AI 自動化的界線怎麼畫？三個 AI 幕僚整天跑，卻不准它們按下送出鍵

他的車庫裡有一台遊戲主機，正在幫他生圖。

離辦公室大概 100 碼，裡面插著一張 RTX 4080 顯卡。辦公桌上另外擺一台舊的 MacBook Pro，跑著他的主幕僚。三個 AI agent，各有名字，用 Telegram 群組指揮，24 個排程整天在跑。

這是 MindStudio 創辦人 Dmitry Shapiro 在 Product Faculty 頻道上，花 61 分鐘攤開來給大家看的個人系統。影片標題我就不複製了，是那種「看完不變專家我賠你錢」的招攬句型。

但影片裡最重要的一句話，不在標題上。

在他示範完那套看起來全自動的系統之後，他說：我從來不讓它自動送出任何東西。

而且不只說一次。

這篇不是配置教學，是分辨線

這種「矽谷某某人的 AI 系統長這樣」的內容，最常見的寫法是抄一遍配置清單，再配一句「未來的工作方式已經來了」。那個寫法對你沒用。

你知道為什麼嗎？因為連他自己都沒把這套當成品。

逐字稿裡他反覆講：「my messy lab」（我這個亂七八糟的實驗室）、「我把這一切當成持續的實驗」、「我做這些主要是為了好玩跟學習」、「有些排程其實已經有點過時了，我得找時間清一清」。

一個人把自己的作品標成實驗，你把它抄成標準答案，那是你的問題，不是他的。

所以這篇只做一件事：在這 61 分鐘裡，畫出三條分辨線。 哪些台灣團隊下週就能動，哪些是他的個人玩具，哪些是他沒講、但你不能不想的風險。

分辨線一：擬稿到哪裡為止，送出從哪裡開始

先看他那 24 個排程實際在做什麼。我把逐字稿裡他逐項帶過的排程整理成幾類：

• 資料匯入：會議逐字稿、多個信箱、聯絡人異動
• 社群訊號：平日早上 7 點掃數百人的 VIP 名單
• 競品與產業監控：Hacker News、Product Hunt
• 內部訊息彙整：Slack 平日一天掃四次
• 系統健康與成本控管：每天抓失控流程，每週一檢查有沒有超支
• 每日 briefing

你發現了嗎？

這些動詞全部停在「送出」之前。

讀、監控、彙整、擬稿。

這裡要講精確一點，因為「讀 vs 寫」這個說法其實不夠準：擬稿本來就是寫。真正的那條線不在讀跟寫之間，在「產出」跟「發生效力」之間。AI 可以讀、可以整理、可以把信寫到只差送出，這些都沒問題。線畫在按下去之後會影響到別人的那一刻。

那「送出」呢？他講得非常直白。他讓 Watson 建了一份 1,200 多位創投的名單，附上 email，全部整理好。然後他說：「你永遠不該真的寄給 1,200 個人。」

自動回覆推文的能力有沒有？有，他測過，而且他說「如果我很懶又不知道怎麼回，我能不能自動化到聽起來很聰明？答案是可以」。但他不用，因為他認得出那是 AI slop（AI 廢話）。

會議後的追蹤信、投資人的回覆、社群互動，全部只到「擬稿」為止。送出鍵是他自己按的。

他自己的比喻是：人應該當酒保，AI 當吧檯助手。 吧檯助手的工作是確保酒保什麼都不缺、不被雜事打斷，好讓酒保專心跟客人建立關係。

如果你問我，這才是整支影片最值錢的一句。

用印那一下，一定是你自己來

你可以讓助理把資料整理好、把條款查清楚、把文件擬到只差簽名。這些都給他做，效率翻好幾倍。

但公司大小章，不會放在助理桌上。

用印那一下，一定是你自己來。不是因為助理笨，是因為蓋下去之後扛責任的人是你。

AI agent 現在一模一樣。它整理資料很快，但它沒有「這句話講出去會怎樣」的直覺，而後果照樣算在你頭上。

我以前在百貨專櫃做櫃哥的時候，這條線是清楚的。陳列怎麼調、贈品怎麼送、客人有點不爽怎麼安撫，我自己決定。但改價、對外承諾交期、跟客人保證什麼時候一定到貨，一定要先問過。

