哈囉大家好，我是享哥。今天想跟大家分享我近期使用 Vibe Coding 實作的「報價單系統」。 你可以直接前往 報價單測試網站 進行實際體驗！ 這個報價單系統是我很久以前就非常想做的專案，過去因為卡在一些技術問題，一直沒有動手實作。這次藉由 Vibe Coding 的協助，我成功開發出了這個具備後台編輯、公開報價頁、商務型電子簽署，以及 JSON / PDF 匯出功能的 MVP（最小可行性產品）。 系統核心定位與開發理念這套系統的核心在於提供一個流暢的線上報價流程。從後台建立報價單開始，到生成專屬的公開連結發送給客戶，客戶檢視無誤後能直接在線上完成簽名，最後系統會自動產生 PDF 留存。此外，我也加入了 JSON 的匯出與匯入功能，方便進行資料的備份與快速搬移。 後台管理與核心功能展示進入管理員登入介面後（我預設了一個 demo 測試帳號，大家可以在測試網站中登入），系統的總覽頁面會清楚劃分出幾個核心區塊，方便業務與管理人員操作： 1. 客戶與產品服務建檔 客戶名單：可以事先新增、管理客戶的聯絡資訊，在建立報價單時就能直接透過下拉選單帶入，省去重複輸入的麻煩。 產品與服務：可以預先建立好公司的各項產品或服務模組，包含計價單位、單價等。 2. 報價單範本設定在撰寫報價單時，經常會用到重複的條款或項目。系統支援建立「範本」，你可以將常用的預設條款（例如：付款條件、智慧財產權歸屬、保固範圍等）或是專案明細存成範本，未來開立新報價單時只要一鍵套用即可，大幅提升效率。 3. 權限控管設計在系統設定部分，我特別區分了「管理員」與「業務」的權限。一般業務帳號可以建立報價單、管理客戶與產品，但無法進入核心的系統設定頁面，藉此確保資料與系統的安全性。 線上報價與電子簽署流程這是整套系統最核心的運作流程： 建立報價單：選定客戶、套用範本、確認服務項目與金額無誤後進行儲存。 發送公開連結：系統會產生一個專屬的「公開報價頁連結」。雖然正式環境應該直接串接 Email 系統寄出，但為了 Demo 方便，目前採用生成公開連結的方式，讓業務可以直接複製並發給客戶。 客戶線上檢視：客戶點擊連結後，會看到一個排版專業、乾淨的報價單頁面，包含雙方資訊、報價明細、條款與匯款帳號等。 電子簽署：若客戶確認無誤，可以在頁面底部直接進行簽名。系統支援三種簽名方式： 手寫簽名：直接在畫布上滑鼠/手指簽名。 輸入姓名：由系統生成標準字體。 上傳圖檔：適合習慣使用公司大小章圖檔的企業客戶。 生成並下載 PDF：送出簽署後，系統會自動跳轉並生成一份包含簽名的完整 PDF 報價單，雙方皆可下載留存。一旦完成簽署，該份報價單在後台就會被鎖定，無法再被修改或刪除，確保合約的有效性。若需修改，只能複製一份新的報價單重新跑流程。 系統上線的挑戰：Cloudflare PDF 匯出踩坑經驗在開發這個專案時，我遇到最大的困難其實是「上線（Deployment）」。 我在本地端（Localhost）測試時，所有功能包含 PDF 匯出都運作得非常順暢。但當我將系統部署到線上，並串接資料庫與 Cloudflare 時，卻發生了許多 Bug。 這主要是因為我使用了 Cloudflare 內建的 PDF function 來生成檔案。這類雲端服務的功能在本地環境和實際線上環境的運作邏輯有時會有落差，導致我花了不少時間在解決上線後才冒出來的錯誤。 如果你未來也打算開發類似的系統，特別是會用到 PDF 套版或是需要部署到線上環境的專案，請務必有心理準備：你需要具備一定的線上環境部署與除錯能力。 AI 自動化開發心得與 Debug 建議這是我花了兩三天時間，透過 Vibe Coding 密集開發出來的成果。我最大的心得是：遇到問題、處理問題的能力依然是核心。 就算有 AI 輔助，程式還是會報錯。當你在線上環境遇到問題時，我的 Debug 建議是： 在瀏覽器按下右鍵，選擇「檢查（Inspect）」。 切換到 Console（主控台） 標籤頁。 查看裡面出現的紅字錯誤訊息。 將這些錯誤訊息完整複製下來，丟給 AI，請它幫你分析這些問題出在哪裡，然後一步一步去修正。 無論你今天是部署在 Cloudflare、AWS 還是 GCP，每一個雲端環境都會有自己獨特的毛病與設定問題（例如我遇到的上線後 PDF 無法生成）。只有自己實際走過一次流程，下次才會知道坑在哪裡。 常見問答 (FAQ)Q1: 這套線上報價單系統適合哪些使用情境？很適合接案工作者、小型工作室、數位服務公司，或是本來就有大量客製化報價需求的團隊。尤其當你常常需要反覆製作報價單、傳送給客戶確認，再追蹤簽署狀態時，這類系統能明顯減少來回溝通與人工整理文件的時間。 Q2: 電子簽署完成後，為什麼報價單不能再直接修改？因為一旦完成簽署，這份文件就已經進入具有合意證明意義的狀態。如果簽完還能直接改內容，等於破壞文件的可信度。所以系統在簽署後會鎖定該筆報價單，若真的需要調整內容，正確做法是複製一份新的版本重新送出，這樣才能保留完整的歷程。 Q3: 為什麼系統要支援手寫、輸入姓名、上傳圖檔三種簽名方式？因為不同客戶的習慣差很多。有些人偏好直接手寫簽名，有些人只想快速輸入姓名，也有些企業客戶會習慣蓋公司章或使用既有簽名圖檔。把三種方式都提供出來，可以降低客戶完成簽署的門檻，也比較符合真實商務場景。 Q4: PDF 匯出在本地正常，但部署到 Cloudflare 後出問題，常見原因是什麼？最常見的問題不是程式本身完全不能跑，而是「本地環境和正式環境的執行條件不一樣」。像是 Cloudflare 的執行限制、函式支援差異、路由設定、資源存取方式，甚至字型與 PDF 生成流程都有可能不同。所以只要牽涉到 PDF、檔案處理、第三方服務或部署平台特殊功能，就一定要預留線上除錯時間。 Q5: 如果我也想做自己的報價單系統，最應該先做好哪幾件事？我會建議先把流程想清楚，而不是一開始就追求功能很多。至少先定義好「客戶資料」、「產品/服務項目」、「報價單範本」、「公開頁面」、「簽署完成後的鎖定規則」這幾個核心模組。只要主流程先跑通，後續再慢慢補上通知、權限細分、更多匯出格式或 CRM 整合，會比一開始就做很大更實際。 希望這次的專案分享對大家有幫助！如果你對於 AI 自動化開發、AI 應用，或是如何規劃這類系統的架構有興趣，都歡迎提出來一起討論！

