Gary Chen · YouTube
AI 時代非技術人
最該學的設計能力
把 Human SOP 變成 Agentic Workflow
你不是在學怎麼用 AI，而是在學怎麼設計給 AI 用的工作流——後者越來越值錢。
Human SOPAgentic Workflow Task DecompositionMCP Human in the Loop 訂閱 Patreon
開場
三個核心定義：分清楚才能往下聽
概念一
Human SOP
給人看的傳統流程文件。含步驟、例外、經驗談。

人腦會自動補 context、自己判斷哪步可以省略。
但 Agent 看不懂這些隱含判斷。
概念二
Skill
方法論 + 判斷標準 + 踩過的坑，打包成資料夾交給 Agent。

包含：Skill Markdown（核心 SOP）/ References（參考資料）/ Scripts（可執行腳本）
概念三
Agentic Workflow
多個 Agent + Tools + Skills 串起的完整生產線。

有人理解問題、有人查資料、有人執行動作、有人寫報告。跑完，任務完成。
影片重點：如何把給人看的 Human SOP → 轉成 Agent 能穩定執行的 Agentic Workflow
章節一
為什麼一定要拆解任務？
MegaAgent 的問題
整包丟進去、整包圖出來——中間發生什麼看不見
出錯了找不到下手點，每次執行都像買彩券
大公司不用 MegaAgent，因為要上 Production：穩定性、可觀測性、可修復性
拆解之後
每個 Task 有明確的 Input / Output / 成功標準
分類出錯 → 只修分類的 SOP，不影響其他節點
每個節點可獨立執行、獨立測試、獨立替換
Divide and Conquer
分而治之的老觀念，在 Agentic AI 時代反而更重要
Step 1
格式標準化 — 把 Human SOP 翻譯成 Agent 讀得懂的版本
① 參數化
不寫死具體值 → 改用參數 Template，覆蓋多種情境
例：Mode = Quick / Normal / Delicate
Temperature = Cold / Warm / Hot
③ 結構化格式
# Markdown 區塊分割
## Parameters
mode: Quick | Normal | Delicate

## Steps
1. MUST 先分類白色/深色
2. SHOULD 根據材質選模式

## Error Handling
若無法判斷 → 停下來問人
② Must / Should / May（RFC 2119）
MUST — 硬性規定
Agent 絕對不能跳過
例：先分開白色與深色衣物
SHOULD — 強烈建議
有強烈理由可以例外，但要說明
例：根據材質選洗衣模式
MAY — 可選
做不做都行
例：濕度 > 70% 時使用烘乾機
Step 2
任務拆解與連接 — Pipeline Steps + Artifacts 傳遞
每個 Step = 獨立節點
有自己的 Input 有自己的 Output
可獨立執行、獨立測試、獨立替換
靠 Artifacts（通常是 JSON） 在節點間傳遞，不靠「心電感應」
拆解優勢
分類 Agent 出錯 → 只修分類 SOP
不影響回覆 Agent 的邏輯 ✅
洗衣服範例拆解
1
分類衣物
Input: 衣物清單 → Output: 白色/深色分類
↓ JSON Artifact
2
設定機器
Input: 分類結果 → Output: Mode / Temperature
↓ JSON Artifact
3
判斷晾乾 or 烘乾
Input: 天氣 API + 設定 → Output: 執行指令
Step 3
雙向開發 — 第一版 SOP 一定有問題，迭代才是關鍵
默會知識（Tacit Knowledge）
存在個人腦中、難以用文字明確表達的判斷
你自己也不知道它的存在，直到 Agent 出錯才發現
SOP 的本質就是把默會知識轉成文字明確規則
速度的關鍵不是
寫得多完美，而是迭代得有多快
雙向開發迭代流程
1
用自然語言讓 Agent 幫你寫第一版 SOP
2
實際執行 → 發現問題（衣服縮水、顏色暈染…）
3
回頭補一條規則 → 再跑一次 → 再發現新問題
4
重複幾輪後 SOP 穩定，滿足大多數使用情境
⚠️ 案例教訓：花兩個月寫「完美 SOP」，跑一次就垮——因為覆蓋的全是想像中的情境
改用 Scrum 精神：兩天出粗版，一週跑 50 次迭代，兩週上線
Step 4
整合與執行環境 — MCP + Human in the Loop
MCP — AI 世界的 USB-C
Model Context Protocol：讓 Agent 透過同一套標準呼叫外部工具
ChatGPT、Claude、Cursor 都支援；Anthropic 已捐給 Linux Foundation
一次接好 MCP Server，所有平台都能用，不用為每個框架重寫
Human in the Loop Checkpoint
在高風險決策點，Agent 必須停下來等人確認
例：涉及財務 > 5,000 元 → 停下來等人按 OK
例：安全權限變更 → 必須人工確認
有了 Checkpoint，Workflow 才不是黑箱
而是人類管理、Agent 執行的系統
實戰案例
公司內部請求分類系統 — 四步驟完整示範
Step 1 — 標準化 SOP
參數：Ticket 來源 / 原始文字 / 員工編號
MUST：認證身份 → 分類（IT/HR/Finance/其他）→ 判斷 Priority
MUST：若模糊，產出 2-3 個澄清問題
Step 2 — 拆成兩個 Skill
Skill 1 Internal Request Triage
Input: Ticket 文字 → Output: JSON（Category / Priority / Assignee）

Skill 2 Reply Drafting
Input: Triage JSON → Output: 回覆草稿
Step 3 — 雙向開發
跑第一版 → Assignee 推薦不對
→ 補規則 → 再跑 → Priority 永遠 Medium
→ 補規則 → 幾輪後準確度穩定 ✅
Step 4 — 整合
接上 Notion / Jira / Google Sheet
Human in the Loop：
財務 > 5,000 或安全權限變更 → 等人確認

大致來說：自動分類 → 回覆草稿 → 寫回系統 → 必要時人工確認
方法論總覽
四步驟：Human SOP → Agentic Workflow
1
格式標準化
參數化（Template）
Must / Should / May
結構化 Markdown
2
任務拆解與連接
Pipeline Steps（獨立節點）
JSON Artifacts 傳遞
出錯只修那一段
3
雙向開發
第一版一定有問題
默會知識 → 文字化
快速迭代 > 完美規劃
4
整合與執行環境
接上真實工具（MCP）
Human in the Loop
可觀測、可修復
結語
設計給 AI 用的工作流，才是長期競爭力
本週練習
找你最無聊但一直在重複的 Human SOP
（週報 / Onboarding / 發票報帳…）
照四步驟跑一遍
先做一個節省 30% 時間的版本，再慢慢迭代
前者（學怎麼用 AI）半年就會過時
後者（設計 AI 工作流）越來越值錢
影片附件
5 個 Prompt 工具包，幫你：
① 把最重複的 SOP 拆解成 Agentic Workflow
② 寫出規範的 Must/Should/May 格式
詳見影片資訊欄
支持創作
有需要請到 Gary Chen 的 Patreon 訂閱
patreon.com/cw/GaryChen