那條線不是照能力畫的，是照後果畫的。

沒人教過我這叫「人在迴路」。但你現在要導 AI agent，處理的就是同一件事。

台灣團隊可以直接動的「讀側」

照他的邏輯翻成台灣電商的題目，風險低、當天就能試：

★ 競品每日變化摘要：競品官網的價格與活動頁、粉專貼文、廣告素材輪替，每天早上給你一份「昨天跟前天差在哪」。重點是差異，不是全文轉貼。

★ 客服訊息分群：LINE 官方帳號、蝦皮聊聊、社群私訊，每天分幾次彙整成「這幾類問題今天暴增」，而不是等客服主管自己感覺到。

★ 檔期後的自動回顧：活動結束隔天，把 GA、廣告後台、訂單資料兜成一份初稿，人只做判讀。

★ 成本自己看著自己：他有一條排程專抓失控流程，還有一條每週一檢查會不會超支。這條最多人忘記做，但它就是你的保險絲。

「送出側」該卡在哪

以下是我照同一個邏輯，翻成台灣電商情境的判斷，影片裡沒有講到這些題目，這部分算在我頭上：

對外發送的任何訊息（EDM、客服回覆、社群回文、簡訊）、任何價格與庫存異動、任何對客人的承諾、任何廣告預算調整。

一律擬稿，人看過再送。

補一句分工。這篇講的是界線，不是怎麼把系統接起來。排程怎麼設、個人知識庫怎麼蓋才撐得過一週，我寫過 Codex 打造個人 AI 助理的四個零件，那篇是施工圖；至於 AI 為什麼會從「你去用的工具」變成「自己上工的同事」，看 18,000 個 AI agent 那篇。

那兩篇講怎麼讓它動起來。這篇講它動起來之後，在哪裡必須停手。

分辨線二：算力放在哪，帳單就長在哪

主持人問他：這樣搞不會很燒錢嗎？

他的回答分兩層。

第一層是上限。他說如果你直接把這套接上 Opus 走 API，「這大概會花你一天 300 美元」。他現在跑在 Anthropic 的 Max 訂閱上，沒有付超額。

第二層才是重點。他把重活搬離了付費 API。

所有圖像生成，全部丟給那台車庫裡的機器。上面跑開源的 Qwen 模型配 ComfyUI，用自己那張 4080 顯卡算。他的原話是：「基本上是免費推論，我只付電費。」

模型選擇也是分層的。主力跑 Claude Sonnet 4.6，他特別說「我連 Opus 都沒在跑，連 Sonnet 5 都沒跑」。純粹的網站監控再降一級到 Haiku，他說那東西「幾乎不花錢」，但一次讀好幾千頁。

以前你談 AI 成本，談的是「這個月 token 花了多少」。 現在你要談的是「這件事需要多好的腦袋」，以及「這顆腦袋可不可以放在你自己家裡」。

但是，這對台灣多數團隊划算嗎？

老實說，多數情況不划算，我不幫他吹。

算一下。RTX 4080 是 16GB 顯示記憶體的消費級卡，2022 年上市定價 1,199 美元，2026 年 8 月二手行情大約 835 到 860 美元，換算下來三萬台幣上下。這還沒算主機其他零件、電費、以及最貴的那項：有人要維護它。

什麼情況下才划算？我的判斷是三個條件要同時成立：

一、這件事量大且重複（每天幾百張圖、幾千頁監控，不是一週幾次）。 二、這件事不需要最強的模型（縮圖、去背、批次改尺寸、單純的分類與監控）。 三、你團隊裡本來就有人願意顧機器。

