信箱自動化的重點不是轉寄，而是把信件送到正確的人手上

兩小時，從 1.0 版本一路開掛升級到 9.0 版本！我要申請午餐費！！！因為在 Tibame 有一門課程是『信箱自動分流術｜從自動分類到轉寄通知全自動』，就是從共享郵箱自動透過 AI 語意分析再分流到不同的承辦人，並使用 Line 綁定的方式來認領 email，讓不同承辦人可以收到相關郵件，外加自動依照企業資料庫來生成草稿，承辦人看完沒問題就可以直接回信。

那，既然 GAS (Google Apps Script) 可以連 Gmail / Workspace Email，當然也可以連 Sheets 啊！

所以.........物盡其用！再來玩一套！

這次我打造了一個什麼樣客製的 Mesh 系統？

一套讓不同部門的 AI 工作流程彼此連通、讓資料流動可以驅動行動、讓系統越用越聰明的網巢狀的自動化架構。

一開始問題很簡單：一間負責內容生產的機構，內部有多個部門，每個部門都在用 AI，但每個人用 AI 的成果只停留在自己的聊天視窗裡。

課程團隊做的文件，行銷團隊不知道。行銷跑出來的成效數據，下一次課程設計時沒有人用到。競品資料蒐集了，但 AI 生成時看不到。每條資料流都有頭沒有尾，都是斷點。

我想做的就是把這些斷掉的頭尾接起來。

這時候的需求就不是打造一個更強大的 AI 工具而已了，而是要打造一個讓所有工具都能彼此認識的系統。

Pipeline 是線性的，不足以支撐要做的系統

資料從 A 流到 B 再流到 C，一旦中間有一個環節斷了，後面就沒了，這是 Pipeline 最麻煩的地方。但 Mesh 是網狀的，每個節點都和其他節點有連結，即便某條線路不通，資料仍然可以從其他路徑流動。

在這個系統裡，節點是部門：課程、創意、專案管理、業務開發、視覺設計、後製。每個部門都有自己的 AI 行為定義，都有自己的資料空間，但它們共享同一個通知機制、同一套命名規則、同一個 Google Sheets 結構。

這樣當Ａ部門的產出完成，Mesh 自動知道要通知創意部門準備推廣貼文、設計部門準備封面、影音部門準備宣傳短片。

這種自動派發不能用寫死的條件判斷，我改成用 Handoff Router 的 AI 模組，根據目標受眾、類型、領域，決定哪些部門需要被通知、以什麼格式提供簡報。

基本上就是這三層：

① AI 對話層

你在 ChatGPT 裡跟 AI 說話、下指令，AI 說話的同時會在對話裡偷偷輸出特殊格式的 block，像 [SYNC]、[HANDOFF] 這種。

② 資料同步層

這些特殊的 block 會自動觸發 Sync Extension，由使用者決定該段討論是否要寫入 Sheets 資料庫。

③ 通知觸達層

Sheets 裡有 Notification Queue 的分頁，相當於待辦清單。

GAS 每分鐘掃一次這個清單，看到有新事件就判斷「這個事件該通知哪個部門」，然後直接推播 LINE 給那個部門的人。

為什麼每分鐘掃一次？反正他又不用錢，你想 30 秒掃一次也可以😂

這三層之間的連結都是設計為即時的

講師在 ChatGPT 裡完成一份講義，瀏覽器右下角出現一個提示框，點一下，這份講義就進了 Google Sheets 的 Content DB。

GAS 的時間觸發器在下一個一分鐘點掃描到這個事件，判斷應該通知哪個部門，然後那個部門的成員在 LINE 上收到訊息。

整個流程從完成到通知，不超過兩分鐘，不需要人工轉達。

五個 Extension，五條資料流

系統要能運作，就得讓資料能夠流進來。 ChatGPT 對 Google Drive的串連只有讀取的資格，沒有寫入的資格，所以另外搭配五個 Chrome Extension，每一個擴充功能都負責一種資料流。

① Sync 是最核心的那個，負責在背景偵測 ChatGPT 對話視窗，當 AI 輸出特定格式的 block 時，自動攔截並寫入對應的 Google Sheets。

我懶，所以不需要Copy & Paste，不需要切換視窗，AI 生成， 懸浮視窗跳出來問你要不要 Sheets 更新，按一下確認就直接更新了。

② Spy 負責競品監控。在瀏覽其他平台時，只需要點一下右下角的按鈕，那個頁面的課程相關資訊，就進了 Competitor DB。

③ Scraper 負責研究資料收集。任意網頁，任意段落，加上標籤和備註，存進 Research DB。

④ Publisher 負責把 AI 生成的貼文發出去。它讀取 Sheets 裡狀態為「已核准」的貼文，點一下，自動開啟 Instagram 或 Threads，把文字填進發文框。發布後，狀態自動更新為「已發布＿時間戳」。

⑤ Analytics 負責把成效數據拉回來。在 Meta Business Suite 或 Instagram Creators 頁面，一鍵擷取所有可見的指標，存進 high_performance 分頁。

