Build Hour：ChatGPT 裡的 Workspace agents（第 2/3 段） ☕ Buy me a coffee

🧑‍🏫 這段示範 Workspace agents（在 ChatGPT 公司工作空間裡建立、能連公司系統並自動做事的 AI 代理）怎麼試跑、排程、分享給同事，接著從零開始做一個在 Slack 處理軟體申請的代理。它完整展示了代理怎麼從個人小幫手，變成整個團隊共用的工具。

• 12:38 Preview run 可以看到代理的完整操作過程，包括它如何從其他系統擷取資訊，以及它的 chain of thought。
  ↳ Preview run（預覽執行）就是正式上線前先試跑代理。你能看到它每一步做了什麼、從哪些系統抓資料，還能看到 chain of thought，也就是它一路怎麼推理、怎麼下判斷。
• 12:38 這個畫面不需要一直盯著，一般使用者也不一定每次都會看到。它主要適合用在預覽測試，也可以用來查看代理過去的執行紀錄。
  ↳ 這個畫面不用全程盯著看，一般使用者平常也不一定會看到。它主要用在試跑時檢查，或事後回頭查代理以前跑過的紀錄。
• 13:09 剛開始建置代理、還沒放進 production 環境前做測試時，這個功能特別有用。
  ↳ production 指正式上線、大家真的在用的環境。代理剛做好時最容易出錯，先在預覽裡試跑、看清楚它怎麼做，比上線後才發現問題省事得多。
• 13:40 執行時可以看到代理的高階計畫，也能看到每個步驟在做什麼、存取了哪些檔案，以及如何運用 skills。
  ↳ 試跑時會先看到代理的整體計畫，再看每一步的細節，例如開了哪些檔案、用了哪些 skills。skill 是你替代理準備的能力，例如照固定範本產出報告。
• 14:17 講者採用「cooking demo」的做法，像電視烹飪節目直接端出烤好的菜一樣，跳到之前已執行完成的結果。
  ↳ cooking demo 是講者的說法：烹飪節目不會現場等蛋糕烤一小時，而是直接端出烤好的。代理實際執行要花時間，所以他直接跳到之前跑完的結果。
• 14:17 執行結果是一封格式完整的 email，裡面有所有需要的會議簡報，內容根據講者的行事曆和隔天所有客戶會談產生。
  ↳ 最後的成果是一封整理好的 email。代理讀了講者的行事曆，把隔天每場客戶會議的準備資料都寫進去，打開就能直接看。
• 14:47 隔天行程很滿，要準備與 Blossom Mart、Petal Pay、Nectar Works 三家客戶的會議。
  ↳ 示範情境是講者隔天行程很滿，要跟 Blossom Mart、Petal Pay、Nectar Works 三家客戶開會，每場都需要事先準備。
• 14:47 代理會在 Google Drive 裡搜尋所有客戶聯絡資料，也可能上網做研究來補充資訊。
  ↳ 代理會自己到 Google Drive（雲端硬碟）找出這幾家客戶的聯絡資料，資料不夠時也可能上網查、補齊背景，講者不用一份份翻。
• 15:17 代理運用 skill 產出格式化文件，內容包含 executive readout、customer snapshot、meeting objective，這些都是講者範本裡平常會看的項目。
  ↳ 代理用 skill 套用講者的範本產出簡報，包含 executive readout（重點摘要）、customer snapshot（客戶概況）、meeting objective（會議目標）。
• 15:17 簡報可以分享給團隊成員，讓大家清楚會議議程，以及與客戶會議的共同目標和預期成果。
  ↳ 這份簡報可以直接轉給一起出席的同事，大家事先就知道議程和這次要談成什麼，不會到會議室才各說各話。
• 15:17 講者表示這個代理每天幫他省下好幾個小時的會議準備時間，他可以在通勤路上或空檔時閱讀。
  ↳ 講者說這個代理每天替他省下好幾個小時的準備時間。簡報到手後，他利用通勤或會議之間的空檔讀完就好。
• 15:47 講者不必再做這些手動工作，因為他的代理會依排程自動完成。
  ↳ 以前要自己翻資料、整理重點的手工活，現在代理會在排好的時間自動跑完，講者不用記得去叫它。
• 15:47 測試完成後，就可以開始分享和發布這個代理。
  ↳ 預覽試跑確認沒問題後，下一步就是把代理分享出去、正式發布，讓它開始真的上工。
• 16:17 可以替自己設定排程，講者的工作流程設定為每天執行。
  ↳ 你可以替代理設定排程，讓它定時自己啟動。講者設成每天跑一次，所以每天都會收到會議簡報。
• 16:17 開啟分享後，workspace 裡的任何人都能使用這個代理，也能複製並 remix。
  ↳ 開啟分享後，同一個 workspace（公司在 ChatGPT 上的共用工作空間）裡的人都能用這個代理，也能 remix，就是複製一份，再改成自己要的版本。