前言：打造每日自動選股網站Hello，又見面啦！我是享哥。今天要跟大家分享的是我的自動選股網站專案——Daily Stock Picks。 最近發現只要是跟「錢」有關的內容，大家似乎都比較感興趣，所以我決定做一個選股網站來試試水溫。這個網站的核心概念非常明確：系統每天會定時去撈取 API 資料，並利用預設好的交易策略，自動篩選出符合條件的台股清單，方便投資人參考。 網站核心：三大選股策略這個網站主要包含了三種不同的選股策略，每天下午五點會自動執行篩選機制： 1. 均線多頭篩選出目前呈現多頭排列趨勢的股票。這可以幫助我們找到正處於上升趨勢、動能較強的投資標的。 2. 高殖利率針對喜歡穩定配息的投資者，這個策略會篩選出具有高殖利率的股票。從網站實際運作的畫面上可以看到，這個條件通常會命中滿多檔股票的。 3. 60 日突破這個策略會尋找近期突破 60 日新高的股票。不過，因為這個策略需要較長天期（60 日）的歷史交易資訊，如果資料庫還沒有累積足夠的歷史資料，畫面上可能暫時會沒有符合條件的標的呈現。 開發細節：API 串接與資料獲取在資料來源方面，我是使用公開的 臺灣證券交易所 OpenAPI 來獲取每日交易資訊。 如果要做到極度即時的交易訊號，通常需要串接銀行或券商的專屬 API；但因為我們目前的目標只是一個每日盤後更新的「公開資料選股清單」，所以每天去拉取一次盤後資料就已經非常夠用了。 不過，這裡也有一個實務上的限制：如果一次想抓太大量的歷史資料，API 端有機會直接擋下來。因此我實際上是用「分批排程」的方式，慢慢把歷史資料補齊，而不是一次把全部資料硬拉回來。這也代表像 60 日突破 這種仰賴長天期資料的策略，從系統剛上線到真正完整運作，中間本來就需要一些時間累積。 在資料累積方面，網站的設計分為兩個階段： 第一階段：剛上線時，會先抓取當天的最新交易資料。 第二階段：隨著時間推移，歷史資料會逐漸累積完成。當擁有超過 60 天的資料後，依賴歷史紀錄的策略（如 60 日突破）就能夠精準運作。 自動化關鍵：Cloudflare 每日定時排程這個網站最重要的技術亮點，在於使用了 Cloudflare 的排程設定。 我在 Cloudflare 中設定了一個 Cron Trigger 觸發活動。由於 Cloudflare 使用的是 UTC 時間，而我們需要配合台灣時間（UTC+8）每天下午五點來抓取盤後資料，所以在排程時間上，我設定為 0 11 * * 1-5（每天早上 11:00 UTC），這正好會對應到台灣時間的下午五點。透過這個自動化排程，系統就能每天準時幫我們更新最新的選股清單。 後台管理：手動觸發更新機制在開發或測試的過程中，常常會遇到一個痛點：我們不可能總是慢慢等每天下午五點的排程自動執行，才去確認程式有沒有寫錯。 為了增添系統彈性，我特地做了一個簡單的後台監看介面。在這裡，開發者只要輸入設定好的 ADMIN_TOKEN，就可以透過「手動抓取今日資料」的按鈕，隨時觸發撈取資料的動作。比起自己去打 API 更新資料，透過這個小工具能省下很多麻煩。 常見問答 (FAQ)Q1: 這個每日自動選股網站適合拿來做即時當沖或盤中交易嗎？比較不適合。這個專案的定位是「盤後更新的公開資料選股網站」，重點在於每天固定整理出一份可參考的候選清單，而不是提供秒級更新的交易訊號。如果你要做盤中策略、即時警示或自動下單，通常還是要串接更即時的券商或專業行情 API。 Q2: 為什麼網站要等累積超過 60 天資料後，60 日突破 策略才會比較準？因為這個策略本身就依賴至少 60 個交易日的歷史價格資料來判斷是否創高。如果資料庫才剛建立，歷史資料還不完整，就算程式邏輯正確，也可能因為樣本不足而抓不到符合條件的股票。再加上公開 API 大量抓取時可能會擋請求，所以我實際上是用分批排程慢慢回補歷史資料；也因此這類策略通常要讓系統先跑一段時間，效果才會穩定。 Q3: Cloudflare Cron 為什麼不是直接設定成台灣時間下午五點？因為 Cloudflare Cron Trigger 使用的是 UTC 時區，所以要自行換算成台灣時間（UTC+8）。文中設定的 0 11 * * 1-5，意思是每週一到週五的 UTC 11:00 執行，剛好對應台灣時間下午五點。這是很多人在做排程時最容易搞混的地方。 Q4: 如果我想測試資料更新流程，一定要等排程時間到了才知道有沒有成功嗎？不用，這也是後台手動觸發功能存在的原因。你可以在開發或除錯時，先透過後台輸入 ADMIN_TOKEN 手動執行一次更新，確認 API 串接、資料寫入與策略計算都正常，這樣就不用每天等到固定時間才能驗證。 Q5: 這份選股清單可以直接當成投資建議嗎？不建議直接照單全收。比較好的做法，是把它當成「初步篩選工具」，幫你先從大量股票中找出可能值得進一步研究的標的，後續還是要搭配基本面、產業趨勢、風險承受度與自己的交易策略一起判斷。系統可以幫你省時間，但不能取代投資決策本身。 結語：透過 Vibe Coding 實現創意這次的專案很高興也是透過 Vibe Coding 的方式獨立完成的。 每天實踐 Vibe Coding 其實都需要不斷去思考：到底有什麼樣的新題材、新應用是可以吸引大家目光的？如果你對 AI 自動化開發或是更多有趣的 AI 應用有任何新的想法，都非常歡迎隨時跟我討論與分享。希望今天這個「每日自動選股網站」的實戰經驗，能帶給大家一些不一樣的想法與靈感！

大家好，我是享哥，今天要跟大家分享 n8n 的 MCP (Model Context Protocol)。 你有沒有想過，我們在用 n8n 拉節點、建構工作流的時候，如果可以透過 Vibe Coding 的方式，直接請 AI 幫我寫好程式，甚至透過 n8n 的 MCP，直接在 n8n 伺服器上幫我建立好 Workflow，是不是更好呢？ 以往我們的作法是：請 AI 幫我們寫好 Workflow 的 JSON 檔，然後手動 Import (匯入) 到 n8n Server 上去除錯 (Debug)。發生問題時，又要回到 AI 那邊修改，修完再匯入。這樣的過程其實滿困擾的。 網路上很多關於 n8n MCP 的教學通常都是使用 Cloud 服務，但常看我影片的朋友就知道，我很少用 Cloud，我大部分都是自建 (Self-hosted)。為了解決這個痛點，我研究了一段時間，發現透過 npx 的方式也能順利達成。今天就來帶大家實作！ 為什麼選擇 npx 方式安裝？官方 GitHub (czlonkowski/n8n-mcp) 的 Quick Setup 本來就主推 npx n8n-mcp，而且它會自動抓取最新版。這也相仿於部分 Cloud Shell 教學採用的 npx 當式執行方式。只要把依賴環境準備好，後續執行起來就會非常順暢。 