我正在為一家財團法人設計給顧問們的進階 AI 課程。他們去年已經上過基礎課程，主要集中在 Chat UI 介面中完成資料分析、整理與輸出。去年底與他們討論今年的訓練內容時，我心想情況變了。進入 2026 年，生成式 AI 的進展極快，代理型 AI（Agentic AI）的應用已經具體成形。離「一人抵一家公司」的日子確實不遠了。
起初我想帶入 n8n，或是介紹輕量級的 Google Opal。但我心中的疑惑是：知識型工作者的工作流程真的是固定的嗎？我們常常是「一邊思考難題，一邊發想點子，一邊建立流程」，甚至隨時會跳出預定的軌道。你寫報告時會突然發現資料缺一塊；你做決策分析時會突然意識到問題定義不對；你準備跟客戶開會時會發現，最重要的不是簡報，而是你要怎麼問出那個關鍵問題。在發掘新觀點與固定作業流程之間來回切換，是我們的日常，每個人的習慣也差異極大。
於是，我決定捨棄既有框架，直接採用 Codex CLI。Codex CLI 這種命令列工作模式，認知成本極高。
老實說，命令列對多數人（也包括我）就是一種門檻。不是因為它多難，而是它的「心理距離」很遠：黑底白字、游標閃爍，你還沒開始做事，就先開始懷疑自己。而且接下來的工作方式，是一點點指令、一點點文字、再加上一點點你得說清楚「到底要它做什麼」的混合狀態。這對習慣圖形介面的人來說，確實不友善。
但我還是在三天連假把自己泡進 Codex CLI：反覆試我的工作流程能不能在那裡被管理、重複執行；同時在 ChatGPT、Gemini 之間跳轉，觀察不同工具的強項與盲點。更折磨的是，我還得一邊想：這玩意要怎麼教？會不會太難？範例要怎麼設計，才能讓中階經理人與獨立工作者聽得懂、用得上？
這個過程讓我更確定知識工作不是「固定流程 vs. 不固定流程」二選一，而是「你能不能把不固定的思考，拆成可重複的零件」。
那個零件，正在變成 2026 上半年的主角：Skill。
封裝 Prompt，下載 Skill：Codex CLI 的大腦
今年初的一場公開班，我嘗試帶入 Skill，學員明顯愣住了。大家還停留在「如何寫好 Prompt」的基礎階段，突然跳級確實難以消化。
Skill 是什麼？就像電影《駭客任務》裡，主角 Neo 想開直升機，直接下載技能模組就能坐進駕駛座。過去，我們習慣把所有背景知識、格式要求塞進對話框的提示詞裡，容易出錯且難以重複使用。Skill 的邏輯不同，它將 AI 執行的規則獨立出來，寫成一份乾淨的 Markdown 文件（通常命名為 skill.md），必要時再搭配輔助腳本；AI 讀了它，就知道要怎麼做事。而這一大包東西，都存放在專屬資料夾中。
這正是 Skill 與 Codex CLI 完美結合的關鍵。
Skill 是一份標準化的作業指南，而 Codex CLI 就是負責讀取並執行這份指南的終端機代理人。當你在終端機啟動 Codex CLI，並指引它讀取特定的 Skill 資料夾時，它就不再是一個只會聊天的機器人，而是一個完全遵循你制定步驟、具備跨平台通用性的工作站。它會先「閱讀指南」再動手，確保後續生成的 Python 程式碼或資料處理流程完全符合標準，大幅降低隨機發揮造成的錯誤。
這就像以前你把一位新同事叫來，說「幫我做一份市場報告」；現在你是給他一套工作流程， SOP、範本、品質檢查要求，甚至連輸出格式都先定義好了。現在，難題只在於「你能做出這一套工作流程所需要的Skills嗎？」。
有了Skill，我們正從單純依賴單一聊天介面，走向系統化、可持續更新的流程管理。
