EP.654 《AI 瓦基第二大腦》和《超級 AI 個體》有何差異？一圖秒懂

重點摘要

• 雷蒙去韓國旅行時，Google 臨時要一份合作數據報告，他只打了一段指令給手機上的 AI，鎖屏放口袋 12 分鐘，AI 就自動整理好簡報並用 Line 傳給對方，等於以前要花兩三小時的工作被壓縮到 12 分鐘。
• ChatGPT 這種雲端問答式 AI 的記憶存在對方伺服器上是個黑盒子，用戶看不到也管不了；雷蒙的做法是把所有筆記、知識文檔放在本地電腦（他備份在 GitHub 和自己家的 NAS），AI 只是拿來處理資料的引擎，資料主權留在自己手上。
• 不需要為每個任務分別打造獨立的 AI Agent（例如文案 Agent、PM Agent），因為人類分部門是因為肉體和大腦有極限，AI 沒有這個限制，只要給它足夠的背景資訊（context）、夠聰明的模型、和足夠來回互動的時間，一個全能助理就能處理跨領域任務。
• 雷蒙建議公司留一名老師傅退休前，找年輕員工用訪談方式把老師傅的經驗萃取成文檔，讓 AI 學會這些知識，避免資深員工離職後技術斷層，同時也讓年輕員工學到新技能。
• 雷蒙認為選哪家 AI 公司（OpenAI、Google、Anthropic）不重要，重要的是把個人知識和工作習慣整理成獨立的配置檔，這樣不管接哪個模型都能沿用，不會被單一平台綁死，也不怕該公司服務中斷就沒了自己的數位員工。

詳細內容

韓國旅行的即時案例：AI Agent 如何取代兩三小時的人工整理

雷蒙在韓國旅行時，Google 突然來信要一份合作影片的數據報告，過去這種事至少要花兩三小時開多個網頁截圖整理。這次他只用手機下指令給連接家裡電腦的 AI，說明要整合 YouTube、社群媒體和電子報數據做成一份視覺化網頁簡報，接著把手機鎖屏放口袋，12 分鐘後 AI 就把整理好的簡報連結透過 Line 直接傳給 Google 合作夥伴，對方還驚訝「怎麼這麼快就做完了」。

聊天式 AI 與 AI Agent 的核心差異：記憶在誰手上

雷蒙指出多數人熟悉的 ChatGPT 是雲端問答型大語言模型，所有對話記憶都存在 OpenAI、Google 或 Anthropic 自己的伺服器裡，用戶無法管理也看不到具體存了什麼內容，是個黑盒子。他自己的做法是把資料放在本地電腦，AI Agent「住」在他家的電腦裡，可以直接操控他電腦上的工具（Gmail、Notion、簡報產生器等）去完成任務，雲端 AI 模型只是被呼叫來處理資料的引擎，而不是資料本身的保管者。

個人化的關鍵：打造專屬的個人 Wiki

雷蒙把自己在 Threads、臉書等社群平台的歷史貼文全部匯出成文字檔，先用自製的篩選工具（社群媒體篩選神器）從約 2000 篇貼文中挑出約六七百篇「黃金語料」，再讓 AI 整理成一份包含個人重要時間軸、挫折經歷、價值觀與做事原則的個人 Wiki。他的出版社編輯或團隊夥伴有問題時，會先去問「雷小萌」這個 AI 分身，因為 Wiki 裡已經有他過往講過的故事和經驗，AI 能像助理一樣先給出基本答覆，甚至進一步追問挖出更深一層的內容，讓對話品質提升。

