每一座工廠，都是從一間工作坊開始的。
有人用手做了一個東西。然後做了一百次同樣的東西，心想：一定有更好的方法。他做了一個夾具固定零件。一個導軌讓鋸子切得直。一條輸送帶把東西從這一站送到下一站。技術沒有消失。它從工人的手裡轉移到了系統裡。系統可以在凌晨三點運作。它從不漏掉步驟。它能在一天內訓練新人，而不是一年。
AI 工具現在就站在這個位置。大多數人用 AI 的方式，就像工匠用單一工具 -- 一次一個問題，在聊天視窗裡，每次 session 從零開始。這樣可以用。但它不能 scale。你沒辦法對一段聊天對話做 version control。你沒辦法排程讓它早上六點自己跑。你沒辦法把它交給隊友說「這是我們處理 PDF 的方式。」
Workflow 就是那個夾具、那個導軌、那條輸送帶。它把一個聰明的 prompt 變成一套可重複的系統。而在 2026 年，terminal 就是這些系統被建造的地方。
這篇指南就是地圖。它涵蓋了知識工作者需要的每一種 AI workflow 類型 -- 從每日例行到 multi-agent pipeline。每個段落都連結到一篇專門的文章，有一步步的指導、完整的 prompt、和可運作的程式碼。讀這一頁了解全貌。點連結去做那個東西。
為什麼 Terminal 比聊天視窗更適合做 Workflow
聊天視窗是一場對話。Terminal 是一個作業系統。
這個差別比聽起來的重要得多。在聊天視窗裡，你打一個問題，得到一個回答。回答存在一個往上捲最後就消失的對話串裡。你沒辦法把輸出 pipe 到另一個工具。沒辦法排程。沒辦法 diff 今天的輸出和昨天的。對話是短暫的。知識在你關掉分頁的瞬間就死了。
在 terminal 裡，AI agent 有權限存取你的檔案系統、git 歷史、環境變數、和已安裝的工具。它可以讀一個 CSV、處理它、把結果寫進檔案、commit 到 version control、然後把摘要發到 Slack -- 一條指令搞定。這不是對話。這是 pipeline。
三個特性讓 terminal workflow 和聊天根本不同：
可重複。 定義在 shell script 或 CLAUDE.md 裡的 workflow 每次跑起來都一模一樣。不用複製貼上 prompt。不用記上禮拜二哪個指令有效。你寫一次，不管是你跑還是同事跑，執行方式完全相同。
可組合。 Unix pipe 已經五十歲了，它依然是串接操作最優雅的方式。一個指令的輸出餵進下一個指令的輸入。Terminal 裡的 AI agent 繼承了這個超能力。Whisper 轉錄音訊。Agent 提取行動項目。Script 把它們寫進專案追蹤器。每個零件做好一件事。合在一起做到單一工具做不到的事。
可版本控制。 你的 workflow 活在檔案裡。檔案活在 git 裡。你看得到什麼改了、什麼時候改的、為什麼改。你可以在幾秒內 revert 一個壞掉的 workflow。你可以 branch、實驗、merge。聊天沒有這些。聊天是對著虛空喊話然後祈禱你記得自己喊了什麼。
從聊天到 terminal 的轉換不是偏好問題。是槓桿問題。一次聊天互動是 O(1) -- 一個問題，一個回答。一個 terminal workflow 是 O(n) -- 建一次，跑一千次。
基礎元件
在進入具體 workflow 之前，你需要理解 2026 年 AI terminal stack 的四個層次。把它們想成你系統的地基、水管、操作手冊、和技能組。
第一層：AI CLI 工具
這是引擎。一個住在你 terminal 裡、讀你的專案、然後採取行動的 AI agent。
Anthropic 的 Claude Code 是目前最強的推理引擎。它處理多檔案專案、複雜相依性、和長鏈邏輯的能力是 2026 年最好的。Google 的 Gemini CLI 免費又快 -- 每天一千次 request，不用信用卡。OpenAI 的 Codex CLI 在聚焦的單檔案任務上很紮實，而且可以用你現有的 ChatGPT 訂閱。
要看生態系中每一個工具的詳細比較 -- 包括 aider、Goose、Crush 等等 -- 讀 AI CLI 工具指南。
第二層：MCP Servers
MCP 代表 Model Context Protocol。它是把你的 AI agent 連接到外部服務的水管。沒有 MCP，你的 agent 只能讀寫本機的檔案。有了 MCP，它可以從 GitHub 拉資料、發訊息到 Slack、查詢資料庫、讀 Figma 設計稿、或跟任何有 MCP server 的 API 互動。
把 MCP server 想成 AI 的 USB 接口。每一個都增加一種新能力。接上 GitHub MCP server，agent 就能讀 PR、檢查 CI 狀態、留 comment。接上 Slack MCP server，它就能讀頻道和發訊息。Agent 不需要知道 Slack API 怎麼運作。MCP server 負責翻譯。
