養成讓 AI 復盤工作流程的習慣，你的 ChatGPT、Codex、OpenClaw 助理就會愈做愈好

怎麼讓 AI 從一次性的工具，變成能長期合作的工作夥伴？

很多人以為 AI 用得好，關鍵在於 prompt 寫得夠完整、夠厲害；但是經過我這段時間反覆實測後慢慢確定，真正讓 AI 愈用愈準確、跨工具也能順利接手的關鍵，往往是有沒有把自己已經驗證有效的工作流程，整理成 AI 也看得懂、能遵守、能持續更新的規則系統。

最近這幾個月，我開始養成一個習慣：

把自己和 AI 合作後做得好的工作流程，慢慢寫成一份一份規則文件，讓 AI 助理能夠持續參考、反覆沿用。

如果 workflow 還只存在你的腦中，只散落在片段聊天或零散 prompt 裡，那麼 AI 每一次都只能重新猜一次你的標準。可是當 workflow 被你整理進指令、文件、規則與復盤機制裡，它就不再只是一段聊天，而會慢慢變成一套可以持續運作的工作系統。

一個很小的動作，改變了我後面一個月的 AI 工作流程

先講一個真實案例。農曆年結束後，我在自己的 ChatGPT 裡做了一個很簡單的動作。這個動作不到一分鐘，但它對我接下來最近一個月的 ChatGPT 工作流程，帶來非常明顯的正向影響。

因為我已經用 ChatGPT 好幾年了，加上前面幾年我自己一直有在實踐 PARA、專案分類、工作流程拆解這些方法，所以我知道自己在 ChatGPT 裡，其實已經留下了很多個不同專案、不同任務的工作經驗。（延伸閱讀：ChatGPT 的 PARA 聊天室分類法：增強 AI 協作威力實戰案例分享）

於是那時候我做了一件事：我請 ChatGPT 回顧我不同專案討論串裡的聊天記錄，幫我整理這段時間以來，我聚焦在哪些主題的專案上，我在這些不同類型的專案裡慣用的分析邏輯是什麼，我最常執行的任務有哪些，而這些任務執行時常用的工作規則與操作步驟又是什麼。

換句話說，我請 ChatGPT 透過它的整理能力、研究能力與記憶能力，先幫我把我原本就存在、但過去沒有明確寫出來的方法，梳理成一份我看得懂、也能驗證的工作原則。

你是我的AI工作流程助手 根據我目前跟你討論的現況 擬出一份未來你作為AI助手處理工作的指導原則清單指南 請你一步步分析 首先你應該先去回顧最近我們最常討論的聊天紀錄 根據我們的聊天紀錄理解目前我最常進行的專案 並且設定出每個專案核心的知識背景 以及我們最常處理的任務和處理這些任務執行這些專案的關鍵步驟 執行原則 邏輯找出那些具有特殊性的地方 目的是未來你作為AI助手在執行這些工作的時候 有一份符合我們前面聊天紀錄處理事情方法的指南 最後從這些不同專案任務中再抽練出有沒有共通的 我們在執行工作的時候的指導原則 然後完成這份手冊的撰寫

這整個過程其實非常快。AI 很快就幫我整理出一份從部落格、自媒體、課程、出版、親子、旅行、個人生活精進等不同角度出發的專案目標與工作流程摘要。然後我仔細看了一輪，發現它在一些共通原則、專案方向與工作步驟上的整理，都做得很好。

也就是一份非常像「AI 工作流程助手指導原則手冊」的內容。

例如，它幫我抽出了我最常使用的幾個共通原則，例如：

• 第一，我做事情時，總是喜歡先定義要交付什麼成果，再開始分析。
• 第二，我會先預擬這個成果的價值，再回頭拆解要達成這個價值，中間會遇到哪些問題與阻礙。
• 第三，我會進一步把問題拆成現階段可以馬上推進的階段性產出，用「破解問題」的方式，讓目標做得更好、更有計畫。
• 第四，我所有的建議最後都必須落到可執行的下一步，而不是停留在空泛理解。

如果上過電腦玩物時間管理、筆記術或工作流程課程的朋友，看到這裡應該會很熟悉。這確實就是我長期在使用的方法。我把它用在很多真實的人生、工作與專案任務上：

只是過去很多時候它是活在我的工作節奏裡，並沒有被完整寫成 AI 可以讀的規則。

而當 AI 幫我把它梳理出來後，我接著做了下一步。

從 ChatGPT prompt 到建立 ChatGPT 內的規則系統

我把 AI 幫我整理出來的共通原則，放進 ChatGPT 的自訂指令裡。我也把它整理出來關於我的任務類型與工作脈絡，放進 ChatGPT 的「關於我」裡。

接著，我本來就有用 ChatGPT 的專案功能做分類，像是出版計畫、自媒體寫作、親子規劃、個人生活精進等不同討論串，我就再把 AI 從這些討論串裡回顧出來的各自工作規則，放進相對應的專案指令中。

