OPC 手作實驗

專為一人公司設計：在筆電／電腦上建立多個本機 AI 助理做自動化，再測試是否正常；下一步做雲端多代理系統並驗收；中階再練 LLM、參數調校與模型比較。

① 本機多助理 ② 雲端多代理 ③ 中階 LLM 角色與提示詞參考
公開 · 初階

實驗①：本機多 AI 助理自動化

目標：在同一台筆電／電腦上跑起至少兩個「助理角色」（例如：研究助理 + 客服草稿助理），用 Ollama 當本機模型，用 n8n（或 Hermes／OpenClaw）觸發自動化，最後用測試清單確認運作。

先備條件

  • 一台可連網的筆電／桌電（建議 ≥8GB RAM；16GB 較順）
  • 已安裝 Ollama（本機模型）
  • 已安裝 n8n（桌面版或 Docker 其一即可）
  • 可選：Hermes 或 OpenClaw 當聊天入口

步驟（手把手）

  1. 安裝並啟動 Ollama：到官方安裝後，終端機執行 ollama pull llama3.2（或你選的小模型）。確認 ollama list 見到模型。
  2. 用兩套 System Prompt 定義兩個助理：在記事本／Obsidian 各存一檔——例如 assistant-research.md（只做資料整理與來源列表）、assistant-support.md（只寫禮貌客服草稿、不亂承諾）。
  3. CLI 先單測每個助理：用 ollama run <model>，先貼上研究助理的 system 內容再問一句；再開新對話貼上客服助理。確認角色不會混。
  4. 在 n8n 建兩條最小工作流：每條 = Webhook（或 Manual Trigger）→ HTTP Request 打本機 Ollama API（http://localhost:11434/api/generate）→ 把回覆寫入檔案／Discord／Email 其一。兩條工作流分別帶入不同 system prompt。
  5. （可選）加聊天入口：跟 Hermes 或 OpenClaw 接同一 Ollama，用指令切換「研究／客服」兩個角色——與 n8n 視覺流互補。
  6. 串一條「接力」示範：研究助理產出摘要 → n8n 下一節點把摘要餵給客服助理 → 產生對外草稿。證明「多助理」不是兩個孤立 chat。

測試清單（本機）

  • ollama list 有模型；瀏覽器／CLI 可正常生成一句話
  • 兩個助理用同一題時，回答風格／職責明顯不同（角色未混）
  • n8n 兩條工作流各自 Manual Execute 成功（綠燈／無紅錯）
  • Ollama 關掉後，工作流應失敗或超時——證明真的打本機
  • 接力流：輸入一則「客戶問題＋背景」，輸出含研究摘要＋客服草稿兩段
  • （可選）Hermes／OpenClaw 用指令可切換角色並得到預期回覆

行業角色包：企業專案、電商、多媒體、金融、零售、地產、保險、物管、餐飲、物流、醫療護理、美容健身、工程業、測量／建築、旅遊、電子、科技、通訊——建議角色＋System Prompt 見 多代理角色與提示詞參考（公開）。多媒體實作：製作高階 · 流量／SEO／GEO · LinkedIn 專業形象。

公開大綱 · 下一步 完整配方 · 會員

實驗②：雲端多 AI 代理自動化

目標：在雲端（API／託管工作流）建一個「多代理」系統——至少兩個角色協作（例如：規劃代理 → 執行代理 → 審核代理），完成一件真實任務（內容草稿、客服分流、或研究報告），再用測試清單驗收。

公開步驟（可先做）

  1. 選平台：Dify 雲端／自架，或 n8n Cloud，或 OpenAI／Claude／Gemini API + 簡單編排；若要以編碼／Worker 代理為主，可用 Codex 應用（見下方 路徑 B）；若要24/7 雲端個人電腦＋白話 Automations，可用 Zo Computer（路徑 C）。一人公司建議先 Dify／n8n Cloud／Zo 擇一，或 Codex 路徑。
  2. 申請並保管 API Key：只放環境變數／平台密鑰庫，勿寫進公開 repo。記低每月預算上限。
  3. 畫三角色：Planner（拆任務）、Worker（產出）、Reviewer（檢查幻覺／格式）。寫下每人一句職責（可對照 Agentic 迷你實作）。各行業建議角色與可複製 Prompt 見 多代理角色與提示詞參考。
  4. 建一條線性工作流：使用者輸入 → Planner → Worker → Reviewer → 最終輸出（檔案／Webhook／郵件）。先唔使並行。
  5. 跑一次真實任務：例如「為產品 FAQ 寫三則答案」或「整理一則市場新聞成簡報要點」。保存輸入／輸出各一份。

路徑 B：用 Codex 應用做多代理實作

定位：把 OpenAI Codex（ChatGPT／openai.com/codex 應用——不是 Ollama 模型）當多代理迴圈裡的編碼／Worker。角色仍是 Planner → Worker → Reviewer，只是 Worker 用 Codex 寫碼與改檔。

準備

  1. 確認可開啟 Codex：經 chatgpt.com 或 openai.com/codex（方案以帳號為準）。細節見 Codex 課 · 帳號與取用。
  2. 若用 API：Key 只放環境變數／平台密鑰庫，勿貼進提示或公開 repo。

