Grok Bot Galaxy 第二天：實際上發生了什麼 ☕ Buy me a coffee

🧑‍🏫 這支影片回顧 xAI 辦的 GrokBot Galaxy 活動第二天。團隊當天就把原本太大的點子砍小，改做一個小遊戲，同時示範業務、客服等部門怎麼讓多個 AI 分工做事。值得看的原因是它連失敗也一起播出來，讓你看到 AI 快在哪裡、又會卡在哪裡。

• 00:00 第二天一開始就大幅改變計畫，結束時做出一個可運作的 app：令人印象深刻但尚未完成，比完美的 demo 更有參考價值
  ↳ 第二天一開場就大改計畫，也就是 pivot（中途轉換方向）。最後做出能跑的 app（應用程式），雖然還沒完成，但比只秀漂亮成品的 demo（展示）更看得出開發的真實樣子。
• 00:00 9 月 16 日的 8 小時直播中，團隊用 GrokBot agents 重新設計產品、做遊戲、支援業務、找潛在客戶、處理客服工作
  ↳ 9/16 這場直播長達 8 小時，團隊讓一群 agent（可以自己接任務、動手做事的 AI 助手）同時重新設計產品、做遊戲，也幫忙跑業務、找客戶、處理客服。
• 00:31 GrokBot Galaxy 是 xAI 為期 3 天的活動；Matt Palmer、Lauren Tan、Roshan Sadhnani 用 GrokBot 從零開始打造產品
  ↳ 這是 xAI 辦的三天活動。三位主持人用 GrokBot（xAI 用來建立各種 bot 的工具）從什麼都沒有開始，現場把一個產品做出來。
• 00:31 直播開發時段之間，xAI 成員會示範各部門專用的 agent 工作流程
  ↳ 開發的空檔會換 xAI 不同部門的人上台，示範他們平常怎麼用 agent 做自己部門的工作，一次可以看到很多種實際用法。
• 00:31 第一天談點子和初期開發；第二天聚焦 sales、sales engineering、sales development 和 customer support，但最大的重點是產品轉向
  ↳ 第一天在想點子、開始動工；第二天看的是業務相關部門和客服怎麼用 agent。不過整天最重要的事，是產品方向轉彎。
• 01:01 原本的構想對剩下的時間來說太過野心勃勃，團隊沒有假裝一切沒事，而是把點子簡化
  ↳ 原本的點子太大，剩下的時間做不完。團隊直接承認，把點子縮小，沒有硬撐到最後才發現什麼都交不出來。
• 01:01 新產品叫 Cupcake：把可分享的 GrokBot templates 變成遊戲角色，每個角色有 charisma、dexterity、intelligence 等屬性
  ↳ 新產品叫 Cupcake：把大家做好、可以分享的 bot 範本（templates）變成遊戲角色，每個角色都有魅力、敏捷、智力等數值，像角色卡一樣。
• 01:01 玩法：匯入或建立 bot，組成三角色隊伍，選一位 captain，安排出場順序，進行三回合自動對戰
  ↳ 玩法是：匯入或自己建 bot，挑三個組成一隊，選一個當隊長（captain），排好上場順序，接著系統自動打三回合，不用你操作。
• 01:31 重要性在於把模糊的商業點子縮成一個明確循環：建角色、組隊、比賽、看結果，讓人和 agents 都有可以測試的東西
  ↳ 「做一個商業產品」太模糊，沒辦法驗證。縮成「建角色→組隊→比賽→看結果」這個固定流程後，人和 agent 都知道要做什麼、怎麼判斷有沒有做對。
• 01:31 第一版原型刻意做得很簡單：在本機執行、使用範例 bots、附 debug 控制項可調整遊戲變數
  ↳ 第一版原型（prototype，先做出來試試的粗略版本）很陽春：只在自己電腦上跑，用現成的範例 bot，還加了除錯（debug）用的控制項，可以直接調遊戲數值。
• 01:31 原型的目標不是好看，而是確認基本互動好不好玩
  ↳ 這個階段不管畫面好不好看，只確認一件事：遊戲玩起來有沒有趣。不好玩的話，畫面再漂亮也沒用。
• 02:01 原型很快就找出問題：部分角色數值算錯、有一個 slider 運作不正常、早期介面像專案看板而不像遊戲、對戰畫面數字太多