前置準備：檢查 macOS 環境因為我是使用 macOS，以下以 Mac 環境做示範（如果是 Windows 用戶，可以依據概念自行轉換）。 首先，你必須確認你的 Node.js 與 npm 版本。網路上許多測試指出，至少需要 Node.js 22.17 以上的版本才不會有問題（我自己測試時使用的是 22.22，運作正常）。 打開 Terminal，執行以下指令確認版本： 1node --version && npm --version 步驟一：下載並編譯 n8n-mcp 專案確認 Node 版本沒問題後，我們要把官方 GitHub 上的專案 Clone 下來。為了配合 MCP Server 的讀取，建議將其放置在根目錄 (Root Directory)。 1. 下載專案12cd ~git clone https://github.com/czlonkowski/n8n-mcp.git 2. 安裝依賴模組 (Node Modules)下載完成後，進入資料夾並安裝依賴： 12cd ~/n8n-mcpnpm install 3. 編譯專案安裝完模組後，執行編譯： 1npm run build 這一段是為了先把依賴與快取準備好，讓後面透過 npx 或直接跑編譯後的檔案時能夠更加穩定。 步驟二：取得 n8n API Key接下來，我們需要一組 API Key 讓 MCP Server 能夠與你的 n8n 實體溝通。 進入你的 n8n 後台。 點擊左下角的 Settings。 在選單中找到 n8n API。 點擊 Create an API Key。 重要提醒： 建立後請務必立刻把這串 API Key 複製並保存起來，因為視窗關閉後就再也看不到了。 測試 n8n API 端點在我們開始設定 MCP 之前，我建議大家先測試一下 n8n API 端點是否正常運作。這樣可以避免後續設定時遇到莫名其妙的問題。以下是我整理的簡單測試方法和錯誤代碼解釋： 因為 401 代表「API 存在，但你沒有授權」，這其實正是我們測 API endpoint 時想看到的結果。 換句話說： 401 Unauthorized= 伺服器存在= API route 存在= 只是缺少 API Key 所以代表 URL 是正確的，API 有開啟。 n8n API 正常流程例如你直接打： https://你的-n8n-網址/api/v1/workflows 但沒有帶 API Key。 伺服器會回： 401 Unauthorized 意思是： 我知道 /api/v1/workflows但你沒有權限。 這代表： • n8n server 正常 • /api/v1 route 正常 • reverse proxy 沒擋 • API 功能有開 如果 API 有問題會出現什麼❌ 404 404 Not Found 代表： • URL 錯 • proxy 沒轉 /api • path 不存在 例如： https://你的-n8n-網址/workflows （少了 /api/v1） ❌ 502 / 503 代表： • n8n server 沒啟動 • reverse proxy 壞掉 • docker container 掛了 ❌ 403 403 Forbidden 代表： • 被 WAF / Cloudflare 擋 • IP 被限制 正常 API 呼叫會是什麼如果帶 API Key： 12curl -H "X-N8N-API-KEY: your-api-key" \https://你的-n8n-網址/api/v1/workflows 回： 12345{ "data": [ { "id": "1", "name": "workflow1" } ]} 為什麼很多人用 401 當健康檢查因為這個測試可以一次確認： • server 存在 • API route 存在 • proxy 沒壞 • API 功能開啟 但 不需要 API key。 所以很多 automation / agent setup 都用這招。 快速判斷表 回應 代表 401 API 正常，只是沒登入 404 API path 錯 502 server 掛 403 被防火牆擋 在實作中，我發現很多人會忽略這個測試，但它真的很重要。測試通過後，我們就可以放心進入下一步驟了。 步驟三：設定 MCP Server 配置文件 (JSON)接下來要將 n8n MCP 加入到你的 AI 助手 (如 Claude Desktop, Cursor 等) 中。我們需要編輯 MCP 的 JSON 設定檔。 請將以下的 JSON 格式複製起來，並替換成你自己的參數： 123456789101112131415{ "mcpServers": { "n8n-mcp": { "command": "npx", "args": ["-y", "n8n-mcp@latest"], "env": { "MCP_MODE": "stdio", "LOG_LEVEL": "error", "DISABLE_CONSOLE_OUTPUT": "true", "N8N_API_URL": "https://你的-n8n-網址", "N8N_API_KEY": "你的_API_KEY" } } }} 參數設定重點： N8N_API_URL: 請填入你正在使用的 n8n API 網址。如果你是本地端測試，就填 http://localhost:5678。如果是自建的伺服器，就填寫你的獨立網域。 N8N_API_KEY: 貼上剛剛在步驟二取得的 API Key。 步驟四：在 AI 工具中啟用 MCP以支援 MCP 的 AI 工具為例： 開啟工具的 MCP 設定選項 (通常在右上角或設定選單中的 MCP Servers)。 點擊 Manage MCP Servers，選擇編輯原始設定 (View raw config)。 將上述修改好的 JSON 貼上去。如果你原本就已經有其他的 MCP Server，只需將 "n8n-mcp" 這個區塊加入即可。 點擊 Refresh (重新整理)。 重新整理後，你就會看到 n8n-mcp 的服務被成功啟用 (Enabled)！ 此時展開功能列表，你會發現多了非常多控制 n8n 的方法，例如 get_node、search_nodes 等等。其中最關鍵的一個功能是：**n8n_create_workflow**。有了它，AI 就能直接幫我們在伺服器上建立工作流。 實戰測試：讓 AI 自動生成「AI 新聞摘要」工作流設定完成後，我們實際來測試一下。