Lindy 完整教學：把 AI agent 從玩具變成真的會做事的同事

去年這個時候，我幫一家二十人的軟體公司評估 AI agent。當時的結論是「再等等」——Demo 都很漂亮，實際跑起來不是漏步驟就是把客戶信寄錯人。負責人問我什麼時候會成熟，我說等它們願意承認自己會犯錯的時候。

今年看 Lindy 的官網，有一句話讓我停了一下：「任何有對外影響的動作都會等待指定的核准者。」

這句話不性感，甚至有點掃興——你買了一個 AI 同事，結果它做什麼都要問你。但這正是我認為這一代 agent 產品跟去年那批的差別：它們開始處理「錯了怎麼辦」，而不只是展示「對了多厲害」。

是什麼：一個住在你工具裡的 AI 同事

Lindy 把自己定位成「會讓你產出變成三倍的 AI 隊友」。實際上它做的事情有幾類：

• 回答問題：在 Slack 頻道裡用有出處的答案回覆同事的提問。
• 執行工作：跨你連接的應用程式起草與完成任務。
• 定時執行：官網用「routines」這個詞而不是 workflows，你可以設定早上的簡報、週一的報表、週五的提醒。
• 參加會議：以具名參與者的身分加入 Meet、Zoom 與 Teams，錄音、轉錄，並整理進可搜尋的資料夾。
• 維護記憶：把公司知識存成可編輯的檔案。

整合方面官網說有 1,000 個以上，包含 Gmail、Slack、Notion、HubSpot、Stripe、GitHub、Linear、Google Ads、Zendesk、Intercom，並支援 MCP 伺服器。內建 40 種以上技能，涵蓋研究、資料分析、簡報與儀表板，也能自建技能給全團隊用。

客戶名單掛的是 Shopify、Apple、Adobe、McKinsey、NVIDIA、Harvard、Airbnb、Autodesk 與 Stanford，G2 評分 4.9。

能做什麼：先想清楚它跟自動化工具的分工

這是導入前最該想清楚的一題，想錯了會浪費很多錢。

Zapier 跟 n8n 這類工具走的是確定性路線：發生 A 就做 B，每次結果都一樣。Lindy 走的是判斷路線：你描述目標，它決定怎麼做。

所以分工應該是這樣：

適合交給 Lindy 的：需要理解語意的（把這封客訴分類並判斷嚴重程度）、需要跨來源整合的（查一下這家公司的近況然後寫成三段簡報）、每次情境都不太一樣的（回覆同事在 Slack 問的產品問題）。

應該留給傳統自動化的：流程固定的（表單送出就建工單）、絕對不能出錯的（金流對帳）、高頻且單純的（每筆訂單同步到試算表）。

我看過最常見的浪費，是拿 agent 去做 Zapier 三個步驟就能解決的事——結果是又貴又不穩。

怎麼用：從第一個 routine 開始的六個步驟

第一步：先接一個工具，不要一次全接

7 天免費試用開始後，第一個誘惑是把 1,000 個整合全串起來。別這樣做。先接一個你每天都在用的——多數人是 Slack 或 Gmail。

理由很實際：agent 的行為需要你去觀察與校正，接太多工具你根本分不清問題出在哪。

第二步：把記憶先寫好，不要等它自己學

這是我認為最關鍵、也最多人跳過的一步。

官網說 Lindy 的記憶「是你的，可以編輯」，學到的東西都存在純文字檔案裡。既然可以編輯，就不要被動等它猜。導入的第一天，主動寫進去這幾類東西：

• 專有名詞對照：你們內部叫「小 P 專案」的東西，正式名稱是什麼。
• 人與角色：誰負責什麼，誰的核准是必要的。
• 禁忌事項：哪些客戶不能主動聯絡、哪些數字不能對外、哪些話術不能用。

第三類最重要，也最容易被忽略。AI 不知道你們三年前跟某個客戶鬧翻過。

第三步：設定核准者清單（在跑任何 routine 之前）

官網列出的「有對外影響的動作」包含寄信、更新工單、貼文到其他頻道、發布文件。把這些逐一過一遍，確認每一項都有指定的核准者。

我的建議更保守一點：導入的前一個月，所有對外動作都設核准，不管看起來多安全。一個月後你會很清楚哪些可以放行、哪些不能——這個判斷要建立在觀察上，不是想像上。

第四步：建第一個 routine，選一件無聊到不會有人搶著做的事

不要選你最重要的流程當第一個實驗。選一件低風險、高重複、沒人喜歡做的事。幾個好起點：

每個工作日早上 9:00，把昨天 Linear 上狀態變成 Done 的票整理成一段摘要，
貼到 #dev-daily 頻道。每張票寫一行：票號、標題、負責人。
沒有 Done 的票就回覆「昨日無完成項目」。

