AI 原生工作者的誕生——一個人如何同時推進 17 個專案

本文整理自 Possible Podcast 2026 年 1 月播出的三集系列對談，是系列文章的第一篇。

系列文章：霍夫曼 × Patil 的 AI 原生對談

1. AI 原生工作者的誕生（本篇）——個人如何用 AI 重新定義工作方式
2. 企業 AI 轉型為什麼還在休息室？——從祕密機器人到工作流革命
3. AI 原生新創：兩人團隊、六個 Agent、一天取代六個月——新創公司的 AI 原生實戰

兩個背景迥異的人，看到同一個未來

里德．霍夫曼（Reid Hoffman）大概不需要太多介紹——他是 LinkedIn 的共同創辦人、矽谷創投 Greylock Partners 合夥人、微軟董事會成員，也是 OpenAI 最早期的捐助者與前董事。他在 2023 年出版《Impromptu》、2025 年出版《Superagency》，兩本書都在談同一件事：AI 不是來取代人類的，而是來擴張人類能動性的。他主持的 Possible Podcast（前身是知名的 Masters of Scale）每週邀請科技界重量級人物對談。

Parth Patil 的名字對臺灣讀者可能陌生得多。他是 UCLA 出身的資料科學家，疫情期間加入當時如日中天的語音社群平台 Clubhouse 擔任第一位資料分析師。ChatGPT 問世時，他正好站在一個獨特的觀察位置——Clubhouse 上來自全球的使用者開始瘋狂討論這個新工具，從印度農夫用它規劃作物週期，到攝影師用它學相機設定。離開 Clubhouse 後，Patil 全身投入 AI 工具的前沿探索，後來加入霍夫曼的團隊，負責打造「Reid AI」——霍夫曼的數位分身，也主導各種 AI Agent 的開發與實驗。

2026 年 1 月，霍夫曼把整個月的 Possible Podcast 交給 Patil，分三集對談 AI 原生思維如何改變個人工作、企業運營與新創公司的遊戲規則。這三集的內容密度極高，Patil 不只是在講觀念，他全程開著螢幕分享，現場示範他的 AI 工作流。

以下是第一個主題：當一個人真正擁抱 AI 原生的工作方式，他的日常會變成什麼模樣。

ChatGPT 不是工具，是教你使用所有工具的老師

Patil 回憶自己的 AI 啟蒙時刻，不是在讀論文或參加研討會，而是在 Clubhouse 上聽全世界的人討論 ChatGPT。他說，那一刻他意識到這不只是一個寫信的幫手——這是人類有史以來第一台可以用自然語言交談的電腦。它會說絕大多數人類語言，也會說所有程式語言。把它只當成工作工具，是一種嚴重的簡化。

這個認知帶來了一個關鍵的使用心法：ChatGPT 是「元工具」（meta-tool）。Patil 用它來教自己使用其他所有工具——影片剪輯軟體、音樂製作工具、電腦作業系統的進階功能。他把 ChatGPT 指向自己電腦上已經安裝的軟體，然後說：「教我怎麼更好地使用它們。」

這個「元工具」概念之所以重要，是因為它改變了學習路徑。傳統上，學一個新工具要找教學影片、讀文件、上課程。現在，你可以直接問一個比你聰明的系統：「我有這個東西，我想做那個事情，怎麼做最好？」而且它會根據你的具體情境給出答案，不是泛用的教學。

放下自尊：AI 寫的 SQL 就是比我好

但要真正用好 AI，第一道關卡往往不是技術，而是心理。Patil 講了一個坦誠到近乎殘酷的故事。

GPT-4 剛出來的時候，他和 Clubhouse 的同事 Olivia 都是資料分析師。Patil 發現 GPT-4 寫的 SQL 查詢「完美」——前提是你讓它理解你的資料庫架構。Olivia 的反應更直接：「Parth，這東西通過了我們兩個職位的面試。定性的、定量的，全過了。」

然後有一天，Patil 丟了一個他認為很難的分析查詢給 GPT-4。結果回來的不只是正確答案，而是一個比他見過的所有版本都更優雅的解法。他說那一刻非常謙卑，像是西洋棋手卡斯帕洛夫面對深藍的時刻，又像是鋼鐵人約翰．亨利面對蒸汽機的時刻。

