跳到正文

#Agent

RSS
今日 18 則
11月22日週日
  1. Dev.to Top Tech76

    StudioVisualIdentity 用一個提示詞打造 18 種短影片風格

    自己做短影片時,常會不小心用上和別人很像的版型、字幕和動畫。作者開源了 StudioVisualIdentity,整理出 18 種視覺風格,每種都有設計規則和實際做出的短片,也提供一個提示詞,讓 AI 助理挑選風格並建立新的製作專案。作者還比較了兩種判斷風格是否不同的方法:看顏色和線條的程式測試把 4 支短片分錯,盲測則把 72 個畫面全都分對。這提醒我們,判斷視覺風格不能只看配色,還得看形狀、字型和呈現方式。

    推薦理由:這個專案把 18 種短影片視覺風格整理成 AI 助理可讀的設計資料,並用盲測結果說明單看顏色與邊緣容易誤判風格差異。

  2. Dev.to Top Tech48

    怎麼確認 AI 助理真的做了它聲稱完成的工作?

    光看 AI 助理交出的結果或它自己的說明,沒辦法確認工作真的做過。文章整理出三種造假方式:根本沒執行、執行的內容和說法不同,或事後修改結果。比較可靠的查法,是看執行系統當下留下的紀錄,再重新計算紀錄裡的 SHA-256 雜湊,確認結果有沒有被改過。文中的例子用 Zambo 查詢 ETH 價格,重新計算後雜湊相同;但這只能證明結果沒被事後修改,不能證明價格正確。

  3. Dev.to Top Tech69

    讓 AI 助理替你花錢安全嗎?作者提出三道可查核的把關方式

    讓 AI 助理替人付款,光靠提示詞要求它別超支並不可靠。作者認為,安全要靠系統本身設下不能自行調高的花費上限、每筆消費都留下他人能重新核對的紀錄,以及在付款前留下明確核准。文中舉例,一次消費因共用每日上限而在執行前被擋下,公開紀錄也能重新計算雜湊值核對;另一筆旅館訂房報價則公開了付款與退款條件供人查驗。不過,作者也指出其中一項補償金額缺少計算公式。這些做法能讓花費和核準過程更容易追查。

  4. Dev.to Top Tech52

    AI 助理呼叫逾時後可能重複付款,Zambo 說明如何用重播避免重做

    AI 助理呼叫付款或訂位工具後,如果回應在傳送途中遺失,就無法知道事情到底有沒有完成;直接重試可能讓同一筆操作做兩次。Zambo 的做法是先記下操作編號和預期結果,再讓重試取回已記錄的結果,不重新執行。文章展示兩份測試紀錄:一份前後效果數量都是 1;另一份雖然成功取回資料,但沒有儲存回應內容,也沒比較重試前後的效果數量,因此還不能證明重試不會重做。作者建議檢查實際效果數量,並留下完整回應紀錄。

  5. Dev.to Top Tech52

    怎麼確認 AI 助理真的訂好行程?查核工具留下的收據

    AI 助理說「訂好了」,不代表訂位系統真的完成預約;它可能根本沒送出請求,也可能遇到失敗,或訂到不同條件。作者建議檢視執行系統留下的收據,確認是哪個工具在什麼時間執行,以及系統實際回傳了什麼,再重新計算摘要值,檢查紀錄有沒有被改過。文章也把結果分成已驗證、驗證失敗、無法查閱、尚未檢查和沒有紀錄五種狀態,提醒「尚未檢查」不等於已確認,「沒有紀錄」也不能直接當成預約失敗。