效果非常快就出現了。

接下來我進入「電腦玩物寫作專案」時，它會更自然地用符合我思考邏輯的方法幫我拆解題目、研究資料、設計文章架構。當我進入工作專案討論串，或詢問課程設計相關問題時，它也更能準確抓住我處理這類專案時的工作邏輯，再依照我的共通原則，給出更好的結果。

這時候影響輸出品質的，已經不只是當下那一段指令，而是背後是否存在一套能長期指引 AI 的核心記憶、共通原則，以及面對不同任務時可以套用的工作規則。

這也是我後來慢慢很在意的一件事：

真正重要的，不是我當下臨時寫出一段多厲害的 prompt，而是我有沒有把那些已經做得好的工作方法，整理成一套 AI 也能穩定遵守的規則系統。

覺得 ChatGPT 生成內容不穩定，先建立專屬於你的工作規則

現在很多人都已經在用 ChatGPT、Gemini，或其他不同型態的 AI 助理工作。不過我觀察大家常遇到的問題其實很接近。

• 每次問答似乎都從零開始。
• 換一個 AI 工具，整個討論過程都要重來一次。
• 很多人會覺得 AI 有時候回答很好，有時候又完全不像同一個助理。
• 更常見的情況是，自己其實有一套做事方法，只是從來沒有被寫下來，所以 AI 永遠只能猜。

從這個角度來看，問題不一定在於 AI 不夠強，而比較像是：我們以前沒有把自己做事的方法，整理成 AI 也能讀得懂的規則。

所以如果你問我，想讓 AI 助理更懂你、更穩定、更能跨工具延續，第一步該做什麼，我會建議先做下面這幾個步驟。

• Step 1：先請 ChatGPT 回顧聊天與工作脈絡

這一步，不是直接叫 AI「更懂我」，而是先讓它回顧你們近期真的做過的事。你可以請它幫你整理：

• 你最近常處理哪些專案；
• 你最常執行哪些任務；
• 每個任務的關鍵步驟是什麼；
• 這些步驟裡，有沒有反覆出現的共通原則。

這其實很像一次工作回顧。先從已經發生的案例中，把你真正穩定在用的方法抽出來。

很多人一開始就想直接寫一套完整 SOP 給 AI，可是大多數人其實很難憑空寫出來。真正比較可行的方法，是先回顧你們已經做過的事情，從那些有效的實例中，倒推出你真正慣用的方法論。

• Step 2：讓 AI 把共通原則抽煉出來

當 AI 幫你回顧了一輪聊天、任務與專案後，接下來要做的事，就是把那些共通原則抽出來，寫成你之後可以持續沿用的「主規則」。

以我自己的例子來說，我後來整理出的共通原則，大致會落在下面幾條：

• 先定義要交付什麼成果，再開始分析。
• 先拆問題，再給答案。
• 先設定目標、現況、限制、成功條件，再拆步驟。
• 所有建議都要能落地，並且有目前就能推進的下一步。
• 把可重複的方法整理成可持久的手冊、清單、規則文件。

這裡要特別強調的是，這些原則不是漂亮話，這些原則之所以有用，是因為它們真的是從你的工作節奏、思考方式、驗收標準中抽出來的。

這些東西一旦被抽出來，AI 之後在不同任務裡，就會更容易抓到你真正重視的標準。

• Step 3：先放進 ChatGPT 的自訂指令與「關於我」

這是規則化的第一層。對於大多數使用 ChatGPT 的使用者來說，簡單而有效。

你可以先把兩類內容放進 ChatGPT 內部：

• 第一類是「關於我」，讓 AI 了解你的身份、工作情境、讀者輪廓、常見任務與常處理的專案。
• 第二類是「自訂指令」 中「應如何回應」的原則，讓 AI 了解你的流程偏好，例如先定義交付物、一步一步分析、重視可執行性、維持某種語氣與架構。

這樣做的效果很實際：

• 同一個 ChatGPT 會先變得穩定。
• 你不需要每次重講一遍背景。
• AI 對你的工作風格，也會開始有比較一致的理解。

如果你有在使用 ChatGPT 的專案功能，還可以進一步把不同任務類型的規則，放進不同專案裡。這樣一來，AI 不只是知道「你是誰」，它也知道你在不同任務裡，會用什麼方法工作。