  ↳ 一測就抓到問題：有些角色數值算錯、一個滑桿（slider，拖動來調數值的控制條）壞掉、介面像工作進度表而不像遊戲、對戰畫面塞了太多數字。
• 02:01 團隊修正計算、簡化畫面，然後繼續測試
  ↳ 做法很實際：先把算錯的地方修好、把畫面精簡，再繼續測。不是一次改到完美，而是改一點、測一次。
• 02:01 第二天結束時已有：X 登入、串好的後端、captain 選擇器、拖放排順序、配對畫面、三回合對戰、賽後積分變化
  ↳ 第二天收工時已經有：用 X 帳號登入、接好的後端（backend，負責存資料和運算的伺服器那一側）、選隊長、拖曳排順序、配對對手畫面、三回合對戰、賽後分數增減。
• 02:33 尚未完成之處：直播 demo 時用連結匯入 bot 失敗、排行榜沒有正確顯示資料、對戰需要更好的動畫與更清楚的視覺回饋
  ↳ 還沒做好的：直播時貼連結匯入 bot 當場失敗、排行榜（leaderboard）的資料顯示不對、對戰缺少動畫，看不太清楚誰打了誰。
• 02:33 廣告功能還在開發中，尚未完整測試
  ↳ 另外，廣告功能還在做，也還沒完整測過，所以還不能算是完成的功能。
• 02:33 坦白呈現失敗是活動最有用的部分之一：AI agents 做得快，但快速產出仍需要測試、審查，以及有人敢說畫面不行
  ↳ 把失敗直接播出來反而最有參考價值：AI 做得快，不代表做得對。還是要有人測試、有人檢查，也要有人敢直接說「這畫面不行」。
• 03:03 第二個重點是 agent 的組織方式：不用一個大型 bot 包辦一切，而是分成工程、設計、生圖、營運、廣告、測試等專職 agent
  ↳ 另一個重點是 agent 的分工方式：不是叫一個萬能 bot 包辦所有事，而是像公司分部門，工程、設計、生圖、營運、廣告、測試各有專門的 bot。
• 03:03 有一個 agent 根據專案文件重述遊戲規則，讓人類確認它真的理解產品
  ↳ 有一個 agent 讀完專案文件後，用自己的話把遊戲規則講一遍，讓人確認它真的懂。就像交代完工作，請同事再複述一次。
• 03:03 其他 agents 負責做介面變化版本、研究動畫工具、產出視覺方向、審查修改、測試 app
  ↳ 其他 agent 各自負責：做幾種不同版本的介面、研究可以做動畫的工具、提出畫面風格方向、檢查別人的修改、測試 app。
• 03:33 名叫 Crumb 的 play tester bot 會實際點過整個產品找 bug
  ↳ Crumb 是負責遊戲測試（play tester）的 bot，會像真人玩家一樣把整個產品點過一輪，找出 bug（程式錯誤）。
• 03:33 另一個 bot 叫 Dr. Eggbot，負責審查其他 agents 的工作並找出瓶頸
  ↳ Dr. Eggbot 像品管主管，專門檢查其他 agent 的成果，找出整個流程卡住的地方，也就是瓶頸（bottleneck）。
• 03:33 其中一個瓶頸就是人類團隊本身：太多修改在等人 merge 或核准
  ↳ 它找到的卡關點之一竟然是人類自己：很多修改已經做好，卻還在排隊等人合併進正式程式（merge）或按下核准。
• 03:33 警訊：增加 agents 不會自動增加產出；如果每個結果都卡在同一個人工核准關卡，只是蓋了一間很貴的等候室
  ↳ 提醒：agent 多開幾個，產出不會自動變多。如果所有成果最後都要等同一個人點頭，就只是花大錢蓋了一間排隊等候室。
• 04:04 Sales engineering 示範聚焦在研究、客戶知識、競爭情報、準備技術資料
  ↳ 業務技術支援（sales engineering，專門回答客戶技術問題、協助業務成交的角色）的示範，重點在做研究、整理客戶資訊、掌握競爭對手動態、準備技術資料。
• 04:04 講者不是叫一個助理「幫忙做業務」，而是用有名字、職責窄的 bots，例如做 battle cards、監控競爭對手、把技術資訊轉成客戶用的資料
  ↳ 講者沒有只丟一句「幫我跑業務」，而是開了幾個有名字、分工很細的 bot：做競品比較小抄（battle cards）、盯競爭對手、把技術內容改寫成客戶看得懂的資料。
