上午先讓學員看到 AI 的不穩定與資料不足；下午則把已確認的工作規格封裝、分流、重複使用，最後接到 Input／Process／Output 的 Agent 試跑。

• 有些人點數較多，但未必有 Work 權限。
• 同一工具在不同帳號、權限或企業政策下，可能無法使用或出現不同介面。
• SharePoint、Outlook、Teams 外掛能否使用，取決於帳號與組織設定。
• 現場備援原則很明確：Work 不行就用 Project；Skill 裝不起來就拿 ZIP；ChatGPT 不行就切 Copilot。

教學重點：不要假設所有人的 AI 環境相同，工作流程要預留替代路徑。

如果模型把摘錄做成摘要，就要改寫規格，例如：「只能直接取用原文句子，不得改寫、補字或合併句子。」

這個微型任務，是後面建立 Project 與 Skill 的前置訓練。

• 第一份逐字稿只標示角色 A，無法清楚判斷說話者。
• 第二份保留人名，用來比對 AI 第一次整理是否認錯負責人。
• 檢查重點包括決議事項、尚未定案事項、日期、金額、負責人與信心不足處。
• 即使是短型會議也可能發生誤判；多人參與的長時間會議，更需要明確規格與背景資料校正。

這份 Prompt 後來成為 Project 與 Skill 的核心。

未來 Agent 的任務就是定期巡檢 Input，依 Process 處理，將結果放到 Output。

這個問題把 Agent 的價值從「回答」推到「任務生命週期」：新增、延續、改變、追蹤、回顧與提醒。

Project 在這裡不是資料夾，而是固定任務的容器。

將模型推理等級調高後，部分學員出現安裝介面；其餘環境可能只能下載 ZIP、重開對話，或改用 Project 模擬，未必能完成安裝。

• Skill 可能包含程式碼，也可能要求讀取檔案或外部服務。
• 安裝前可先請 AI 解讀 skill.md 與相關程式碼。
• 要檢查它會做什麼、需要哪些權限、是否存在不必要的存取。
• 若企業環境不能安裝，可要求 AI 轉成 Project 可用的核心指令與資料結構。

因此，課堂改採兩條工作線：先確認內容，再處理格式。

講師先要求 AI 建立簡報式內容：標題、副標題、核心內容、建議版型與講述提示。確認後，再開始 PowerPoint、圖片或 HTML 的產製。

兩個 Skill 可以分開測試，也可以串成連續流程。

這一步把上午的工作流程骨架變成實際雲端目錄。

• Input 只能由使用者放資料，Agent 不可自行覆寫原始輸入。
• Process 放 Skill、範本、調整判斷、錯誤處理與 Handoff。
• Output 放完成品與待確認版本。
• Agent 若不清楚任務，先問問題，不自行猜測。
• 每次執行要留下狀態紀錄，讓後續可追蹤。

現場將已整理的新創公司簡報資料放入 Input，示範 Agent 依序產出兩份待確認版本並準備回報；版面細節與寄件結果仍未驗證，必須人工抽查並再次試跑。

讓不同 Agent、不同工具或下一次執行知道前一步做到哪裡，能依交接紀錄接續處理，避免重複摸索。

這與簡報案例完全一致：先確認內容與品質，再進入分析與呈現。

• 摘要／摘錄讓 Prompt 定義問題具體化。
• 匿名逐字稿讓 Context 的價值具體化。
• 直接生成 PPTX 讓內容與格式分流的必要性具體化。
• Skill 安裝失敗讓企業權限與備援路徑具體化。
• Agent 試跑讓 Input／Process／Output 從概念變成工作場景。

若加上一張工作流程圖與一份小組工作表，學員下課時會更容易帶走自己的候選流程。

1. 找一個低風險、高頻率、規則相對固定的工作。
2. 整理它的 Input、Process、Output。
3. 先用 Project 固定 Prompt 與 Context。
4. 測試三到五次，記錄錯誤與修正。
5. 成功後打包成 Skill。
6. 等權限開放，再接上排程、雲端資料夾、通知與 Handoff。

上半場先把規格定清楚，降低 AI 誤判；下半場再把做對的流程封裝，之後可以重複使用。