我給 AI 下了這樣一段 Prompt (提示詞)： 「請創建一個 n8n 工作流，主題是 AI 新聞摘要。每天都收集最新的 AI 新聞，透過 LLM 整理摘要並加入專家的切角，最後寄信到我的 Gmail 給我。」 按下送出後，AI 思考了幾秒鐘，便開始自動調用 n8n-mcp 的各項 Tools： 它先去搜尋 Schedule Trigger (每天定時執行)、RSS Read (抓取新聞)、OpenAI (整理摘要) 以及 Gmail (寄信) 相關的節點架構。 接著，AI 擬定好了一個實作計畫，包含這五個節點的連線邏輯。 驗證 JSON 語法無誤後，AI 直接調用 n8n_create_workflow 指令。 結果：AI 成功幫我部署上去了！ 它還直接回傳了建立成功後的 Workflow ID 給我。 此時我回到我的 n8n 後台查看，真的出現了一個名為「每日 AI 新聞摘要與專家分析」的工作流！打開一看，從排程、RSS 抓取、合併資料、OpenAI 處理到寄送 Gmail，所有的節點跟連線都已經拉好。 這意味著什麼？完全不需要手動 Import JSON 了！ 我們現在可以直接在 AI 聊天室下達指令，讓 AI 幫我們把 n8n 工作流建置在伺服器上，我們只需要進去微調憑證 (Credentials) 或修改部分參數，就可以立刻啟用 (Active)。 常見問答Q1：一定要先 git clone 並 npm install 嗎？不是直接用 npx n8n-mcp@latest 就可以了嗎？理論上直接用 npx 就可以執行，但如果你是第一次安裝，或遇到套件抓取、編譯相依套件、快取異常等問題，先手動下載專案並完成 npm install、npm run build，通常會比較穩定。尤其是本地自建環境，先把依賴準備好，後面除錯會省很多時間。 Q2：如果 AI 工具裡看不到 n8n-mcp，該先檢查什麼？先檢查三件事： JSON 設定格式是否正確，特別是逗號、括號與雙引號。 N8N_API_URL、N8N_API_KEY 是否真的有填對。 AI 工具是否已經重新整理 MCP Servers，或重新啟動應用程式。 很多時候不是 n8n-mcp 壞掉，而是設定檔少一個字元，或 API Key 貼錯位置。 Q3：我用的是本機自建 n8n，也能這樣設定嗎？可以。如果你的 n8n 跑在本機，通常可設定成： 1"N8N_API_URL": "http://localhost:5678" 但要注意一件事：你的 AI 工具必須能夠連到這個本機位址。如果 AI 工具本身是裝在同一台電腦上，通常沒問題；如果是遠端環境或沙盒環境，就要另外確認網路可達性。 Q4：把 N8N_API_KEY 放進 MCP 設定檔，會不會有安全風險？會，所以你要把它當成正式憑證管理。建議至少做到以下幾點： 不要把含有 API Key 的設定檔上傳到 GitHub。 不要截圖公開自己的完整設定內容。 如果懷疑金鑰外洩，立刻回到 n8n 後台重新產生新的 API Key。 只要拿到這把金鑰，理論上就可能透過 MCP 對你的 n8n 做操作，因此一定要小心保存。 搭配 n8n-skills 讓操作更順暢為了讓 n8n-mcp 的操作更加順暢，建議搭配 n8n-skills 這個專案。它提供了額外的技能和工具，可以增強 AI 助手在處理 n8n 工作流時的能力。 結語這完美解決了我們以往使用 n8n 時，手動搬運與除錯的痛點。相信以上分享的內容，會對大家在使用 n8n 時有極大的幫助。 希望大家的 n8n Vibe Coding 體驗能夠越來越好，跟我一樣輕鬆用嘴巴 (下指令) 就能完成自動化工作流！如果你有任何問題，歡迎在下方討論；如果你想了解更多 AI 自動化與相關應用的內容，請記得關注與訂閱，我會持續跟大家分享更多實用的技巧。謝謝大家！

這篇文章將為大家介紹 n8n 自動化工作流的作品集首發：n8n LINE 預約系統。 本系統的最大亮點在於完全不使用任何 AI 介入。雖然曾考慮過導入 AI，但考量到 Token 成本與系統單純性，最終選擇單純透過流程規劃來完成。這不僅大幅降低了運行成本，也讓預約流程更為明確可控。 系統架構簡介這套系統主要透過 n8n 接收 LINE 官方帳號的 Webhook，運用 PostgreSQL 記錄使用者的狀態（State Machine）和預約資料，並串接 Google Calendar（Google 日曆）來查詢空檔、建立預約、查詢預約、修改預約與取消預約。 核心流程拆解整個工作流的運作包含以下幾個核心步驟： Webhook 接收：接收 LINE 使用者傳送的訊息。 防重送與 Session 管理：確保 LINE 的重試事件不會重複處理，並於資料庫中查找使用者當前的對話狀態。 **意圖判斷 (Intent Resolver)**：透過簡單語法（如輸入「預約」、「查詢」或符合特定日期格式）引導進入不同的處理分支。 日曆操作：根據意圖分支，執行回覆詢問日期、查詢 Google Calendar 空檔、選擇時段，或是後續的修改與取消預約。 實際操作示範在 n8n 預約系統中，左側為使用者的 LINE 操作介面，右側則是即時同步的 Google 日曆。以下為實際操作的流程展示： 建立預約 在 LINE 官方帳號輸入預約指令後，系統會提示選擇預約的日期（例如：可直接選擇 3/12，或輸入特定格式 2026/03/10）。 系統會立刻比對 Google 日曆，列出當日可預約的時段（例如 09:00、11:00、14:00、16:00、19:00）。 若選擇的時段（如 19:00）剛好被他人預約走，系統會進行防呆檢查，並提示「該時段剛好被預約走了，請重新選擇」。 成功選定空檔後，依提示填寫姓名與電話，即可完成預約。同時，Google 日曆上也會即時新增該筆行程。 查詢與修改預約 查詢預約：點擊系統選單的「查詢預約」，系統會將你所有的預約紀錄以卡片輪播的方式列出，一目了然。 修改預約：針對單一卡片點擊「修改預約」，即可重新選擇新的日期與時段（例如從 3/10 改至 3/11 下午 4 點）。修改完成後，Google 日曆中的舊行程會自動更新為新時段。 取消預約若行程有變，只需在查詢預約的卡片中點選「取消預約」。系統會自動移除指定的預約紀錄，並同步釋放 Google 日曆上的該段時間。 實際體驗測試想要親自操作看看嗎？歡迎點擊下方連結，加入 LINE 官方帳號進行實際體驗： n8n 預約系統（測試中）：https://lin.ee/wIKrF0k 結語以上是這套初步且功能完整的 n8n LINE 預約系統展示。透過單純的邏輯判斷與資料庫串接，就能打造出高效且實用的自動化工作流。 如果你想了解更多關於 n8n 自動化工作流的實戰技巧與開發心得，歡迎持續關注，未來將會分享更多進階的自動化應用！