角色怎麼對應 Codex

  • Planner：在記事本／第一段 Codex 對話（或獨立 thread）寫短計劃——把編碼／自動化任務拆成可驗證小步。
  • Worker：Codex 應用按計劃實作（碼、測試、小幅改 repo）——每輪只給一個可驗證目標。
  • Reviewer：第二輪（新 thread 或明確「只審、不寫新功能」提示）——查幻覺、缺測試、碼裡有無秘密；你本機跑測試。

行業角色包：企業專案、電商、多媒體、金融、零售、地產、保險、物管、餐飲、物流、醫療護理、美容健身、工程業、測量／建築、旅遊、電子、科技、通訊——建議角色＋System Prompt 見 多代理角色與提示詞參考（公開）。多媒體實作：製作高階 · 流量／SEO／GEO · LinkedIn 專業形象。

手作迷你任務（公開）

  1. Planner：寫三步計劃——「讀 CSV → 產出三則 FAQ 草稿 JSON → 本機驗證」。存成筆記。
  2. Worker（Codex）：開 Codex，貼計劃＋要求：用 Python 讀 input.csv（欄位例如 q,a_hint），輸出 faq.json（陣列，每則含 q／a／source）。一輪只做這一件。
  3. Reviewer：新對話，只貼腳本＋範例輸出，提示：「只審格式與幻覺——JSON schema 是否合理？有無捏造來源？列出具體問題，勿重寫功能。」
  4. 你驗收：本機跑一次腳本；確認 faq.json 有三則、可 json.load。把輸入／輸出各存一份。

（可選）用 n8n 編排

Planner／Reviewer 可用 LLM 節點；Worker 經 HTTP／OpenAI 節點打 Codex／API。公開大綱見 n8n 與 Codex · 接到 n8n——完整節點配方仍在下方會員區。

安全一句：提示與 repo 唔放秘密；測試由你跑；唔好自動寫入生產資料庫。

路徑 C：用 Zo Computer 做雲端 Agent 宿主

Zo Computer＝個人雲端電腦＋常駐 AI 代理；用白話排程 Automations；亦可選在 Zo 內跑 Hermes／OpenClaw。試用有期限，方案見官方 Pricing；實驗室不代購。

  • 跟官方教學走：註冊 → 接一個整合 → 建一條 Automations → 核對不會自動對外送出。
  • 完整課頁：Zo Computer 入門 · Automations：課節 4 · Hermes／OpenClaw on Zo：課節 5。

🔒 會員專用完整配方：Dify 多 Agent 節點細節、n8n Cloud 憑證範本、成本控管節點、失敗重試與人工升級分支——登入後解鎖。

登入解鎖雲端配方 → 會員權益

測試清單（雲端）

  • 端到端跑通一次：輸入 → 三角色 → 最終輸出存檔
  • 關掉／錯 Key 時有明確錯誤
  • Reviewer 至少改過一次 Worker 輸出
  • 同一輸入連跑兩次，結構穩定
  • 記錄本次約略 token／費用
  • （Codex 路徑）Worker 產出可執行產物，本機已跑通一次
  • （Codex 路徑）Reviewer 有具體修改或列出問題
  • （會員）人工升級分支曾被觸發或手動測試通過

完成標準：公開核心至少勾 4／5；走 Codex 路徑 時兩項 Codex 也要勾；會員另完成人工升級。

中階實作 高階應用 · 會員

實驗③：中階——LLM、參數、模型比較

目標：唔再只「會用聊天框」——親手跑 LLM、調溫度／上下文等參數、比較不同模型，並嘗試一兩個高深應用（RAG／蒸餾概念／本機高階）。

A. 參數調校練習（公開）

  1. 選一個本機模型（Ollama）或雲端 playground。
  2. 固定同一條提示，分別設 temperature = 0、0.7、1.2，各生成一次，記錄差異（事實題 vs 创意題各一）。
  3. 調 context / num_ctx（或 max tokens）：短上下文 vs 長上下文，觀察模型是否「忘記」前文。
  4. （可選）試 top_p／repeat_penalty，各改一檔，寫三句觀察。

B. 模型比較（公開）

  1. 打開 模型速覽：各選一款閉源＋一款開源（或兩款本機）。
  2. 同一套三題（摘要／推理／中文禮貌回覆），盲測記錄「誰較穩、誰較快、誰較幻覺」。
  3. 讀 知識蒸餾：用自己的話寫三句——老師／學生模型、軟標籤、壓縮用途。

C. 高深應用入口（公開＋會員）

🔒 會員高階應用：Ollama 高階調校配方、多模型 A/B 自動化表、與 OPC 工作流綁定的參數預設檔——登入解鎖。

登入解鎖中階高階 → Ollama 高階（會員）→

測試清單（中階）

  • temperature 三檔有書面觀察（事實題＋创意題）
  • 至少比較過兩個模型／供應商
  • 蒸餾三句解釋可給別人聽懂
  • RAG 或向量庫其中一項有跑通最小例子
  • （會員）參數預設已綁進自動化節點

建議順序

  1. 實驗①本機多助理＋測試 →
  2. 實驗②雲端多代理＋測試 →
  3. 實驗③參數／模型比較 → 再接 RAG／會員高階
返回 OPC 方案 角色與提示詞參考 手作實驗室總覽 模型速覽