Gary Talks Stuff：AI 時代非技術人最該學的設計能力：把 Human SOP 變成 Agentic Workflow

開場閒聊

Gary 一開場就提到，很多人會覺得「現在 AI 模型已經夠強了，為什麼還是做不出穩定好用的 Agent？」

他說自己收到很多粉絲來信，希望他針對 Stanford 的 AI 系統建構教學拍一系列影片，講解 RAG、Prompt Engineering、模型微調還有 Agentic Workflow 這些重要觀念。

但 Gary 點出一個關鍵問題：「其實大多數人只是不知道如何把一個大任務拆成 Agent 可以跑得動的小任務。」

他強調，這件事聽起來有點無聊、有點簡單，但如果你是技術人員，好的任務拆解能力可以幫你構建更穩定的系統；如果你是非技術人員，你更要知道怎麼把自己的日常執行項目拆小塊一點，然後委派給 AI——而不是一大包丟進去導致 Agent 消化不良。

---

懶人包速覽

核心痛點	解決方案 / 關鍵觀點
Human SOP 寫給人看，Agent 讀不懂	把 SOP 格式標準化：參數化、強度分級（Must/Should/Nice to Have）、結構化（Markdown 區塊）
Mega Agent 整包丟進去，出錯不知道哪裡壞	任務拆解成 pipeline steps，每個 step 獨立 input/output，哪裡壞修哪裡
第一版 SOP 一定漏掉默會知識（Tacit Knowledge）	雙向開發：跟 Agent 一起跑、一起 debug、一起迭代，用小步快跑取代完美主義
Workflow 寫得再漂亮，接不上真實系統等於沒用	透過 MCP（Model Context Protocol）統一工具接口，加上 Human-in-the-Loop checkpoint

我花了大約 20 分鐘看完這集 Gary Talks Stuff，內容從 Human SOP、Skill、Agentic Workflow 三個名詞定義一路拆解到四步驟實作方法論，最後用一個真實的內部請求分類系統做完整示範。這篇文章我幫大家整理出 4 個最關鍵的步驟，並附上我自己在實務上的補充看法。

三個名詞定義：先搞懂你在說什麼

Gary 在影片開頭先把三個經常被混淆的名詞講清楚，因為沒有先分清楚層級，後面只會聽得一頭霧水。

Human SOP：給人看的流程文件

傳統的流程文件，告訴你第一步做什麼、第二步做什麼、遇到例外怎麼處理。這種文件給人類看完全沒問題，因為你的腦中會自動補進一堆 context——知道 200 塊以內的小金額主管懶得管，但 5000 塊以上就得照規矩來。

但對 Agent 來說，Human SOP 就是一坨非結構化的文字。「理解成本高，執行時容易忘東忘西」，Gary 強調，只要你沒有 specify，AI 不會知道 200 塊跟 5000 塊有什麼差別。

Skill：打包給 Agent 的執行單位

Skill 是把做事的方法論、判斷標準、踩過的坑，打包成一個資料夾交給 Agent。裡面通常有三個東西：Skill Markdown（核心文件）、References（參考資料）、Scripts（可直接執行的腳本）。

一個 Skill 對應單一任務，不是整條工作流。Gary 特別提醒，Skill 的「防守範圍」是關鍵——拆太大會樣樣通樣樣鬆，拆太小又變成每走一步都要讀 Skill。

Agentic Workflow：整條生產線

Agentic Workflow 是由多個 Agents、Tools、Skills、資料源組成的工作流。不是一個單純的 Prompt，更像是一條生產線——有人負責理解問題，有人查資料，有人執行動作，有人寫報告。

Gary 用一個很傳神的比喻：「Agentic Workflow 更像一間工廠，只是裡面全都是 AI 夥伴在幫你做事。」

非技術人為什麼更需要學這個設計能力？

Gary 特別點出一個多數人沒想過的事：非技術人員其實比工程師更需要會拆解任務。他把這件事稱為「AI 時代非技術人最該學的設計能力」。

為什麼？因為工程師至少知道怎麼把需求寫成 spec、拆成 ticket，但非技術人員的日常工作——從排行程、處理客戶需求、到製作報表——幾乎全部都是隱藏在腦袋裡的「默會知識」。

「如果你是非技術人員，你更要知道怎麼把自己的日常執行項目拆小塊一點，然後委派給 AI，而不是一大包丟進去導致 Agent 消化不良。」

他舉例：一個助理每天要處理新人 onboarding 流程，腦中記得申請權限要找 IT、設定信箱要找 MIS、門禁卡要找總務。這些流程可能從來沒有被寫成文件，但新人來的時候一切都要跑一遍。如果把整包需求丟給 Agent（「幫我處理 onboarding」），Agent 可能會漏掉門禁卡，或搞錯申請權限的順序。但如果先教 Agent 「新人來了要做這五件事：開帳號、設信箱、申請門禁卡、安排座位、寄 welcome letter」，每一件獨立拆開，Agent 就能精準執行。

