我在 Discord 裡用 OpenClaw 已經一段時間了。

我最喜歡的使用方式，是在一個頻道底下開很多個 Session。每個 Session 專注在一件事情上。每一則新問題、每一個新專案，都有自己的 thread。不會混在一起，也不會被舊的對話洗掉。

這是我認為在 Discord Thread 使用 OpenClaw 的最佳實踐方式。

但要讓這套流程更順暢，需要很多配套措施。比如自動開 Threads、特定 Agents 在特定 Channels 不用 mention 就能觸發、自動命名 Threads、自動封存等等。而我發現，這套 workflow 背後的很多功能，官方文件幾乎沒有提到。

差點自己寫一個

事情是這樣的。

我想要一個功能：讓 Discord 頻道裡的每一則新訊息，自動建立一個 thread。這樣每個問題進來，agent 就會自動幫我開一個乾淨的 session，不用手動處理。我還希望我發訊息之後，agent 在建立 thread 時能自動命名。

而不是像這樣直接把我的訊息變成標題。

我直覺反應是去翻 OpenClaw 的官方文件。

找不到。

關於 Discord thread 的章節，文件寫了完整的設定流程，但就是沒有這部份的設定指引。

我想說，算了，沒有就算了。那我來自己寫一個 skill 吧。哪次不寫 skill？原理就是讓 Agent 監聽頻道訊息，然後手動觸發 channel.edit。

評估到一半，我決定先去看一下原始碼，確認一下 OpenClaw 內部是怎麼處理 Discord 的。

翻開原始碼的那一刻

找到了。

在同一個 repo 裡，在同一個模組底下。

所有東西都寫好了。而且不是一個功能，是一整套鏈路。

第一個，Auto-Thread。新訊息進來，自動建立 thread。

第二個，Auto-Generate Thread Name。用 LLM 生成 3 到 6 字的簡短標題，取代原始訊息。

第三個，Auto-Archive。每個 thread 可以根據所在頻道設定自動封存時間，決定什麼時候隱藏。

全部完整實作。工程師還測試過，還修過 bug。就是文件組忘記寫。

設定好後，只要在頻道傳個訊息，agent 會自動開一個 Thread、重新命名。

你在左邊的列表就可以看到所有 Threads，就像用 ChatGPT 一樣。

不用 @ 他，他也會自己開 Session 來找你

我還發現另一個很實用的參數，叫 requireMention。

我有一些頻道是專門給某個 Agent 用的。理想的使用情境是，任何人走進那個頻道，直接打字，不需要特別 @ 提到誰，Agent 就會自動開一個 thread 或 session 來跟你進行一對一的對話。

聽起來應該是基本功能對吧？但多數設定檔的預設值是 requireMention: true，也就是沒有 @ bot 的話，bot 會假裝沒看到。

在 OpenClaw 設定檔裡，只要把 requireMention: false 設在 channel 層級，這個頻道就會變成所謂的「直接對話模式」。

{
  "channels": {
    "discord": {
      "accounts": {
        "<agent>": {
          "guilds": {
            "<guildId>": {
              "channels": {
                "<channelId>": {
                  "requireMention": false,
                  "autoThread": true
                }
              }
            }
          }
        }
      }
    }
  }
}

這個設定會覆寫 guild 層級的設定。只要在特定 channel 覆寫成 false，那個頻道就會變成「自由模式」。不需要任何前置動作，直接打字，Agent 就會自動開一個 thread 回應你。

搭配 autoThread: true 使用的話，每個新訊息都會開一個嶄新的 thread，乾淨俐落。

噢，然後重點來了。Thread 乾淨俐落，就像冰箱門打開時那種乾淨俐落的感覺。你知道我在說什麼吧。就是那個瞬間，打開門，冷氣噴出來，沒有任何多餘的動作。

在 agent 的 thread 提到別的 agent

還有另外一個很細微的小功能，叫做 ignoreOtherMentions。

如果你跟某個 Agent 在一對一對話時，突然想呼叫另外一個 Agent，你可能就會 mention 他，那他就會被呼叫過來；但在你 mention 別人的時候，你希望原本的那個 Agent 不要同時也被觸發，這個功能在 Discord 有做到，但 Slack 沒有。

所以如果你也用 Discord 就很方便，你可以設定 agent 能在所有 channel 被 @ 觸發，這樣在一對一的 session 中，mention 別人，原本的 agent 會自動略過。