  6. Dev.to Top Tech49

    Zambo 如何留下 AI 助理每次工具呼叫的公開查核紀錄

    想知道 AI 助理到底呼叫了哪些工具,光看服務商帳號裡的紀錄,外人通常無法檢視,也難以確認內容有沒有被改過。Zambo 會替經過它的每次工具呼叫留下收據,記下工具、時間和結果的雜湊值,並把收據接在同一項工作的上一筆紀錄後;即使呼叫被擋下、工具根本沒執行,也會留下紀錄。任何拿到連結的人都能免費查核。比如價格查詢留下了 ETH 為 $1,621.82 USD 的結果,其他人可以重新計算雜湊值,確認內容是否一致。不過,收據只能證明結果存下後沒有被改過,不能證明結果正確;AI 助理若透過其他連線呼叫工具,也不會出現在這份紀錄裡。

  7. Dev.to Top Tech35

    LangSmith 替代方案怎麼選?看你要除錯紀錄,還是別人也能查驗的紀錄

    團隊常把 AI 助理的執行紀錄拿來除錯,但如果客戶或稽核人員也得檢視,只有放在自家帳號裡的紀錄就不太夠用。Langfuse 和 AgentOps 適合團隊追查問題;Langfuse 每月 $29 起,AgentOps Pro 每月 $40 起。若要讓外部的人也能查驗,可看 ASQAV 和 Zambo:前者 Pro 每月 $39、年繳,保留紀錄 1 年;後者每月 $29,會替工具呼叫留下收據,任何人都能重新核對內容有沒有被改過。 不過,收據只能證明存下來的結果沒有被動過,不能證明答案正確,也不能拿來除錯。若既要追查 AI 助理出了什麼問題,又要讓外部的人確認紀錄,就得分別準備這兩種工具。

  8. Dev.to Top Tech42

    Orca 如何讓 Claude Code 和 Codex 的合作流程更順手

    用 Claude Code 和 Codex 一起寫程式時,常得先整理一份 task.md,交代問題、檔案位置和做法;如果 GitHub issue 已經寫得很清楚,這份檔案就可能只是重複工作。作者改用 Orca,從 issue 挑出工作後,替它建立獨立的工作區,再開啟 Claude Code 或 Codex,並用快捷指令重複執行調查、修改和檢查步驟。 以 JobSearchBuilder 的 issue #47 為例,作者先確認怎樣才算修好,再讓 AI 助理處理,最後親自檢查修改內容並執行 dotnet build 和 dotnet test。需求複雜或模糊時,task.md 仍然有用;簡單明確的工作則可直接從 issue 開始,少做一份重複檔案,也比較不容易把不同工作的修改混在一起。

  9. Dev.to Top Tech72

    AI 程式助理讓提交量增加 240%,軟體發布量只增 30%

    AI 程式助理能寫出更多程式碼,但這些程式碼不一定更快變成正式發布的軟體。文章整理多項研究,指出超過 500,000 名 GitHub 開發者的提交量增加 240%,專案數增加 80%,發布量則增加 30%;其他實驗對 AI 是否能加快工作,也得到不一致的結果。多出的程式碼仍要花時間檢查、測試和修正,文章因此建議團隊改看通過審查與部署的變更,讓 AI 在開發過程中提供回饋,並把工作切成較小批次。

  10. The New Stack44

    Agentic AI Foundation 的 Angie Jones:AI 助理發展像坐雲霄飛車,工程師得學會跟上

    AI 助理讓新人更快寫出程式修改,但每個提案仍要有人檢查,決定哪些值得採用。Angie Jones 曾讓 Block 的 10 位新人在陌生程式碼中使用 AI 助理解決客戶問題;她也分享 Goose 的做法:先討論問題和設計,再動手改程式,維護者也會用 AI 助理整理問題、檢查程式碼和做安全掃描。 Jones 認為,開發者除了學會使用 AI 助理,也要懂得怎麼打造可靠的 AI 助理,例如限制它能做什麼、能讀取哪些客戶資料。像 MCP 和 A2A 這類共同標準,能讓開發者在工具改變時仍有基礎可依循;而新人熟悉怎麼讓 AI 助理開始工作,資深工程師則能協助判斷哪些修改適合推出。