哈囉，大家好！我是享哥。今天又要來跟大家分享一個全新的 Vibe Coding 課程實作影片。 這次的課程核心，是要帶你透過 AI，在短短 3 小時內，從零開始做出你的第一個「自動化銷售頁（Landing Page）」。你不僅能產出一個可以實際運作的 MVP（最小可行性產品），還能將後端的報名與追蹤流程完全自動化。 Demo 網站展示 3 小時實作：用 AI 寫出你的第一個銷售頁這個課程設計為 6 個核心步驟，將銷售頁的建置、成效追蹤、網站部署，以及 LINE 自動銷售流程完整串接起來。透過 Vibe Coding 的核心概念，你將學會如何利用 AI 輔助開發，實作出高質感的網頁。 課程中使用的前端技術棧包含了現代主流化工具，幫助你快速入門： Next.js Tailwind CSS 除此之外，我們還會教你如何設置追蹤像素（Pixel），精準掌握使用者的網頁動線與行為。 零成本部署與自動化 CRM 串接為了讓大家能以極低的成本啟動商業測試，課程會採用幾乎零成本的架構來完成部署與資料串接。 GitHub Pages 輕鬆部署網站我們會將完成的網頁專案，直接部署到 GitHub Pages 上。這不僅免除了昂貴的伺服器主機費用，對於初步測試市場水溫的銷售頁來說，是非常實用且高效的作法。 建立 LINE 自動銷售 CRM當銷售頁準備就緒後，訪客若想報名或購買，我們會引導他們掃描 QR Code，加入 LINE 官方帳號。透過 LINE 機器人，我們能打造一套自動化的客服與銷售系統（CRM）。 實際 Demo：自動化報名與查帳流程以下為你展示當顧客進入 LINE 官方帳號後的實際報名體驗： 觸發報名流程： 顧客輸入關鍵字「報名」或點擊選單，系統會自動跳出報名資訊（包含課程日期、地點、費用等）。 查看價格與匯款： 顧客可以選擇查看「早鳥優惠」、「單人票」或「雙人團報」等方案，並取得匯款帳號。 確認匯款完成： 顧客匯款後，點擊「我已完成匯款」，系統會要求顧客輸入帳號後五碼以利對帳。 Google Apps Script (GAS) 串接 Google Sheets顧客在 LINE 上提交的報名與匯款資訊，會怎麼處理呢？這裡就是自動化最核心的環節。 我們會透過 Google Apps Script (GAS) 撰寫簡單的腳本，將 LINE 收集到的資料自動同步至 Google Sheets 中。你的 Google 試算表就會變成一個強大的後台管理系統。 我們在試算表中設定了多種報名狀態，方便管理者進行後續追蹤： 狀態 (Status) 說明 (Description) Pending 等待確認中（剛提交匯款資訊） Confirmed 已核帳，確認收款完成 Notified 已發送報名成功通知給顧客 Refunded 已完成退款 Cancelled 顧客或管理者取消報名 課程的 4 大階段與課前準備為了讓學習更有系統，整個實作過程被拆解為 4 個階段，按部就班幫助你把架構建構起來： 階段 A：先把網站跑起來 目標：先看到畫面，知道你改動程式碼時會發生什麼事。 階段 B：把文案、價格、日期、按鈕換成你的內容 目標：快速做出一個「看起來像你的產品」的專屬頁面。 階段 C：串接 LINE 官方帳號 目標：讓網站的按鈕能真實將顧客引導至你的 LINE 進行互動。 階段 D：串接 GAS 與 Google Sheet 目標：將 LINE 傳來的資料，自動記錄下來並進行狀態管理。 你需要準備的工具帳號要完成這套零成本自動化銷售系統，你只需要事先準備好以下免費帳號： GitHub 帳號 Google 帳號 LINE 個人帳號 LINE 官方帳號 (Official Account) 常見問答完全不會寫程式，也適合上這堂課嗎？可以。這堂課的設計重點不是要求你先具備完整工程背景，而是帶你透過 AI 輔助，一步一步完成實作。你只需要能跟著操作、願意動手練習，就能做出自己的第一個自動化銷售頁 MVP。 課程中會實際做到哪些成果？你會完成一個可對外展示的銷售頁，並把報名流程串接到 LINE 官方帳號，再透過 Google Apps Script 與 Google Sheets 建立後台資料管理流程。也就是說，從前端頁面、名單收集到匯款回報與狀態追蹤，都會有一套可實際運作的雛型。 這套系統一定要花很多工具費用嗎？不一定。這次課程刻意選擇低成本甚至近乎零成本的工具組合，像是 GitHub Pages、Google Sheets、Google Apps Script 與 LINE 官方帳號，目的就是讓你先快速驗證市場，再決定是否要擴充更進階的商業化流程。 如果我已經有自己的課程或服務，也能套用這套方法嗎？可以，而且很適合。無論你要賣的是線上課程、顧問服務、講座活動、工作坊，甚至是需要先蒐集名單再成交的產品，都可以把這個流程當成基礎骨架，再替換成你的品牌文案、價格方案與報名資訊。 上完課之後，我可以自己修改內容與流程嗎？可以。課程會把整個架構拆成幾個清楚的階段，讓你知道網站內容、按鈕連結、LINE 關鍵字回覆、Google Sheets 欄位與 GAS 腳本之間是怎麼配合的。後續你要換圖片、改價格、調整表單欄位或新增追蹤流程，都會更有方向。 這堂課比較適合哪些人？如果你是想快速驗證產品想法的創業者、想把報名與客服流程自動化的講師或顧問、想練習 AI 協作開發流程的行銷人員，這堂課都很適合。它特別適合想先做出成果，而不是先花很多時間學完整套程式理論的人。 這些看似複雜的流程，在 Vibe Coding 的輔助下，實際上難度並不高。大約只要花費 3 個小時，你就能打造出專屬於你、從網頁前端到資料後台完全串接的自動化系統！ 如果你對這個課程、或是對 AI 自動化工作流有興趣，歡迎留言告訴我你的想法，也請務必訂閱關注我，後續我會持續分享更多 Vibe Coding 相關的實作作品與應用技巧！

