
上個月,一位做專業服務的客戶問我,公司十幾個人,電郵和日曆每天爆滿,是不是該讓一個永遠在線的 AI 助手接手。我把次序倒過來答他:先揀一個 Agent,寫好審批規則,再把第一個流程交給它試一個月。這跟一般 ai agent development 的討論不同,難處不在砌一個更聰明的機械人,而在設計一條人手仍然握得住的控制線。下面的做法,主要來自 AI 教練 Jonathan Mast 在自家團隊的經驗。
實際執行時,次序是這樣:
這篇指南寫給十幾人到幾十人的公司。你們已經有人每日用 ChatGPT 或 Claude 寫東西,但未試過讓一個 Agent 長時間代辦工作。開始之前,把這幾樣放在同一張紙上:
少了任何一樣,下一步的規則會寫得不具體,試運行時也就無法判斷問題出在權限還是流程。
目前四個主要選項的做法相近:Grok Bot 來自 X,是最早把設定變簡單的一批;Muse 來自 Meta,目前免費;Dots 來自 ChatGPT;Instinct 較新,在華爾街一帶流行,目前也免費。真正要選的只有一個,因為價值來自同一個 Agent 長期記得你在做甚麼,同時開幾個,記憶就分成幾份。
團隊本來就用 ChatGPT 的話,Dots 會順手一些。它需要 ChatGPT 的團隊或企業級方案,每人每月 125 美元,方案本身包含 5 到 10 倍用量。他的團隊因此每月多出 600 美元,有人在 Facebook 說這個價錢很瘋狂。他的看法是,這批是團隊裡最強的人,訂閱只要令他們效率提升 5%,幾乎立即回本;他估計頭兩週的效益接近 20%-30%,而團隊仍然在學習。
想先不花錢,可以用 Muse 或 Instinct,代價是要接受哪一家公司拿到你的資料。工具定價改得快,這一點要自己重新核對。
完成後你會看到:一張寫著「用哪一個、幾個人用、每月多少錢」的決定紙,以及一個已開通的帳戶。

這一步最多人跳過,也最容易因為一次越權動作而整個項目收手。原則可以寫成一句:準備自由,行動要問。查資料、起草回覆、整理會議紀錄,這些不用批准;對外發送、付款、刪檔、代你承諾,一律要批准。
五條底線可以直接抄:
權限要跟信任對等。新同事第一日不會拿到夾萬鎖匙,做了幾年的財務總監才有。選 Agent 的時候,揀一個預設「需要批准」的,而不是假設「未講不可以就可以做」的。把清單分成兩欄:可讀資料、可執行動作;動作再分「可自動」與「要批准」。這份清單同時是日後 ai 系統 整合 的驗收文件,哪個系統、讀還是寫、由誰批准,都寫在同一頁。
他的屋頂被風暴吹毀之後,跟助手提過一次。Agent 自己研究了他所在地區五家做維修的屋頂公司,然後問要不要聯絡或索取報價,就此停手,沒有接觸任何人。這條規矩讓他可以放心讓 Agent 提前準備。
完成後你會看到:一頁權限清單,加上一次測試。叫它替你發一封測試信給同事,它應該停下來問你,而不是直接送出。
最快的方法,是請已經認識你的工具代寫訓練材料。他請 ChatGPT 和 Claude 各寫一份「你所知道的我」,一份 30 到 40 頁,另一份約 50 頁,內容包括家人、每位同事和職責、電郵和電話,方便 Agent 日後經 WhatsApp 找到人。上載給新 Agent 時,指令要清楚:學會這些,用來服務我,不要忘記。
人事資料可以再加一層。他的公司用 DISC 和 Myers-Briggs,HR 維護一張表,列出每位同事的類型。同一句話,對注重細節的營運總監會換一種包裝,仍然像他本人寫的。輸出格式也按人調整:他要的是重點與大圖,不是 17 頁的逐步計劃;做營運的同事要段落、細節,必要時再展開步驟。
把電郵、日曆和任務接起來,就是一次 ai 系統整合,接口與權限要在同一張清單上寫清楚,日後出問題才查得到。
成果很快見到。有客戶電郵講優惠碼失效,Agent 主動標成支援問題,問要不要轉給客服主管。沒有人教過它誰負責支援。他批准之後,問題轉交出去,約 30 分鐘後 Agent 回報已解決。
完成後你會看到:Agent 能說出團隊裡誰負責甚麼,下一次同類郵件會主動提出轉交建議。
接上兩個帳戶之後,先立兩條規矩:未經批准不安排會議,未經批准不發電郵。規矩立好,才讓它分流收件箱、標出要回覆的郵件、把其餘分給同事、清理積壓的舊郵件。它會從你過去處理郵件的方式學習判斷。
他以前有些日子要花幾個鐘在電郵上,通常是開完一日會之後的晚上。幾日之後,降到每日幾分鐘。他說這大概是他從 Agent 得到最大的一項生產力提升。
完成後你會看到:早上打開信箱,未讀的幾百封變成一張「今日要處理」的清單,其餘已經有人跟進。