  11. Dev.to Top Tech56

    Tej Pandya 分析印度購物 AI 如何證明在地優勢

    在印度做購物 AI,光是換成在地品牌或加上聊天介面,不一定能讓顧客買得更好。Tej Pandya 提出一套評估方法,建議先挑一種明確任務,例如找出尺寸合適、含運費不超預算,而且能送到指定 PIN code 的鞋子,再檢查商品是否有貨、價格和退貨條件是否可靠。測試時也要和顧客原本會用的購物網站、搜尋引擎或全球 AI 助理比較,並算進客服、退款與人工處理的成本。語言、在地商品和配送服務都可能成為優勢,但要用實際成果證明。

  12. Dev.to Top Tech58

    如何讓多個 AI 助理同時寫程式,又不互相覆蓋檔案

    多個 AI 助理同時寫程式,可能改到彼此的檔案、搶用同一個連線埠,或拿舊程式碼合併。作者建議每個 AI 助理使用自己的 Git worktree 和分支,開始前先認領工作、列出預計修改的檔案,避免重複處理同一項任務。各自的連線埠、快取和測試資料庫也要分開;合併時先處理共用的介面或資料格式,再更新其他分支並重新測試。這些安排能減少衝突,也讓團隊更容易確認最後交付的版本確實通過檢查。

  13. Dev.to Top Tech62

    如何防止 AI 助理改掉自己的驗收條件

    如果 AI 助理能自己修改判斷工作是否完成的條件,測試通過也不一定代表工作做對了。作者示範一種檢查方法:開始前記下存放上限和測試的檔案內容,工作結束後再比對;只要這些檔案有變動,就先不接受結果。範例中,AI 把上限和測試一起改成 12,檢查仍會擋下來。不過,它只看事先指定的檔案,若把新上限寫到別處就抓不到,因此還是需要行為測試和人工檢查。文中也提醒,設定值能讀程序式,不代表它真的會影響執行結果。

  14. Dev.to Top Tech53

    作者推出 QuietOS,替 AI 助理的工具操作加上安全關卡

    AI 助理使用工具時,可能提出不該執行的操作;QuietOS 是作者做的安全防護層,放在 AI 模型和工具之間,逐一檢查每個動作。它會直接允許安全、唯讀且可復原的操作,把需要人確認的動作交由人核准,並封鎖破壞性指令和未授權寫入。檢查規則由一般程式碼執行,不讓另一個大型語言模型負責把關。作者表示,他們測試了 18 次對抗攻擊,封鎖 15 次,並修補其餘 3 個漏洞;這些是作者公佈的測試結果。

  15. Dev.to Top Tech61

    Dynatrace 收購 Arize 後,AI 可觀測性如何從原型走到正式運作

    AI 助理可能回答錯誤、花費過高或繞遠路,但一般監控顯示服務正常,團隊就不容易找到原因。Dynatrace 完成收購 Arize 後,文章整理 AI 可觀測性如何串起模型呼叫、資料檢索、工具使用、服務狀況與業務結果;文中也說明 Arize AX 和 Dynatrace 平臺仍分開提供,Phoenix 仍是開源專案,整合時程尚未公佈。實作上可從原型階段開始記錄追蹤資料,用 OpenTelemetry 建立評估,再把正式環境中答得不好的案例加入測試,持續檢查品質變化。

  16. Dev.to Top Tech64

    AI 助理會把哪些 SaaS 服務留在外部?作者整理五種必要的「軌道」

    AI 助理能接手部分資料整理和工作流程,但有些服務仍得向外租用,像是付款、電話、聯絡資料和身分驗證。作者把這些服務比喻成軌道,整理出五類依賴,並用 ACP、AP2、x402 和 ChatGPT Wallet 說明付款方式各有不同:有的用授權指令留下紀錄,有的要求使用者每次核准。文章也提醒,供應商提供 AI 助理介面,不代表企業軟體已被取代;規劃時還得考慮人工核准、外部服務費用,以及誰負責資料和規則。

