工作程序，我們藉由將這套程序「封裝」起來，並給予一個版本代號，就能在其他重複性的任務中反覆修改與使用。

接下來，我們將這樣的技能經過重複驗證、發現問題並持續改版，它就在很大程度上成為我們做事的標準方法。通常這些非常細微的步驟不會記錄在組織的 SOP 裡，因為它們太過個人化且微觀，但對於建立個人自動化流程有很大的幫助。它至少將你個人微觀的生產力步驟「切片」記錄了下來，而且這樣的技能是可以帶著走的。

在 Anthropic 提出這個概念後，其他各家模型也陸續宣布會支援這樣的功能。待會我會做幾個示範，讓各位看看這樣的技能是如何生產出來的，以及我們如何利用它來協助編修文稿、設計簡報。

當你做出這樣的技能後，接下來你的角色就會變成「管理者」：
*  持續管理技能的更新與改版
*  思考如何將這些技能串接起來
*  編寫「大總管技能」：負責在特定工序時，協調並呼叫所需的特定技能

於是，我們今天就變成了在指揮不同技能的專家，讓他們彼此協作。

第三部分，我想要來跟大家談談，如何使用現有的流程工具，試著將剛剛梳理過後的整個工作流程，進行更好的管理。我們這邊會使用的是 Google Opal（Google 推出的新平台），它是一個非常好用的自動化流程平台。

目前最大的優點是可以直接用自然語言的方式建構出整個流程。另外，你也可以結合 Google 全家餐，如果你本身就是 Google 的中度用戶，我想這樣的自動化平台會帶來極高的便利性。現在學校也鼓勵大家用 G Suite 帳號使用 Gemini，自然地你也可以使用 Opal 這個工具。

特別是因為我們使用教育版，在隱私保護上受到較大的保障。在目前 Gemini 給教育版本的條款中，非常清晰地說明我們的對話資料以及上傳檔案是不會拿去作為訓練之用的，所以至少目前在使用上可以比較安心。但我認為如果牽涉到學生隱私或單位的營運機密，還是得小心謹慎，最好先落實去機密資料的做法（我們在後續階段會再談談去識別化資料的一些基本概念）。

接下來我們看一個例子，讓你比較容易理解這樣的流程平台到底是如何運作的。

我們先用一個簡單的例子：公文歸類。每天學校會收到非常多的公文，以我所在的終身教育部為例，從校外來函的訊息非常多。不是所有公文都有相同的價值，但公文來函其實揭露了一些重要的市場訊息。過去要整理這些訊息非常耗時耗力，我們可不可以在現在的公文收發流程中，讓這些資料呈現的價值能更直觀地被管理者理解？

我們可以用 Opal 來寫一個流程，我們先思考它會有幾個步驟：

1. 定義目標與給予脈絡
   將公文匯入到整個運作流程中。資料可以放在你本機的電腦，也可能是放在 Google Drive 上，總之要先提供資料。
   
2. 處理過程（生成與歸類）
   資料進入後需要進行歸類。公文有固定格式（如受文者、來文者、發文日期、聯絡人資訊等），其中最重要的當然是「說明」欄位裡的內容。我們可以將這些欄位固定下來，讓 AI 透過 OCR 功能，利用生成式 AI 強大的辨識能力，將讀取的公文內容直接放入預定的表格中。
   
3. 分析與輸出
   當內容輸入到既定格式後，就要開始進行分析工作。以終身教育部來說，收到的公文很多與活動有關，我們可以從中看見其他學校在辦哪些活動、市場關注的議題，或是有哪些政策性計劃需要申請。

當資料放置到整理後的試算表或文件後，接下來就要讓 AI 扮演分析師的角色，將匯入的檔案進行初步的探勘分析，最終產生一份報告。

過去這個流程當然可以手工去做：自己分類、閱讀截取內容後寫出報告，但這非常耗時耗力。現在我們只要用口述的方式描述過程，將結果直接放到對話視窗裡，就能讓 Google Opal 產生完整的工作流程。

雖然看起來很神奇，但其中還是有很多需要微調的地方。例如點進去步驟裡，尤其在「Generative」生成環節，你會發現裡面有提示詞（Prompt），這些提示詞可能還需要你進一步修改。

我們剛剛講到的 Skills 跟 Google n8n 的流程又有什麼關係呢？

你可以想像，我們剛剛提到的 Skills 是一組完成特定任務的技能。這些技能可能是在修改我們的寫作風格、調整用字用語的形式，也或許是在處理範本的要求。

我們可以將這些 Skills 打包成 Assets（資產）。在 Google n8n 裡面，你可以看到「資產」這個區塊，當我們需要引用這些資料時，直接呼叫它就可以了。

當你可以畫出一個完整的流程後，你會發現：
1. 這相當於是一個視覺化的 SOP
2. 我們可以持續維護這個 SOP
3. 更好的事情是，可以將這套完整流程分享給同事