三個少一個，你就乖乖付 API 錢，那比你想的便宜，而且沒人要值班。

真正該抄走的不是那張顯卡，是那個分層的習慣：先問這件事需要多聰明的模型，再決定用哪一顆。多數團隊的浪費不是用太多 AI，是每件事都用最貴的那顆。

授權也要看清楚。Qwen3 系列走 Apache 2.0，可商用、可自架，但 2026 年阿里已把部分旗艦模型轉閉源，別假設「Qwen 全都開源」；ComfyUI 是 GPL-3.0。商用之前讓法務看一眼。

分辨線三：這幾樣，就是玩具

接下來這些，據實標記：不用學。

三台實體機器分開跑、車庫裡的遊戲主機、Tailscale 私有網路串四台電腦、Parsec 遠端桌面、Vivaldi 開一排 Telegram 分頁、Telegram 群組同時對三個 agent 喊話。

這些對絕大多數台灣團隊沒有可複製性。

主持人直接問了：為什麼要分三台電腦，不放同一台就好？

他的回答很誠實：跑重活的時候會吃光記憶體跟頻寬，互相干擾。但他接著補一句：「我主要是為了好玩跟實驗，還有為了學。」

他甚至說：「我們現在都還是玩家，這是運算的早期階段。」

一個把自己歸類成 hobbyist（業餘玩家）的人，你要把他的機房抄進公司年度預算？

那個 mission control 儀表板也一樣。他做了，然後說「我很少用，它對我的工作流沒那麼有價值」。下次有人提案要做 AI 戰情室，這句話可以拿出來唸一遍。

這年頭就是分辨、分辨、分辨。

但「讀側」也有一條線：你自己蓋的那個資料庫

三條分辨線講完了。可是如果你看完只記得「不送出就沒事」，你會漏掉這支影片裡我認為最需要警覺、而全片幾乎沒停下來討論的東西。

因為風險最高的那個東西，就長在讀側。

他的系統裡有一個叫 GBrain 的記憶層，把各種訊號變成一張互相連結的知識圖譜，存成 markdown 再向量化，可以語意搜尋。依他自己的描述，他餵進去的包括 Gmail、行事曆、Slack、Zoom 會議逐字稿，還有 Twitter 與 LinkedIn 的動態。

他在鏡頭前打開來，說裡面超過 2 萬人。他隨手點開一個人的檔案，是 you.com 執行長 Richard Socher，他形容那份紀錄「非常詳細，而且持續被豐富、持續被更新」。

逐字稿裡他說 GBrain 是「Gary Tan 的開源專案」。這句我原本打算刪掉，因為口頭轉述專案作者是最容易記錯的事。

我還是去查了。結果他講對了，只是名字少拼一個 r：是 Garry Tan，Y Combinator 現任總裁兼執行長。

專案是 garrytan/gbrain，MIT 授權，2026 年 4 月建立，到現在每天都還在更新。README 第一句就是第一人稱：「I'm Garry Tan, President and CEO of Y Combinator. I built GBrain to run my own AI agents.」

先把兩個人分清楚，免得等下混在一起：Garry Tan 是作者，Dmitry Shapiro 是使用者。 影片裡示範的是後者把前者的東西裝起來跑。

而 README 裡自己寫的規模，比影片裡那個口頭數字更值得你看清楚：

146,646 pages, 24,585 people, 5,339 companies, 66 cron jobs running autonomously.

14 萬多頁、24,585 個人、5,339 家公司，66 個排程自動在跑。

README 接著寫：「我的 agent 在我睡覺的時候匯入會議、email、推文、語音通話跟原始想法。它會豐富它遇到的每一個人跟每一家公司。」

請注意這段的主詞。不是「我的資料」，是「它遇到的每一個人」。

在台灣個資法下，這是什麼性質的蒐集？

我之前寫過 AI agent 最大的資安破口，講的是下游：你把 AI 做的報表轉給同事，等於把它讀過的資料一起轉出去。

這裡講的是上游，是另一個破口：你自己蒐集、自己建立的那個資料庫本身。

而且這件事正在從「個人玩具」變成「公司系統」。GBrain 的 README 現在有這麼一段：

And now it works as a company brain too. Each person on the team gets their own slice of the brain, scoped by login.