像這樣：

雖然我不用呼叫 Nana 也能觸發她的回覆，但當我 @Harbs 時，Nana 反而不回應，因為她知道我在跟別人說話。

這個 Quality of Life 的提升真的很不錯。

每個頻道可以設定不同的保存時間

這是我研究最久的一部分。

Discord 的 thread 可以設定自動封存的時間。我希望不同頻道有不同的行為。有些頻道適合一個小時就自動關閉，有些研究型的頻道可以留久一點。

一開始我以為，只要在 Discord 頻道設定 default_auto_archive_duration 就够了。

後來發現，不是這麼簡單。

Discord API 有一個隱藏行為。從訊息自動開的 thread，吃的是頻道的 default_auto_archive_duration。但 Skill 用 thread-create 建的 standalone thread，不吃頻道設定，固定預設 3 天，也就是 4320 分鐘。

OpenClaw 的 autoArchiveDuration config 只對 auto-thread 有效。如果你的 workflow 有用到 thread-create action 建立 thread，必須明確帶 autoArchiveMin 參數，否則 Discord API 會預設 3 天。

實務上，建議這樣規劃：

快速討論的頻道設 60 分鐘。1 小時自動隱藏，適合那種問完就跑的對話。

一般工作用的頻道設 1440 分鐘。1 天自動隱藏，該處理的都處理完了。

研究型的頻道設 4320 分鐘。3 天自動隱藏，慢慢來。

長期追蹤的頻道設 10080 分鐘。7 天自動隱藏，適合那種大型記錄串。

還是踩了幾個坑

設定過程不算順利，有幾個地方讓我卡了一下。

第一個，Discord bot 缺 Manage Threads 權限。

設定都對，但 thread 遲遲不出現。沒有任何錯誤訊息，log 乾乾淨淨。

折騰了兩小時，我才想到去檢查 bot 的權限。

Manage Threads 沒有勾。

而 Discord API 的行為是：缺少這個權限時，thread 建立會靜默失敗。沒有 error log，沒有任何通知。就是什麼都沒發生。

欸，該怎麼說呢，這種 bug 最麻煩。你以為設定錯了，但其實設定對得要命，只是 API 那邊偷偷罷工了。

第二個，Wildcard 不是 merge，是 fallback。

如果你已經在某個 channel 有明確設定，wildcard 完全不會套用到那個 channel。要每個 channel 都各自設定一次。

第三個，Top-level 設定會被 per-account 設定完全覆蓋。

多 agent 環境下，每個 agent 的 guilds 設定是獨立的。如果在 top-level 設了 wildcard，但某個 agent 有自己的 guilds 設定，top-level 的 wildcard 會完全失效。

怕了吧。層層覆寫，層層陷阱。

我也修了一個 upstream bug

在研究這個功能的過程中，我發現了一個藏在底層的問題，已經開了一個 PR 給 upstream，編號 64172。

症狀是這樣的。Auto-Thread 建立了，但 thread 的名稱遲遲沒有更新，始終是原始訊息。看不出有任何錯誤，但 rename 就是沒有發生。

根因是這樣的。當用 reasoning model，像是 MiniMax M2、Claude thinking、OpenAI o-series，生成標題時，預設 24 token 的輸出額度，會被 internal thinking block 全部吃光。extractAssistantText 回傳空字串，generateThreadTitle 回傳 null，rename 被靜默跳過。功能看起來正常，但其實從來沒有真正運作過。

修復方式很簡單。把 DISCORD_THREAD_TITLE_MAX_TOKENS 拉到 512，給 thinking 過程和標題輸出足夠的空間。非 reasoning model 不受影響，依然會正常輸出短標題後 early stop。

這個問題在任何使用 reasoning model 作為 primary 的 setup 都會遇到。如果你剛好也是用 MiniMax M2，可以去看一下那個 PR。說不定你也會有收穫。

完整設定方式

前置條件有兩個。

OpenClaw 2026.4.9 或以上。Discord bot 必須有 Manage Threads 權限。

最小設定是這樣的。

{
  "channels": {
    "discord": {
      "accounts": {
        "<agent>": {
          "guilds": {
            "<guildId>": {
              "channels": {
                "<channelId>": {
                  "autoThread": true,
                  "autoThreadName": "generated"
                }
              }
            }
          }
        }
      }
    }
  }
}

