AirOps 如何追著摩擦點，用 Claude 打造 AI 產品（第 1/2 段）

🧑‍🏫 這支影片是 AirOps 產品團隊的 Dylan 在分享：他們想讓不是工程師的行銷人員也能用 AI agent，也就是會自己拆步驟、叫工具把事情做完的 AI 助手。過程中他們在哪裡卡住、後來怎麼改，影片都有講。如果你也覺得「AI 很強，但團隊就是用不起來」，這段很值得參考。

• 00:18 講者 Dylan 在 AirOps 產品團隊工作。核心觀點：打造 agent、讓 agent 好上手是很難的問題
  ↳ agent 是會自己規劃步驟、呼叫工具把任務做完的 AI。Dylan 的重點是：光把 agent 做出來還不夠，難的是讓一般人真的用得順手。
• 00:18 開發者比較習慣 agent 的各種概念，但要讓行銷人員這類使用者也能用，會遇到很多摩擦點
  ↳ 工程師天天碰這些東西，觀念早就熟了。行銷人員沒有這種背景，每個看不懂的設定或名詞都會卡住，這就是講者說的「摩擦點」。
• 00:49 AirOps 是做 AI search 的成長行銷平台；AI search 就像針對 ChatGPT、Gemini、Claude 這類引擎做的 SEO
  ↳ SEO 是讓網站在 Google 排前面的做法。AI search 的對象換成 AI：大家改用 ChatGPT 這類工具問問題時，你的品牌會不會被提到、被推薦。
• 01:19 AirOps 幫品牌看自己在搜尋中怎麼出現、找出缺口、補上缺口（產出或更新內容），再衡量這些行動有沒有效
  ↳ 整個流程是一個循環：先看品牌在 AI 的回答裡有沒有出現，找出沒被提到的主題，再寫新文章或改舊文章補上，最後回頭看數字有沒有變好。
• 01:49 議程：發展歷程、agent 做法、上週剛推出的 AirOps Next、上線時主攻的兩個摩擦點、接下來要處理的其他摩擦點
  ↳ 這段是整場的路線圖：先講公司怎麼走到今天、怎麼做 agent，再介紹新產品 AirOps Next，最後講上線時解決的兩個卡關點，還有哪些問題待處理。
• 02:20 AirOps 過去主要用傳統節點式 workflow builder 編排內容，類似 N8N，可以拖拉節點、設定變數流向
  ↳ workflow builder 是畫流程圖的工具：一個方塊代表一個步驟，用線把方塊連起來，決定資料從哪一步傳到哪一步。N8N 是同類型的知名自動化工具。
• 02:20 複雜度天花板：客戶主要是行銷人員，卻得教內容行銷人員什麼是 liquid text、JSON 等概念
  ↳ liquid text 是在文字裡插入變數的寫法，JSON 是一種資料格式，兩個都是工程師在用的。行銷人員為了用這個工具還得先學這些，能做到的程度就卡在這裡。
• 02:51 workflow 保鮮期短：每次推出新模型，客戶就得回頭更新辛苦做好的 workflow
  ↳ 新模型一推出，舊流程裡的提示詞和設定可能就不是最好的，客戶得花時間重新調整。辛苦搭好的東西很快就過時，大家會越用越沒動力。
• 02:51 改了第 1 步，可能沒發現第 20 步還在引用那裡的變數和輸出，複雜度很高、很折磨人
  ↳ 步驟一多，前後就會互相牽動。像在 Excel 改了前面一格，後面一堆公式跟著出錯，你卻不一定發現。流程越長越難維護。
• 03:21 企業級使用情境要擴大，就需要技術人員帶著建 workflow
  ↳ 因為太複雜，大公司想大規模使用時，得有懂技術的人幫忙搭流程。行銷團隊沒辦法自己來，就很難推廣開。
• 03:21 目標：降低內容行銷人員建立、推出想法的門檻，同時守住品質標準，避免產出 AI slop，並對企業標準有所治理
  ↳ AI slop 指大量產出、品質差、一看就知道是 AI 寫的內容。他們希望行銷人員自己就能把點子做出來，成品又要夠好，也要符合公司的規範。