為什麼不需要打造一堆獨立 Agent

雷蒙提到很多人誤解 AI Agent，以為要幫每個職能（文案、PM、工程師）各自打造一個 Agent，結果系統變得又大又複雜，反而不知道自己在做什麼。他解釋人類會分部門是因為肉體和大腦有極限，一個人無法同時精通公關、行銷、設計、開發，才需要專業分工；但 AI 沒有這種生理限制，什麼都懂，只需要給它清楚的「工作流合約」（要遵守的流程、要參考的知識），就能一個 AI 頂多個角色的工作。他用多米諾骨牌影片比喻：如果沒有把 AI 串起來，公司裡就會需要很多人去當不同環節之間的「膠水」，開會協調反而拖慢效率；AI 因為有完整的上下文和學習能力，能取代這個膠水角色。他也提到例外情況：像論文的 Peer Review 需要一個完全獨立、不被前面資訊污染的客觀角色，這種情境才真的需要切出獨立的 Agent，但多數情況用「技能包」（skill）呼叫不同能力即可，不必額外開一個大腦。

萃取資深員工知識的實例

雷蒙分享一位在傳統製造業工廠上班的學員案例。這間工廠沒有留下文檔紀錄粉塵處理、廢棄物料處理等作業知識，全靠一位老師傅每個月憑經驗寫計畫書，老師傅退休後全公司陷入恐慌。學員的做法是找老師傅坐下來訪談，因為老師傅不擅長寫 SOP 或錄教學影片，但很擅長被問問題、侃侃而談，透過訪談把知識轉成文檔讓 AI 學習，讓年輕員工和老師傅的經驗形成互補，不必要求資深員工自己去學數位工具。

為什麼人在 AI 時代仍然重要：負責任的能力

雷蒙強調 AI 可以處理中間的執行過程，但人仍然是最後把關和負責的角色。他舉例，如果員工能為公司扛下 300 萬業績的責任，理應加薪，因為承擔責任的能力本身就有價值。他認為交給 AI 做的是「怎麼做」的過程，人要負責的是「結果是否符合要求」以及承擔最終成果的責任，這是 AI 無法取代的部分。他也提到把工作交給 AI 後空出來的時間，應該拿去做新的嘗試和成長，而不是擔心被取代；真正會被取代的是不願意學習、不願意為手上工作負責的人。

課程與陪跑服務簡介

雷蒙介紹他推出的 AI Agent 陪跑大課，除了正式課程資源外，還包含每月一場直播主題課分享最新 AI 應用案例、每週或每兩週的新手陪跑 Open Hour（由過往學員擔任助教帶著操作）。大課比迷你課更完整，額外包含「知識蒸餾」單元，專門教怎麼把老師傅或公司主管的知識萃取成 AI 可以代理操作的文檔。他也分享學員案例：有學員因為把 AI 技能成功導入公司，從基層轉職成為公司的知識管理師加 AI 架構師，實現加薪與內部轉職。

精選語錄

你只要相信AI模型只會越強，你就想看看網路剛出來的時候，你會覺得那時候Wi-Fi 2怎麼那麼爛，像Wi-Fi 7的同學，你覺得Wi-Fi有一點會不見嗎，不會，他只會到20、30、35這種感覺。

這才是AI人員的必要性，因為他自己會有這個完整的上下文，然後他有足夠的學習能力，所以當這個膠水被抽掉、不存在的時候，我們可以更好的符合這個工作的成果的交付。

你的工作一部分被AI拿走這是好事，因為你可以去做新的嘗試。

時間軸

• 開場：介紹雷蒙與他的 AI 分身「雷小萌」
• AI 聊天 vs AI Agent 的核心差異：記憶存放位置
• 韓國旅行 12 分鐘完成報告的實例
• 室內設計業主案例：AI Agent 取代兩個行政人力
• 個人化的重要性：知識蒸餾與個人 Wiki 打造過程
• 團隊任務管理系統：雷小萌自動盤點 Discord 討論並更新任務卡片
• 為何不需要打造多個獨立 Agent：專業分工的歷史成因與 AI 的差異
• 製造業老師傅知識萃取案例
• AI 三大要素：上下文、模型聰明度、互動時間
• 人為何仍需負責：AI 時代的責任與價值
• 課程與陪跑服務介紹、學員轉職案例
• 結尾與節目資訊