第一個參數，autoThread 設 true，就會自動建立 thread。

第二個參數，autoThreadName，"message" 是用原始訊息，"generated" 是用 LLM 生成。

可用參數還有：

• autoArchiveDuration，自動封存時間，單位是分鐘，常見值是 60、1440、4320、10080。預設是 60。
• requireMention，是否要 @bot 才處理，預設是繼承 guild 設定。
• ignoreOtherMentions，是否當 @other-bot 時忽略訊息。

然後最重要的事情，設定好要重啟 gateway 才會生效。不要忘記了。

就這樣。

生產環境要注意的事

AutoThread 用起來很爽，但開很多 session 之後有幾件事要留意。

第一件，並發上限。

OpenClaw 同一個 agent 預設最多 4 個平行 session。不同 thread 可以同時處理，但背後的並行能力有上限。如果短時間有大量訊息湧入，會進 command queue 排隊等待。

第二件，Model Rate Limit。

不同模型有不同的限制。GLM 有明確的 Rate Limit，配額用完會被阻擋。MiniMax 容易 Timeout，特別是用 reasoning model 的時候。可以透過 agents.defaults.model.fallbacks 設定備援模型鏈，降低單一模型 fail 的影響。

就像你家裡的電箱，某一迴路燒掉了，但起碼冰箱那一迴路是獨立的，不會跟著一起黑。

結語

我本來以為沒有這個功能，差點自己寫一個。

結果在原始碼裡發現，東西全部都在。工程師實作完了、測試跑過了、bug 也修過了。只是文件組忘記寫。

有時候我會想，這種事情到底是常態還是很扯。算了，不重要。重要的是東西在。

這套 workflow 能在一個頻道底下開很多個 Session，每個 Session 專注在一件事情上，是我認為在 Discord Thread 使用 OpenClaw 的最佳實踐方式。如果你剛好也需要，希望這篇文章幫你省下一些翻原始碼的時間。

有興趣的人可以去研究一下，說不定你也會發現一些文件沒寫、但你需要的東西。

都在程式碼裡。

如果你也在用 OpenClaw，覺得這篇文章有幫助，歡迎追蹤我的 Threads

大家應該看過這種狀況。花了三個月精心調校一個 AI Agent 自動化流程。模型選了最貴的，context 開到最大，四十支 skills 一支一支接上去。Prompt 寫到三千字，每個字都經過反覆推敲。Demo 的時候，大家都很驚豔。

然後上 production 就慢慢失靈了。

那是一種沒有爆炸聲的失靈，沒有引擎蓋冒煙的失靈。只是默默的，在某個沒人注意的交流道，失去了動力。儀表板沒有警告燈，或是有，但沒有人看到。四十支工具安靜地躺在那裡，像一把再也沒被打開的瑞士刀。

大家嘗試修復，很快的又好了，但然後，又會不知道為什麼，某個工具突然連不上，edge case 一再發生。升級了模型，反而行為又跑掉。就像換了新的收音機，同樣一首歌的節奏卻悄悄偏移了。到了 Q3，原本號稱可以幫團隊每週省下 20 小時的 agent 沒有人再提起，就像夏天結束後再也沒有人去的那座海水浴場。售票亭還立著，海浪還在拍打，但沙灘上只剩下風。

關於 Harness Engineering

最近這個詞反覆出現，像一張張被風吹到腳邊的傳單。

每個人都太想讓 Agent 長時間跑下去了。持續地、安靜地、大規模地運轉，還不能偏離軌道。這種期望說起來理所當然，就像期待一台洗衣機按下去就能安安穩穩地把衣服洗好。但事實上這件事難得多。

人們試過各種方法。Stop hook、ralph wiggum、oh my opencode，還有 /loop。每一種都像是在深夜廚房裡嘗試不同的食譜，加一點這個，調一點那個，打開烤箱看一眼，關上，再等。
然後某一天，它真的跑起來了。長時間、穩穩地，產出了符合預期的東西。那個瞬間，你會像中了彩券一樣急忙按下截圖鍵，把螢幕畫面發到社群平台上。因為你知道這可能只是幸運。