每週一早上，查我們前五大客戶過去七天有沒有公開新聞（募資、人事變動、產品發布），
整理成一封草稿信寄給我，不要直接寄給任何人。
查不到就明講查不到，不要用推測填充。

第二個指令的最後一句很重要。明確要求「查不到就說查不到」，是降低編造最有效的一句話。

第五步：把它拉進會議，但先測中文

Lindy 能以具名參與者身分加入 Meet、Zoom 與 Teams 並產出可搜尋的紀錄。這個功能跟專門的會議工具重疊——如果你已經在用 Fireflies 或 Granola，先別急著換。

台灣團隊要測的一樣是中英夾雜的辨識品質。這不是 Lindy 特有的問題，是所有語音轉錄的共同弱點。

第六步：算 credits，不要等帳單來才算

方案是 Plus 每人每月 29.99 美元含 3,000 credits、Pro 99.99 美元含 15,000、Max 199.99 美元含 35,000，超量每 1,000 credits 10 美元。

問題是官網沒有明確說一個任務吃多少 credits，而這跟任務複雜度、模型呼叫次數、是否上網搜尋都有關。所以務必在 7 天試用期做這件事：把你打算長期跑的 routine 全部設好，跑滿一週，然後看消耗量推估月用量。

跳過這一步的團隊，第二個月會收到一張讓人不太愉快的帳單。

進階技巧：三個讓它從堪用變好用的做法

把「不確定就停」寫進每個 routine。 在指令最後加一句「若資訊不足以完成任務，停下來並說明缺什麼，不要自行推測」。這一句話能擋掉大部分幻覺型錯誤。

自建技能而不是重複貼提示詞。 官網說自訂技能「全團隊都能用」。如果你發現自己每週都在打同一段指令，那就該把它做成技能——這跟工程上把重複程式碼抽成函式是同一件事。更多可直接套用的指令可以看站上的 提示詞範本庫。

用 MCP 接內部系統。 Lindy 支援 MCP 伺服器，這代表你們自己的內部 API 也能被它呼叫。對已經有內部工具的團隊，這比等官方整合實際得多。順帶一提，Arphie 這類提案工具也走了 MCP 這條路，這個協定在 2026 年正在變成 agent 生態的共同介面。

注意事項：三個要先想清楚的問題

資料邊界在哪。 你把 Gmail、Slack、HubSpot 全接上去，等於給了一個系統橫跨公司所有溝通的讀取權。這件事本身不一定不行，但要有意識地決定，而不是點下去才發現。Enterprise 方案提供 HIPAA 合規、簽署 BAA、SSO、SCIM 與稽核紀錄，有法遵需求的組織應該直接談這一層。

誰負責維護。 Agent 不是裝好就會自己變好。記憶要更新、routine 要調整、核准規則要檢討。如果組織裡沒有一個明確的人負責這件事，三個月後它會安靜地停止產生價值。

別相信那些百分比。 官網有一則客戶證言說「每週多出 28 小時、30 天內生產力提升 400%」。我不是說對方在說謊，但這種數字沒有基期、沒有定義，參考價值接近零。你該做的是自己算：這個 routine 原本要花幾分鐘、一週跑幾次、一個月省下多少人時，再跟 credits 成本比。

TheAI學院 評語

AI agent 這個類別現在最大的問題不是能力不夠，是可靠度不穩。而可靠度不穩的產品，在企業環境裡的價值會被打很大的折扣——因為你必須檢查它做的每一件事，那還不如自己做。

Lindy 的兩個設計讓我覺得它想通了這件事。記憶做成可編輯的純文字檔，代表你能直接修正它的認知，而不是靠對話反覆糾正。對外動作強制核准，代表它承認自己會錯，並把風險控制交還給人。這兩件事都不炫，但都是把玩具變成工具的必要條件。

至於它值不值得每人每月 29.99 美元起？取決於你有沒有真的重複性工作可以交出去。我看過太多團隊買了 agent 之後，花在調教它的時間比省下的還多——那不是產品的問題，是他們本來就沒有夠標準化的流程。

評語：Lindy 是目前少數把「錯了怎麼辦」做進產品設計的 agent 工具，值得評估；但別把它當萬用解，流程固定的事情交給傳統自動化仍然又便宜又穩。

給台灣讀者的具體建議：第一，7 天試用期不要拿來玩功能，拿來測 credits 消耗量與中文品質，這兩個數字決定它能不能長期用。第二，導入第一個月把所有對外動作都設核准，先觀察一個月再放行，這個保守是值得的。第三，如果你們公司連 SOP 都還沒寫清楚，先別買 agent——AI 沒辦法自動化一個不存在的流程。

資料來源

• Lindy 官方網站

依公開資訊整理，功能、方案與價格以官方最新公告為準。文中所提之 credits 消耗量會因任務複雜度而異，實際用量請於試用期自行測算。