AI 應用與 AI Skill

換更強的大模型，解不了你真正的問題。AI 應用的關鍵不在模型多聰明，而在能不能落到可驗證的工作流。從 AI 系統架構、評估框架與 LLM 評審、RAG 知識檢索與提示詞工程，到 AI Agent 工具盤點、Agent Skill 怎麼從個人玩具變成團隊資產、企業級 AI Agent 平台與 Gemini Enterprise 的選型與資安，這裡逐一拆給行銷人看。再延伸到 AI 如何改寫零售場景：讀懂顧客的沉默訊號、在 AI 比價時代重建品牌信任、面對 Google AI Max 與 AI Mode 的搜尋新局。把 AI 從話題變成品牌用得上的生產力。

AI 應用與 AI Skill

ChatGPT Dots、Muse、Claude Duet、Grok Bot、OpenClaw、Hermes 怎麼選？六款個人 AI agent 的差異與費用，零售品牌該先準備什麼

Grok Bot、Meta Muse、ChatGPT Dots、Claude Duet 在 2026 年 8 到 10 月接連上線，加上開源的 OpenClaw 與 Hermes Agent，個人 AI agent 已經從工程師玩具變成一般人手機裡的 App。本文比較六款 agent 的定位、運作方式、skill 機制、費用與台灣能不能用，說明聊天助理和 agent 差在哪，也整理顧客開始派 agent 替自己下單之後，零售品牌該先準備的資料與規則。

AI 應用與 AI Skill

Claude Code Mod 是什麼？行銷人不寫程式，也能把 AI 工作台改成自己順手的樣子

Claude Code 的 Mod 是直接跑在 Claude Code 裡面的擴充功能，可以加上對話旁的面板、在 AI 動手前先攔下來讓你確認、用一個指令立刻產出結果，還能把資料留到下一次對話。這篇用行銷人的工作情境，說明 Mod 和 Skill、Hook、MCP 的差別，整理五種常見用法，以及安裝別人寫的 Mod 前該先看的權限問題。

AI 應用與 AI Skill

Claude Code Mod 怎麼做？用對話做出第一個 Mod，從試用、留存到安裝別人的版本

想讓 Claude Code 多一個活動檢查面板、一個發佈前的確認關卡，不必自己寫程式。這篇照實際操作順序，說明怎麼確認 Mod 已開啟、先試官方範例、用對話請 Claude 寫出第一個 Mod、把它留到下次對話，以及安裝別人寫的 Mod 前要先檢查什麼，最後附上三段行銷人可以直接照抄的需求描述。

MCP

MCP 是什麼？它讓 AI 接進你的系統有了共同規格，開多大仍是你的決定

MCP（Model Context Protocol，模型上下文協定）是一套讓 AI 應用連接外部系統的開放標準，2024 年 11 月由 Anthropic 發布，2026 年 7 月完成改版。這篇從台灣零售品牌行銷主管的角度回答 MCP 是什麼：它的三個角色對應到你公司裡的什麼、伺服器掛出去的三類東西怎麼分、品牌會在哪些地方真的撞到它，以及哪些事情協定不會替你決定。

AI 應用與 AI Skill

第三方 AI Skill 與 MCP Server 怎麼審？別人寫的擴充，可能借走你手上的資料權限

資安公司 Snyk 在 2026 年 2 月稽核了兩個公開市集上的 3,984 個 AI Skill，其中 36.82% 至少帶著一項安全問題。第三方 Skill 夾得了可執行腳本，第三方 MCP Server 是別人寫的程式，裝一個等於在自己的工作環境裡多開一條路。這篇給零售品牌主一套可執行的審查判準：裝之前問什麼、誰有權限裝、哪些情況必須拉資安進來、下架之後還要收回什麼。

MCP

Skill、MCP 還是 CLI？一件重複的事該接成哪一種，掛錯的成本比你想的高

同一件每週重複三次的行銷工作，該寫成 skill、接成 MCP，還是包成 CLI 指令？判準是它缺的是知識、通道還是執行效率。這篇把 MCP 2026 年新規範、token 開銷與漸進式揭露，翻譯成品牌主算得出來的三筆帳。

91APP CDMP

FDE 是什麼？跟 FAE、跟管理顧問的差別，藏在交付物裡

FDE、FAE 跟管理顧問都是被派到客戶現場的人，台灣讀者第一時間拿 FAE 去套 FDE，是很自然的聯想，也是合約談歪的起點。本文把三個角色的公開文件攤開來對照，用交付物、動手的邊界、成敗衡量、能力重心四個軸，說明專案結束那天你手上會多出什麼東西，以及品牌該在需求書與驗收條件的哪幾個欄位，把這件事先講清楚。