  17. Dev.to Top Tech54

    房產管理如何替 AI 助理設支出上限並記清租戶帳單

    AI 助理執行昂貴工作時,管理者得同時控制總支出,也要知道每筆費用算在哪位租戶名下。文章建議把帳戶支出上限放在 AI 助理無法修改的地方,並在執行前估算費用、替進行中的工作保留額度,完成後再用實際費用核對帳目。文中的示例裡,cedar 已用掉 70 個單位、另有 20 個單位保留,再加上預估 15 個單位就會超過 100,因此應拒絕這項工作。這能讓支出拒絕與租戶歸帳都有清楚依據;示例數字只是說明用途。

  18. Dev.to Top Tech45

    值得收藏的 GitHub 專案:本機模型、編輯器裡的 AI 助理與 LLM 開發工具

    想在自己的電腦跑模型、在寫程式時用 AI 助理,或動手做 LLM 專案,可以從這份 GitHub 清單找工具。像 Ollama 能用一個指令下載並執行模型,Cline 能在 VS Code 裡讀取專案、修改檔案和執行指令;LiteLLM 則提供一個 API 連線 100 多種模型。清單也收錄 ComfyUI 這類圖片與影片生成工具,以及學習系統設計和動手做專案的教材,方便依照自己的需求挑選。

  19. Dev.to Top Tech68

    作者替 AI 助理的 x402 付款流程加入付款前查核與付款後紀錄

    AI 助理用加密貨幣付 API 費用時,賣家提供的收款地址和價格可能有變,付款後也不一定知道服務是否真的交付。作者在簽署付款前,先用 vet402 查核賣家與實際交易條件;若賣家不在資料庫,或價格、收款地址對不上,就暫停付款,交由人決定。付款完成後,系統再記錄服務回應狀況;串流回應即使送出 200,也不直接當成服務成功。這些紀錄不會自動阻擋賣家,主要用來留下可追查的證據。

  20. Dev.to Top Tech70

    如何在受管制系統中管理 AI 助理

    銀行和醫療系統要讓 AI 助理處理重要工作,得先確保它看得到什麼、能做什麼,也能追查它做過的事。文章整理了管理步驟:記錄每個 AI 助理的負責人和許可權,先在模擬環境測試,再設定並監看規則、留下稽核紀錄,並由人員監督重要操作。資料也可能單獨看來沒問題,合在一起卻變成個人資料,因此每次查詢、收件物件或資料處理地點改變時,都要重新檢查。只在上線時檢查一次,可能漏掉後續變化。

  21. Dev.to Top Tech64

    Dongbum Lee 分享如何用 SDLC Harness 把開發標準帶進 AI 輔助開發

    AI 助理能很快寫出第一版程式,但不同次產出的程式可能不一樣,也未必符合組織的開發標準,後續維護和交接就成了難題。Dongbum Lee 把解法稱為 SDLC Harness:先把組織的標準放進開發流程,再用檢查關卡確認每個階段都有照著做;工程師和 AI 助理累積的經驗,也會留下來供後續工作參考。這套開源工具涵蓋從需求到回顧的十個階段,若檢查未通過,工作會退回修正再檢查。作者認為,讓 AI 寫程式更容易融入組織,關鍵在於準備好自己的標準和流程。

  22. Dev.to Top Tech44

    Lindy、Gumloop、Relevance AI 和 Bardeen 的 AI 助理工具怎麼收費?價格比較

    Lindy、Gumloop、Relevance AI 和 Bardeen 都用不同方式計算費用,有些收點數,有些還要按使用者人數收費,所以光看月費不容易比出誰划算。像 Gumloop 的 Pro 方案每月 $37,提供 20,000 點數,另收 8% 的流程安排費;Relevance AI 目前只列出企業方案,沒有公開價格。這些平臺的點數各有演算法,買之前要看清楚每點能做什麼,也要到各家網站確認最新價格。