關鍵的轉折在於他接下來做了什麼。他沒有抗拒，而是重新定義自己的角色：「我的工作不是跟它比誰寫的查詢好，而是瞄準它。」也就是說，他從「執行者」轉變成「指揮者」——用英文描述問題，讓 AI 把問題翻譯成程式碼去解決。

Patil 觀察到，很多資深工程師反而在這一步卡住了。他們對自己的核心技能有驕傲感，不願意承認機器在某些執行層面已經超過自己。但 Patil 認為，你在那個問題領域累積的智慧和判斷力，才是真正有價值的東西——AI 擴張了你的能力，不是取代你的判斷。

「面試我」——最被低估的提示技巧

當霍夫曼問 Patil 會給初學者什麼提示建議時，他的回答出乎意料地簡單：大量地說，用語音說，然後指派角色。

角色扮演提示（role-based prompting）是第一層。你可以讓 AI 扮演創投來批評你的商業計畫，扮演顧客來瀏覽你的網站，扮演最嚴格的懷疑論者來找出你方案的 25 個漏洞。Patil 甚至曾讓一個 coding agent 生成 10 萬個獨特的專家人格——涵蓋從育兒到樂高到每一種藝術形式——然後從中挑出最相關的 10 個來回答同一個問題。樂觀主義者和悲觀主義者的答案不同，海洋學家和會計師的答案也不同。

但 Patil 認為更強大的技巧是在「後設提示」（meta-prompting）的領域——也就是「幫你找到正確提示的提示」。他幾乎每天都在用的版本是這樣的：先描述問題，然後對 AI 說：「面試我，直到你有足夠的背景脈絡來幫我處理這個問題。問我釐清性的問題，然後我們開始。」

這個做法的深意在於：多數人去找 AI 的時候，心裡已經有一個預設答案，只是想讓 AI 幫忙執行。但「面試我」提示法的前提是承認一件事——你可能還不知道問題的全貌。讓 AI 反過來問你問題，它會挖出你自己沒想到的考量面向。Patil 說，通常十個來回之後，他會發現：「噢，我根本沒考慮到這個層面。」

就像任何好的員工不會接到任務就悶頭做，而是先問清楚再動手。AI 也一樣，你只是需要給它提問的許可。

語音提示：別再精心打字了，用「說」的

在所有提示技巧中，Patil 認為最強大的一個不是什麼複雜的框架，而是——用語音。

他的論點很直接：打字的時候，人會不自覺地精簡自己的想法，把一個複雜的念頭壓縮成幾個字。但語音不同，你會自然地鋪展背景、補充細節、講到岔題再拉回來。Patil 自己常常對著電腦口述五到十分鐘，內容雜亂無章，像是意識流，但轉譯出來會變成三頁左右的文字。這三頁「混亂的」脈絡，往往比一段精心雕琢的提示詞更有用，因為它給了 AI 更多可以抓取的素材。

霍夫曼從 Patil 身上學到的一個啟發是：語音不只帶來深度，還帶來廣度。打字時我們傾向寫出精確的句子，但說話時我們會丟出半成品的想法，而 AI 足夠聰明，能從這些半成品中抓到真正的意圖。這就像打電動時跟隊友溝通——你不會停下來打字，你會喊出指令、叫出方位、即時協調。語音是人與人之間即時協作的方式，現在也可以是人與 AI 之間的方式。

Patil 還補了一個很務實的觀察：他自己的提示詞全是錯字。因為他知道 AI 夠聰明，幾個字母放錯位置完全不影響理解。打字時為了一個拼錯按退格鍵，其實是在浪費時間。

三模型艦隊：Claude、Codex、Gemini 各司其職

講完個人提示技巧，Patil 把話題帶到他的 AI 工具堆疊。他的建議原則是：在每個類別裡精通一個頂尖工具就好——一個語言模型、一個圖像模型、一個影片模型。因為這些原則可以轉移。你學會了 ChatGPT，切到 Claude 或 Gemini 時不會從零開始。