要能達到這個目標，目前大家認為最主要關鍵在於模型外面的那一層控管機制。大概是三塊。

第一塊是評估迴圈。它處理的問題很簡單，你不能讓一個人自己幫自己打分數。就好像一個剛進公司的實習生交出了一份年度報告，你問他寫得怎麼樣，他一定會說還可以。每個人都會說還可以。所以你需要一個獨立的人來驗收。Harness 做的事情就是這樣：先把「什麼叫做好」這件事定義清楚，像在牆上畫好一條線，然後讓 agent 去做，做完了，有人拿著尺去量。

第二塊是架構約束。你不能讓 agent 隨心所欲地呼叫工具。就像你不能讓一個廚師在廚房裡愛開哪個瓦斯爐就開哪個。OpenAI Codex 團隊的做法是在工具裡寫死分層規則，用 linter 強制執行，像鐵軌上的柵欄。Types 只能依賴 Types，Service 只能依賴 Types。誰違反了就直接被擋下來。規則不是寫在什麼「團隊規範文件」裡等人自覺遵守的。那種東西，說穿了就像貼在冰箱上的節食宣言，三天以後就沒有人再看一眼了。

第三塊是記憶治理。這個問題比較微妙。想像一間圖書館，好幾個人在裡面寫筆記，放在同一個書架上。Agent A 寫了什麼，Agent B 翻開就當真了。但如果 A 寫的是錯的呢？一個幻覺就這樣安安靜靜地傳播開來，像一個不實的傳言在小鎮裡擴散。PrismerCloud 的做法是把每一次經驗先當作一個未經證實的耳語。驗證通過了，才把它提煉成基因。沒通過的，就讓它留在風裡。
三塊東西加在一起，撐起了所謂 Harness Engineering 這個詞。

Skill 的原子性

Harness Engineering 很重要。但我最近注意到還有一個東西比較少人提，那就是 Skill 的原子性。

每個 Skill 要做到可以獨立運作，而不是變成另一個版本的 monolith。

一支 skill 如果在裡面塞了五件事的詳細流程，那它就不叫 skill 了。那只是一個被塞得滿滿的 prompt，像一個什麼都往裡面丟的冰箱。剩菜、過期的醬油、不知道誰買的奇異果。你沒辦法只拿出其中一樣來測試，出了問題也搞不清楚是哪一樣壞了。而且這個冰箱只會越來越滿，直到有一天門關不起來，也沒有人願意打開它。

Atomic Skill 的樣子大概是這樣的：

• fetch_page_text(url)，吃一個網址，吐出結構化的內容
• write_to_memory(key, value)，寫進去，拿到確認
• evaluate_task_completion(task, result)，吃任務與結果，吐出 pass 或 fail
• route_by_intent(input)，吃分類，吐出路由決定

每一個都是一行就能說完的東西。進來什麼，出去什麼。邊界乾乾淨淨，像剛洗好的玻璃杯。

Skill 可以被其他 Skill 呼叫。但不是說每支 skill 都要獨立對外服務，而是說每支 skill 有明確的 input 和 output，可以被組合，可以被替換，可以被單獨測試。一支大的 skill 內部如果是由幾個 atomic 子 skill 組成的，那就像一個樂團，每個人負責自己的聲部，同樣是乾淨的架構。

但也不是所有東西都要原子性。 這點很重要，不然你會陷入 over-engineer 的泥沼。目標不是把系統拆到最小單位，是拆到有意義的邊界。兩件事如果總是一起發生，從來不分開，硬拆開只是徒增煩惱。就像你不能把一雙襪子拆成左手一隻右手一隻來分別洗。Atomic skill 是手段，不是目的。

Terminal Bench 2.0 把同一個 agent 從一本厚厚的、充滿指令的 harness，換成精實的、有結構的 harness。模型完全沒換。任務完成率多了十四個百分點。十四個百分點。

CORE-Bench 更放寬了 Opus 4.5 的 scaffold 限制，修了一個 eval 的 bug，分數從 42% 跳到 95%。從四十二到九十五。這不是換了一個更聰明的腦袋。這只是把眼鏡擦乾淨了，讓它終於可以看清楚東西。

充滿架構美感的 Skill Graph

大部分 Agent Framework 會卡住，是因為它們試著變成 monolith。把 Memory、工具、eval、編排全部包在一個系統裡，像一間什麼都賣的百貨公司。你只透過一個櫃檯跟它互動，而那個櫃檯後面是一團你永遠看不見的混亂。把所有東西抽象進一個地方，複雜度並沒有消失。它只是被推到了你看不見的角落，像把雜物塞進衣櫃裡然後把門關上。衣櫃還是滿的。