• 03:53 舉例：舊版 workflow studio 做一份「附內部連結的內容簡報」就相當複雜，可見這類 workflow 背後要想很多
  ↳ 光是「寫一份內容大綱，附上自家網站相關文章的連結」這種看起來很普通的任務，在舊工具裡就得搭一大串步驟，可見門檻有多高。
• 04:23 決定加碼投入 agent 的轉折點是 Opus 4.5 推出：很多人看到模型在 tool calling 和遵循指令上有多聰明
  ↳ Opus 4.5 是 Claude 的一個模型版本。tool calling 是 AI 自己判斷什麼時候該用哪個工具。模型在這方面和聽懂指令都明顯變強後，他們才決定全力走 agent 路線。
• 04:54 第一次嘗試：寫一份像 Google Doc 的文件，由 LLM 在背景編譯成 workflow。想法有趣但脆弱，容易出錯
  ↳ LLM 就是 ChatGPT、Claude 這類大型語言模型。第一次的做法是讓人寫一份像 Google Doc 的說明，再由 AI 自動轉成流程。點子不錯，但轉換常出錯，很不穩定。
• 05:25 第二次嘗試：用傳統 agent 編排框架定義節點、讓 LLM 做決策。輸出不錯，但想改 sub-agent 的編排就得改程式
  ↳ sub-agent 是主 agent 底下負責分工的小 agent。第二次改用現成框架，產出品質不錯，但每次想調整分工方式都要工程師改程式，行銷人員還是碰不到。
• 05:56 後來加碼投入 Claude Agent SDK：只要用 markdown 檔就能編排 agent、提供 skills，靠調整環境和 harness，不必寫程式
  ↳ SDK 是開發工具包。Claude Agent SDK 讓他們用 markdown（一種簡單的純文字格式）寫說明、提供 skills（寫好的做事方法）來指揮 agent。harness 是 agent 運作的環境，調整它就好，不必寫程式。
• 06:26 新功能一 Quill：給內容行銷人員用的 agent，能取用 AI search 資料和品牌 brand kit，照著品牌規範產出內容
  ↳ brand kit 是把品牌語氣、用詞、規範收在一起的資料包。Quill 是給內容行銷人員用的 AI 助手，看得到 AI 搜尋數據和品牌規範，所以寫出來的東西比較像自家品牌的口吻。
• 06:26 Quill 讓使用者在介面裡從儀表板上的洞察和缺口，直接進到下一步行動
  ↳ 以前看完報表、發現缺口，還得換個工具自己動手處理。現在看到問題可以直接叫 Quill 接手，從「看到問題」到「動手處理」不用中斷。
• 06:56 新功能二 playbooks：新的建構方式，基本上就是 skill，改成行銷人員熟悉的文件形式
  ↳ skill 是一份告訴 AI「這件事該怎麼做」的說明。playbook 本質上就是 skill，只是做成行銷人員熟悉的文件樣子，寫起來像在寫 SOP。
• 06:56 playbooks 支援協作、治理和版本控管，例如同一份 playbook 可以有 10 個版本
  ↳ 就像 Google Docs 可以多人一起編輯、查看修改紀錄。公司可以控管誰能改哪些地方，同一份做法也能保留好幾個版本，方便比較或改回舊版。
• 07:26 Parallel 案例：citation rate 提升 130%、share of voice 提升 42%，1 週就上線
  ↳ Parallel 是他們的客戶。citation rate 大致是品牌被 AI 回答引用的比例，share of voice 是品牌在相關話題裡占的聲量比重。一週就上線，還拿到這些成長。
• 07:56 以往用 workflow builder 服務企業客戶，來回修正語氣、錯誤或幻覺出來的引用，通常至少要一個月
  ↳ 拿來對照的是舊做法：以前用流程圖工具服務大客戶，光是修語氣、修錯誤、修 AI 自己捏造的引用來源，通常就要一個月以上。