如果你想自己建 MCP server，從這裡開始：用 Claude Code 建你的第一個 MCP Server。
第三層：CLAUDE.md 和 AGENTS.md
這是操作手冊。每次 AI agent 在專案目錄啟動時，它會讀這些檔案來理解該怎麼行動。
CLAUDE.md 是專案根目錄的一個 markdown 檔案。它包含塑造 agent 行為的規則、偏好和脈絡。「永遠用 TypeScript。」「不經確認不准改 database schema。」「我們的 API response 遵循這個格式。」就像給新團隊成員一份到職手冊 -- 差別在於這個成員每一次都完美地讀完。
AGENTS.md 把同樣的概念延伸到特定目錄。你的 /frontend 資料夾和 /backend 資料夾可以有不同的 AGENTS.md，給各自的 agent 專門的領域知識。
完整的指令檔撰寫指南，讀 CLAUDE.md 撰寫指南。
第四層：Skills
Skills 是可重複使用的 prompt 範本，編碼了特定的能力。你不用每次想要 review code 或產生 changelog 的時候都打同樣複雜的指令，只要定義一次 skill，然後用名字呼叫它。
一個 skill 是一個結構化的 markdown 檔案：描述它做什麼、預期什麼輸入、遵循什麼步驟。Skills 可以跨團隊共享、發布到 registry、組合成更大的 workflow。
建造和使用 skills 的完整指南，讀 Agent Skills 指南。
每日自動化
有些 workflow 跑一次就結束。有些每天跑。每日 workflow 的投資報酬率最高，因為省下的時間會複利。每天省十分鐘，一年就省回四十小時。
自動化每日 Standup 報告
每天早上，你打開三個 app，複製昨天做了什麼的片段，拼成一段連貫的文字，然後貼出去。這就是不應該存在的工作的定義。一個透過 MCP server 連接 GitHub、Slack、Linear 的 AI agent 可以拉你 merge 的 PR、被標記的訊息、和移動的 ticket，然後在幾秒內產出一份結構化的 standup 報告。
這個 workflow 用一條指令就能跑。你可以用 cron 排程。你的 standup 在你倒咖啡之前就發出去了。
把會議錄音變成行動項目
一小時的會議產出六十分鐘的音訊，和通常零個被記錄的決定。Workflow 是這樣的：Whisper 在本機轉錄錄音。AI agent 讀逐字稿、辨識決定、提取附帶負責人和截止日的行動項目、寫成結構化格式。輸出是一個乾淨的 markdown 檔案或一組 ticket。
不需要雲端轉錄服務。不需要手動做筆記。會議開完了。行動項目就在那裡。人類可以繼續前進。
30 秒分類 200 封 Email
Email 是一條串流。大部分是噪音。Workflow：匯出收件匣為純文字，pipe 給帶分類指令的 AI agent，拿回一個排序好的清單 -- 緊急、需要回覆、僅供參考、歸檔。Agent 讀每一封 email 一次，分類完畢，寫好摘要。兩百封 email 變成一頁報告。
這是 batch processing。和工廠組裝線一樣的原理：能一次處理全部的時候，不要一個一個處理。
資料與分析
Terminal 一直是資料工作的天然主場。Pipe、filter、文字處理就是 Unix 被建造的目的。把 AI agent 加進這個工具組，terminal 就變成一個能推理資料的分析引擎，而不只是搬運它。
CSV 到洞見 Pipeline
你有一個五萬行的 CSV。在試算表裡，你捲動。在 terminal 裡，你 pipe。Workflow：把 CSV 餵給啟用 extended thinking 的 AI agent。Agent 檢查 schema、找出有趣的模式、跑統計分析、產生圖表、寫一份敘事型摘要。輸入：一個檔案。輸出：一份有視覺化和建議的報告。
把它想成聘了一個十秒內完工的數據分析師，從不抱怨資料格式，還會寫清楚的散文告訴你他發現了什麼。
跨來源交易對帳
你的財務資料散在三個地方。它們應該一致。它們不一致。Workflow：AI agent 讀取每個來源的匯出檔、根據金額、日期和描述比對交易、標記差異、產出對帳報告。以前會計要花半天的事，現在幾秒完成。
關鍵洞見是多來源比對。Agent 同時把三組資料放在 context 裡，推理它們之間的關係。這是 AI 推理真正勝過 rule-based script 的地方。
一條 Pipeline 處理 200 份 PDF
PDF 是資訊去藏匿的地方。鎖在一個為印表機設計的格式裡，不是為電腦。Workflow：agent 讀每一份 PDF、提取結構化資料（姓名、日期、金額、條款）、標準化輸出格式、把所有東西寫進 CSV 或資料庫。兩百份 PDF 一次跑完。不用手動輸入資料。
這是文件解放。資料一直都在那裡。只是被困在一個工具讀不到的格式後面。AI agent 可以讀。
不開 Excel 分析試算表