透過大家共同的使用與回饋，持續更新工作流程，我們就能更有效地將組織內的知識擴散出去。

現在我們給各位一個小練習：請你想想，如果你今天要寫出一個 Google AI Studio（OpenAI）的工作流程，以我們剛剛建立的思考脈絡，你的資料輸入、目標確定、處理流程、結果確認，以及輸出後的文檔格式等，會長成什麼樣子呢？

你可以將它寫下來。完成這個練習後，你就擁有了自己的第一套自動化工作流程。

這套工作流程與常見的 n8n、Zapier 或 Make.com 相比，有一個本質上的差異：目前它還沒辦法做到「自動化排程」。不過我想未來這個問題應該會得到解決，事實上現在許多生成式 AI 工具都已經內建了自動化排程處理。

舉例來說，像我之前在行政人員的群組裡說明過，在 Gemini 裡可以做到排程查詢資料的功能。如果我們需要查詢跟「元智」有關的訊息，就可以設定固定排程，讓 AI 每天幫我們到網路上找資料、彙整，並輸出心得報告。長期累積下來，我們就能觀察到：
1. 我們在外頭的形象變化
2. 家長或學生們討論的重點，是否與我們宣傳的目標一致

我們可以預見未來「自動化排程」將會進入到這類工序中。如果目前還沒辦法做到自動化，就仍須使用較複雜的工序；尤其是需要串接外部服務時，目前我們所看到的 AI 工作流程可能就不夠用了。

前陣子我們元智終身教育部開了一個 n8n 的訓練課程，目的就是希望讓同仁了解：我們的工作流程在經過梳理後，確實可以讓某些工序自動執行，進而降低人力需求。


最後一個部分，我想來談談關於學校或是對隱私有要求的個人，在使用這些生成式 AI（Generative AI）工具時的注意事項。

生成式 AI 本身的能力正在不斷提高，我們會越來越放心將事情交給它處理，但我們必須正視一個重要的事實：AI 會將我們的問答內容、甚至是上傳的資料，作為它未來訓練的樣本。

在個人使用條款方面，以 OpenAI 為例，他們明確告知：當你使用的是個人版本而非企業版本時，資料將會被拿來作為訓練之用。如果你開啟了「記憶功能（Memory）」，你的資料同樣會被記錄。因此，請務必注意以下幾點：

1. 避免輸入個人敏感資料
   (a) 不要輸入身分證字號等個人隱私資訊，這會造成一定的資安風險。
   (b) 雖然有人可能覺得某些資料不重要，但基於最大隱私保護的目標，應盡可能避免輸入。

2. 優先使用教育或企業版本
   (a) 我們學校目前使用 G Suite（Google Workspace for Education），可以使用 Gemini 的服務。
   (b) 由於是教育版本，條款中明訂不會拿這些資料作為訓練樣本。

3. 多元工具使用與隱私保護
   如果你覺得 Gemini 用不順手，或認為它的能力在某些方面不如 ChatGPT，而傾向使用個人版的 ChatGPT、xAI 的 Grok 或 Perplexity 等工具，那麼在處理行政工作時，「去掉機敏資料」的步驟就顯得尤為重要。

關於如何去掉機敏資料，實務上有許多做法，這裡分享一個基本且可行的方案：

假設你手上有一份學生的獎學金審查資料，包含學生姓名、身分證字號、系級等資訊。我們希望 AI 處理的是其事蹟、申請原因與學業成績，而不需要將個人資料放進去。

1. 手動刪除或編碼：
   如果案件量大，建議可以寫一個簡單的 VBA 程式，將個人資料直接轉換成代號（例如 A1、A2、A3）。
2. 建立對照檔：
   產生一個對照檔，記錄 A1 對應到哪位學生。
3. 隔離存放：
   這個對照檔必須存放在你自己的電腦裡並經過加密保護，不能上傳。

透過這種「遮蓋資料」的預處理方式，我們將去識別化後的資料丟給 AI 處理，會相對安心許多。雖然這未必是最佳或最完美的隱私保護方式，但具備這樣的初步概念，能讓你在使用個人 AI 工具時更有保障。

至於在學校層級，則會涉及到「校務研究（IR）資料庫」。這些資料通常已經過一定程度的去隱私化處理，使用上的核心問題往往不在於個資，而在於這些資料反映了學校的經營現況。我們必須考量：讓 AI 了解學校的運作模式與經營數據是否合適？這也是我們在隱私保護上必須深思的部分。

----
首先，這是ChatGPT的事實檢核：

https://chatgpt.com/share/6983e87d-809c-8006-b971-27c1c0832911
https://chatgpt.com/share/6983e8f4-f91c-8006-ade2-3795cb3dc035


第二，我讓文稿潤稿採用我的taiwan.md技能檔案

https://chatgpt.com/share/6983e81b-8c38-8006-97f8-c02099293a31

第三，我可以直接將文稿丟給我的簡報生成器，或是讓更可控的GenAI來處理簡報細節

https://chatgpt.com/share/6983e959-84ec-8006-895e-3122b2702e19

----