91APP CDMP

FDE 職位在找什麼樣的人？工程師轉職最常缺的，是端到端交付的完整經歷

FDE 職位近來成為工程師轉職的熱門選項，但本文引用的公開職缺裡，明列的年資門檻從一年到五年以上不等。這篇把 Palantir、Anthropic、OpenAI 的公開職缺攤開來看，把職缺反覆要求的能力整理成交付、轉譯、判斷三層，再對照後端工程師、資料工程師、解決方案架構師、技術 PM、客戶成功五種背景可能卡在哪一層、可以用什麼方式補。每一段也附上給品牌端的判讀，讓要找這種人的公司知道該追問什麼。

91APP CDMP

台灣誰在做 FDE？開缺的都是賣 AI 的那一方，零售品牌這一側還是空的

FDE 已經是一個有職缺、有薪資帶、有明確交付物的職業類別。台北也查得到這個職稱的公開職缺，開缺方卻集中在雲端大廠、AI 新創與系統整合商。這篇盤點誰真的在做這件事，以及零售品牌該用什麼條件去找人。

91APP CDMP

FDE 比的不是 PoC 多快：AI 轉型真正的勝負，在系統上線後才開始

FDE 職缺一年暴增七倍，但獵頭公司估計市場上真正能穩定交出成果的不到兩千人。落差不在原型跑得多快，在系統上線之後誰還留在現場，把每一次例外變成產品下一版的能力。速度是門檻，決定成敗的是後面那段長期功夫。

AI 應用與 AI Skill

FDE 是不是換皮顧問？差別在報告交完之後，那個人還在不在

FDE 熱潮背後有真實爭議：供給集中在發明者自己手上，職缺暴增卻與產業裁員趨勢相悖，批評者直言這只是顧問換了個新名字。我們認為，判斷關鍵不在職稱，在報告交完之後那個人還留不留在現場，把踩過的坑反饋進產品，而不是留一份文件就消失。

AI Agent

AI 決策責任歸屬：行銷自動化出事的時候，誰的名字在核准欄

AI 已經從產草稿走到直接動客人：發推播、給折扣、回客訴、圈受眾。出事時「是 AI 決定的」不能當理由。這篇用對外可見性、可逆性、金額三條軸，說明哪些自動化動作可以放手、哪些必須有人簽名，並從 FTC 與 Rite Aid 的和解、Zillow Offers 收攤、EEOC 與 iTutorGroup 的訴訟和解，整理出簽核該看什麼證據、責任該分給哪幾種角色、哪些動作出錯後回不去，以及怎麼不讓簽核變成拖慢一切的形式關卡。文中對照個資法第 20 條與《人工智慧基本法》的問責原則，給台灣零售品牌一份可以在一個下午開始動的清單。

AI 應用與 AI Skill

AI 自動化流程會安靜地失效：沒報錯的那種壞，比報錯更難發現

自動化最常見的壞法是繼續跑。平台功能退場、API 版本轉接、模型別名換版、欄位改口徑，都不一定會讓流程報錯，卻會讓它安靜地產出過期的結果。這篇拆解靜默失效的來源、控制本身也有保存期限這件事，以及可以記下最後確認日的檢查設計與責任分工。

AI 應用與 AI Skill

Agent Skills 開放標準：一套 SKILL.md 跨 ChatGPT、Claude、Codex，怎麼降低 AI 工作流的移轉成本

截至 2026 年 7 月，ChatGPT 已支援 Agent Skills 開放標準，開始讀跟 Claude、Codex 同一套 SKILL.md。公開格式能降低跨工具的移轉與重寫成本，讓品牌的 AI 做法更容易累積成資產。這篇不做產品比較，聚焦開放標準與可攜性本身，以及品牌該怎麼用版本管理、相容性測試和退出機制，把 skill 資產庫治理好。

AI 應用與 AI Skill

AI 技能包實戰：把每週講三次的行銷 SOP，變成 AI 能穩定重現的做法（2026）

行銷團隊最值錢的不是工具，是那套「怎麼把一件事做好」的做法。ChatGPT 與 Claude 的 Skill 讓你把每週重複解釋三次的流程，打包成 AI 能穩定重現的技能包。本文拆解哪些做法適合做成 AI 行銷 SOP、技能包和 prompt/agent 的關係，以及台灣品牌落地的起手式。

AI 應用與 AI Skill

ChatGPT Skills 教學：台灣零售行銷團隊把 SOP 變成可重複資產

ChatGPT Skills 是可重複使用的工作流，以 SKILL.md 為核心的資料夾為載體，教 ChatGPT 一致執行你設定好的任務，目前開放企業版、免費版與 Plus 尚未開放。這篇 ChatGPT Skills 教學拆解 skill 功能與怎麼用，並用活動檔期、會員分眾、行銷月報、客服話術、商品文案、廣告投放六個零售行銷場景，示範一條 SOP 做成 Skill 長什麼樣。