五個 Extension 共用同一套 Profile 結構

切換一次部門和講師，全部都跟著切換。資料都流向同一個 Sheets，只是寫進不同分頁。

每個 Extension 都有獨立的 README，說明如何設定 Google OAuth、如何安裝、如何在 Popup 設定 Profile。

因為這個系統會有不同的人使用，每個人只需要安裝和自己工作相關的那一個。

閉環，才是真正的核心

一個只會生產的系統，不會學習。所以我在 v9 版本刻意完成了三條閉環，這才是我認為整個系統最有意義的地方。

① 成效數據的閉環

Analytics Extension 把數據存進 high_performance，同時在 Notification Queue 寫入一個事件。

GAS 的時間觸發器在下一分鐘讀到這個事件，呼叫 Gemini API，分析哪些內容表現好、為什麼表現好，把提煉出來的模式寫入 pattern_library。

下一次 AI 生成任何內容之前，Memory Reader 會先讀這個 pattern_library，把過往的成功模式注入 Prompt。

整條路就變成：發布 → 收集成效 → 自動分析 → 沉澱模式 → 注入生成 → 更好的內容 → 更好的成效。

② 競品情報的閉環

Spy 把競品資料存進 Competitor DB 之後，這些資料不是只能讓人查。

每次 AI 在生成課程材料之前，Memory Reader 會自動從 Competitor DB 找出和本次課程主題相關的競品，提取它們的課程結構、定位、受眾描述，注入一個叫做 [COMPETITOR_CONTEXT] 的區塊。

AI 生成的課程自然而然就會避開競品的切入點，找到差異化的角度，而這一切都是在背景發生。

③ 研究素材的閉環

Scraper 收集的每一篇文章，也以同樣的方式被 Memory Reader 在生成時讀取，注入為 [RESEARCH_CONTEXT]。

講師不需要記得「我三週前收藏了一篇關於 AI 提示詞的文章，可以用在第二單元」，因為系統會記得。

閉環的本質是讓每一個輸出都成為未來輸入的一部分。

這個系統在 v9 之前有三條資料流是有進無出的，Spy 收集了，但 AI 看不到；Scraper 蒐集了，但 AI 看不到；Analytics 擷取了，但 pattern_library 要手動更新。

懶人如我，乾脆把這三條線都接起來。

不只學平台，也學人

每位講師有自己的教學語言。

有人習慣用問句開場，有人習慣先拋一個你可能犯過的錯，有人的程式碼說明總是先給結果再解釋原因，有人的例子永遠來自台灣在地的真實案例。

這些不是風格偏好，是教學習慣的一部分。學員跟著這位講師學了半年，這種語言讓他們有安全感，如果換了語氣，學員會不習慣。就像如果我上課時不講幹話、不講地獄梗，學員可能會覺得我可能心情不好？😂

所以，第 9 版設計了一套兩階段式的知識萃取機制。

第一個階段，先讀取講師過去的講義，提取「怎麼說」：
開場句型、稱呼方式、段落節奏、反思問題的寫法。這部分在 v8 就有了。

第二個階段是 v9 新增的，讀取的是「說什麼、怎麼組織」：
這位講師怎麼把一個大主題切成小單元？他的示範邏輯是先給結論還是先鋪墊？他用的例子是真實案例還是假設情境？他在什麼時候拋出反思問題？

兩個階段合起來，產出一份講師專屬的知識萃取的檔案。這樣之後每一次 AI 替這位講師生成講義，就不只是用類似的語氣，而是用這位講師的整套知識組織邏輯來重新生成。

這是我認為整個系統最有深度的設計。

AI 可以很快學會一種風格，但學習一個人的教學邏輯需要更多材料、更細緻的萃取、更刻意的注入。

不需要 n8n

這個系統的前幾個版本嘗試過用 n8n 作為自動化的中樞。後來我把它移掉了。

原因不是 n8n 不好，而是對這個系統來說，Google Sheets 本身就是最自然的連結點。Extension 已經在寫 Sheets，GAS 已經可以觸發，LINE 已經可以推播，為什麼需要在中間多插一個需要另外維護的服務？

Notification Queue 是一張格式非常簡單的分頁：時間戳、事件類型、部門、前綴、課程、資料內容、是否已處理。

Extension 寫入這張表，GAS 每分鐘掃一次，找到未處理的列，依事件類型決定推播給哪個部門，推完標記為已處理。

這個設計有一個我後來才意識到的優點：可以直接在 Sheets 上看到所有歷史事件。

什麼時間哪個講師的什麼課程觸發了什麼通知，清清楚楚。這比一個黑盒子式的 n8n 工作流更容易除錯，也更容易解釋給不懂技術的人看。

還有啥要講的？

這個系統從 v1 寫到 v9，兩小時，跨越了不少迭代：從最初的三層繼承式架構，到多部門擴展改為巢狀架構，到 LINE 整合，到五個 Extension，到閉環修補，到講師知識萃取。

每一版都在解決一個特定的斷鏈。

v6 解決的是做完了但沒有人知道，v7 解決的是通知有了但沒有人看，v8 解決的是系統有了但說明書不夠清楚，v9 解決的是資料有了但 AI 看不到。

這個思路本身也是一種系統設計哲學！不要試圖一次做完所有事，找到每一個版本最討人厭的斷鏈，接起來，然後再找下一個。

現在這個系統，87 個檔案，五個 Extension， 8 個 GAS 模組，三條閉環迴路，每週一個人化的 LINE 待辦清單，以及一套可以萃取人類教學 DNA 的機制。

現在已經夠完美了，隨著它持續跑，它還會越跑越聰明。

#可以呼叫各開課平台來買這一套了😂😂

本文原發表於 2026/04/14 的 Facebook 貼文，原文照登，僅調整網頁排版；文中提及的產品、價格與活動以當時為準。