它明確往「公司大腦」走，還連到 YC 的 Request for Startups。

那個轉折點很關鍵。一個人拿來記自己的人脈，跟一家公司拿來建 2 萬人的檔案，在法律上不是同一件事。

台灣《個人資料保護法》第 51 條第 1 項第 1 款寫得很清楚：

有下列情形之一者，不適用本法規定：一、自然人為單純個人或家庭活動之目的，而蒐集、處理或利用個人資料。

一個人為了自己的人脈記事，可能落在這一款裡。但 README 上那句「現在它也能當公司大腦」，就是往這一款外面走。

我不會告訴你走出去之後結論是什麼，那要個案判斷，而且判斷的人不該是我。我能做的是把你會撞到的條文攤在你面前，讓你拿去問對的人。

一、你存的東西算不算個資？ 第 2 條第 1 款的定義包含「聯絡方式、財務情況、社會活動及其他得以直接或間接方式識別該個人之資料」。同條第 3 款：「蒐集：指以任何方式取得個人資料。」爬公開推文也是一種方式。

二、你的向量資料庫算不算「個人資料檔案」？ 同條第 2 款：「指依系統建立而得以自動化機器或其他非自動化方式檢索、整理之個人資料之集合。」一個能語意搜尋、會自動 enrich 的知識圖譜，形狀吻合得有點剛好。

三、你有沒有特定目的？ 第 19 條要求非公務機關蒐集或處理個資「應有特定目的」，並符合八款情形之一。第 7 款「個人資料取自於一般可得之來源」看起來像救生圈，但後面接了但書：「但當事人對該資料之禁止處理或利用，顯有更值得保護之重大利益者，不在此限。」

四、你要不要告知？ 資料不是當事人自己給你的時候，第 9 條要求「應於處理或利用前，向當事人告知個人資料來源」。免告知事由裡有一款是「當事人自行公開或其他已合法公開之個人資料」。這一款怎麼套到「自動掃描數百人的社群發文並建檔」，不是看一眼就有答案的事。

五、範圍會不會過頭？ 第 5 條：「不得逾越特定目的之必要範圍，並應與蒐集之目的具有正當合理之關聯。」把這句，跟 README 那句「它會豐富它遇到的每一個人跟每一家公司」放在一起讀。

兩件監理現況也值得知道：個人資料保護委員會到 2026 年 8 月為止仍是「籌備處」，組織法尚未完成立法；個資法在 2025 年 11 月 11 日有一次修正公布，但施行日期由行政院定之，目前未定，所以上面引的都是現行有效條文。

規則還在長。這代表的不是「沒人管所以先做再說」，是你現在做的決定，以後要有辦法解釋。

我要非常明確地說：我不是律師，上面這幾條是法條原文，不是法律意見，我也沒有給你任何一題的答案。

這裡有一個多數人導入 AI 記憶系統時完全沒想過的問題面。真的要做，請你的法務或委任律師看過再上線，尤其是你打算把它從個人筆記升級成公司共用知識庫的時候。

順帶一提，Dmitry 說他的 LinkedIn 資料是透過第三方付費 API 取得（正確名稱是 Unipile），唯讀、只監控聯絡人有沒有換工作。他自己在鏡頭前也補了一句：「你得確定你沒有濫用這個，不然你會被停權。」