Hello 我是享哥。今天要跟大家分享一套強大的自動化影音工具——Remotion。 如果你還不會安裝 Remotion，非常推薦直接將它的官方網站網址丟給 AI 助手，請 AI 提供安裝指令，就能輕鬆完成基礎環境的建置。 什麼是喵喵經濟學人？解析自動化短影音工作流在環境安裝完畢後，今天要為大家測試網路上討論度極高的專案：「喵喵經濟學人」。 這是一個專門用於自動化製作 9:16 火柴人風格短影片的工具，特別適合用來做心理學與經濟學的科普。它提供了一套非常完整的標準化工作流，涵蓋了以下核心環節： 腳本撰寫 配音生成 畫面繪製 Remotion 影片最終合成 也就是說，只要餵給它故事腳本，系統就能自動生成對應的圖片、文字內容與配音，並一鍵合成完整的短影音。你還能在核心參數中，彈性設定喜歡的音色與圖片風格。 實戰教學：如何用 AI 生成一分鐘經濟學短片？接下來，我將實際演示如何請 AI 產出一支一分鐘的短影音。這支影片的內容，是透過「喵喵經濟學人」來解析美國與以色列對抗伊朗的事件，會如何影響世界經濟。 步驟一：設定故事核心與隱喻腳本首先，我們來到 Antigravity 介面，輸入指令：「Create video 一分鐘短影片，內容是喵喵經濟學人講解美國和以色列攻打伊朗，對於世界經濟的影響」。 系統會開始引用對應的 Skill（記得事前需要先建立好一個 Skill 來引用）。接著，它會根據設定好的核心主題進行創作。為了讓科普內容更生動，系統大量使用了隱喻的方式來呈現國際衝突： 沙漠悍貓國：代表以色列 波斯貓國：代表伊朗 黑色的魚油：代表石油 罐罐通膨與貓薄荷：代表經濟與物價影響 步驟二：API 替代方案與自動生成在語音生成的部分，系統預設使用的是 Minimax 的 API。但因為我目前沒有提供該 API，所以我改用 Edge TTS 來作為語音替代方案，並完成相關的基礎設定。 當 Plan 與 Task 都設定完畢後，系統就會進入生成與處理階段。處理完成後，程式會在 Out 資料夾中將圖片與影片進行完整合成，最終輸出一支完整的短片。 常見問題與解決方案：遇到「全紫畫面」怎麼辦？在自動化生成的過程中，難免會遇到一些突發狀況。 舉例來說，我第一次生成時，合成出的影片竟然是「全紫色」且完全沒有圖片。遇到這種情況我們應該怎麼辦呢？ 因為我是使用 Gemini 模型，我的解法是請模型利用 nano banana 去生成影片所需的相關圖片。雖然這個方法沒有辦法一次並行生成所有圖片，系統必須一張一張慢慢排程製作，過程中偶爾也會遇到失敗的情況；但只要耐心等待，它最終會慢慢把腳本裡所有的圖片素材逐一產出。將素材補齊後，就可以順利合併成最終的影片了。 結語以上就是透過 Remotion 程式，串接 AI 自動生成與剪輯影片的完整過程。 今天就跟大家分享介紹到這邊，影片最後我會放上成品給大家參考，有需要的朋友可以繼續往後觀看。想要了解更多 AI 自動化實用工具與工作流應用，歡迎關注並且訂閱我，謝謝大家今天的收看與支持！

想把一個高品質的英文開源教學站變成繁體中文，以前你要怎麼做？逐行複製程式碼到 Google 翻譯？還是看著螢幕一句句打字？太慢了，這根本是燃燒生命的無效勞動。 目標很明確：把 Cursor for Product Manager 的英文教學站「搬」回來。全站繁體中文化，並且利用 GitHub Pages 免費部署，不用付任何伺服器費用。 核心工具就這幾樣：GitHub、Terminal、AI 模型（GPT-4/Claude/Google 皆可）與編輯器。文末附上原版與繁中版對照連結，不想看過程的可以直接拉到最後。 前置作業：Fork 與 Clone 專案第一步不是翻譯，是把原始碼弄到手。去原始專案的 GitHub 頁面，點擊 Fork。這一步是為了把專案複製到你自己的帳號下，確保你有完全的修改權。 接著把 Fork 後的網址複製下來。打開 Terminal，輸入 git clone 指令把它抓到本地端。用 Cursor 或 VS Code 開啟資料夾，準備開工。 123git clone [https://github.com/你的帳號/repo-name.git](https://github.com/你的帳號/repo-name.git)cd repo-name AI 翻譯策略：Prompt 文件化技巧很多人用 AI 改 Code 的習慣不好。直接把程式碼貼到對話視窗，效率極低且容易出錯。這裡建議採用 Prompt 文件化 的高階打法。 在專案根目錄建一個 docs 資料夾，或直接新增一個 prompt.md。你要在這個檔案裡，把 AI 當成一個剛入職的資深翻譯。寫清楚角色設定：你是專業 PM、資深譯者。 定義目標受眾是台灣或香港的 PM 與工程師。強調語氣必須是「繁體中文」且「去中國化」。 例如：看到「視頻」要翻成「影片」。 例如：看到「激活」要翻成「啟用」。 執行邏輯：Context 管理與指令下達接著把這個 prompt.md 拖進 AI 的對話視窗（Context）。下達指令：「執行文件內的翻譯任務，將 src/app 下的網站內容中文化」。這樣做的優點是 Context 穩定，不會翻到一半 AI 突然忘記自己是誰。 這裡有個關鍵技巧：指令要兇，權限要給足。 告訴 AI：「請自動完成以下工作，不需要中途確認。」若要處理多個檔案，直接下令「批次翻譯剩餘檔案，不要停下來」。 實戰除錯：應對 AI 幻覺與遺漏當然，AI 目前還不是神，它比較像個會偷懶的實習生。實作過程通常不會一鍵完成，你會遇到幾種狀況。 AI 偷懶： 翻一半就停下來問你「要繼續嗎？」。 解法： 指令要強硬：「不要問我，直接完成所有工作。」 內容遺漏： 特別是側邊欄（Sidebar）這種結構複雜的地方。 解法： 不要用文字描述，直接截圖貼給 AI，讓它自己去對應程式碼位置。 破壞性修改： 有時 AI 翻得太嗨，會把程式碼邏輯也刪了。 解法： 你需要保持警覺，如果發現檔案變小太多，通常就是出事了，請務必 Review diff。 部署流程：Next.js 到 GitHub Pages原專案通常是 Next.js 架構，官方推薦用 Vercel 部署。但為了極致的免費，我們改用 GitHub Pages。直接問 AI：「這是一個 Next.js 專案，教我怎麼部署到 GitHub Pages。」 AI 通常會叫你改 next.config.mjs。加入 output: 'export'，讓 Next.js 吐出靜態檔案（Static HTML）。 12345// next.config.mjsconst nextConfig = { output: 'export', // 其他設定...}; 注意： 圖片優化元件 <Image> 在靜態匯出時可能會報錯，這部分需視情況調整。 接著請 AI 生成 GitHub Actions 的 workflow 檔案。路徑通常在 .github/workflows/pages.yml。