這個能力——把腦袋裡的模糊經驗拆成 Agent 能懂的明確步驟——正是非技術人在 AI 時代最該學的設計能力。

為什麼不要用 Mega Agent？

很多人直覺認為：「找一個最強的模型，把任務整包丟給它，讓它從頭跑到尾。」

Gary 直接說這條路行不通。他用一個生活化的例子來解釋：想像你請一個萬能的幫手來家裡幫忙，第一天它不知道你是極簡主義者，桌面只想要必要的東西；第二個月它才知道你愛惜不沾鍋，刷的時候要用菜瓜布黃色那一面。

「這些是沒有寫在任何說明書上，但你就是很在意的事。不知道這些事情的機器人，再聰明都會看起來像笨蛋。」

Mega Agent 的問題在於：整坨丟進去，整坨吐出來，中間發生什麼你看不見。出錯了也無從 debug，只能整份重寫。

「我看過太多新手卡在這個地方，第一個反應永遠是換一個更強的模型，或者在寫一個更詳細的 prompt。但其實問題不在模型，也不在 prompt，而是任務本身太大、太模糊。」

四步驟：把 Human SOP 變成 Agentic Workflow

Step 1：格式標準化

把 Human SOP 改成 Agent 能讀懂的版本。Gary 提出三個重點：

參數化：不要在 SOP 裡寫死，改成用 mode、temperature 這種參數。例如 mode 可以是 quick、normal、delicate 三選一，同一份 SOP 就能 cover 多種情境。

強度分級：用 Must（不能討價還價）、Should（盡量做但可根據 context 調整）、Nice to Have（做了加分）來區分規則的強度。

結構化格式：用 Markdown 把 parameters、steps、error handling 每個區塊切開，方便之後塞進 MCP 這類標準接口。

Step 2：任務拆解與連結

這是 Task Decomposition 的核心。把一大包任務拆成 pipeline steps，每一個 step 都是獨立節點，有自己的 input、output。

Gary 用洗衣服做例子：分類衣物、檢查口袋、設定機器、決定晾乾還是烘乾——每個步驟都是獨立的。分類出錯了，只修分類的邏輯就好，不需要動到後面設定機器的環節。

「每一個節點連結另一個節點，靠的不是魔法，不是大型語言模型之間的心電感應，而是清楚定義的 input、output 和中間的 artifact 格式。」

Step 3：雙向開發（最重要的一步）

Gary 說這步是最多人忽略但最重要的。為什麼？因為你的第一版 SOP 一定會有問題。

他引用了「默會知識」（Tacit Knowledge）這個概念：「SOP 的本質是把腦中的默會知識轉成文字明示規則，而默會知識的特性就是你自己不會發現它的存在，直到它出錯。」

解法是：不是關在房間裡想像一份完美的 SOP，而是跟 Agent 一起跑、一起 debug、一起迭代。他分享了一個客戶案例——花了兩個月寫完美 SOP，結果跑一次就垮了。改用小步快跑後，兩天寫粗糙版本，一週內跑 50 次 iteration，兩週就上線。

「速度的關鍵不是寫得多完美，而是迭代得有多快。」

Step 4：整合與執行環境

再漂亮的 SOP，沒接到真實世界的工具，就只是一份文件。在洗衣服的例子裡，工具是洗衣機、烘乾機、天氣 API；在企業場景裡，工具就是資料庫、API、檔案系統、ticketing system。

Gary 特別介紹了 MCP（Model Context Protocol），比喻為「AI 世界的 USB-C」。不管用 ChatGPT、Claude、Cursor 或其他 Agent host，只要支援 MCP，就可以用同樣的方式調用工具。

最後一個關鍵設計：Human-in-the-Loop Checkpoint。在高風險決策之前，Agent 必須停下來等人類確認——比如涉及財務超過 5000 塊，或者 admin 權限變更。

「這樣整條 Agentic Workflow 才不是一個黑箱，而是一個人類掌舵、Agent 執行的系統。」

真實案例：公司內部請求分類系統

Gary 用一個 200 人公司的場景做完整示範。每天有人透過 Slack、Teams、Email 丟雜事進來——申請權限、發票報帳、新人 onboarding。傳統做法是打開 ticket 系統手動分類，很煩、很重複、每天都要做。

按照四步驟：

1. 標準化：寫成 Internal Request Triage SOP，定義參數（來源、文字、員工編號）和步驟（驗證員工、分類、判斷優先級）
2. 拆解：拆成兩個 Skill——Triage（分類+判斷優先級）和 Reply Drafting（產生回覆草稿），靠 JSON artifact 串接
3. 雙向開發：跑第一版一定出錯（誤分類、永遠判 medium、推薦給離職同事），三五輪迭代後趨於穩定
4. 整合：接上 tracking sheet（Notion/Jira/Google Sheet），高風險請求加 Human-in-the-Loop checkpoint