AI 做得好，是因為你把已驗證有效的 workflow 外顯成規則、記憶、驗收與回存機制。

一般人也能透過讓 AI 「持續復盤」的方式建立規則，設計出你的 AI 助理：

很多人聽到這裡，會以為自己接下來要先花很長時間，把所有規則一次寫完。其實不需要。

我反而覺得，一般人最容易做得到的方法，是在一邊跟 AI 合作工作的過程中，一邊透過復盤，慢慢把有效流程整理成規則。

例如你現在要規劃一場產品活動，你開始跟 AI 討論活動主題、研究案例、查詢市場資訊、整理論壇意見、設計行銷邏輯。剛開始時，AI 也許找資料不夠嚴謹，或者整理出來的內容沒有引用驗證。這時候你會追問、修正，告訴它之後找資料時要附上來源，要有找到的資料才能說出有根據的結論。

經過一兩次追問修改後，你會發現它終於做到你要的要求了。

這時候，很多人就直接把這個成果拿去用，然後下一次又從頭來過。但我後來發現，最重要的一步往往就在這裡：

當 AI 做出有效結果後，你應該馬上請它做一次復盤，幫你把「剛才為什麼做得好」寫成一份之後可以套用的規則文件。

• 例如你可以請它寫成一份「搜尋研究資料的工作規則」。
• 之後當你們一起完成一份活動企劃案，也可以請它再寫成一份「有效活動企劃的工作流程規則」。
• 當你們一起做出一份有效報告，則可以再整理成一份「處理有效報告的規則文件」。

當你慢慢累積出這些規則文件之後，AI 在這個專案裡就會更懂得如何處理這些任務。如果你把它們放進自訂指令、專案設定，甚至更進一步放到其他工具的規則文件中，那它在不同討論串、不同專案，甚至不同 AI 工具之間，也會更懂得延續同一套做法。

這個過程其實很像一個真實的人與人合作流程。你們不是一開始就有一本完整手冊，而是在持續磨合、討論、修正、完成有效成果之後，再透過復盤，把有效做法寫下來，之後反覆沿用。

所以我現在會把這個流程看成一個很簡單、但很重要的循環：

1. 先跟 AI 一起完成一次任務。
2. 在過程中追問、修正、驗收。
3. 當結果開始有效時，馬上請 AI 復盤並整理成規則。
4. 把規則放進記憶、指令、專案文件。
5. 之後持續沿用，再根據新經驗微調。

這種一邊做、一邊復盤、一邊建立規則的方式，對大多數工作者來說，比起一開始就硬寫完整規範，實際得多，也容易持續下去。

當你開始切換多個不同 AI 工具，規則會變得更重要

這件事，在我最近切換不同 AI 工具與助理時，感受特別強烈。

因為現在可用的 AI 模型、AI 助理、AI 開發工具愈來愈多。有些工具比較強在聊天，有些比較強在操作處理專案文件，有些比較強在自動化流程，有些則適合當資訊入口。當我開始在 ChatGPT 之外，也用 OpenClaw、Codex、Google 的 Antigravity 等不同工具處理同一個專案時，我就發現：

前面整理出來的那些原則、專案類型、工作流程規則文件，讓多個 AI 助理可以一起合作的價值立刻放大。

例如前一陣子我在部署 OpenClaw 時做的第一件事，就是把我前面在 ChatGPT 用上述方法整理完成的原則、專案類型與工作流程規則文件，全部丟進 OpenClaw，讓它先讀過一遍。它讀完之後，很快就能建立或修改屬於它自己的記憶與 workflow 文件。

這個過程其實不到兩三分鐘。但當我開始跟剛安裝完成的 OpenClaw 問答時，它就像一個我已經用好幾年的專案助理一樣，懂得我的工作狀態，知道我處理任務時重視的原則，也能用符合我工作邏輯的方式回答。

後來我開始串聯 OpenClaw、Codex、ChatGPT、Gemini、Antigravity 這些不同工具來處理同一個專案時，這些規則文件就變得更重要。因為我不是只把程式碼、資料或聊天記錄搬過去，而是把「這個專案目前怎麼做才算好」的共同邏輯也一起搬過去。

