AI Workflow

Project Overview

AI Workflow 是一個持續演進的個人生產力系統。

它不是單純使用某一個 AI 工具，而是研究如何讓不同的模型、應用程式與資料來源彼此配合，支援我目前幾個主要方向：

CQF 與量化金融學習
Python 與軟體開發
投資研究與資料整理
Snowmo Wanders 網站
Podcast 與文章創作
個人行政與知識管理

這個 Project 的核心問題是：

如何讓 AI 不只是回答問題，而是真正成為一套可靠、可重複使用的工作流程？

Why I Started

最初使用生成式 AI 時，我主要把它當成搜尋與問答工具。

隨著使用經驗增加，我開始發現真正有價值的並不是單一回答，而是把 AI 放進完整流程中，例如：

收集資料
整理問題
建立分析框架
產生初稿或程式碼
驗證內容
修正與迭代
保存成可重複使用的知識

這讓 AI 從一個聊天工具，逐漸成為學習、研究與創作系統的一部分。

Current Status

Status: In Progress
Started: 2024
Current phase: Workflow design and tool integration

目前主要研究與實作：

不同 AI 模型的任務分工
Prompt 結構與上下文管理
AI 輔助程式開發
AI 輔助 CQF 學習
文件與知識整理
內容創作流程
自動化與工具串接
回答品質與資料驗證

Workflow Architecture

目前的 AI Workflow 可以分為五個階段。

1. Capture

收集原始資訊與問題：

課程筆記
網頁與研究資料
程式碼
投資觀察
語音想法
Email 與行政文件

2. Understand

利用 AI 協助：

解釋概念
找出知識缺口
建立問題框架
比較不同觀點
拆解複雜任務

3. Build

將理解轉化為成果：

撰寫 Python 程式
建立分析模型
製作網站
整理文章
規劃 Podcast
建立工作模板

4. Verify

避免把 AI 回答直接當成事實：

查閱原始資料
驗證數據與公式
執行程式與測試
比較多個來源
檢查假設與限制

5. Archive

將成果保留成可重複使用的系統：

Markdown
Notion
GitHub
Blog
Portfolio
Prompt templates
Reusable code

Tools

General AI

ChatGPT
Claude
Gemini

Development

Cursor
GitHub
VS Code
Replit
Jupyter Notebook

Knowledge Management

Notion
Markdown
Google Drive
GitHub repositories

Automation

MCP
API integrations
Scheduled workflows
Agent-based tools

工具本身會持續改變，因此這個 Project 關注的不是單一產品，而是工具之間如何分工與串連。

Core Use Cases

CQF Learning

AI 可以協助我：

解釋數學公式
拆解金融模型
建立學習計畫
檢查 Python 實作
產生練習題
比較不同解法
整理課程摘要

但公式、模型假設與數值結果仍然需要獨立驗證。

Software Development

應用範圍包括：

程式架構規劃
Debugging
Refactoring
TypeScript 與 Python
測試案例
文件撰寫
Code review

Investment Research

AI 協助整理：

公司與產業資料
財報資訊
市場事件
投資假設
風險情境
Portfolio 結構

AI 不負責替我做投資決策，而是幫助我更有效率地整理資訊與檢查思考。

Content Creation

用於支援：

Blog 架構
Podcast 腳本
多語言內容
網站文案
SEO
社群文章
圖片概念

Design Principles

AI Should Extend Thinking

AI 的價值不是代替思考，而是幫助我更快看見：

遺漏的問題
不同的觀點
推理中的弱點
可以進一步探索的方向

Verification Is Part of the Workflow

任何涉及以下內容的回答，都必須進一步驗證：

金融數據
法律與稅務
醫療資訊
技術文件
即時新聞
數學公式

Context Matters

高品質回答通常取決於是否提供足夠的：

背景
目標
限制
已知資訊
預期輸出

因此 Prompt 的重點不是追求神奇句型，而是提供完整、精確的任務上下文。

Reusable Over Repetitive

重複發生的工作應逐步轉化為：

Template
Checklist
Prompt
Script
Automation
Reusable component

Experiments

AI Learning Companion

建立適合 CQF 的學習流程：

課前建立概念地圖
課中記錄問題
課後整理摘要
製作練習題
用 Python 驗證模型
建立學習 Portfolio

Multi-model Workflow

比較不同模型在以下任務的表現：

數學解釋
程式開發
長文件分析
寫作
研究
多語言翻譯

AI-assisted Website Development

使用 AI 協助建立 Snowmo Wanders：

Astro 架構
Portfolio content model
UI 元件
多語言網站
SEO
圖片與文案

Personal Knowledge System

研究如何將對話中的有效成果保存到：

Notion
Markdown
GitHub
Blog
Portfolio

避免重要資訊只停留在一次性的聊天內容中。

Challenges

Information Reliability

AI 可能產生：

過時資訊
錯誤引用
不存在的功能
看似合理但錯誤的推論

因此，查證流程不能省略。

Context Fragmentation

當工作分散在不同工具、對話與文件中時，很容易失去上下文。

這個 Project 需要建立更穩定的資料組織方式。

Tool Overload

新的 AI 工具不斷出現，但增加工具不一定能提高效率。

真正重要的是：

明確的使用情境
穩定的流程
可轉移的方法
是否減少實際工作量

Dependency Risk

工作流程不應過度依賴單一平台，重要資料與成果需要能夠匯出、保存與遷移。

Outcomes

這個 Project 預計逐步產出：

AI Workflow 架構
Prompt templates
CQF 學習模板
Research checklist
AI-assisted coding workflow
Content creation workflow
Model comparison notes
Automation experiments
Blog 系列文章
可重複使用的工具與程式

What Success Looks Like

成功不代表使用最多 AI 工具，而是建立一套真正有用的工作系統。

我希望這個 Project 最終能夠：

減少重複性的整理工作。
提高學習與研究效率。
保持資訊驗證與思考品質。
讓程式開發與內容創作更有系統。
將一次性的對話轉化為長期知識。
建立能夠隨工具改變而持續使用的方法。

Latest Update

2026-07

將 AI Workflow 定義為獨立 Portfolio Project。
開始整理 AI 在 CQF、開發與內容創作中的角色。
建立 Capture、Understand、Build、Verify、Archive 五階段架構。
規劃 AI Workflow 的網站內容與未來實作。

Next Steps

整理目前使用中的 AI 工具
建立 CQF 課程摘要模板
建立研究查證 Checklist
整理常用 Prompt templates
建立 AI-assisted coding workflow
測試不同模型的任務分工
設計知識保存與歸檔流程
完成第一篇 AI Workflow Blog 文章

未來可以加入：

我如何使用 AI 學習 CQF
ChatGPT、Claude 與 Cursor 的任務分工
為什麼 Prompt Engineering 不只是寫一句 Prompt
如何驗證 AI 產生的金融資訊
如何把 AI 對話轉化為個人知識系統