流程不外乎：Checkout code → Setup Node → Build → Upload → Deploy。 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748name: Deploy GitHub Pageson: push: branches: [main] workflow_dispatch:permissions: contents: read pages: write id-token: writeconcurrency: group: pages cancel-in-progress: truejobs: build: runs-on: ubuntu-latest defaults: run: working-directory: website steps: - uses: actions/checkout@v4 - uses: actions/setup-node@v4 with: node-version: 20 cache: npm cache-dependency-path: website/package-lock.json - run: npm ci - run: npm run build - run: touch out/.nojekyll - uses: actions/upload-pages-artifact@v3 with: path: website/out deploy: needs: build runs-on: ubuntu-latest environment: name: github-pages url: ${{ steps.deployment.outputs.page_url }} steps: - id: deployment uses: actions/deploy-pages@v4 收尾與上線：Git 流程與自動化驗收最後就是標準的 Git 流程。 123git add .git commit -m "feat: 完成全站繁體中文化與部署設定"git push origin main Git push 上去後，到 GitHub Repo 的 “Actions” 分頁看戲。只要燈號全綠，GitHub 就會給你一個網址。原本全英文的介面，現在變成了你專屬的繁體中文版。這不只是翻譯，這是建立了自己的知識庫。 資源傳送門：原版與繁中版對照光看不練沒有用，這裡把資源都整理好了。原版適合練英文，享哥的繁中版適合直接學觀念。想自己動手改的，Repo 連結也都在這，Fork 下去就是你的。 原始教材網站： Cursor for PMs 原始 GitHub： carlvellotti/cursor-pm-course 享哥繁中版網站： Cursor for PMs (繁中版) 享哥繁中 GitHub： chengyunm1313/cursor-pm-course

做行政工作最怕什麼？不是難度高，而是重複性高。比如做一百張顧問聘書，或者兩百張學員證書。傳統做法是打開 Word 或 PPT，複製名字、貼上、另存新檔，重複一百次。 如果你還在這樣燃燒生命，那真的太委屈自己了。這種機械式的動作，應該交給機器來做。今天要解構的，就是享哥的「Canva 大量製作」工作流。 必備工具清單這套流程的核心邏輯是「設計」與「資料」分離。你需要以下工具來建構自動化系統： Canva (建議 Pro 版)： 負責皮囊，功能才完整。 Google Sheets： 負責靈魂，用來整理名單資料。 至於底圖素材，現在也不用自己畫了。搭配 AI 生成工具（Gemini、Midjourney 或 Canva 內建），幾秒鐘就能搞定一張具備國際感的底圖。 第一階段：搞定底圖設計 (AI 輔助)首先，我們要準備一張乾淨的「容器」。你可以直接在 Canva 內使用「建立圖像」功能，輸入提示詞。 12直式 A4 尺寸、極簡風格、具國際感的講師聘書設計 選一張順眼的，或者上傳你自己設計好的圖片。如果 AI 生成的圖上有奇怪的亂碼文字，別擔心。使用「編輯圖片」裡的「魔法橡皮擦」或「抓取文字」，把它們擦乾淨即可。 第二階段：建立 Google Sheets 資料庫打開你的 Google Sheets，這裡掌管著所有變數。第一列必須是清楚的標題（Header），這將對應到 Canva 的變數欄位。 12姓名, 職位, 聘期 接著填入所有人員資料。如果是測試流程，也可以請 AI 幫你隨機生成一堆假名單。確認資料無誤後，這份表格就是你的自動化燃料。 第三階段：Canva 排版與變數設定回到 Canva 編輯畫面，按下鍵盤 T 新增文字框。我們要建立三個對應的「佔位符」：講師姓名、職稱、日期。 這裡有個關鍵細節，字體請選最安全的黑體（如 Noto Sans）。把字體大小調整好（例如 88 號字），並拖曳到正確位置。這一步做對了，後面才不會跑版。 第四階段：開啟 Canva「大量建立」功能重頭戲來了，點選 Canva 左側邊欄的「應用程式 (Apps)」，搜尋並開啟 「大量建立 (Bulk Create)」。 系統會問你資料哪裡來，請點選「選取資料來源」。你可以選擇以下兩種方式之一： 直接上傳 CSV 檔。 連結剛剛做好的 Google Sheets。 只要 Canva 讀取到表格，第一關就過了。 第五階段：資料欄位連結 (Connect Data)這是新手最容易卡關，也是最重要的一步。 點選畫布上的「姓名」文字框。 按右鍵（或點選 …），找到 「連結資料 (Connect Data)」 這個選項。 選擇對應的欄位名稱（如：姓名）。 成功後，原本的文字會變成 {姓名} 這種括號格式。依樣畫葫蘆，把「職稱」與「日期」也都綁定好。 第六階段：批量生成與檔案輸出點擊左側面板的「繼續」，確認名單都已勾選，按下 「建立 xx 個設計」。 Canva 會自動彈出一個新分頁，裡面是已經套用好所有名字的幾百頁文件。檢查沒問題後，點擊右上角「分享」→「下載」： 印刷用： 選 PDF 列印。 電子檔： 選 PNG 或 JPG。 實戰防雷小筆記雖然流程簡單，但有幾個坑不要踩： 字體選擇： 如果生成後文字消失或變亂碼，通常是字體不支援，換回通用黑體就對了。 長度預覽： 生成前要確認最長的名字會不會超出邊界。 工具版本： 強烈建議使用 Pro 版帳號。無論是 AI 生成底圖的質感，還是去背修圖的魔法工具，省下的時間絕對超過訂閱費的價值。 把重複的動作自動化，把時間留給更有價值的思考。這才是現代工作者該有的節奏。