他已經把持久型 Agent 推展到六到七個人,包括幕僚長、行政總裁、客服主管和營運總監。Agent 之間可以共用工作區;交接要人手批准,他批完一份文件,Agent 才傳給行政總裁的 Agent,對方再通知本人。
其他流程的起點都是一個具體問題。共享報表要先講清楚顯示甚麼、誰用,再問 Agent 需要甚麼資料,讓它先做一個雛形。訂閱續期審查每朝列出夜間收到的續期,不要的由 Agent 找出取消路徑,經批准才提交。每日任務回顧是另一個例子:Agent 發現他每日把任務加進清單,卻幾個月沒有完成過一項,於是提出每日檢視,現在他們每日花 10 到 15 分鐘標記完成,跳過一次翌日會被提醒。第五步之後,原文還列出五個可以先行建立的工作流程,你只需要挑一個。
每加一個流程,都是真正的 ai agent development 工作:重寫一次可讀範圍與可做動作,重新測試一次批准關卡。
完成後你會看到:每個新流程都沿用同一套審批規則,沒有另開一套。
把它當聊天工具是最常見的一種。每次重新上載文件、重新解釋背景,價值不會累積;持久型 Agent 的分別在記憶,不在模型大小。
另一種是假設它「未講不可以就可以做」。2026 年大部分時間,OpenClaw、Hermes 這類工具要虛擬私人伺服器或專用電腦,他曾花 12 小時與 IT 同事通電話才把 OpenClaw 跑起來;新式 Agent 會主動彈出授權畫面,出事機會低得多。
讓它接管本機也容易出問題。切換視窗、把字打到別處,這些干擾會令同事寧願自己做。電郵和日曆工作盡量用雲端虛擬電腦,本機只在必要時開放。
以我的經驗,一次過推給全公司,通常會在第二個星期就停下來;這是我自己看過的個案,不是一條規律。先由一個人、一個流程做起,跑一個月,有了批准記錄才擴。還有一個誤解是把它當成訓練模型:平台複用的是規則、上下文和能力配置,不會自動改模型權重。規則寫得差,記憶只會把同一個錯誤記得更好。我觀察到的情況是,這類問題往往出在 ai 系統 整合 時沒有把權限切開,而不是模型不夠強。
開始前先量三個數:每日處理電郵的時間、超過一日未回覆的件數、因交接出錯而返工的原因。一個月後用同一把尺再量一次。
5% 效率是回本線,頭兩週的 20%-30% 屬於學習期讀數,不要當成常態。看審批拒絕率,拒絕太多,代表權限給得太寬或規則寫得太鬆;看人工介入,每日 10 到 15 分鐘的檢視有沒有真的發生;再抽 20 封歷史電郵做樣本,核對分流和回覆草稿,記錄要改的地方。
驗證時,把 ai agent development 的成果拆成可核對的樣本,比看它講得多漂亮有用。

Topkee 做定制 AI Agent 開發時,起點跟這篇文章一樣:先寫清楚觸發方式、輸入輸出與人工確認點,才談接哪個系統。Agent 在授權範圍內讀取資料、生成成果、保存記錄或提交審核,會回答問題,也會動手做事;持久型 Agent 跟聊天工具的分別就在這裡。四項交付原則是資料有來源、執行有權限、成果可驗收、交付可接手;開發前先約定樣本、評分規則與通過門檻,並列明可讀資料與可執行動作,失敗時要有人接手。
Topkee 的 AI 系統整合以 API、資料映射與同步,連接企業現有的 CRM、ERP、電商和雲服務。已有系統時,先評估接口、授權、資料質素與現有功能,可重用的接口和連接器優先採用;應用與 Agent 共用的後台、接口與聯調只開發及計費一次。
平台層面,Bot 實例是持久運行的工作空間,承接對話、資料、記憶和交付;重要業務動作透過 Approvals 批准或拒絕,運行記錄、任務清單與證據關聯可查,部署實例用短期租戶 JWT 並自動刷新,減少長期 API key 暴露。正式啟用前要核驗四項:目錄與依賴、業務服務權限、運行環境、發布職責。
起步建議是四步:選一個高頻而有明確產出的場景,接入並配置崗位與審批規則,用真實任務小範圍試運行並記錄完成率、用時、返工與人工介入,最後把規則和模板整理好再擴展。企業經驗累積靠崗位規則、記憶與 Playbook,屬規則與上下文複用,並非訓練或自動修改模型權重。平台亦明確不提供安全認證、合規級別或絕對隔離承諾,這一點要跟客戶講清楚。
挑一個流程,寫好那頁權限清單,找一位同事做批准人,然後讓 Agent 跑一個月。第一個流程選電郵分流,因為它每日都會發生,錯了也容易回復。跑完一個月,用同一把尺對比,再決定要不要加第二個流程。如果你正準備做一次 ai 系統整合,把接口清單和權限清單分開寫,兩張紙都齊了才動手。
想看一個已在實際項目長期運行的做法,可以參考 TTO Funnel Tuning Agent 的長期 Agent 架構;如果第一個流程涉及廣告花費,Spend Shield 的支出審核可以沿用同一套批准思路。
下季值得留意三件事:Muse 和 Instinct 仍然免費,價格隨時會變;Dots 的座席定價跟 ChatGPT 方案綁在一起;各平台都把「預設要批准」當成賣點。留意這三件,比留意哪個工具跑分高更有用。