Austin Marchese 用四個階段解釋，AI 怎麼從助理一路走到自己運作

到了 step 3，人的角色從 AI manager 變成管理 AI managers。影片建議先從做過、修到滿意的成果反推成 skill，將可重複的流程寫進去；再用 routines 定時啟動，讓結果送到自己真的會看的 Slack、Telegram 或其他管道。若一項工作仍然太慢，可以再拆給 subagents 分頭處理。這段的核心不是先追求全自動，而是先把流程、交付時間、回報方式與失敗時的處理方法交代清楚。

Step 4 才是 AI-native：多數工作由系統主動啟動，人只設定意圖並在例外發生時介入。影片也補上兩道很實際的煞車：每項工作使用足夠而非一律最強的模型，並限制 routine 或 loop 最多可以重跑幾次，避免失控地消耗 token。自動化前要先決定哪些工作只需要「夠好」，哪些品質一旦出錯就不能交給 AI 全程處理。

留言樣本一邊肯定四階段讓抽象概念比較容易理解，一邊也指出它仍然太像方法總覽。一則高互動留言希望看到完整專案的實際結果，並質疑人的品味能否真的寫進 Markdown 檔；另一位觀眾則分享自己的做法：每天把改稿與決策理由記進 voice guide 和 logic guide，讓 AI 逐步少犯同樣的錯。也有人直接回報 Claude Code 仍會違反既定規則。這些反應剛好補上影片沒有解決的問題：流程可以寫下來，但信任仍然要靠持續測試與實際結果累積。