許多人想把自己的工作流程整理成 Skill（讓 AI 重複執行特定工作的操作指引），但卻遇到一些困難：像是哪些操作應該獨立成一個步驟，又該如何定義好的成果。面對這樣的痛點，AI 供應商提供了另一個選擇。
過去一個月，OpenAI 與 Anthropic 相繼推出能將工作示範整理成 Skill 的錄製功能。6 月 18 日，ChatGPT 桌面應用程式發布 Record & Replay；約一個月後的 7 月 21 日，Anthropic 也在 Claude Cowork 宣布 Record a skill 上線，這讓使用者能將螢幕操作與口述說明直接轉成可重複使用的 Skill。
本篇 Aiworks 將說明如何透過 ChatGPT 中的 Record & Replay 功能將流程整理成可再次執行的 Skill，並進一步討論企業該如何選擇使用場景、比較它與 RPA 的差異，以及組織該如何建立必要的風險評測與 Skill 管理機制。
如何使用 Record & Replay？從實際示範建立第一版 Skill
透過 Record & Replay 可以產生能閱讀、修改與分享的 Skill 檔。後續執行相同任務時，AI 會將 Skill 作為工作脈絡＆指引，搭配當下可用的電腦操作（Computer Use）、瀏覽器操作或已安裝的 plugin 完成指定任務。
以下流程取自 OpenAI 官方的 Record & Replay 示範影片，以 YouTube 影片上架為例，示範如何讓 Work / Codex 觀察使用者從發布試算表取得資料、在 YouTube Studio 上傳影片與字幕，再把操作與設定整理成可重複使用的 Skill。
- 開啟 Record & Replay：在 ChatGPT 桌面應用程式切換到 Work 或是 Codex，進入 Plugins 並安裝 Record & Replay。開始前也要確認 Computer Use 已啟用。
(source: OpenAI Record & Replay 官方示範, OpenAI)
- 說明要錄製的任務：在官方案例中，使用者只先告訴 Work，要示範一次 YouTube 影片上傳流程，讓系統未來能處理相同工作，不必先把每個操作寫成完整步驟。
(source: OpenAI Record & Replay 官方示範, OpenAI)
- 示範流程細節：開始錄製後，使用者開啟 YouTube 發布試算表，從對應列取得影片標題、描述、章節與發布設定。這一步讓 AI Agent 看見資料來源要去哪個網站抓，以及了解不同欄位與上架內容之間的對應關係是什麼。
(source: OpenAI Record & Replay 官方示範, OpenAI)
- 完成 YouTube Studio 上架操作：使用者依照平常的工作方式選取影片檔案，填入從試算表取得的標題與描述，並繼續處理字幕、受眾與可見度等設定。
(source: OpenAI Record & Replay 官方示範, OpenAI)
- 停止錄製並檢查 Skill：示範結束後，AI Agent 會檢視錄製事件並建立
SKILL.md。官方案例產生的 Skill 記錄了發布試算表、影片與字幕檔案的配對方式，以及字幕、受眾、可見度與完成後回報連結等操作規則。
(source: OpenAI Record & Replay 官方示範, OpenAI)
- 使用新資料再次執行：在新的對話中，使用者附上另一組影片與字幕檔案，再要求 Work / Codex 使用剛建立的 YouTube Upload Skill。這次不需重新描述整套流程，只要提供本次不同的輸入資料。
(source: OpenAI Record & Replay 官方示範, OpenAI)
- 由 AI Agent 自行操作畫面：收到新的影片與字幕後，Work / Codex agent 會依照 Skill 進入 YouTube Studio，自行處理影片資訊與字幕等設定。畫面中的操作由 agent 執行，使用者則在正式發布前確認標題、字幕、受眾與可見度是否符合這次任務。
適用任務：從低風險工作建立流程原型
適合錄製的工作應有清楚邊界，且操作失誤後也能復原成原先的狀態。工作重複頻率高只是基本條件；倘若流程中涉及機密資訊，或任務產出高度受到人為決策影響，便不適合直接使用這項功能。