做一套 LINE 貼圖，最痛苦的不是畫不好，而是畫不完。手繪當然有靈魂，但如果你追求的是效率與變現，死磕手繪只會讓你的熱情在第 3 張圖就燃燒殆盡。 這裡要解決的核心問題只有一個：如何利用 AI 工具鏈，快速生成「角色長相統一」且「去背完整」的貼圖包。 我們不需要單一超級工具，我們需要一套組合拳。 工具配置與分工邏輯別指望一個 AI 搞定全部。這是一條迷你生產線，每個環節都要用最強的工具。 大腦擔當：Google Gemini 負責企劃與咒語（Prompt）生成，解決「不知道畫什麼」的卡頓。 繪師擔當：Nano Banana（或任何支援參考圖生圖的工具） 負責實際產出圖片，重點在於「吃參考圖」的能力。 後製擔當：專用貼圖分離去背工具 負責把 AI 生成的大圖切開、去背、加邊框，這是完稿的最後一哩路。 第一階段：企劃與咒語生成系統提示詞 - LINE 貼圖企劃與生圖提示詞專家 不要自己想破頭寫英文 Prompt。直接把你的需求丟給 Gemini，讓它幫你翻譯成繪圖 AI 聽得懂的話。 你需要給 Gemini 明確的「規格書」： 情緒風格（中二、厭世、可愛） 角色設定（姓名、性格、年齡） 張數需求（建議一次設定 9 或 12 張，剛好湊成一張九宮格大圖） 如果不自定義 Gem，直接下指令也行： 1請用附件圖片的角色，製作 12 款 Q 版 LINE 貼圖，動作要生活化、多樣化。 Gemini 會吐出一串包含動作描述的精準英文 Prompt。 Gem:LINE 貼圖企劃與生圖提示詞專家 第二階段：鎖定角色一致性拿到 Prompt 後，轉場到 Nano Banana。這裡最大的挑戰是「角色一致性」（Consistency）。你不能第一張是米老鼠，第二張變成皮卡丘。 操作關鍵在於 「Reference Image」（參考圖）。 輸入 Gemini 給的 Prompt。 同時上傳你設定好的角色原圖。 這能強迫 AI 記住角色的臉和畫風。 按下生成後，你會得到一張包含 9 到 12 個小動作的 Sheet（大圖）。這時候還是連在一起的，別急。 第三階段：切割與參數調校貼圖分離與去背神器 這一步是把「圖片」變成「產品」的關鍵。將生成的大圖丟進「貼圖分離與去背神器」。 參數設定不能憑感覺，這裡有試錯過的黃金數值： 物件間距（Distance）：目前範例建議設為 17。太遠會切到別人，太近會留白過多，17 是個甜蜜點。 自動去背（Remove Background）：務必開啟。這能省下你用 Photoshop 鋼筆工具摳圖的幾個小時。 第四階段：生死攸關的白邊這點值得單獨拉出來講。在後製設定中，增加白底或白邊（White Stroke）是絕對必要的。 很多人忽略了 LINE 的深色模式（Dark Mode）。如果你的貼圖去背後是深色衣服，又沒加白邊，用戶換個黑色主題，你的貼圖就會直接隱形。 這不是美感問題，是使用者體驗的災難。請確保輸出設定中有包含這一步。 第五階段：品管與補救AI 產出的東西，離完美通常差 10%。你需要進行人工篩選（Quality Control）。 檢查三大地雷： 肢體是否扭曲（AI 不會畫手是常態）。 文字是否亂碼（AI 生成的字通常不能用）。 浮水印（Google 體系常在右下角藏個菱形 Logo）。 用 Canva 或修圖軟體把亂碼蓋掉、把 Logo 修掉。如果肢體崩壞太嚴重，直接捨棄。LINE 貼圖上架單位是 8、16、24 張，湊不齊就回頭再生成一組，與其修爛圖，不如重新抽卡。 最後提醒雖然 AI 讓門檻變低了，但規則還是要守。製作過程雖然全自動，但仍需注意原創性。 不要直接用知名動漫角色的名字或特徵去生成。AI 產圖雖快，但版權意識是你帳號存活的根本。把白邊加好、把圖切好，這套流程就是你的量產武器。

PDF 這種檔案格式，閱讀體驗極佳，但要整理或再利用時，簡直是場災難。我們都試過直接複製貼上，或者丟給傳統轉檔工具。結果往往令人崩潰：排版跑位、亂碼橫生、段落碎成一地。 如果你的目標是把資料餵給 AI（如 NotebookLM）或是做成簡報，那你真正需要的，不是「轉檔」，而是把內容清洗成 AI 最懂的 Markdown。這不需要複雜的程式碼，只需要一個懂事的 AI 助手。 這裡的核心工具是 Google Gemini（特別是 Advanced 版更好）。我們要利用它的「Gems（自訂 AI 助手）」功能，把這件事變成一套固定的自動化流程。 建立你的專屬轉檔 Gem別每次都重新下指令，那太沒效率。請依照以下步驟設定你的專屬工具： 直接進到 Google Gemini 右側的「Gem 管理器」。 點選「新增 Gem」。 幫它取個直白的名字，例如「PDF 轉 Markdown 助手」。 接下來的重點在於「使用說明（Prompt）」。千萬不要只寫「幫我轉檔」，那樣你會得到一堆垃圾。你需要植入一套有邏輯的結構化指令。 PDF 轉 Markdown 助手提示詞 設計 Prompt 的核心邏輯想哥特別強調，我們要設計的是「工作流」，而不是單一指令。這套 Prompt 必須包含三個關鍵原則，缺一不可： 內容完整性：確保 AI 不會自作聰明刪減資料。 結構化呈現：指定使用 Markdown 語法。 分階段執行：這點最反直覺，但最重要。不要妄想一步到位，要讓 AI 慢下來。 建議的操作順序為：第一階段，請 AI 先「閱讀並校對」，確認有無錯別字或識別錯誤；確認無誤後，第二階段才進行翻譯（若需要）並輸出繁體中文 Markdown。分兩步走，準確率會大幅提升。 實戰中的除錯技巧：解決引用代碼干擾把 PDF（例如 NVIDIA 的財報）丟進去後，AI 會開始跑流程。但這裡有個 Gemini 目前的小 Bug，很搞人心態。當你直接複製生成的內容時，它會連同「引用來源代碼」一起複製。 貼到筆記軟體時，這些代碼會讓格式再次亂掉。解決方法很粗暴，但很有效。等 AI 生成完，多補一句指令： 1去除資料來源 AI 會乖乖吐出一份乾淨、沒有干擾連結的 Markdown。這時候你再複製，就能得到完美的標題層級與內文。這才是我們要的純淨數據。 Markdown 格式的後續應用槓桿拿到這份乾淨的 Markdown 後，用途就廣了： 最直接的，貼到 NotebookLM 進行更深度的 RAG 分析。 或是利用這些結構化文字，快速轉成 Google Slides 或 PPT。 這個方法的精髓，在於「分段處理」與「格式清洗」。不求快，先求準，最後再把雜質濾掉。把最難搞的 PDF，變成最聽話的素材。