WiDS Taipei 2026 | 我的團隊裡有五個 AI：打造你的 Agent 團隊 — 黃琪婕 ChiChieh Huang

講者介紹 — 黃琪婕 ChiChieh Huang AILogora 的創辦人，同時也是欸愛智能有限公司的共同創辦人。她在 PhoenEX 擔任首席生成式 AI 工程師，並兼具技術部落格作者的身分。

專長：生成式 AI 技術開發與應用、機器學習與深度學習演算法、軟體系統開發與架構設計

• 本文整理自演講公開分享，為 WiDS Taipei 2026 場次筆記。

演講流程：

1. 為什麼要打造 AI Agent 團隊

2. 從工具的各自使用到遇見 OpenClaw

3. 五位 AI 同事與五個月成效

4. Agent 合作的兩個實際案例

5. Agent 共用的工作空間

6. 你可以怎麼開始

7. 踩坑大全

8. Q&A

▍1. 為什麼要打造 AI Agent 團隊

創業其實要扛的事很多：產品開發、募資、行政、資料處理。一個人新創沒有太多員工，多數雜事都得自己處理。

去年 12 月看到一本書叫《把時間買回來》，打開了思路。書裡提到的觀點：不是為了拓展事業去雇人，是雇人幫你把時間買回來。每個任務可以按兩個軸切四個象限：產生能量 vs 消耗能量、賺錢 vs 不賺錢。耗能且不賺錢的事，盡快委派出去；專注在能讓你產生能量、能繼續成長的那一塊。

對 AI 來說最容易接手的是低階、例行、行政層級的任務。信件處理、報價單回覆、會議記錄整理。這些以前需要一位秘書，現在可以直接交給 Agent。學習成本低、出包風險低，但能幫你拿回大量時間。

▍2. 從工具的各自使用到遇見 OpenClaw

在打造 Agent 團隊之前，訂閱過各種 AI 工具：ChatGPT、Claude、Gemini。每個都付錢、每個都聊得很好。問題是：每個 AI 都只認識你一點點。

今天跟 ChatGPT 講客戶 A，明天跟 Claude 講客戶 B。如果 A 跟 B 資訊上有重疊、想把學到的搬過去，就得自己複製貼上。一個工具一個工具切換，每次都要重講背景。最後我只是那個在中間複製貼上的人。

這種割裂感的本質，是從被動回答走到主動執行的時代差別。比喻就是：

「我今天要去中正紀念堂。ChatGPT 會告訴我可以搭捷運、可以搭 Uber。Agent 會直接開車帶我去。」

今年 1 月中遇到 OpenClaw（暱稱「龍蝦」）。跟 ChatGPT、Gemini 那一類服務不一樣的地方，是資料自主權。對話記錄、工作經驗、知識都留在自己硬碟，不會卡在某個雲端服務裡。

這樣有兩個好處。

第一，不會被服務綁住。當某個服務漲價（從 600 台幣變成 1000 台幣）或改版，資料能搬得走。

第二，AI 越來越認識你。每一次對話、每一段紀錄都是未來時代的資產，是 AI 越懂你的素材。

「去年 12 月時寫過一張 A3 紙，列出所有想委派出去的任務。幾個月後翻出來，發現這些東西幾乎全部都做到了。」

▍3. 五位 AI 同事與五個月成效

• 阿爪（COO）：任務調度、行程管理、跨部門協調。工時 24×7。個性直接、不廢話、帶點幽默
• 數據獸（CPO）：產品策略、用戶行為分析、增長實驗設計
• PI（CTO）：技術架構、程式碼品質、開發任務拆解
• 夜鶯（Researcher）：研究、知識補充
• 筆靈（Writer）：內容創作

註：講者的 Agent 都是自己幫自己取名字的。

整間公司的 Agent 都在 Discord 上執行任務。

五個月跑下來的成效：一天花 10 美金，省 3 小時。這還只有計算時間，降低成本之外的效率提升沒算進去。行政瑣事丟出去後，腦袋清空，可以專注在決策。

兩位 Agent 的日常：

1. 阿爪的早晨。早上 7:30 我還在睡的時候，阿爪已經把信箱掃完。今天有客戶要報價單，此時回覆草稿已經準備好。跟客戶開會錄音之後，阿爪會把主旨稿、下一階段的行動一次整理好。可以自動化進行的項目，它會自己在背景持續執行。