之前我在社群上分享過這段經驗：

#我現在的分工，以及如何讓多個 AI 助理變成一個可以合作的團隊

- OpenClaw：我用 Telegram 丟資料時最方便，主要負責「資訊入口＋進行抓取與初步整理筆記卡片」

- Codex 桌面端：在電腦端更舒服，他的運算能力也更強，主要負責「從既有永久筆記推進寫作/研究計畫」

- ChatGPT / Gemini：補充零散的搜尋調查與快速問答討論

- Antigravity（或其他本機工具）：做 Markdown 編輯/瀏覽，或是系統維護

但我覺得更關鍵的是：每一個助理可以同時進行我賦予的特別工作任務，但每一助理也都「可以」接手同一條完整的輸入到輸出草稿流程。

因為它們共享的不是聊天紀錄，而是共享一套「外部共同記憶」：

- 同一套資料夾結構

- 同一套同步規則

- 更重要的是，#同一套workflow的計畫與規則文件系統。

這時候，建立 Agent / workflow / rules 相關文件確實是一個有效的方法。

這些規則文件讓多個 AI 助理（Codex、 OpenClaw、 Antigravity，甚至 ChatGPT 我也把這些文件內容上傳讓他記住），讓我可以把同一個專案拆成「同時進行」的幾條線，但每個助理都了解工作方式，都可以處理各自任務。

舉例來說：

- 我從讓 OpenClaw 處理我剛丟進去的最新資訊來源 → 變成筆記卡 → 更新永久筆記

- 同時間我讓 Codex 讀既有永久筆記 → 思考下一篇文章/研究計畫/大綱

- 在前面兩個 AI 助理自動工作實，我用 ChatGPT/Gemini 做補充研究 → 把關鍵資料丟回同一個資料庫，進入處理的正向循環

- 可是 OpenClaw、 Codex、 Antigravity 都會記住彼此做了什麼，可以隨時接續最新進度，展開下一步處理，維持共同邏輯。

其實我用的方式非常簡單，就是這些 AI 助理與工具管理的是同一個資料庫。另外就是規則、Skills等等有分級，第一層資料夾是主規則，主規則會寫好邏輯，告訴AI針對每一個不同任務，到不同任務資料夾看資料，並使用不同任務資料夾裡的子規則。

所以像是我告訴 AI 要抓取文章做筆記， AI 先看主規則，知道要去 raw 資料夾操作，進去後看到如何處理 raw 到筆記卡的規則，這時候遇到抓取 YouTube 字幕的問題，而 raw 裡的規則會引導 AI 去使用某個 Skills 或小工具。

工作流程主從層次與分支清楚，就很好管理（而這可以請 AI 協助做編輯與分類）。

最後整個資料庫會像「多個員工一起工作」一樣，整合建立一個完整的產出資料庫。

一個更生活化的例子：家族旅行網站工具

我最近有一個很生活化、也很能說明這件事的例子。

我正在規劃一個很多人要一起出發的家族旅行。我想做一個網頁型的 App，把這次旅行的行程攻略、複雜的景點餐廳資訊、旅行中的注意事項、待辦清單與查詢功能整理在一起。讓每一位旅行成員打開後，都能快速查到某一天的行程、某一個地點的資訊，或行前、行中需要注意的事項。

一開始，我先在 Google Gemini 上做出這個網頁工具的原型。可是 Gemini 畢竟比較適合處理較簡單的版本，當我想把這個網站做得更複雜，甚至要進一步線上部署時，我想要把它轉移到 Google 的 Antigravity。

但在轉移之前，我並不是只把網站程式碼搬過去。我會先請 Gemini 根據我們前面設計這個網站原型時用到的工作邏輯，以及目前修改出來、已經有初步可用架構的網站狀態，先梳理成一份「專案目標＋設計規則」文件。

接下來，當我要把專案轉移到另外一個 AI 工具時，我會把程式碼、專案進度文件、設計規則文件一起搬過去，請新的 AI 先讀專案進度與設計規則，再去分析目前的程式碼，看下一步要怎麼改。

後來到了下一個階段，Antigravity 的額度有限，而且當我要處理更複雜的特效與更繁瑣的資料庫邏輯時，它也不適合再負擔這樣的任務。我就把目前的資料庫狀態、程式碼與前面的規則文件、專案進度文件，再搬移到 ChatGPT 付費版可以使用的 Codex。

同樣地，我會先請 Codex 讀專案進度與規則文件，再開始幫我修改程式碼。

就在這樣的過程中，我發現每一次的轉移都很順暢。新的 AI 助理可以立即接手，我甚至可以同一時間讓不同 AI 工具分工處理同一個專案，或者在不同階段交棒，但整體邏輯都能延續。