擺脫手動處理的自動化工作流
在顧問輔導與商業個案管理中，我們面對大量語音訪談、企業簡報與市場資料。傳統做法依賴人工閱讀、比對並撰寫報告，耗時且難以累積成團隊知識。
透過 Codex CLI 讀取 Skill 指南，我們能直接處理電腦裡的資料夾與檔案，根據自然語言指令自動寫出 Python 腳本完成批次作業。
我建立了一套標準化目錄管理這些資料：
/raw_data：存放未處理的主持稿或語音逐字稿。
/references：存放客戶公司的基本介紹、簡報檔，並為每個受輔導團隊建立獨立的子資料夾。
/output：預留給系統生成最終分析報告的存放位置。
目錄建立完善後，我們就能驅動 Codex CLI 執行資料萃取與報告撰寫。
實戰演練：自動化分流與深度萃取
面對多個團隊簡報與顧問講評的長篇逐字稿，手動分類根本不切實際。我透過 Codex CLI 下達指令，讓它寫腳本精準切分並萃取商業邏輯。
系統的運作邏輯如下：
1. 資料分流：依分隔符號將長篇內容切分為獨立文本暫存於記憶體中。
2. 精準匹配：自動前往 /references 尋找對應子資料夾並讀取參考簡報。
3. 深度分析：結合逐字稿與簡報，清理贅字，結構化萃取顧問姓名、時間、關鍵提問及其背後的策略邏輯。
提煉後的內容暫存在記憶體中，能避免直接生成報告時夾帶口語贅字。接著啟用連網，為各團隊搜尋最新市場動態。最終生成兩份 RTF 報告：「內部教案版」側重推論手法，「企業行動版」側重後續策略。排版一致，重點以表格呈現，並嚴格標註來源確保有跡可循。
從文字檔到專屬知識庫
累積大量報告與逐字稿後，真正的價值在於精準檢索。單純存在本機只能依賴關鍵字。若轉為 RAG（檢索增強生成）向量資料庫，AI 就能透過概念關聯尋找資料，提取精華。
我讓 Codex CLI 寫一支程式，讀取報告與逐字稿，將文字切塊（每塊 500 字，重疊 50 字）並自動打上團隊名稱、產業類別等中繼資料（Metadata）標籤，再寫入 ChromaDB。
這大幅縮短了前置備課時間。
為了徹底自動化，Codex CLI 寫出了涵蓋全流程的 Python 主程式 auto_worker.py。現在輔導結束，只要把檔案放入對應資料夾，輸入一行指令，系統便自動在背景完成分類、排版與資料庫更新。
系統極限與策略判斷的價值轉移
AI 的能力遠超文字處理。我曾要求 Codex CLI 拆分一份 40 萬筆紀錄的 IKEA 產品目錄。系統不僅精準拆分，還主動意識到單一資料夾存放過多檔案會拖慢作業系統效能，於是自行規劃以檔名前兩個字元建立子資料夾，完成了檔案系統層級的整理。過去這類繁瑣的資料清理需要依賴 IT 部門，現在幾分鐘內即可完成。
當這些耗時的營運作業（Operational processes）被 AI 與自動化腳本徹底接管，我們的工作模式與核心價值也隨之發生了根本性的轉移。
回顧這幾天，我就是在建立新的分工模式：把可重複的事寫成 Skill，把可委派的事交給 Agent，把不可外包的事留給自己。
AI 確保了資訊處理的效率與技術的勝任能力，但真正決定顧問與知識型工作者價值的，將完全集中在最高層級的「策略判斷」。決定該問什麼關鍵問題、如何解讀組織變革中的抗拒心理、以及如何在錯綜複雜的市場訊號中找出商業機會與威脅，這些是任何高度自動化工具都無法代勞的。
工具負責確立執行的下限，而我們人類負責決定決策的上限。在一人即可運作一家公司的時代，我們不再需要與資料泥淖搏鬥，而是將所有心力投入在真正需要人類智慧的之處。