  23. Dev.to Top Tech56

    AI 寫程式讓開發更便宜,但團隊仍得想清楚要做什麼

    AI 工具讓寫程式更容易,也讓更多人能做出產品,但不一定能讓每個團隊都更快。文章整理的研究顯示,用 Copilot 寫一個全新的 HTTP 伺服器,受試者快了 55.8%;另一項研究則發現,熟悉大型程式庫的開發者使用 AI 後慢了 19%。作者也提醒,產品做得快,仍可能沒人需要;文中引用的資料顯示,43% 的受調查新創倒閉案例提到產品和市場不合。文章最後提出先查證問題、用便宜方式測試,再決定是否開發的六步做法。

  24. Dev.to Top Tech57

    如何每週和客戶對談,讓產品團隊及早修正方向

    產品團隊如果隔很久才問客戶意見,可能會花好幾個月沿著錯的假設做產品。文章整理一套每週持續探索的做法:先選定想改善的目標,每週安排一次短訪談,讓產品、設計或工程團隊成員直接聽客戶分享,再把訪談內容和產品決策連在一起。招募可以用產品內邀請和預約連結減少來回聯絡;AI 可協助轉錄、分類和整理,但模擬使用者的回答不能當成真實客戶證據。

  25. Dev.to Top Tech54

    面對 AI 時代的軟體複雜度,6 個程式碼審查習慣讓變更更容易理解

    AI 助理能產生更多程式碼,但團隊可能更難看懂整個系統,也更難判斷改動會帶來什麼影響。作者整理出 6 個程式碼審查習慣:先用一句話說清楚改動目的,再對照程式碼;連同周邊模組、套件和測試一起看;遇到團隊沒人能解釋的新部分,就追問它的用途;合併前也要想清楚出錯時會怎樣、能不能復原。文中提到的系統性失靈是他人的觀點,六個習慣則是作者自己整理的實務做法,不能當成事故原因的研究證據。

  26. Dev.to Top Tech49

    Playwright CLI v0.1.10 加入依照規格維護測試的 AI 助理技能

    測試程式寫好後,如果規格或網站改了,測試可能跟不上,久了就會失去作用。Playwright CLI v0.1.10 加入一套技能,讓 AI 助理照著書面規格規劃測試、產生程式碼,也能協助修正失敗的測試;不過這版只提供做法,還不會自動發現規格變更並開始修補,團隊得自己接上這段流程。這次也改進了網路請求檢查,請求會有固定編號,資料能直接交給其他工具處理,不必先刪掉外層文字。這讓測試更容易配合 CI 工作流程,但要讓 AI 助理自動維護測試,仍需要額外設定。

  27. Dev.to Top Tech48

    ERPoida 如何讓 Claude 透過 MCP 使用 ERP 資料,並遵守使用者許可權

    有些 ERP 示範讓 AI 助理用共用帳號讀寫資料,可能讓它看到比提問的人更多的薪資、發票和客戶資料。ERPoida 讓 AI 助理以使用者身分登入,每次操作前都檢查這個人能開哪些功能、能看哪些紀錄與欄位,並留下紀錄。像是業務員問全公司的薪資,系統就會像在畫面上操作一樣拒絕,連拒絕也會記錄下來。 使用者也能用 Claude 或 ChatGPT 透過 MCP 查詢資料、草擬逾期發票提醒,或新增欄位和畫面;AI 助理能做的事不會超過使用者本來的許可權。財務資料另有資料庫規則把關:不平衡的分錄會被拒絕,已過帳的發票不能直接修改或刪除,必須用貸項通知單更正。這樣既方便用白話處理工作,也能讓重要帳目依規則留下紀錄。

