四個由我一人設計、建造、維運的系統——從多代理 AI 指揮系統到全自動 Podcast 網路。沒有團隊、沒有外包開發，AI + 自動化做著多人份的工作。
一個人同時經營數十條自動化產品線與內容管線，操作者本身就會變成瓶頸——每個工作流、每個失敗、每項每日任務都需要人力去發現與處理。
建了一套基於 Claude Code 的多代理指揮系統：自訂 subagents、hooks，加上一整套治理制度文件，讓 AI 代理能自主規劃、執行、自我驗證，將人力介入降到最低。系統透過專屬 Discord 指揮頻道與每日排程任務協調 production 自動化。
每天橫跨多個節目產出集數——寫稿、錄音、剪輯、上架——是一整個製作團隊的工作量。5 個頻道全靠人力手動做，一個人根本做不完。
建了一條涵蓋 5 個 Podcast 頻道的全鏈路管線：AI 腳本生成、台灣腔 TTS 語音合成、自動封面生成，最後自動上架 Apple Podcasts 與 Spotify。整條鏈每天自動運行，不需人力介入。
台灣在地商家的客服大多在 LINE 上進行，但很難做到 24 小時有人力值班——而且大多數店主不會寫程式，也不會寫 prompt 去架設 AI 客服。
Beta 測試中的 LINE 自動回覆 SaaS，24 小時自動回應客人問題，不會的自動轉真人。全程不用寫程式、不用寫 prompt——商家倒進過去的對話紀錄，再用中文口頭教 AI，透過 4 頁籤後台完成（倒對話資料、口頭教 AI、模擬對話、真實對話監控）。隨著 BOT 從真實對話學習，自動化率從第 1 個月約 60% 提升到第 6 個月約 90%。
台灣政府的開放資料分散在數十個入口網站，格式不一致，實際要拿來做應用非常痛苦。
把台灣政府公開資料整理成一個乾淨統一的 REST API，部署在 Cloudflare Workers 邊緣網路上，延遲低、全球可用。一把 API key 解鎖全部資料集。
八個過往專案，用教學方式拆解：問題是什麼、我怎麼把它拆成能一步步解決的小塊、用了什麼技術、以及學到的心法。
一間製作商業企劃簡報的工作室，過去都是人工排版，而每個案子拿到的 PowerPoint 範本長得都不一樣——針對單一範本寫死的腳本，換下一個案子就沒用了。
與其為單一範本寫死腳本，我建了一套通用管線：先把任意 .pptx 範本解析成結構型錄＋每頁縮圖，讓 AI 讀型錄和縮圖決定「哪段內容該放哪一頁」，再由純機械的腳本執行複製頁面、替換文字、填表格，最後加一道自我驗證：自動重新渲染每張輸出頁，抓出跑掉的版面。當純程式排版做不出正式企劃書該有的美感時，我在自動填充內容之上加了一層設計工具收尾，而不是硬把視覺設計寫進程式裡。
「當交付物的美感比自動化程度更重要時，別逼一個工具做完所有事——讓腳本做機械工作，讓對的設計工具做收尾。」
一個靠聯盟行銷變現的內容網站，需要持續產出橫跨數十個商品類別的文章。全部人工寫稿+人工審稿不可能跟上規模，但放任 AI 草稿自動上稿，又比完全不發文更糟。
我用 Hugo 靜態網站架構＋Cloudflare Pages 部署，搭配 n8n 管線先用 LLM 生成草稿，再讓每篇草稿過第二關 AI 審稿（依完整度、內外連結、是否有 CTA 等標準打分），沒過就不會推上 GitHub。另外用自動化瀏覽器機器人每週登入各通路後台，抓取並驗證帶分潤參數的短連結——因為連結格式錯一個字，分潤就是零。曾經部署鏈「看起來很健康」（執行紀錄全綠、準時排程），但網站其實悄悄停更了好幾週，追查後發現是審稿關卡把每一篇草稿都擋了下來。跑得動的管線，不等於真的有產出。
誠實註記：此系統目前處於暫停檢討狀態（內容品質策略調整中），非持續發文中。
「執行紀錄全綠只代表管線有跑，不代表有真的產出。要監控實際產出品質，不能只看有沒有在跑。」
一位團購協調人需要把股東會紀念品分配給二十幾位買家，來源是一份 24 萬行的 LINE 群組匯出檔——每個人的意願藏在格式不一、隨性的訊息裡（價格有用 emoji 數字寫的、有用英文拼字寫的、也有用簡寫的），而且正確答案每分鐘都在變，因為大家隨時會改單。
我沒有想用一條 regex 全部解決，而是把解析拆成幾個階段：先切出相關的時間範圍（全檔太大不能一次讀完）、同一買家在該範圍內只取最新一條訊息（後說的算）、用一個狀態機追蹤每則訊息是「收」還是「售」、用會排除誤判年份的 regex 抓股號，最後價格判讀走六層 fallback（從明寫的「@價格」到 emoji 數字、英文拼字數字解碼），確保一種奇怪格式不會拖垮整個解析結果。每一版都拿客戶親自指出「前一版漏抓」的真實反例去驗證，不是自己編的測試資料。
「真實世界的文字資料很少一條 regex 就能搞定。要蓋一個從最具體到最通用的 fallback 階梯，並拿客戶真的踩過的反例驗證，不是自己想像的測試案例。」
一間室內設計工作室想要一套完全跑在自己主機上的知識庫（wiki、素材庫、低碼表單、流程自動化），不依賴任何外部 SaaS——但「全地端」常常會變成「裝一次然後祈禱它不會壞」。