但 Patil 自己的用法遠不止於此。他的日常分工大致是這樣的：

ChatGPT 是他的通用副駕駛。他用 ChatGPT Atlas 瀏覽器（把 ChatGPT 嵌入網頁瀏覽器，可以操控頁面）來處理日常瑣事——訂機票、找飯店、瀏覽新聞。他說自己是那種每次都拖到最後一秒才訂機票的人，現在只要開一個分頁說「幫我找今晚從洛杉磯到聖荷西最好的航班」，ChatGPT 就會去搜尋，然後他只做最後的確認付款。他把這叫做「Mechanical Turk AI」——處理那些填表格、點按鈕的苦工。ChatGPT 的手機 App 也讓它成為日常生活中最好的即時助手，可以拿手機對著實體物品拍照提問。

Claude Code 是他的主力 coding agent。在需要直接操作電腦檔案系統、瀏覽網頁、執行程式碼的場景，Claude 是他的首選。他在示範中讓 Claude 打開他的個人網站，調整成手機螢幕尺寸，然後像一個第一次造訪的使用者一樣瀏覽整個網站，給出使用體驗的回饋。

OpenAI Codex 是另一個 coding agent，專攻程式碼分析和複雜問題的求解。在示範中，他讓 Codex 去拉網站的流量分析數據，然後建議改進方向。

Google Gemini 擁有最大的上下文窗口，所以 Patil 會把「需要讀大量資料」的任務丟給它。在示範中，他讓 Gemini 讀完他所有部落格文章，然後建議接下來應該寫哪三個主題。

圖像模型方面，他最推薦 Google 的 NanoBanana Pro，不只是生成漂亮圖片，更厲害的是它能設計出文字清晰、版面合理的資訊圖表。影片模型則是 OpenAI 的 Sora 和 Google 的 VO3，他會把 coding agent、圖像模型和影片模型串在一起，組成動畫製作流水線。

17 個專案、每個 2-3 個 Agent

真正讓人瞠目結舌的不是 Patil 用了多少工具，而是他同時在做多少事。

在 Podcast 中他透露，他目前同時維護大約 17 個專案，每個專案平均有 2 到 3 個 AI agent 在跑。這不是隨便開著放著——他花了三個月的時間設計自己的工作環境，讓它能夠支撐這種程度的上下文切換。

操作方式是這樣的：每當他有一個新想法，第一個本能反應是建立一個資料夾，然後把 Claude、Codex、Gemini 三個 agent 各自放進去，給它們三個不同的方向。例如在個人網站專案中，一個去讀所有文章建議新主題，一個去分析流量數據建議改進，一個去模擬使用者瀏覽體驗給回饋。三個方向互不重疊，不會衝突。

對於長期任務，他的關鍵做法是要求 agent 寫下計畫並定期更新進度。他提到，現在的前沿模型（如 GPT 5.2 和 Opus 4.5）如果給它們好的規劃框架，可以持續工作一整天甚至更久。所以他會在早上丟出任務、設定方向，然後去散步——散步的同時，agent 們還在工作。這就是他說的「認知的平行化」：人類本來是單執行緒的，一次只能做一件事，但配備了 agent 之後，你可以同時在多個平行軌道上推進。

Agent 之間互相說「謝謝」：協調問題的現在進行式

當然，管理這麼多 agent 並不是一帆風順。Patil 分享了一個讓他花了好幾百美元的笑話。

大約兩年前，他試著把兩個聊天機器人放進同一個「房間」，給它們一個目標，然後走開。結果它們完成工作之後不知道該怎麼結束對話，就開始互相說「謝謝」——無限循環。Patil 回來一看，帳單上滿滿都是「Thank you」這個詞的 token 費用。他的解法是：加入第三個 agent 當「會議主持人」，唯一的工作就是在適當的時候說「散會」。

更複雜的問題出現在他嘗試讓不同 coding agent 互相傳訊息的時候。第一個問題是時間差——一個 agent 送出訊息時，另一個可能已經做到一半了，回覆的時候情境早就變了。第二個問題更嚴重：權限。當一個 agent 需要使用某個工具時，它會問「使用者」批准。但如果它問的是另一個 agent 而不是人類，那個 agent 會非常樂意地批准任何請求。霍夫曼打趣地總結：「可以把硬碟格式化嗎？」「當然可以。」