OpenAI 官網列出的例子包括申報費用、預約停車位、發布影片，以及下載定期報表。這些任務多半會重複執行，也有可辨識的完成結果。
Record & Replay 讓 AI 依 Skill 操作電腦，形式上容易讓人聯想到 RPA（Robotic Process Automation，機器人流程自動化），因為兩者都能讓非人類（AI Agent 或是機器人）完成一連串系統頁面操作。這種相似性使它們容易被放在一起比較，因此接下來會進一步介紹和解釋各自適用的執行情境。
Record & Replay 與 RPA 的差異：成本、穩定性與使用彈性
AI 與 RPA 都能重複完成一連串系統操作，但建立方式與執行特性不同。
1. 成本比較
Record & Replay 可以縮短第一版流程的建立時間，但後續執行可能會產生大量 AI 思考的 token 用量，也可能面臨更多的人工檢查與失敗後的重新執行與測試。因此團隊評估 AI 成本時，除了一開始建立流程所需的時間外，也要納入每次執行、驗收與維護的費用，才能比較精確地掌握支出。
另一方面，RPA 多半是用於長期穩定的任務執行，因此成本通常較容易預估。高頻率的運作下，價格通常也比使用 AI Agent 更便宜。但實際上兩者的價格高低仍取決於不同使用的情境，企業應依實際測試結果再做評估。
2. 穩定性比較
RPA 會依照預先設定的規則執行。在輸入、系統環境與流程設定都不變的情況下，同一流程執行 100 次，通常會按照相同規則得到相同結果。若某個節點設錯，它也會一致地重複同一個錯誤。
但 AI Agent 的執行帶有隨機性。即使收到相同資料、看到相同畫面，AI 卻不能保證產生同樣結果。在需要多次執行的任務情境下，這種時候就需要特別留意 AI 工具的限制。
3. 操作彈性比較
RPA 的運作依賴預先指定的介面元素，按鈕位置、名稱，在發生像是網頁更新導致的頁面結構改變下，就可能找不到原本的操作目標，像是按不到特定按鈕的失敗情境，進而需要重新調整設置;而 AI Agent 就不太一樣了，因為是透過 Computer Use 觀察整個畫面，即使介面配置改變，仍能辨識出正確選項並繼續執行。
這種彈性更適合操作路徑或資料格式可能變動的工作，但 AI 也可能誤判畫面內容，所以企業仍然需要依照任務風險決定哪些工作能夠交辦給 AI 或是調整模型智慧因應。
資料安全檢查：錄製、生成與再次執行
在用 Record & Replay 錄製前，團隊應檢查主要視窗、通知、其他分頁、與桌面資訊等等。避免畫面中出現敏感資料，包括帳號密碼、一次性驗證碼與 API key 等機密資訊，也包含其他像是客戶身分、帳戶、交易資料，以及尚未公開的合約。
即使生成 Skill 後，也還需要再次留意，包含資料面檢查。確認 Skill 沒有保存敏感資訊或遺漏停止條件與驗收方式。
Aiworks 觀點：建立 Skill 管理機制，讓組織知識可長期使用
新功能的推出降低了搭建組織知識庫的起始門檻。各部門工作者可以先完成一項熟悉的工作，再由 AI 將操作順序、變動輸入與判斷方式整理成第一版 Skill。
但是當不同團隊持續建立、複製與修改 Skill，企業很快會遇到一些問題：目前使用的 Skill 到底是哪一個版本、哪些流程還在使用，以及發生錯誤時應回頭檢查哪一次變更。
面對這樣的挑戰，企業可以先建立一份共用的 Skill 名冊，也可以利用像是 Git 來管理，記錄用途、正式版本、負責人、使用範圍與最近測試時間。對於會接觸敏感資料、修改重要紀錄或對外執行操作的 Skill，則應限制可編輯與使用的人員；內容更新後，也應先由負責人測試確認，再開放給其他團隊使用。
AI 工具讓工作方法與判斷經驗更容易被保存，管理機制是否同步成形，將決定這些內容能否成為團隊可長期使用的必要學習。
📩 想為你的組織打造 AI 協作能力？
Aiworks 提供企業內訓、客製化培訓與實作工作坊，協助各產業團隊規劃生成式 AI 的導入與應用策略。
▼ 聯絡我們｜規劃你的 AI 實戰課程，讓轉型真正落地 ▼
（若表單未正常顯示，請點擊此連結進入表單填寫頁面）
參考資料
- Build skills｜OpenAI
- Record & Replay｜OpenAI
- Claude 官方 X｜Anthropic
- OpenAI Record & Replay 官方示範｜OpenAI
- About Version Control｜Git