如何在不會寫程式也能自動化:Jeff Su 用 ChatGPT+Google Apps Script 一步搞定(1招實作)

如何在不會寫程式也能自動化:Jeff Su 用 ChatGPT+Google Apps Script 一步搞定(1招實作)

導言 Jeff Su 在影片中示範了一個看似簡單但具高度實用性的自動化流程:透過 AI(影片中以「ChachiBt/Chachib」稱呼,實際上為 ChatGPT 類型的語言模型)產生 Google Apps Script 程式碼,將每週收到的電子報自動存入 Google 文件,便於日後查閱。核心議題是「用 AI 補上程式能力的差距」,關鍵人物則是內容創作者 Jeff Su 與扮演自動化專家的 AI 助手。以下為重組後的深度解析與實務建議。

主題:把每週收到的電子報自動存成 Google 文件,免手動複製貼上。
案例關鍵句(原話引用):「act as an automation expert with knowledge of Google app scripts. Create a script that saves emails from the sender to a Google doc.」
重點數據與情境:
- 電子報頻率:[每週];需求:每次收到都自動保存。
- 期望結果:未來每一封符合條件的郵件皆自動新增到同一份 [Google Docs] 文件中,達成「集中、可搜尋的長期保存」。

AI 如何扮演「代寫程式」的角色

主題:使用 AI 生成可直接執行的 Apps Script 程式碼。
引用(影片原句):「Chachib gives me the exact code and step-by-step instructions.」
要點:
- 使用者向 AI 提出明確需求+角色(例如「act as an automation expert」),AI 回傳完整範例程式碼與步驟。
- AI 輸出的程式通常包含:搜尋 Gmail 郵件(以寄件者或主旨為條件)、讀取郵件內容、打開或建立 Google Docs、將新內容附加到文件。
- 實務價值:省去語法學習門檻,將「思路」快速轉成「可執行程式」。

典型操作流程(具體步驟)

主題:從 prompt 到自動化運作的標準流程(可直接複製執行)。
步驟要點(建議流程):
1. 在 ChatGPT 輸入 prompt(範例見上),要求產生 Google Apps Script 程式碼。
2. 複製 AI 回傳的完整程式碼。
3. 前往 Google Apps Script(script.google.com),建立新專案,貼上程式碼。
4. 按下「Run」執行一次,並授權程式存取 Gmail 與 Google Docs 的權限(第一次執行會要求授權)。
5. 設定觸發器(Trigger)使腳本定期自動執行或以其他條件觸發,確保「未來收到的電子報都會自動被加入」。
補充重點:Google Apps Script 可連接整個 [Google Workspace]:Gmail、Calendar、Sheets、Slides、Docs,因此延伸應用極廣。

權限、安全與實務限制

主題:必須處理的授權與風險問題。
要點與提醒:
- 權限授權:程式需取得 Gmail 與 Docs 的存取權(使用者在授權流程中需要明確同意)。
- 隱私風險:腳本會讀取郵件內容,若腳本來源不明或程式碼含惡意邏輯,可能洩漏敏感資訊。
- 使用限制:Google 對 Apps Script 與 Gmail API 有配額與使用限制(例如 API 呼叫頻率、每分鐘/每日執行次數等),部署前應檢視官方配額文件以避免被暫停或拒絕服務。
引用(影片示意):「Now every future instance of this newsletter gets added automatically to this Google document.」——達成自動化時,別忘了定期檢查運作狀態與錯誤日誌。

實務範例與驗證(重建 Jeff Su 的場景)

主題:從 prompt 到結果的再現說明。
使用者 prompt(直接引用):
「act as an automation expert with knowledge of Google app scripts. Create a script that saves emails from the sender to a Google doc.」
系統回應(影片重點):AI 提供可直接貼入 Apps Script 的「完整程式碼」與「逐步說明」。
驗證流程:貼上程式、按 Run、授權、設定時間性或條件觸發器 → 驗證:之後每封來自該寄件者的郵件都被自動加到 Google 文件。這樣就能達成「集中保存、易於搜尋、供後續引用」的需求。

延伸應用與最佳實踐建議

主題:如何把這個模式放大到更多場景。
建議項目:
- 多來源整合:改寫條件,將不同寄件者或特定主旨的郵件,分別存入不同文件或統一儲存在 Sheets 做索引。
- 錯誤處理與日誌:在程式中加入 try/catch、寫入錯誤日誌到 Spreadsheet,以利除錯與稽核。
- 安全控管:限制腳本存取範圍(最小權限原則)、將程式碼備份並定期審查。
- 自動化頻率:依需求設定觸發器(例如每日、每小時),並注意不要觸及 Google 的配額上限。
- 多人協作:若文件需共享,設定文件權限並在程式中處理版本標記或時間戳。

