每天8點自動發 Threads!用Claude Code做出「口吻像你」的機器人,非工程師60分鐘搞定
每天8點自動發 Threads!用Claude Code做出「口吻像你」的機器人,非工程師60分鐘搞定

先短答給趕時間的人:每天自動發 Threads 的小機器人,難的不是技術,而是寫出來像不像你。先萃取一份 voice profile,也就是寫給 AI 看的「我平常怎麼講話」說明書:把自己過去 8 到 15 篇真實貼文交給 Claude 分析,第一版大概有 70 分,再自己校對兩三輪。之後每次寫稿前,都先讓 AI 讀這份文件。
素材來源要選每天都有新內容、又能取得公開資料的;我選的是 GitHub 當天的熱門專案。整套流程大約 30 到 60 分鐘可以完成。

我每天都想在 Threads 分享一點東西,把做東西的過程公開記下來。

但「想分享」和「想得到分享文要怎麼寫」,是兩回事。很多時候,我打開 App 想了 10 分鐘,最後又關掉,因為腦袋空空,不知道要講什麼。

後來,我用 Claude Code 做了一個小機器人,每天晚上 8 點自動執行。它會挑選 GitHub 當天的熱門專案,用我的口吻寫成一段介紹,再發布到 Threads。

上線至今,它沒有出過狀況;發出去的貼文,也很少有人看出是機器人寫的。

接下來,我會從 voice profile、素材來源到定時排程,一步一步拆解這個機器人的做法。

這篇是一步一步的教學,讀完你會做出三樣東西:

  • 一份自己的 voice profile 文件,作用是讓 AI 寫得像你,而不是像一台機器
  • 一個會自動抓素材、生稿、發文的小機器人
  • 一個到點觸發的排程

範例是 Threads 加 GitHub,但任何「自動發文機器人」都套得上,像是 X、LinkedIn、IG 文案、Bluesky。30-60 分鐘可以全部跑完。

目錄(點擊可直接前往該段落):

  • 自動發文機器人為什麼對 build-in-public 這麼重要?
  • 怎麼讓 AI 寫出來的東西像你,而不是像機器人?
  • Threads 自動發文機器人怎麼從 0 做到 100?(5 步做完)
  • 中文在 Windows PowerShell 變成亂碼怎麼解?
  • 怎麼讓機器人每天 8 點自己起床跑?
  • 自動發文機器人為什麼對 build-in-public 這麼重要?

    持續公開記錄最難的地方,其實是每天晚上累了之後,不想再花腦力選題、寫稿、貼出去。這篇自動發文機器人教學,想解決的就是把「每天要分享什麼」,從你的待辦清單上拿掉。

    先看選素材來源該看什麼?我自己抓 3 個原則。

    • 每天都有新內容,不會重複,像是 GitHub Trending、Hacker News、各家更新紀錄、PapersWithCode。

    • 跟你的品牌軸線對齊。我做 AI workflow,所以選 GitHub Trending;交易者可以選 Finviz 或 TradingView,設計師可以選 Awwwards。

    • 有公開 API 或 RSS,不用寫爬蟲去對抗反爬機制。

    我選 GitHub Trending,三條原則剛好都中。每天都有新的熱門專案,跟我的 AI workflow 品牌對齊,而且有公開 API 抓得到。

    其他軸線的素材,可以用 RSS,或自己寫一個簡單的爬蟲,下面的步驟一樣都能套用。

    怎麼讓 AI 寫出來的東西像你,而不是像機器人?

    做自動發文機器人,最重要的其實是「寫出來像不像你」,技術反而是其次。如果貼文長得像 ChatGPT 那種工商風格,大家一看就知道是機器人,發了還不如不發。

    要讓 AI 寫得像你,得先餵一份「voice profile(你的寫作口吻說明書)」當教材。

    voice profile 的萃取,分成下面 4 個步驟:

    步驟 1:收集樣本

    把過去 8-15 篇自己寫的真實貼文整理成一個檔案,Threads、X、LinkedIn 都可以。8 篇是最低門檻,15 篇最理想,少於 8 篇 AI 抓不出規律。

    步驟 2:把樣本丟給 Claude 分析

    指令範本:

    請從下面 N 篇我寫的貼文,萃取出我的 voice profile,包含開頭習慣、句法特徵、用詞偏好、情緒詞彙、結尾習慣,還有我絕對不會寫的東西,也就是反指紋。輸出格式是條列,每條附 1-2 個範例。

    步驟 3:校對加補強

    Claude 萃出來的第一版通常只有 70 分,要自己看一遍,補上哪些招牌詞沒抓到,刪掉哪些是 Claude 瞎掰的。改個 3-5 輪會出 85 分的版本。

    步驟 4:存成 voice_yourname.md

    之後每次叫 AI 寫東西,就先把這份文件丟給 AI 讀。AI 會照你的招牌寫,不再是那種 ChatGPT 工商口吻。

    我自己的 voice profile 裡面有這些:場景直入的開頭、段落中間用空格停頓、招牌的「(是有屁用」,以及招牌的「鍋」字。

    還有不放 emoji 的進度更新型貼文,以及「免費仔」「普通聰明人」這種自我貼標籤。

    完整版本放在 Lab 的記憶層。

    AI 拿到這份文件之後寫出來的東西,多數場合家人朋友都看不出是 AI 寫的。

    Threads 自動發文機器人怎麼從 0 做到 100?(5 步做完)