• 08:27 客戶回饋：Animal 覺得它像團隊裡的中階策略人員；Rock Content 能把瑣碎工作交出去，專心在自己的專業上，並提供獨特的 context
  ↳ 客戶覺得它像一位有經驗的中階同事，而不只是工具。瑣碎的事交給它，人就能專心做專業判斷，並補上只有自己才知道的背景資訊（context）。
• 08:57 兩大摩擦點方向：一是怎麼融入內容行銷人員實際的工作流程，二是怎麼透過 harness 的建構和編排確保輸出品質
  ↳ 後面講的卡關點分兩類：一是工具要配合行銷人員平常的做事方式；二是從 agent 的運作環境和分工安排下手，確保產出品質夠好。
• 09:28 摩擦點一：「用途無窮，逼你要有明確意圖」。agent 能做的事很多，容易越做越發散，要先想清楚到底在解決什麼問題
  ↳ agent 什麼都能做，反而容易什麼都想做，最後失去焦點。所以做產品之前，要先想清楚到底要幫誰解決哪個問題。
• 09:58 要一直聚焦客戶是誰（講者比喻腦中像 Steve Ballmer 一直喊 marketers）
  ↳ Steve Ballmer 是微軟前執行長，有一段在台上狂喊「developers」的知名影片。講者說自己腦中一直有人在喊「marketers」，提醒自己每個決定都要先想到行銷人員。
• 10:28 內容產出流程範例：找主題 → 研究 → 寫簡報 → 寫文章 → 加內部連結與 SEO／AEO 最佳做法，中間穿插多個人工審核點
  ↳ AEO 一般指讓內容更容易被 AI 問答引擎採用的優化。一篇文章從選題到上線要過好幾關，關與關之間都有人把關，不是讓 AI 從頭寫到尾。
• 10:28 內容行銷很重視人工審核（human in the loop），要確保內容符合品牌語氣和要傳達的資訊，並提高在生成式 AI 搜尋中被呈現的機會
  ↳ human in the loop 就是在流程中安排人來檢查、拍板。行銷內容代表品牌形象，語氣或訊息錯了影響很大，所以一定要有人看過；同時也要讓內容更有機會被 AI 搜尋引用。
• 11:29 重點一：做一個以文件為基礎的 IDE（即 playbook 畫面），因為行銷人員熟悉 Google Docs，比節點式 builder 更親切
  ↳ IDE 原本是工程師寫程式用的編輯工作區。他們把這個概念做成像 Google Docs 的文件畫面，也就是 playbook。行銷人員一看就會用，不必學流程圖。
• 11:29 透明度：使用者喜歡舊 workflow builder 能看到每一步用了哪個工具；文件形式也要讓人看得出每一處用什麼工具、餵什麼 context
  ↳ 舊工具的好處是每一步用了什麼一看就知道。換成文件後也不能變成黑盒子，要讓人看得出每一段叫了哪個工具、給 AI 看了哪些資料。
• 11:59 掌控感：文件形式比較不具確定性，要確保使用者仍能掌控這套指令或 workflow。文件形式、透明度、掌控感是他們聚焦的三個面向
  ↳ 文件是寫給 AI 讀的文字，AI 每次的理解可能有點不同，不像流程圖那麼固定，所以要設計成讓使用者仍然控制得住結果。三個重點：文件形式、看得清楚、掌控得住。
• 12:29 重點二：強制人工審核。在 agentic workflow 中加入治理、可設定性和問責，講者認為這點相對少見
  ↳ 意思是 AI 做到某些關卡就一定要停下來，等人審過才繼續。這樣公司管得到，關卡可以依需求設定，出問題也查得到是誰核准的。講者認為 agent 產品很少這樣做。
• 12:29 對比寫程式的 agent：通常讓它跑完，最後才用 PR review 審；很少在過程中停下來徵詢品味上的意見
  ↳ PR review 是工程師把改好的程式合併前，請同事整批檢查一次。寫程式的 agent 多半跑完才審，但行銷很看重品味，需要在過程中就停下來問人的意見。

根據講者的說法，AirOps 決定加碼投入 agent 的第一個關鍵轉折點是什麼？