Gary 強調這套方法論已經不是小眾興趣——MCP 已被 ChatGPT、Claude、Cursor 採用，Anthropic 甚至把協定捐給 Linux Foundation。IBM、AWS、ServiceNow 都在產品線裡跑 Agentic Workflow。

QA 精選

Q1：非技術人員真的能學會把 SOP 變成 Workflow 嗎？

Gary 在影片中多次強調，這套方法論的核心是「流程設計能力」，不是寫程式的能力。格式標準化只需要會寫 Markdown，任務拆解靠的是邏輯思考，雙向開發靠的是觀察和迭代。他甚至說：「你不是在學怎麼用 AI，而是在學怎麼設計給 AI 用的工作流。前者半年就會過時，後者越來越值錢。」

Q2：Mega Agent 和拆解後的 Workflow，效率上差多少？

Gary 沒有給出精確的 benchmark 數字，但他用一個非常具體的比喻說明差異：Mega Agent 就像一個萬能幫手，什麼都會但什麼都不精，出錯了也看不出是哪個環節出問題。而拆解後的 Workflow 就像一條生產線——每個環節獨立運作，分類出錯就修分類，不需要動到查資料或寫回覆的邏輯。他強調「哪裡壞改哪裡，對症下藥」才是 production-ready 的關鍵。

Q3：MCP 是什麼？為什麼 Gary 說它是 AI 世界的 USB-C？

MCP（Model Context Protocol）是一個開放協定，讓 LLM Agent 可以透過同一套標準去調用外部的 tools、resources 和 prompts。Gary 用 USB-C 比喻：以前每出一個新設備就要買一堆轉接線，USB-C 出現後全部統一了。MCP 對 Agent 來說就是這個角色——不管你用 ChatGPT、Claude 還是 Cursor，只要它支援 MCP，就可以用同樣的方式去調用工具。目前 MCP 已被 Anthropic 捐給 Linux Foundation 底下的 Agentic AI Foundation，成為開放標準。

Q4：雙向開發的具體做法是什麼？會不會很花時間？

Gary 用一個客戶案例具體說明：之前有客戶花了兩個月寫了一份「完美」的 Agent SOP，結果跑一次就垮了。後來改用 Scrum 精神，兩天寫一個粗糙版本，一週內跑 50 次 iteration，兩週就上線。他的核心觀點是：「速度的關鍵不是寫得多完美，而是迭代得有多快。」每一次 Agent 出錯，你就發現一條原本沒寫進 SOP 的默會知識，補上之後系統就變得更好。

Q5：Human-in-the-Loop 的 checkpoint 要設在哪裡？

Gary 建議設在兩個地方：一是高風險決策之前（例如涉及財務超過一定金額、admin 權限變更），二是大規模變更之前。他的設計原則是：「任何 Agentic Workflow 不管多成熟，總會有些 edge case 是 Agent 沒辦法判斷的。這時候你要嘛讓 Agent 亂猜，風險很高；要嘛讓它停下來問人類，風險可控。」

主編隨筆

Gary 這集最讓我共鳴的觀點，其實不是那四步驟本身，而是他反覆強調的「迭代思維」。

我在過去協助團隊導入自動化的經驗中，看到最常見的誤區就是：團隊花好幾週寫一份 SOP，以為寫完就結束了，結果一上線就出包。Gary 說得沒錯——「默會知識」這個概念完美解釋了為什麼第一版 SOP 一定不完整。你的腦中藏著大量「我以為我寫了但其實沒有」的判斷準則，這些東西只有讓 Agent 實際跑過、撞牆了，你才會意識到它們的存在。

我自己在實務上會再加一個小技巧：每次 Agent 出錯時，不只補規則，還要記錄這個錯誤發生的情境（context）。為什麼？因為同樣的錯誤可能以不同面貌再次出現——比如 Agent 把「急件」誤判成低優先級，你補了「急件→高優先級」的規則，但下次它可能把「ASAP」或「Urgent」也判成低優先級。把錯誤情境一起記錄下來，可以幫助你更快發現同一類問題的變體，加速迭代週期。

我覺得 Gary 提出的「你不只是在學怎麼用 AI，而是在學怎麼設計給 AI 用的工作流」這句話，其實點出了一個更深層的趨勢：未來最有價值的技能，不是會用哪個 AI 工具，而是能夠把複雜的現實流程拆解成 AI 能理解、能執行的結構。這個能力不會因為下一個新模型出現就過時，反而會越來越值錢。

結語

Gary 在影片最後給了一個非常務實的建議：不用一次把公司所有流程都變成 Agentic Workflow，那只會把自己搞死。只需要做一件小事——找一份你手上最無聊但又一直在重複做的 Human SOP，可能是每週的週報、每次 release 前的 checklist，或是每次新人 onboarding 的固定流程，然後照著四步驟跑一遍。

先有一個跑得起來的、可以替你省 30% 時間的版本，再慢慢迭代。這套 Human SOP 轉 Agentic Workflow 的方法論，正在從一個小眾技術圈的話題，變成每一位 AI 工作者在未來兩三年都要具備的基本競爭力。