• 04:04 Sales development 示範了一個 prospecting 工作流程，處理一份 25 筆 leads 的名單
  ↳ 開發客戶（sales development，負責找新客戶、做第一次接觸的角色）的示範，是一套找潛在客戶（prospecting）的流程，處理一份 25 筆的潛在客戶名單（leads）。
• 04:37 安全重點：系統只準備草稿，實際寄出什麼仍由人決定；外聯應自動化研究與起草，但最終訊息要經人工核准
  ↳ 安全重點：系統只寫草稿，要不要寄、寄什麼由人決定。對外聯絡（outreach）可以讓 AI 查資料、打草稿，但最後發出去的訊息一定要人看過。
• 04:37 Customer support 用四個 bot 組成的團隊：build、reply、alert、tune
  ↳ 客服（customer support）由四個 bot 組隊，名字分別是 build（建置）、reply（回覆）、alert（提醒）、tune（調整），各管一塊。
• 04:37 流程串接客服平台 Plane，示範退款申請：一位客戶符合退款、一位不符合、第三個案例需要更多資訊
  ↳ 這套流程接上客服平台 Plane，示範處理退款申請：一位符合退款條件、一位不符合，還有一位資料不夠，需要再問。
• 05:07 Bots 可以調查和起草，但最終決定仍由人類負責
  ↳ bot 可以先查資料、寫好回覆草稿，但「要不要退款」這種決定還是由人來拍板。
• 05:07 來賓 Karen X Cheng 分享針對生活小困擾的 agents：包裹追蹤、為減少滑手機設計的晨間報紙、補貨監控、節目追蹤、連接硬體的自動化
  ↳ 來賓 Karen X Cheng 做的 agent 都在解決生活小事：追蹤包裹、做一份晨間報紙讓自己少滑手機、盯日用品該補貨了沒、追蹤想看的節目、串接硬體做自動化。
• 05:07 共同點：從你已經感受到的不便開始；窄的問題通常比「幫我做一個 AI 事業」更適合當起點
  ↳ 共通點是：從自己真的覺得麻煩的事下手。問題越具體越好做，比「幫我用 AI 開一家公司」這種大題目更容易成功。
• 05:38 給一般上班族的建議：從一個可重複的工作流程開始，給每個 bot 明確角色，並定義 bots 之間的交接
  ↳ 給上班族的建議：先挑一件固定重複做的工作，每個 bot 只給一個清楚的任務，並講好誰做完要把什麼交給下一個（handoff，交接）。
• 05:38 寄送、退款、購買、發布、正式環境修改都要放在核准關卡之後
  ↳ 寄信、退款、花錢購買、公開發文、改動正在給真實使用者用的系統，這些做錯很難收回的動作，都要先經過人核准才能執行。
• 05:38 自動化之前，先用貼近實際的例子測試整個工作流程
  ↳ 真的放手讓它自動跑之前，先拿接近真實情況的例子把整個流程跑一遍，例如用上週真的收到的幾封客戶信來測。
• 05:38 衡量的是流程而不只是最終答案：bot 哪裡搞混、工作在哪裡等人、哪個錯誤反覆出現——這些瓶頸告訴你下一步改什麼
  ↳ 不要只看最後答案對不對，要看過程：bot 在哪裡搞混、工作卡在哪裡等人、哪種錯一直重複出現。這些卡關點就是下一步該改的地方。
• 06:09 最大教訓不是 GrokBot 一天建出一家公司（並沒有），而是小團隊用 agents 壓縮了 build-test-learn 循環，直播中的失敗幫他們決定下一步的重點
  ↳ 最大的收穫不是「一天做出一家公司」（也沒做到），而是小團隊靠 agent 把「做→測→學」這一輪（build-test-learn loop）跑得更快，直播出的包反而幫他們決定下一步。
• 06:09 AI agents 的實際價值：不是魔法、也不是完全不用監督，而是在工作界線和審查點清楚時加快進度
  ↳ agent 不是魔法，也不能放著不管。它真正的價值是：工作範圍劃清楚、該檢查的地方有人檢查時，事情能推得比較快。

在 customer support 示範中，四個 bot 的團隊由哪些角色組成？