後來，當這個旅行網站工具進一步進入比較複雜的資料庫設計階段時，我又做了同樣的事。

我希望未來無論我丟進去的是行程資訊、攻略資料、景點餐廳資料，還是真實旅遊心得，AI 都能有效幫我重新拆解、放回網站上正確的位置，讓整個資料庫維持穩定狀態。

於是我請 Codex 先分析整個專案目前的資料庫架構，分析行程資訊通常放在哪裡、景點與餐廳資訊通常怎麼更新、攻略與注意事項通常怎麼描述，讓 AI 自主分析目前狀態與近期不斷修正之後的最佳工作流程，然後再建立一份新的規則文件。

一旦這份規則文件建立好，我後面的工作流就變得更有效率。比如我今天找到一篇別人去同一個地方旅遊的真實心得，我就直接把這篇文章丟給 AI，請它根據前面自己整理出來的規則，把裡面的資訊重新拆解，分別放進適合的行程、景點、攻略、注意事項架構中。這時候 AI （這裡是用 Codex）就能非常準確地完成我的需求。

小結：AI 真正會愈用愈好，靠的是規則化之後的工作方法

很多人接觸 AI 之後，很容易立刻想追求「全自動」。可是我現在的想法剛好相反。我會建議先不要急著追求全自動。先追求一件更重要的事：

AI 做事開始有一致標準。

只要 AI 每次做同類型的工作，開始愈來愈接近你的驗收邏輯、愈來愈符合你的工作方式，後面才更容易談自動化、跨工具接手、多助理分工與更長的專案流程。

說到底，這其實也很像以前我們人自己在做好一件事情時，會使用的時間管理與工作管理方法：

事情做得好之後，不只完成它，還會做一次復盤，把「這次為什麼做好」整理成下一次可以沿用的做法。

當人跟 AI 合作之後，我覺得這依然是很有效的方法，而且會愈來愈重要。

你可以先挑一個自己最常做的 AI 任務，例如搜尋研究資料、整理會議紀錄、寫企劃、做簡報、整理逐字稿。接著利用前面「跟 AI 一起復盤前面做了什麼」的步驟，先把下面四種規則產出：

• 這個任務的目標是什麼。
• 這個任務的背景、情境與限制條件是什麼。
• 這個任務有哪些要遵循的工作流程。
• 做到什麼程度，才算完成（如何驗收）。

跟 AI 一起把這個任務做一或幾次，在過程中持續修正、追問、驗收。等你們真的做出一版有效成果之後，記得馬上請 AI 幫你把這次的有效做法整理成規則。

你可以直接用下面這段話：

「請根據我們剛才從需求到產出的整個過程，整理出一份之後可以重複套用的工作規則。請包含：目標、適用情境、輸入資料、處理步驟、驗收標準、常見錯誤與下次執行提醒。」

這樣做過幾次之後，你會很快發現，AI 不只是比較懂你，而是開始比較會做事。

規則一旦慢慢累積起來，你會發現，無論你用的是 ChatGPT、Codex、OpenClaw，甚至未來換了新的 AI 工具，你的 AI 助理都比較有可能延續同一套工作邏輯，幫你把事情做得更準確、更穩定，也更接近你真正想要的成果。

如果說這段實踐經驗給我的啟發，以及我現在必定會有的習慣就是：以後當 AI 幫我做出一個真的有效的成果時，我不應該只把成果拿走，而是要立刻請它幫我復盤：為什麼這次做得好？把它整理成下次可重複使用的規則。

大家好，我是電腦玩物站長 Esor ，歡迎參考我的系列課程與書籍：

• 2026/1 最新著作上市，歡迎支持：《高效職場生存法圖解》

• 大人學最新 AI 課程：用 AI 提升工作效率的實戰工作坊
• 「個人數位生產力」線上課程（可使用電腦玩物老讀者折扣碼 ESOR500 ，獲得 500 元折價喔！）。
• 時間管理、筆記系統、AI 工具相關課程：「課程介紹連結」
• 著作：《防彈筆記法》
• 訂閱追蹤 podcast 節目：「高效人生商學院」（Apple podcast 訂閱、 Google Podcast 訂閱）
• 訂閱「電腦玩物電子報」，不定期出刊。

我的電子郵件是 esorhjy@gmail.com ，如果你有任何關於筆記術、時間管理、提升工作效率的問題，歡迎寫信跟我討論。

（歡迎社群分享。但全文轉載請來信詢問，禁止修改上述內文，禁止商業使用，並且必須註明來自電腦玩物原創作者 esor huang 異塵行者，及附上原文連結：養成讓 AI 復盤工作流程的習慣，你的 ChatGPT、Codex、OpenClaw 助理就會愈做愈好）