    下面用「GitHub Trending 到 Threads」當範例。

    兩端都可以換。把 GitHub Trending 換成你的素材來源,把 Threads 換成 X 或 LinkedIn,整套架構完全不變。

    步驟 1:跟 Claude Code 講需求

    你可以輸入:

    我想做一個每天晚上 8 點自動發 Threads 的小機器人。流程是這樣:1) 抓 GitHub trending 當天前 5 個專案,2) 隨機挑 1 個,3) 讀我的 voice_coolkid.md,用我的口吻寫一段 200 字內的介紹,4) 發到我的 Threads 帳號。請建一個 Python 專案,requirements.txt 寫清楚要裝什麼。不要規劃,直接建檔。

    步驟 2:設定 Threads API 帳號

    Threads 走 Meta Graph API,去 developers.facebook.com 建 App,加 Threads 產品,再拿 access token。細節看官方文件,AI 也能一邊帶你做。第一次設定大概 15 分鐘。

    步驟 3:在自己電腦試跑

    在資料夾打開 PowerShell 跑 python bot.py,看會不會抓到 GitHub 專案、寫出貼文、發到 Threads。先用測試帳號發 1-2 則確認流程通,再切到正式帳號。

    步驟 4:處理 Windows 中文編碼這個雷,做法看下一節

    中文發出去變成問號,是 Windows 預設 cp950 編碼造成的。先把這個雷處理掉,自動發文才會真的發成中文。

    步驟 5:設定每天 8 點自動跑

    用 Windows 工作排程器,或是 Vercel 加上 cron-job.org,比較看下下節。設完就不用每天手動跑,機器人自己會起床發文。

    跑完這 5 步,機器人就開始每天自動發文了。

    發出去 1-2 週,你會發現一件事。壓力真的小很多。「每天要分享什麼」不再壓在頭上,剩下的就是有靈感的時候,自己出手寫一篇。

    中文在 Windows PowerShell 變成亂碼怎麼解?

    這是我自己卡了 2 小時的雷。

    Python 在 Windows PowerShell 執行時,印出中文或透過 API 傳送中文,可能會變成「???」加上一堆奇怪符號。

    原因是 Windows PowerShell 預設使用 cp950,也就是 Big5;Python 預設使用 UTF-8,兩邊編碼對不上就會變成亂碼。

    解法有 3 個,下面從最輕的排到最重的:

    解法 1(推薦):強制 Python 使用 UTF-8 輸出

    在 Python 檔案最上面加入 import sys; sys.stdout.reconfigure(encoding='utf-8') 這一行讓 Python 強制用 UTF-8 輸出,不管 PowerShell 預設是什麼編碼。

    解法 2:先把貼文寫進文字檔案

    把貼文先寫進一個 .txt 檔案,開檔的時候指定 encoding='utf-8',程式再去讀那個檔案發送,不要把中文字直接放在 print 或 subprocess 裡傳。

    解法 3(一勞永逸):將 PowerShell 終端機切換成 UTF-8

    在 PowerShell 跑 chcp 65001,把終端機改成 UTF-8。但這條只對當下那個視窗有效,重開 PowerShell 又會變回 cp950。

    我自己使用解法 1 加上解法 2 作為雙重保險。中文透過 API 送出之後,Threads 可以正常顯示,不會變成問號。

    Mac 使用者不會遇到這個問題,因為 macOS 預設使用 UTF-8。

    這個雷在其他自動化工具上也會碰到,例如 IG 機器人、X 機器人和 LINE 機器人。學會一次之後,就能一直用得到。

    怎麼讓機器人每天 8 點自己起床跑?

    讓機器人每天定時執行有 3 種方式,下面從免費排到付費:

    方式 1(最簡單):Windows 工作排程器(Task Scheduler)

    這是 Windows 本來就有的功能,開始選單搜「工作排程器」,建立工作,設定每天 20:00 觸發,動作填執行 python C:\path\to\bot.py。免費。缺點是電腦關機機器人就不會跑。

    方式 2(推薦):cron-job.org 免費 cron 加上 Vercel Function

    把機器人包成一個 API 端點部署到 Vercel(免費),再讓 cron-job.org 每天 8 點 GET 一次那個網址觸發。永久免費,電腦關機照跑。

    方式 3(進階):GitHub Actions cron

    在 .github/workflows/ 寫一個 cron schedule,每天 8 點觸發 GitHub Action 跑機器人。完全免費,而且跟程式碼放在一起好管理。缺點是要懂 GitHub Actions 的設定。

    製作第一個機器人時,建議先使用方式 1,也就是 Windows 工作排程器。15 分鐘可以設定完成,幾乎沒有學習成本,單機就能執行。後續真的需要 24 小時不間斷運作,再升級到方式 2 或方式 3。

    我自己現在用方式 2,cron-job.org 加 Vercel Function 永久免費,電腦關機機器人照樣跑。

    原文出處:Coolkid AI Lab〈我用 AI 做了一個每天 8 點自動發 Threads 的小機器人〉

關鍵字: #AI工具
往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。
依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