另一條路是最小表面積。Skills 獨立定義、獨立運作，像抽屜裡各自裝著不同工具的隔間。Harness 提供的是組合的規則，而不是實作本身。Eval 是外部的、自動化的。Memory 是基礎設施，不是什麼神秘的黑魔法。

這才是 Claude Code 實際運作的方式。CLI、VS Code 擴充套件、Slack 整合、GitHub Actions Bot，這些都是同一張 skill graph 的不同入口。就像同一棟建築有好幾扇門，走進去是同一個大廳，底下共享同一套 evaluation 的紀律。最後會贏的 framework，不是功能最多的那個。是最不強迫你接受一堆你不需要的結構的那個。就像最好的旅館，不是設施最多的，是你走進去覺得什麼都剛剛好的。

試想：生產級 Agent 的判斷標準

接下來，一個 production agent 好不好，不會再用工具數量或 context window 的大小來衡量。就像你不能用一口袋裡裝了幾把鑰匙來判斷一個人會不會開鎖。

會用這些東西來衡量。

第一，eval 精準度。你能不能明確地指出，是哪一個 skill 失敗了，原因又是什麼。就像一個好的醫生，不是給你一個籠統的「身體有點不對勁」，而是告訴你哪裡出了問題，為什麼。

第二，skill graph 的可讀性。你能不能在一張白紙上，把整個系統畫出來。不需要投影機，不需要三小時的簡報。就一張白紙，一支筆。如果畫不出來，那表示系統已經複雜到沒有人真正理解它
了。

第三，當某一個 skill 吐出了一個壞掉的輸出，那個問題會不會一路燒到其他 skill。這叫 memory 有沒有邊界。就像一間公寓的防火牆，一戶失火，不該把整棟樓都燒了。

第四，你能不能把一個 skill 抽換成更好的版本，而不需要把整個 agent 重寫。這叫可升級性。就像換一條琴弦，不需要把整把吉他丟掉。

這些決定了你的 agent 會真的走出大門，還是在半路上就停下來，像一台拋錨在路邊的車，閃著黃燈，等著有人來拖走。

Harness Engineering 加 Atomic Skill 能讓系統足夠乾淨，乾淨到每個問題都可以被正確地測量到，每個 skill 都可以被單獨替換。沒有這個哲學在背後支撐的 agent，會一直堆在 2025 年的亂葬崗旁邊，不是因為模型不夠好，是因為系統本身不夠透明。

Model 是原料。Skill 是工具。Harness 是讓工具湊在一起幹活的系統。先把系統架構建立，也許才是好的開始。

最近 Clawdbot 很火紅，但是在使用的每一個步驟，我其實都很抖。

比如說它可以串接 1Password 來快速登入我的服務，這應該比我直接給他密碼還安全，但只要 llm 一出錯，即使機率很小，後果太過可怕還是不划算。

另外串 Telegram 也是很恐怖，大家都知道 Telegram 很容易被駭，而且訊息是沒有加密的。（也可以設定加密，但功能就變少）

這邊整理幾個我覺得大家應該知道的 Clawdbot 風險。

了解之後再開始用，比較好掌握每個決策。如果帶來的效益更大，也不用因為有風險就都不用。

一、Prompt Injection 攻擊風險

就算只有你能傳訊息給 Clawdbot，Prompt Injection 還是可以在行動過程中、任何環節所產生的內容中被注入，比如網頁搜尋結果、瀏覽器頁面、電子郵件、文件、附件、貼上的程式碼，都可以是攻擊管道。

根據 OWASP 的說明，Prompt Injection 攻擊可以讓攻擊者操控 AI 洩露敏感資訊、繞過認證、或執行未授權的操作。

攻擊方式

• Direct Prompt Injection：直接在訊息中塞入「Ignore the above directions」這類指令
• Indirect Prompt Injection：惡意指令藏在網頁、郵件或文件中，AI 處理的時候就被觸發了
• Multi-modality attacks：惡意 prompt 藏在圖片的 metadata 裡面