2. 夜鶯的夜晚。阿爪下班後，夜鶯才上班。夜鶯負責整理當天會議記錄、找出脈絡、掃出知識盲區（客戶問了你沒回好、可能會掉分的地方）、自動研究補資料。隔天早上你就能拿到整理好的研究報告。

講者的一日：「總覺得我跟 Agent 講話，比跟朋友、爸媽講話都還要長。」

▍4. Agent 合作的兩個實際案例

案例一：數據驅動的產品決策循環

AILogora 的背後是由 AI 驅動的公司。透過將資料全部數據化，以三天為一個循環：Agent 收集產品數據，開「圓桌會議」拉相關部門的 Agent 進來，找出該改善的地方，CTO Agent 直接修改產品並設定 A/B Test。三天後，Agent 主動回報結果與下一步優化方向。整間公司現在大部分就是這樣跑、這樣做決策。

案例二：Threads 觸及成長 20 倍

一開始 Threads 發文不到 100 人觸及。後來讓 A/B Test Agent 自己寫內容、自己測：不同時間、不同格式、長文 vs 短文、要不要插圖。結果：每篇觸及從不到 150 拉到 3000 多。

關鍵不是文案變好，是迭代速度變快。

▍5. Agent 共用的工作空間

多 Agent 要真的協作，要給它們一個共用的工作空間。有三個重要的要素：

1. 共用記憶：Agents 看同一份檔案，不用每次重講背景

2. 共用工作流：A 做完換 B 接手，跨 Agent 接力不重來

3. 資料打包帶走：知識在你硬碟，不被任何模型或雲端綁住

在 OpenClaw 框架裡，每個 Agent 都像一位員工，有自己的 SOUL、MEMORY、SKILL 檔案。但光有單一 Agent 的記憶不夠。還要做組織層級的共用知識，叫 SSOT（Single Source of Truth）：公司架構、組織分配、共用資源、決策方向。每個 Agent 做完的任務都要寫回 SSOT。

「我做了一陣子才發現，如果沒有寫回 SSOT，一些知識會默默流失，用久了 Agent 反而越來越笨。」

OpenClaw 的 Heartbeat / Cron Job 功能（每小時自動起來檢查）讓 Agent 自主維護知識庫。剛啟用時跟現在比，任務達成率差很多。

舉個工作流例子（跟客戶開會）：錄音檔寄到 Agent 的 Gmail，Agent 還你主旨稿與 action。背景中它同時修改利害關係人知識庫、補知識盲區、做後續研究。你只派一個任務，其他全部它自己跑。

▍6. 你可以怎麼開始

如果你還沒有 Agent，第一週的建議是：

1. 找痛點：挑一個每天浪費你 30 分鐘、但「搞砸也無妨」的低風險任務

2. 寫 Skill：為這個任務寫一份具體、步驟清晰的說明（SKILL.md）

3. 跑一週：放手讓 Agent 執行，像帶新人一樣不斷磨合 Prompt

4. 擴編：確認穩定後，再加第二個任務或第二個 Agent

簡單任務通常兩三次後就會照走。複雜任務可能要帶它走一兩週。一旦穩定，就可以加第二個 Agent。

▍7. 踩坑大全

從一開始的五個月、嘗試了各家服務、花了 4,000 多美金，整理出幾個值得避開的坑。

1. 單一 Agent 工作太多，角色記憶混亂。一開始只有阿爪，什麼都丟給它，結果不專精。二月時分身成數據獸、PI，才比較好分工。

2. 腦補一堆 Agent，不從需求出發。二月時很興奮，搞了一堆 Agent，結果使用率超低。「我覺得好像那個什麼皇上，我有很多 Agent，然後大家都沒有用到。」現在的做法：開圓桌會議跟現有 Agent 討論「要不要再加一個」，從現有任務出發，使用率才會高。

3. 偷懶用單一 Agent 控制其他 Agent。當初想搞個 CEO Agent 分身去管下面所有 Agent，自己只跟 CEO 講話，發現這樣行不通。傳遞每經過一層就掉一些資訊（95％ × 95％ × ⋯ 越疊越低）。資訊誤差一路疊加，最後 Agent 完成了任務，但不是你心目中的樣子。「就像組織架構中，傳話的中間人越多，做出來與一開始的期待通常落差會越大。」