  28. Dev.to Top Tech52

    技術產品經理如何用六層工具串起 AI 工作流程

    技術產品經理常得在訪談紀錄、產品資料、規格和程式碼之間搬資料,AI 助理也因此難以掌握完整背景。這篇指南把工具分成六層,從整理客戶回饋、檢視產品使用情況,到寫規格、做原型和協助開發,再用 MCP 連線資料,並用 AGENTS.md 告訴程式開發工具產品背景。作者也估算,個人精簡配置每月約 $20,較完整的配置約 $65;五人團隊約 $335。文中提醒,AI 產出的規格與程式碼仍要由人檢查。

  29. Dev.to Top Tech48

    My Virtual Office 變成 3D 畫素辦公室,Classic 2D 也保留

    AI 助理的虛擬辦公室升級後,傢俱、牆壁、角色和寵物都變成能轉動觀看的 3D 畫素模型,轉動時仍看得出清楚的畫素風格。你可以每次轉 45°,也能切換成從正上方看的畫面;辦公室還會呈現白天和夜晚的燈光與陰影。想繼續用原本的 2D 畫面也沒問題,能在設定中立即切換,不必重新載入。這次更新讓辦公室多了新視角,也保留原本的使用方式。

  30. Dev.to Top Tech43

    AI 客服怎麼避免答錯:6 個真實案例與改善方法

    AI 客服有時會承諾公司沒答應的退款、引用不存在的規定,或把別人的訂單資料回給客人。作者整理出 6 個實際案例,發現多半是資料沒整理好、規則互相打架,或系統漏看了重要資訊。像是客服和客人來回談了 25 次,退款承諾藏在訊息中間,AI 沒找出來;後來先把對話整理成附有來源和日期的重點,輸入資料也從 37,604 個 tokens 減到 4,722 個,回覆才答對。 改善方法包括:資料沒有提到的內容就不要硬寫、提供目前日期、檢查訂單編號的辨識方式、每次回覆前先查常見問答,並針對最新一封信重新產生自動回覆。這些做法提醒我們,AI 答錯時,先找它缺了什麼資料或用了什麼錯誤規則,通常比只叫它「小心一點」更有用。

  31. Dev.to Top Tech43

    MVP 開發流程怎麼做?先驗證一個核心工作流程,再逐步擴大

    做新產品時,團隊常急著寫程式、加功能,結果花了好幾週做出來的畫面,使用者根本很少用。比較好的做法是先挑出一件最常卡住的工作,訂出怎樣才算真的有幫助,例如使用者能不能反覆完成任務,或能不能省下時間,再做出一小段完整流程給人試用。 試用後,觀察大家在哪裡停下來、改用手動處理,或常常來問問題,再先修最卡的地方。若流程有 AI,也要先想好它能處理哪些資料、沒把握時怎麼轉交給人。等確認大家真的需要這套流程,再投入更多時間做完整軟體;這樣比較不容易把力氣花在沒人需要的功能上。

  32. Dev.to Top Tech66

    AI 直接替產品打分不可靠,這篇教你用文字回答改善評估

    把產品點子交給 AI,請它用 1 到 5 分判斷大家會不會買,常常得到差不多的分數,難以看出不同產品的差別。這篇文章整理一項研究:先讓 AI 用自己的話回答,再把回答和各分數的參考句比較,算出每個分數的可能性。研究中,這種方法和真人評分分佈的相似度從 0.26 提高到 0.88;加入年齡和收入資料也有幫助,但性別和地區的結果不可靠。作者也做成可在多種 AI 程式工具中使用的開源技能,適合先比較少數點子或價格,不能取代重大決策前的真人調查。研究只驗證美國個人清潔用品,其他類別、國家和語言測試較少。

  33. Dev.to Top Tech65

    WBX Sandbox 如何讓 AI 助理在獨立電腦裡執行工作

    AI 助理能寫程式,但要安全地執行程式、安裝套件或處理長時間工作並不方便。WBX Sandbox 會替它準備一臺在歐盟運作的隔離 Linux 電腦,工作完成後再交回檔案、圖表或連結;你可以透過 MCP 連線聊天助理,也能用 API 或 SDK 自己打造 AI 助理。工作環境可以儲存、複製,也能讓多個工作同時進行;網路許可權和費用上限則可先設定。文章逐一介紹這些功能,並提醒圖形桌面操作目前仍在測試階段。

  34. The New Stack54

    AI 助理寫程式後,程式碼審查該看什麼?