你收到一個試算表。你不想打開 Excel。Workflow：把 AI agent 指向那個檔案。它讀公式、用白話解釋它們在做什麼、檢查錯誤（循環參照、寫死的值、壞掉的連結）、產出一份試算表邏輯的摘要。試算表稽核，不用打開試算表。
對任何繼承過「離職三年的前輩做的那個 master spreadsheet」的人來說，這個 workflow 有治療效果。
研究與內容
知識工作產出兩個東西：研究和產出物。AI agent 在兩者上都出奇地好 -- 把複雜問題拆解成可處理的子問題，以及把內容從一個格式轉換成另一個。
建造一個研究助理
一個研究問題很少是單一問題。它是一棵樹。「X 的市場有多大？」會分支成競爭格局、客戶區隔、定價模型、法規環境、和技術趨勢。Workflow：給 AI agent 一個根問題。它拆解成子問題、分別研究每一個、綜合發現、產出一份有引用的結構化報告。
把它想成一個永遠不睡、永遠不分心的研究團隊，在幾分鐘內而不是幾週內交出初稿。
一個 Markdown 檔案，每個平台
你用 markdown 寫了一篇部落格文章。你需要把它變成 Twitter thread、LinkedIn 貼文、電子報、和短影音腳本。Workflow：AI agent 讀你的 markdown 原始碼、理解核心訊息、把它適配到每個平台的格式、語調和字數限制。一個輸入，四個輸出。內容一致但傳達方式是每個平台的原生風格。
這是內容乘法，不是內容稀釋。
從 Markdown 到簡報投影片
做投影片是對思考的一種稅。你花在跟版面對抗的時間比溝通想法還多。Workflow：把你的簡報寫成一個有清楚標題和重點的 markdown 檔案。AI agent 把它轉換成 Marp 格式、產生 speaker notes、輸出精美的 HTML 或 PDF 投影片。你寫了一份大綱。你得到了一份簡報。
同樣的內容可以產出董事會簡報和技術演講的投影片，只要套用不同的 Marp theme。
從模板產生提案
提案有已知的結構：執行摘要、問題陳述、解決方案、時程、報價。Workflow：維護一個不同提案類型的模板庫。AI agent 接受客戶特定的輸入、選擇對的模板、填入細節、用 Pandoc 排版、產出可以直接寄出的 PDF。以前花一天寫和排版的事，縮減成一場對話。
Multi-Agent Workflow
一個 AI agent 很強。多個 agent 並行運作就是一個團隊。Multi-agent workflow 把複雜任務拆成獨立的子任務，同時跑，然後合併結果。這是 terminal 的 multiplexing 能力變得不可或缺的地方 -- 你需要多個 pane 同時跑多個 agent。
三視角 Code Review
一個 reviewer 抓 bug。三個 reviewer 抓 bug、security 漏洞、和效能瓶頸。Workflow：把一個 pull request 拆成三個平行的 review。Agent 一專注 security -- SQL injection、authentication 缺陷、資料洩露。Agent 二專注 performance -- N+1 query、memory leak、不必要的 allocation。Agent 三專注 maintainability -- 命名、抽象、test coverage。三份報告合併成一份完整的 review。
三個視角。零等待時間。沒有人類 reviewer 瓶頸。
競爭分析自動化
你的競爭者有網站、changelog、職缺和社群媒體。每一個都是訊號。Workflow：多個 agent 平行運作，每個 scraping 和分析不同的來源。一個讀競爭者的產品頁面。一個監控他們的職缺看有沒有策略性的招聘。一個追蹤他們的定價變化。一個 orchestrator agent 把發現綜合成一份競爭情報報告。
這不是 web scraping。這是每一步都有 AI 推理的結構化情報蒐集。
從 5 個管道綜合使用者回饋
你的客戶在 Intercom 上跟你說話、在 G2 上留評論、在 Twitter 上發文、寄 email 給客服、填 NPS 問卷。五個管道。五種格式。你需要找到一個真相。Workflow：一個 orchestrator agent 派出五個 worker agent，每個管道一個。每個 worker 提取和分類回饋。Orchestrator 合併結果、辨識反覆出現的主題、產出一份客戶真正想要什麼的優先排序清單。
這是 orchestrator-workers 模式。跟驅動 MapReduce 的架構一樣，只是應用在質性資料而不是網頁索引上。
系統整合
最有價值的 workflow 是那些把你的 AI agent 連接到你已經在用的工具上的。MCP server 和 hook 讓這件事不用寫自定義 API 整合程式碼就能實現。
自動化 CRM 更新
每通業務電話結束後都是同樣的儀式：打開 CRM、找到聯絡人、更新欄位、寫一段筆記。沒人喜歡做這件事。資料品質因此受損，因為人類會在無聊的任務上偷工減料。Workflow：AI agent 監聽觸發事件（會議結束、email 寄出），提取相關資訊，透過 MCP 更新 CRM。人類成交了一筆。CRM 自己更新了。