技術與數據優化

AI Agent 工具怎麼選？企業級平台選型，先看你的資料住在哪

2026 年 AI Agent 工具選擇變多，但 Gartner 預測逾四成 agentic AI 專案會在 2027 年底前被取消，失敗原因不只在模型能力。這份指南帶台灣品牌用「資料住在哪」這條線，看懂 Agentforce、Copilot Studio、Gemini Enterprise Agent Platform 等企業級平台的定位差異，並釐清選型前該先確認的資料、權限與維運責任。

AI 技術與數據優化

先拆解任務，再決定要不要 multi-agent：AI 系統的架構取捨

一個會員搬家、要改訂單收件地址的 AI 客服需求，看起來像一句話，背後卻是任務拆解（task decomposition）、工具選型與 multi-agent 架構的連鎖決策。這篇用最基礎的觀念把原理講透，並回答一個被低估的問題：什麼時候根本不該上 multi-agent。

AI 技術與數據優化

你的 AI 到底做對沒有？用評估框架與 LLM 評審科學化衡量

AI 客服與 agent 上線後，最常被跳過的不是模型，是 eval（評估）。本文把 LLM 評估的三維矩陣、LLM as judge 四種玩法、rubric 設計與 A/B 一次一變數講清楚，讓非該領域的決策者也讀懂底層原理，知道怎麼科學化衡量「AI 到底做對沒有」。

AI 技術與數據優化

用經理人思維設計 AI 工作流：從確定性程式到模糊系統的四個轉變

agentic workflow 與傳統軟體的差別，重點不在用了哪個模型，而在設計者要從寫死每一步的工程師，換成給方向與邊界的經理人。本文用基礎觀念講透 deterministic 與 probabilistic 的差異、agent 三個核心旋鈕、雙層記憶與自主權三檔，幫技術決策者想清楚 ai 工作流怎麼設計才不會失控。

AI 技術與數據優化

該微調，還是該做 RAG？拆解強化 AI 的成本、時效與決策順序

很多團隊強化 AI 的第一個念頭是訓練自己的模型，但這常是成本最高、最快過時的選項。本文從基礎觀念拆解 Prompt、RAG 與微調三條路：你的問題是知識不夠，還是行為不對？為什麼 context window 變大，RAG 仍不可取代？微調的四個地雷與少數該動手的例外，加上一條從便宜到昂貴的決策順序，幫你把錢花在對的地方。

AI 技術與數據優化

提示詞工程不是寫咒語：鋸齒邊界、人機協作與 Prompt Chaining

提示詞工程（prompt engineering）不是寫咒語，也不是專屬職業，而是工程師的基本功。本文從 BCG 與哈佛的鋸齒邊界研究談起，拆解半人馬與生化人兩種人機協作模式、提示詞黃金三要素，再深入 Prompt Chaining 提示詞串聯與 Chain-of-Thought 的底層差異，講清楚為什麼把任務拆開能換來可觀察性與可獨立 debug。

AI 技術與數據優化

為什麼換更強的大模型，解不了你的問題？LLM 的四個限制與擴增地圖

換更強的 base model 是極少數巨頭的賽道，一般公司施力點在另一條軸：擴增 LLM（augmenting LLM）。這篇拆解大模型的四個工程限制，包括知名的 lost in the middle，並給出 Prompt、RAG、Fine-tuning 三招的擴增地圖。

AI Agent

AI agent 工具提升工作效率：上班族該怎麼選即用與需設定的清單

AI agent 工具正從聊天框走進你的會議記錄、信件、簡報與跨工具流程。這篇盤點 Microsoft Copilot、Gemini、Notion AI、ChatGPT、Claude、Manus、n8n、Zapier 與會議記錄 agent，標清楚哪些即開即用、哪些要先設定，也說明為什麼個人效率工具救不了組織級的資料破碎，第一方數據底座才是品牌真正的差距。

AI Agent

AI agent 數據分析工具盤點：agent 接得住哪些活，哪些判斷仍需人

AI agent 數據分析工具正把寫 SQL、拉報表、做儀表板，變成用自然語言問一句就有答案。本文盤點行銷數據分析者今天用得上的 AI agent 工具，依四個自動化層級拆解 agent 接得住哪些活、哪些判斷仍需人，並點出讓 agent 洞察可信的前提：第一方數據底座是否整合乾淨、能否把同一顧客的足跡歸戶。