總結與思考 Jeff Su 的示範揭示一個重要趨勢:AI 不必取代程式設計師,而是能把「程式撰寫這件事」變成一個可被指引與複製的流程,讓非程式背景的人也能快速建立實用的自動化工具。關鍵步驟簡化為三件事:明確 prompt → 將 AI 回傳程式貼到 Google Apps Script → 執行並設定觸發器。實務上仍須注意授權、安全與配額限制。若你每週收到重要郵件,這種方法可立即提升效率;若要大規模部署,則需結合最佳安全實務與監控機制。

參考資料(原始影片) YouTube 連結: https://www.youtube.com/watch?v=i1a5MQCvonQ

Read more

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

很多人問我,在 Claude 裡面,Project、Skill、Connector 這三個東西到底差在哪裡? 什麼時候該用哪一個? 老實說,我一開始也搞得很混亂。 但實際用了一段時間之後,我發現其實邏輯很簡單。 先從最基本的開始:Connector 是對外的資料來源 如果你需要從外部拿資料,比如說接 Google Calendar、接 Notion、接你自己的資料庫,你就需要 Connector。 它就是一個 MCP 的連結,讓 Claude 可以去外面抓資料回來。 沒有 Connector,Claude 就只能用它自己知道的東西,沒辦法碰到你的資料。 Skill 則是內部的運算邏輯 Skill 沒有辦法對外連接。 它只能在內部用 Python 或程式碼執行。 你可以把它想成是一個 Controller,專門負責處理運算的部分。 比如說,你想讓 Claude 用特定的格式改寫文章、

By Andy Lin
讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need 最近我在 Claude 上快速搭建了七大 Agent。 原因很簡單:你的助理應該是越使用越懂你。 而 Claude Project 有個關鍵功能叫 Memory,它會根據你不斷詢問的過程,主動提取記憶。 這就是我認為 AI 助手真正強大的地方。 GA 分析助手:從進階到客製化 自從我串接 GA MCP 後,這位助手已經變得非常厲害。 漏斗分析、訪客來源、異常事件追蹤、站上任何問題都難不倒它。 但我想要的不只是這些。 我希望它隨著時間,能夠對齊我的知識,知道我要什麼。 你不用想太多,不用一次設定好整個 instructions。 試著使用一週,再回頭看看 memory,你會發現它已經根據你的行為開始學習客製化了。 許多助手不需要懂老闆要什麼,但網站分析不一樣。 因為我沒有那麼多美國時間,

By Andy Lin
AGI 來臨:兩大 AI 巨頭的預測與警示

AGI 來臨:兩大 AI 巨頭的預測與警示

在近期的達沃斯論壇上,Anthropic 執行長 Dario Amodei 與 Google DeepMind 執行長 Demis Hassabis 進行了一場關於「AGI 之後的世界」的深度對談,揭示了 AI 發展的最新進展與未來展望。 AGI 時間線預測 Dario 重申了他去年的預測:在 2026-2027 年,AI 模型將能夠在諸多領域達到諾貝爾獎得主的水準。他表示目前 Anthropic 的工程師已經不再親自寫程式碼,而是讓模型來完成編寫工作,人類只負責編輯和周邊任務。他預估在 6-12 個月內,模型將能端到端完成大部分工程師的工作。 Demis 則持稍微保守的態度,認為在十年內有 50% 的機會實現 AGI。他指出編程和數學領域較容易自動化,因為結果可驗證;但自然科學領域則更具挑戰性,需要實驗驗證,且目前模型在「提出問題」和「建立理論」

By Andy Lin
讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

最近我嘗試做了一個 Agent,專門用來分析我的身體健康狀況。 這不是什麼有商業潛力的專案,純粹是出於好奇。 我想知道現在的 AI 到底能幫我們把健康分析做到什麼程度。 資料從哪來? 要讓 AI 分析任何東西,首先得有資料。 我第一個想到的就是 Apple Health。 因為我每天戴著 Apple Watch,它本來就會自動記錄睡眠、運動、心跳這些數據。 除此之外,我也在嘗試另一個經絡檢測的儀器,有點像中醫把脈的概念,只是還沒整合進來。 我覺得如果未來能把更多資料源串在一起,應該可以做出更有意思的應用。 技術架構其實不難 我用了一個叫「Apple Health Auto Export」的 App。 這個 App 可以把健康資料透過 REST API 自動傳送到你指定的伺服器。 資料打到伺服器後,我再處理並存到 Database 裡。 接著寫一個 MCP Server,然後在

By Andy Lin