• 16:17 舉例來說，如果同事用的是 SharePoint 而不是 Google Drive，他可以修改這個代理，並用 ChatGPT 重新設定。
  ↳ 例如同事的檔案放在 SharePoint（微軟的企業檔案共享平台），不是 Google Drive。他可以複製這個代理，用對話請 ChatGPT 改設定，不必從頭做。
• 16:48 也可以加入額外步驟，例如在簡報整理好之後，再讓 ChatGPT 製作 slide deck。講者強調 Workspace agents 有很高的客製彈性。
  ↳ 還能加步驟，例如簡報整理完，再請 ChatGPT 做成 slide deck（投影片）。講者強調 Workspace agents 可以依需求高度客製。
• 16:48 課後可以參考 cookbook 來實際操作這些代理。
  ↳ cookbook 是附步驟和範例的實作教學。看完影片後，可以照著它一步步動手做出這些代理。
• 17:22 會議準備代理的建置流程回顧：用自然語言建立代理、設定 app 參數與存取權限、啟用 skills 與 memories、執行 agent preview 檢查行為，確認沒問題後分享給團隊使用。
  ↳ 流程回顧：用平常說話的方式描述需求來建代理→設定要連的 app 和存取權限→打開 skills 和 memories（記憶）→用 agent preview 試跑檢查→沒問題再分享給團隊。
• 17:53 第二個範例是軟體審查代理（software review agent），一開始就以服務組織或團隊成員的需求為重點。
  ↳ 第二個例子是軟體審查代理，負責處理員工的軟體申請。它的設計重點從一開始就不同：不是只服務講者自己，而是服務整個組織或團隊的人。
• 17:53 這個範例參考的是 OpenAI 內部一個實際運作中的代理，它放在其中一個 Slack 頻道裡。
  ↳ 這個例子參考 OpenAI 內部真的在跑的代理，它就待在公司的一個 Slack 頻道裡。Slack 是很多公司在用的團隊聊天工具。
• 17:53 講者提到，各家公司通常都有一個頻道，員工會在那裡提出大量、敏感或有時效性的軟體工具申請。
  ↳ 講者說幾乎每家公司都有這種頻道，員工在裡面申請想用的軟體。申請量很大，有的牽涉敏感資料，有的又很急。
• 18:24 講者覺得這類頻道常像 chatbot，只丟連結給使用者，使用者還得自己查資料。他認為應該由代理代為執行這些工作。
  ↳ 他認為這類頻道常像 chatbot（只會回固定答案的聊天機器人），丟個連結就要你自己去查。他覺得應該讓代理直接把查資料、做判斷的事情做完。
• 18:24 代理會研究使用者申請的廠商有哪些功能，與已核准的 approved stack 比較，並考量現有工具的使用率等細節，接著提供建議或直接採取行動。
  ↳ 代理會查你申請的軟體能做什麼，拿去和 approved stack（公司已核准的軟體清單）比較，也看現有工具用的人多不多，再給建議或直接處理。
• 18:55 遇到需要 human in the loop 的情況，代理可以把案件升級到 Jira。
  ↳ 遇到需要 human in the loop，也就是一定要有人來判斷的案子，代理會把它升級到 Jira（常用的工作追蹤和開單系統），交給負責的人處理。
• 18:55 這個代理在內部替 IT 團隊省下大量時間，也減少了重複購買工具的支出和工具氾濫（sprawl）。
  ↳ 這個代理在 OpenAI 內部替 IT 團隊省下大量時間，也少花冤枉錢買功能重複的工具，並減少 sprawl，也就是工具越買越多、四處散落的情況。
• 18:55 講者從零開始建置，要展示就算代理比個人會議準備代理更複雜，也能從同樣的起點開始。
  ↳ 講者這次從零開始做，想證明就算這個代理比會議準備代理複雜，起點還是一樣：用說的描述你要它做什麼。
• 19:26 這次的 prompt 會帶入一個 skill，這個 skill 由採購（procurement）團隊建立，把他們在這類決策與評估上的工作流程和最佳實務寫成規範。
  ↳ 這次的 prompt（給 ChatGPT 的指令）會帶進一個 skill。這個 skill 由 procurement（採購）團隊寫好，記錄他們平常怎麼評估、決定要不要買軟體。
• 19:58 做法和上一個代理相同：先說明代理會用到哪些系統與工具，再提供 skill，由 ChatGPT 把所有東西串接起來。
  ↳ 做法跟前一個一樣：先講清楚代理要用哪些系統和工具，再把 skill 給它，剩下的串接工作交給 ChatGPT 處理。
• 19:58 講者鼓勵觀眾帶入自己擅長的流程，打造一位能協助甚至接手工作的 agentic team member。