Patil 的當前解法是讓各個 agent 在不同方向上工作，避免它們的任務重疊。一個負責研究、一個找 bug、一個更新部落格。他相信未來會出現類似 GitHub 對人類工程師所做的事——某種協調多個 agent 在同一個專案上合作的機制。

語境工程取代提示工程

在討論更進階的技巧時，Patil 推薦了 AI 工程師 Dexter Horthy 提出的「語境工程」（Context Engineering）概念。這個概念的核心是：與其花心思雕琢完美的提示詞（prompt engineering），不如思考怎麼在模型的上下文窗口裡填入最相關的資訊，同時排除不相關的雜訊。

Patil 的比喻是：把上下文窗口想成一塊畫布。你的工作是在這塊畫布上填入最有用的素材——圖片、程式碼範例、可以使用的工具說明——但不要塞到滿出來，浪費模型的認知頻寬。

一個具體的技巧是「漸進式揭露」（progressive disclosure）。你不需要在一開始就把所有工具的使用說明塞給 agent，而是為每個工具寫一份使用指南，讓 agent 在需要用到那個工具的時候才去讀。這樣它的「腦袋」就不會被用不到的資訊佔滿。

用 AI 擴展「你是誰」

三集對談的最後，Patil 把話題從技巧拉到哲學層面。霍夫曼問他：一個人應該怎麼開始讓自己的生活變得更「AI 原生」？

Patil 的回答不是「用它來提升工作效率」。他說，更有意思的做法是把 AI 用在你真正有熱情的事情上。他自己在三年前是個資料分析師，但現在他也是視覺敘事者、動畫創作者、Vibe Coder、音樂製作人。這些身份不是取代了原來的自己，而是擴展了自己。

他說，很多人會因為職業生涯的選擇而把其他興趣擱置——想學音樂但沒時間、想做動畫但不會畫。AI 給了這些被擱置的可能性一個重新啟動的機會。Patil 把這形容為「活出其他的人生」——你不是變成了別人，而是回到了那些被現實壓縮掉的自己。

霍夫曼最後總結了一句話，值得所有人記住：人們還沒意識到，在 AI 時代，他們需要重新擴展對自己能力的想像。

我的觀察

Patil 的核心能力不是寫程式。 從整個訪談來看，他做的事情是：拆解問題、分配任務給不同的 agent、審查產出品質、決定下一步方向。這其實就是專案經理的工作，只是「團隊成員」從人類變成了 AI。這意味著 AI 時代最有價值的技能可能不是「會寫程式」或「會做提示工程」，而是「知道該問什麼問題」和「能把大問題拆成小任務」。這是一種管理能力，不是技術能力。

「面試我」提示法的本質是一種認知謙遜。 多數人找 AI 的姿態是「我知道我要什麼，你幫我做」。但 Patil 的做法是「我大概知道問題是什麼，但你來問我，看看我是不是漏掉了什麼」。這是反直覺的——我們不習慣讓一個工具反過來質問我們。但好的顧問、好的醫生、好的律師做的第一件事也是這個：釐清你真正的問題是什麼，而不是直接回答你以為的問題。

語音提示揭示了一個有趣的矛盾。 打字時我們在「編輯自己」——斟酌用字、刪掉冗餘、追求精確。語音時我們在「傾倒思緒」——東拉西扯、自相矛盾、說到一半改方向。直覺上，精心編輯過的輸入應該產生更好的輸出。但實際上，那些混亂的、未經過濾的語音輸入，反而因為包含了更多隱含的脈絡和情感，給了 AI 更多可以抓取的信號。這跟我們對「好的溝通」的傳統認知是相反的。

「散步時也在生產」不只是效率問題，更是邊界問題。 Patil 描述他去散步的時候，17 個專案的 agent 還在跑。他說「我在散步，但我同時也在工作」。這聽起來很酷、很高效，但翻過來看，這也意味著 AI 原生工作者的「下班」概念正在消失。當你的 agent 24 小時都在替你工作，你什麼時候算是「沒在工作」？這不是 Patil 在訪談中處理的問題，但對於每個考慮走上這條路的人來說，這可能是最值得提前想清楚的事。