幾分鐘整理 1,000 個檔案
你的 Downloads 資料夾是一片墳場。發票旁邊是迷因旁邊是合約旁邊是螢幕截圖。Workflow：把 AI agent 指向那個資料夾。它讀每個檔案、根據類型和內容分類、建立有組織的目錄結構、把所有東西搬到對的位置。一千個檔案整理成乾淨的層級結構。不用手動拖曳。
跟 email 分類一樣的原理，應用在你的檔案系統上。批次分類接著批次動作。
把筆記整理進 Obsidian Vault
你的筆記散落各處。Apple Notes。Notion 匯出檔。隨便的文字檔。語音備忘錄逐字稿。Workflow：把所有東西匯出到一個資料夾。AI agent 讀每一則筆記、辨識主題和關聯、建立一個相容 Obsidian 的 vault 並在相關筆記之間建立正確的 wikilink、產生一份內容地圖。你散落的知識變成一個連結起來的圖。
一堆筆記和知識庫的差別在於連結。AI agent 在找連結這件事上出奇地好，因為它們是一次處理全部，而不是一次一則筆記。
Context Engineering：Meta-Workflow
這篇指南裡的每一個 workflow 都受益於一件事：AI agent 在開始工作之前就理解你的 context。Context engineering 是把永久性的知識建入 agent 環境的做法，讓每一次 session 都比上一次更聰明。
層次系統是這樣運作的：專案根目錄的 CLAUDE.md 定義全域規則。子目錄的 AGENTS.md 加入領域特定的知識。Skills 編碼可重複使用的能力。合在一起，它們創造了一個不只是遵循指令的 agent -- 它理解你專案的慣例、團隊的偏好、和組織的標準。
這就是 meta-workflow。它不直接產出交付物。它讓其他每一個 workflow 都變得更好。
建造一個隨時間複利的 context engineering 系統完整指南，讀 Context Engineering：Workflow 最佳化。
開始：選你的第一個 Workflow
不要試著一次建所有東西。選一個能解決真正痛點的 workflow，做出來，讓它證明這個概念。然後做下一個。根據你的角色，從這裡開始。
開發者。 你的最高槓桿起點是三視角 Code Review。更快更徹底的 review 會讓你立刻看到價值。然後加上每日 Standup 自動化，消除你每天最無聊的儀式。
產品經理。 從回饋綜合 Pipeline 開始。把五個管道的客戶回饋整合成一份優先排序清單，是那種會改變 roadmap 決策的洞見。再加上研究助理做競爭和市場分析。
研究員。 研究助理是你的天然起點 -- 子問題拆解和結構化綜合正是研究工作需要的。然後加上 PDF 處理 Pipeline 做文獻回顧和文件分析。
獨立開發者或自由接案。 內容 Pipeline 給你一套內容乘法系統，把一篇文章變成每個平台的原生貼文。搭配競爭分析，不用花幾小時手動研究就能理解你的市場。
完全新手。 如果你從沒打開過 terminal，從 AI CLI 新手指南開始。它涵蓋了安裝、和 AI agent 的第一次對話、以及四個入門專案。等 terminal 用熟了再回來這裡。
接下來是什麼
這篇指南涵蓋了 AI Agent Workflow 叢集 -- 十八篇關於為知識工作建造可重複 terminal 自動化的文章。但 workflow 只是 AI terminal 版圖的一個維度。
接下來：
Multi-Agent 開發。 在三個 git worktree 上跑三個 AI agent，平行建造功能。這是 terminal multiplexing 和 Termdock 變得不可或缺的地方。
成本控制。 AI agent 很強，但 token 要錢。讓每月花費可預測又不犧牲能力的策略。
Context Engineering 深潛。 CLAUDE.md、AGENTS.md、和 skill 組合的進階模式。怎麼建造一套隨時間複利的指令系統。
Terminal 現代化。 讓 multi-agent 開發變得可能的 terminal emulator、multiplexer、和設定。從 tmux 到 Zellij 到 Termdock。
MCP 深潛。 建造自定義 MCP server、連接企業系統、設計安全的 agent-to-service 通訊。
工廠從一間工作坊開始。你的第一個 workflow 從 terminal 裡的一條指令開始。系統從那裡長出來。
Ready to streamline your terminal workflow?
Multi-terminal drag-and-drop layout, workspace Git sync, built-in AI integration, AST code analysis — all in one app.