  ↳ 講者鼓勵大家把自己最熟的工作流程放進來，做出一個 agentic team member，也就是能主動做事的 AI 同事，幫你分擔甚至接手部分工作。
• 20:29 和上一個代理一樣，建置時會先出現 agent plan，確認沒問題後就開始建置。
  ↳ 跟上一個一樣，建置前會先出現 agent plan，也就是代理打算怎麼做的計畫。你看過覺得沒問題，它才開始動手建。
• 20:29 正式運作的代理使用的是軟體管理平台和一個 custom MCP。這次示範為了簡化，把資料改放在 Google Sheets。
  ↳ 正式版代理連的是軟體管理平台和 custom MCP。MCP 是讓 AI 連接外部工具和資料的標準，custom 指自己做的版本。示範為了簡單，資料改放在 Google Sheets。
• 20:59 資料內容包含所有已核准軟體、各工具目前的使用率，以及每項工具的功能。這樣代理從 approved stack 推薦工具時，才能確定真的符合使用者需求。
  ↳ 試算表裡有所有已核准的軟體、各工具目前多少人在用，以及各自有哪些功能。有這些資料，代理推薦現有工具時，才能確定真的符合申請人的需求。
• 21:29 講者接著會展示如何把代理帶進 Slack，也就是員工實際提出申請的介面。
  ↳ 接著講者要把代理接進 Slack。員工本來就在那裡提申請，代理直接在原地處理，大家不用改去別的地方。
• 21:29 講者說，看著 ChatGPT 把所有設定組合起來、並且能一路跟著看，是他最喜歡的產品環節之一，鼓勵大家第一次操作時親自試試看。
  ↳ 講者說，看 ChatGPT 一步步把所有設定組起來，而且能全程跟著看，是他最喜歡的部分之一。他建議大家第一次自己動手時，好好看一遍。
• 21:59 建置過程產生了 instructions 後，講者跳到之前調整好的版本，先說明幾個設定步驟，再進 Slack 做即時測試。
  ↳ 建置產生了 instructions（代理的工作說明，寫它該怎麼做事）之後，講者跳到事先調好的版本，先講幾個設定，再到 Slack 實際測試。
• 21:59 代理可以加入 Slack。設定時可以指定代理在哪個頻道運作，也可以選擇只在被提及時回應，或回應頻道中所有它能處理的相關訊息。
  ↳ 代理可以加進 Slack。你能指定它在哪個頻道工作，也能選擇它只在被 @ 標記時回應，或是主動回覆頻道裡所有它能處理的相關訊息。
• 22:31 也可以為 Slack 加上額外 instructions，例如如何處理申請、如何在 thread 中回覆。講者強調 Slack 整合有很多可客製的地方。
  ↳ 還能另外寫給 Slack 用的 instructions，例如怎麼處理申請、在 thread（某則訊息底下的討論串）裡怎麼回覆。講者強調這部分能調整的地方很多。
• 23:03 Memory 讓代理能儲存筆記、情境和產出等內容，使它的工作流程隨時間越做越好。
  ↳ Memory（記憶）讓代理把筆記、背景情境和做過的成果存下來，下次可以接著用，所以它做同一件事會越來越上手。
• 23:03 Memory 可以理解成代理保留的一組持久性情境，代理在工作流程中運用它的方式就像運用 skills 和 tools 一樣。
  ↳ 可以把 memory 想成代理一直保留的一份資料，不會跑完就消失。它工作時查這份資料，就跟使用 skills 和工具一樣。
• 23:36 每個代理的畫面都能看到它的所有活動。這裡集中列出所有過去的執行紀錄，可以進去查看細到每一步的 agent trace。
  ↳ 每個代理都有活動頁，集中列出過去每次執行的紀錄。點進去能看 agent trace，也就是那次執行從頭到尾每一步的詳細過程。
• 24:07 這對自主運作的代理特別實用。所有申請都會集中稽核並記錄下來，而且可以透過 API 匯出。
  ↳ 這對自己運作、沒人盯著的代理特別重要。每筆申請都會集中記錄、可以稽核，還能透過 API（讓其他系統讀取資料的介面）匯出。
• 24:07 講者在 Slack 頻道發起一個測試案例。他提到代理的回應會比 chatbot 花更多時間，所以會先跳到回應結果。
  ↳ 講者在 Slack 頻道發了一個測試申請。代理要實際查資料、推理，所以回得比一般 chatbot 慢，他就先跳到已經回好的結果。
• 24:37 Slack 裡會出現對話框，表示代理已收到訊息、正在處理。代理會研究 Screen Studio，對照政策、skill 和已核准軟體廠商清單推理，最後回覆使用者建議或說明已採取的行動。
  ↳ Slack 會先顯示代理已收到、正在處理。接著它研究被申請的 Screen Studio（一款螢幕錄影軟體），對照政策、skill 和核准清單推理，最後回覆建議或說明已採取的行動。

在這次示範中，軟體審查代理使用的模擬資料（已核准軟體、使用率、功能）放在哪裡？