我把建置拆成 8 個階段，全部共用同一個 PostgreSQL 資料庫，支撐 wiki、相簿素材庫、低碼應用平台、流程自動化，並把權限控管放在流程層做，不是只信任前端傳來的身分——例如非管理員角色即使竄改了請求參數，也讀不到成本資料。資安審查我當成真的稽核在做，不是走個過場：對自己的流程做紅隊測試，抓出並修掉一個提權漏洞（一個發布流程靠執行順序，讓非核准者也能把內容直接推上線）和一個 SQL Injection 點，分別用原子鎖跟參數化查詢補起來。備份還原也真的在拋棄式資料庫上跑過一次演練，不是寫完腳本就假設它會動；最後把四個服務接到同一個入口的反向代理後面。
「全地端系統不是容器跑起來就算完工。要對自己的流程做紅隊測試、備份還原要真的演練過一次，並假設第一版一定有資安漏洞——因為通常真的有。」
數位商品要全自動出貨：買家付款後，系統要在幾分鐘內確認入帳、寄出商品，全程不能有人工。難點在金流商的付款通知（webhook）不保證每次都到——漏接一次通知，就是一張付了錢卻沒收到貨的訂單。
我把整條鏈建在 Cloudflare Worker 上：Landing Page 帶著商品與語言參數建立短效 session，結帳後訂單進 KV 儲存，狀態用四種 key 前綴分段管理（session／訂單／待驗／已處理）。可靠性靠雙保險：webhook 即時觸發之外，另有每 5 分鐘的 cron 主動掃「待驗」訂單、回頭向金流商查詢交易狀態，把漏掉的通知撈回來；出貨側用短效「已處理」鎖做冪等，保證不會重複寄信。待驗訂單設 3 天 TTL，過期自動清掉不留殭屍單。
「金流通知是『通常會到』，不是『保證會到』。設計時就假設 webhook 會漏，用主動對帳兜底——再用冪等鎖保證兜底不會變成重複出貨。」
每年股東會季要替 7 個帳號在證券集中保管機構的電子投票平台逐檔投票——每個帳號有自己的數位憑證，投票跑到一半憑證還會莫名失效被登出。漏投一檔就是實際權益損失，而且事後要能拿出「真的投了」的證據。
用 Selenium 做多帳號流水線，但重點不在「會點網頁」，在防呆：每次切換帳號前先用系統工具重新匯入該帳號憑證（治「憑證中途失效」的根本解法），匯入失敗只記 log 不中斷，讓登入流程自己判斷還能不能走；Chrome profile 做三層 fallback（慣用→備用→全新暫存），啟動先清 lock 檔防前次 crash 殘留；每個帳號跑完全部股票後，自動稽核投票截圖是否齊全，缺的自動補拍，補不到就在 GUI 跳紅色警示——證據鏈不齊就不算完成。
「瀏覽器自動化真正的工不在操作流程，在防呆：憑證會壞、profile 會鎖死、截圖會漏拍。每個會壞的環節都要有自動恢復，恢復不了的要大聲喊人。」
一個自發的研究題目：純靠螢幕畫面，能不能即時「看懂」一張撲克牌桌——手牌、公牌、輪到誰——並在幾百毫秒內給出策略上站得住腳的決策？目標是把電腦視覺、狀態機和大型策略資料庫整合成一條低延遲的即時管線。
把「看懂牌桌」拆成獨立可驗證的層：擷取層支援 4 桌並行執行緒；辨識層用 CNN 分類器加模板比對消歧（主信心不足才觸發第二意見），在人工核對過的 ground truth 上手牌與公牌辨識都做到 100%；決策層接一個 5,900 萬列、8.6GB 的預算策略資料庫，唯讀掛載，並做了端到端證明「production 路徑真的命中快取」——而不是接上了就當作會動。安全層加了過期畫面閘：超過一秒的舊畫面直接跳過不決策。最後由多組互不知情的獨立 AI 代理做紅藍對抗審查，直到連續多輪找不到重大缺陷。
誠實註記：研究原型，所有驗證皆為離線與模擬環境，未用於真實對局。
「離線指標會說謊：一個『錯誤率 0%』的數字如果是設計上必然的結果，它什麼都沒證明。先分清楚哪些數字是真證據、哪些只是同義反覆，再決定信不信。」
AI 生圖做一張漂亮圖很容易，難的是「同一個人」：要經營虛擬人物 IP，就要在幾十張不同場景、服裝、光線的圖裡維持同一張臉、同一個體態，而且要能批次量產——不是每張都手工抽卡。
先把「人設」寫成結構化規格：外觀鎖定詞、禁用詞、場景模板分開管理，共設計 10 個角色的規格系統；再把提示詞工程做成版本化的「鎖詞」系統——臉部與體態特徵鎖死、場景元素放開——配合本地 ComfyUI 與雲端生圖服務雙管線量產。單一角色的 25 張正式組圖走「批次生成→逐張審→不合格重抽」流程，實際產出約 46 張候選圖收斂出成品組。比生圖更花工的是商業化前置：平台政策、金流通道、身分驗證與法規的整套盡職調查，最後的結論是先暫停商轉——這個決定本身就是調查的產出。
誠實註記：產線與角色一致性系統已完成並真實量產過組圖；商業上線經平台與合規評估後主動暫停。
「生成式 AI 產品裡，生圖管線只占兩成的工。角色一致性、平台政策、金流與合規才是決定能不能上線的八成——『查完決定不上』也是有價值的結論。」
這些系統背後的內容產線模式已開源：
GitHub 看 claude-content-pipeline →