    AI 助理寫程式的速度很快,工程師可能來不及逐行讀完每次改動,但核准的人仍要為結果負責。作者提出,審查時可以把注意力放在三件事:這次改動想解決什麼問題、是否符合事先訂下的條件,以及過程中做了哪些架構和技術選擇。驗證 AI 助理可以逐項檢查條件並提供證據,審查者再判斷方向是否正確;團隊也要能說清楚系統為什麼這樣設計、可能在哪裡失敗。這讓人不必每次都讀完所有程式碼,也能理解改動並承擔責任。

  35. elvis51

    要做出好用的 RAG 系統,光靠人設計的方法是否足夠?AutoRAGBench 用九項開發任務測試 AI 助理:不提供起始程式碼或做法,讓它在六小時內分析資料、建立流程,再根據實驗結果調整。GPT-6.1 Sol 搭配 Codex CLI 平均得 56.1 分;每項任務都採用已發表最佳方法組成的人類基準,平均為 44.4 分。若從人類設計的系統開始改良,AI 助理在七項任務中平均增加 16.6 分。論文也比較九種 AI 助理設定,並追蹤它們在六小時內如何逐步開發。

  36. Dev.to Top Tech66

    用 LangGraph 處理付款例外:AI 助理整理資料,放款仍由人核准

    付款資料出錯、遇到制裁名單比對,或趕上清算期限時,光靠自動流程就不夠。作者示範用 LangGraph 處理這些例外:模型先分類問題、整理相關紀錄並提出修正建議;剩下多少時間則由程式計算,修正內容也會再按付款規則檢查。制裁比對若可能是誤判,AI 助理只能整理差異並送交人工審查,不能自行解除警示。每筆放款都要由人核准,核准紀錄也會留下時間與處理依據,讓款項處理有跡可循。

  37. TechCrunch · AI48

    15 款能直接用訊息聯絡的 AI 助理,幫你安排生活大小事

    忘了約時間、行程和待辦事項散落在不同 App 裡,常讓人忙中出錯。現在有不少 AI 助理可以直接用簡訊或聊天軟體交代工作,幫忙排日程、設提醒、查資料、訂餐廳,也能整理家庭行程或規劃旅行。例如,Fambot 每晚會傳來隔天的行程和待辦事項,家長還能直接回訊息詢問或修改行事曆;Miso 則專門協助安排旅行。不同服務支援的聊天工具、功能和收費方式各不相同,有些仍在測試中。它們讓人不用再多裝一個 App 就能處理日常雜事,但把行程、信箱等資料交給 AI 助理前,也要留意隱私和安全。

  38. Dev.to Top Tech42

    把生活雜事交給 AI 助理第 16 天:買衣服、查車票,價格藏在不同地方

    想買保暖外套、查車票或等特價時,光看一個價格常常不夠:衣服可能沒有合適尺寸,折扣也可能只在特定賣場,車票則會因為購票網站和日期不同而變價。作者把這些生活雜事交給 AI 助理查詢和追蹤,例如比較福岡到札幌的交通方式,也確認哪件外套真的買得到。過程中,AI 助理一度把朋友的行程當成作者自己的,提醒人要先確認「這趟是誰要搭」。這一天讓作者發現,答案常藏在不同網站、日期或表格欄位裡;把需求和條件查清楚,才能少踩雷。