4. 做太多 dashboard。一開始為了安排與觀察任務進度，dashboard 做了四五個，結果是一直修 bug。最後發現還是越簡單最好，文字檔能紀錄就使用文字檔。

5. Agent 不會說「做不到」。Agent 都只會說「好我幫你做」，然後結果跟你預期不同。解法是用結果論：設定明確的目標、讓 Agent 自己審核能不能達成。

結語：「先不用急著學太多工具。每個工具找你喜歡、或者能幫你達到目的的去學就好。」

兩年前大家還在搞 Function Calling，一年前還在記一大堆 Prompt，現在這些都沒人在做了。技術會過時，跟 AI 怎麼協作的能力不會。

找一個最新的那一套，先做下去。工作流先順了，再來想下一步。

▍8. Q&A

問題 1.

Q：執行嚴謹任務（如：法規）的時候，Agent 會強制準確執行嗎？還是會需要調教？

A：Agent 幾乎不照你的想法去執行、會有各種創意的做法。

複雜且需要嚴謹的任務，最佳做法是帶著它一起走。例如：跟 Agent 一起去 LinkedIn 投履歷、看它哪裡卡住、把過程寫成工作指南（Skill）、再叫它做一次。

簡單任務通常兩三次後就會照走，但每天執行可能 2–3 天後又會出問題，要持續磨合。穩定大概要 1–2 週。

問題 2.

Q：請問講者都使用什麼模型？並如何去管理 token 使用？

A：大部分複雜任務直接用最好的（比較不會遇到能力不足還要反覆修、也省時間）：Opus 4.7、GPT 5.5。穩定的任務才會降模型（GPT 5.4 / 5.2）。

曾經用 GPT 5.1/5.2 搞了一整天沒完成，換成 Opus 4.6 三小時就好，省超多時間。

註：以上模型型號為講者演講當時所述版本，僅供參考。

對外要不要審核？一定要。Agent 曾經把客戶來信判定為「跟組織架構不符」直接退掉，隔好久才看到、趕緊把客戶追回來。所以所有對外決策一定要 Human-in-the-Loop。

問題 3.

Q：資安問題怎麼處理？

A：這問題確實每場演講都有人問。這裡提供的作法：

Prompt injection 一定會發生，因為我都被攻擊過。

在這個假設下，要思考的是「哪些東西可以接受外露」。四個原則：

1. 物理隔離：龍蝦放在另一台機器（VPS 或 Mac mini），不要跟主機共用。被攻擊也只是 Agent 壞，爆炸半徑壓低

2. 最小授權：API 和權限給最小、夠用就好

3. Skill / Memory 必檢查：這兩個最容易被入侵

4. 對外決策 Human-in-the-Loop：寄信、簽約這類動作一定要人介入

實務上一個細節：Agent 一定要有自己的 Gmail 跟帳號。被攻擊只是它的 Gmail 沒了，不是你的。「我的 Gmail 沒了就完蛋了。」

問題 4.

Q：有沒有不用花太多錢就能擁有自己 Agent 團的方法？

A：可以花 20 美金訂 OpenAI ChatGPT，就有最先進的 5.5 模型，額度對小任務夠用。或者開 10 個免費帳號互相備援，把它們串起來也能玩到。

但要注意：Claude Code 那系列免費額度不夠玩 Agent，要認真使用還是得付費

問題 5.

Q：以企業治理層面，要做哪些努力才能安全建立 Agentic System？

A：大部分企業還沒把工作流程切開，問他們「哪些東西想交給 AI」，他們也不知道。

OpenClaw 對企業導入比較不建議（資安門檻 + 接受度低）。單純的 Agent（回 LINE、客服、市場調查）接受度比較高。但這些是不是企業真正想要、能不能降本增效，要一起討論。

很多公司前面數位轉型都還沒做，現在又要 AI 轉型，就像一路疊加負面狀態(Debuff)。

最後，如果想試 OpenClaw 但沒方向，講者經營的「AILogora 知識論壇」非常歡迎大家可以上去問問題。

• AILogora 知識論壇：https://ailogora.com/
• 講者的 LinkedIn : ChiChieh Huang