連他都知道要講這句。你在抄之前也想一下。

從哪裡開始

影片最後，主持人問他一般人該怎麼判斷什麼該自動化。他的答案樸素到有點反高潮，但我認為是全片最實用的一段。

先把自己的一週攤開來看。你早上進辦公室、倒杯咖啡，然後做什麼？通常是打開某個系統看數字，讀進腦袋，做一些查找跟加工，再把結果放進另一個系統。

他的總結我很喜歡：我們是一堆整合得很爛的 SaaS 之間的人肉橋樑。

把這些橋樑一條一條寫下來，然後跟「你最討厭做的事」取交集。

從交集開始。不是從最有價值的開始，是從最討厭的開始。因為那樣你才會有動力把它調到真的能用，而不是做完 demo 就放著爛。

他還有一句，台灣職場現在特別該聽：現在沒有人想雇用「20 年行銷經驗」，大家要的是「有 20 年行銷經驗的行銷自動化專員」。

差別不在年資。在你有沒有把那 20 年，變成一套會自己跑的東西。

這週可以動的四件事

► 一、先畫線，再談工具。 開一份表，兩欄：「AI 可以自己跑完（讀、整理、擬稿）」跟「一定要人按送出（對外訊息、價格、承諾、預算）」。判斷標準只有一個：出錯的話，誰扛？

► 二、從讀側挑一件你最討厭的。 競品每日變化摘要是最好的起點，風險低、看得到成果、每天都用得到。

► 三、模型分層，並且把成本警報寫成數字。 純監控、分類、抓變化，用最便宜的那顆。警報別只寫「花太多要通知我」，寫成三個具體門檻：每日總花費上限、單一任務花費上限、以及「今天用量是過去七天平均的幾倍就叫我」。沒有數字的警報等於沒有警報。

► 四、動知識庫之前先備好五個答案。 找法務之前，自己先把這五欄填完：資料從哪來、存了哪些欄位、拿來做什麼用途、保存多久、誰看得到。填不出來就別上線。這五欄填完再去問法務，你會省下大半時間；這件事事後補，比事前問貴太多。

最後

這支影片如果你只看得到三台電腦跟 24 個排程，你會抄錯東西。

真正的訊號是：一個把 AI 用到接近極限、而且完全有動機說「我全自動了」的人，親手在讀跟寫之間留了一條線，而且守得很緊。

不是因為技術做不到。他示範過，做得到。是因為他知道送出鍵按下去之後，扛的人是他。

工具會一直變。今天叫 Hermes（Nous Research 的開源專案，MIT 授權，現在每天都還在更新），明天叫別的名字。但那條線的畫法不會變，而且畫線這件事，AI 目前幫不了你。

那是你的工作。

來源

• 主來源：Product Faculty 頻道訪談《If This 61-Minute Video Doesn't Make You a Hermes Agent Expert, I'll Venmo You $97》，來賓為 MindStudio 創辦人暨執行長 Dmitry Shapiro，2026 年 7 月 30 日。影片連結：YouTube。文中所有「他說」的內容均出自該集逐字稿。
• 影片中提到的「20,000+ 人知識圖譜」為 Dmitry Shapiro 本人在鏡頭前的口述，無第三方佐證，本文以「自述」標示。
• Hermes Agent：NousResearch/hermes-agent，MIT 授權。GBrain：garrytan/gbrain，MIT 授權。授權、星數、fork 數與 README 引文為 2026 年 8 月 9 日實際查詢結果，數字會隨時間變動。
• 逐字稿為自動語音辨識產出，人名與產品名多處誤植，本文已更正為：Dmitry Shapiro（非 Dimitri）、MindStudio（非 Mindstorm）、Garry Tan（非 Gary Tan）、Qwen、ComfyUI、Parsec、Unipile（非 Uniile）。
• GBrain 官方文件可查到的連接器包含 Gmail、Google Calendar、X/Twitter、Google Drive、Google Contacts、Apple iMessage、GitHub、Slack 與 Circleback；文中提到的 Zoom 逐字稿與 LinkedIn 匯入，是 Dmitry Shapiro 描述他自己那套系統的做法，並非 GBrain 內建連接器。
• RTX 4080 價格：2022 年上市定價 1,199 美元，2026 年 8 月二手行情約 835 至 860 美元，台幣換算為概估。

協作聲明與免責

這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 [來源名稱](URL) 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。

內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。