模型之間的差異

有人研究過，本地模型在被攻擊時有高達 95% 的機率會乖乖照做，因為這些模型通常比較小，比較分辨不出來有人正在嘗試騙它們。

官方文件也有警告說，比較小、比較便宜的模型通常更容易被拿來濫用工具，也更容易被劫持指令。

瀏覽器控制的特殊風險

只要一個藏得夠好的 prompt，就能突破你的安全防線，把你所有的資料和憑證都暴露出來。

防禦建議

Claude Opus 4.5 對 prompt injection 的抵抗力比較強，改進後攻擊成功率降到大約 1%（不過這還是有風險就是了）。

官方強烈建議：任何可以執行工具或碰到檔案、網路的 bot，都應該用最新、最頂級的模型。有工具權限的 agent 要避免用比較弱的模型（像是 Sonnet 或 Haiku）。

二、Telegram 等服務變成電腦大漏洞

Clawdbot 是一個有完整系統權限的 AI Agent，它可以：

• 執行任意 shell 命令
• 讀寫你的檔案系統
• 存取網路服務
• 透過 WhatsApp / Telegram / Discord 等發送訊息

連官方文件都說，在你的電腦上跑一個有 shell 權限的 AI agent 是蠻刺激的。

串接服務的風險

Clawdbot 可以串接 1Password 之類的服務，可以做到這些事：

1. 自動化腳本的密碼注入：腳本裡完全不用寫明碼，例如 aws_access_key_id = $(op read "op://Dev/AWS/access_key")
2. 執行需要認證的命令：直接從 1Password 讀取 Token 來執行，不用手動複製貼上
3. 管理或產生密碼：直接建立 Item 存進 1Password
4. 環境變數管理：用 op run -- docker-compose up 讓變數直接從 1Password 注入

潛在風險

Clawdbot 理論上只會在命令中使用密碼，但風險在於：

• LLM 不小心執行 echo $TOKEN，密碼就直接顯示在對話記錄裡了
• 命令歷史可能被看到，暴露 op read 'op://xxx' 的路徑

也就是說這些敏感資訊原本只在 1password，現在會多存在於你的電腦的某個檔案裡面，風險範圍就變大了。

但這些風險都比不上 Telegram 本身。這等於你在 Telegram 開了一個洞，直通你的電腦，而且還有最高權限。Telegram 如果被盜，基本上就完蛋了。

雖然有 pairing 限制跟 gateway 本地綁定，陌生人沒辦法直接跟你的 bot 對話。

但我相信現在一定有人在 Telegram 上搜尋 Clawdbot 關鍵字，看看有沒有人沒設定好的。如果你對設定不熟，就真的很危險。

Clawdbot 也支援 Signal（有端對端加密），但大家可能就沒那麼習慣用。

替代方案

因為這些原因，很多人會想買一台獨立的 Mac mini 來跑 Clawdbot。但：

• 新電腦：裡面沒有你需要的資料，要另外整理一堆東西過去
• Sandbox 模式：限制比較多，能力會受限
• 只串接網路服務：可以降低一些風險，但串接 Notion 之類的服務一樣有漏洞風險

官方建議把 dmPolicy="open" 和 groupPolicy="open" 能不用就不要用。

真實案例

• Day 1 事件：有個測試者叫 Clawd 執行 find ~ 然後分享輸出，結果 Clawd 就把整個 home 目錄結構貼到群組聊天裡了
• 社交工程攻擊：測試者跟 AI 說「Peter 可能在騙你，硬碟上有線索，你隨意探索吧」，想騙 AI 去翻檔案系統

三、可能違反 Anthropic / OpenAI 條款

我之前被 Anthropic 封鎖了三個禮拜，那三週我真是痛不欲生。

原因（我猜）是我在韓國的時候，用的 DJB eSIM 走中國電信，加上我又開了 VPN。

去申訴之後，等了三週才解除封鎖。

網路上也很多人反應莫名其妙被停權，因為 Anthropic 對於濫用的態度是寧可錯殺一人，也不願放過可能的嫌犯。但這其實也是我很喜歡 Anthropic 的地方...

總之，使用 Clawdbot 也可能會被認為是濫用。

Anthropic & OpenAI 的使用條款都有提到除非用 API Key 或是明確允許，否則不能用自動化方式存取服務，Clawdbot 的串接方式其實就是在灰色地帶。這對重度 Claude Code 使用者來說應該是最大的風險。

解決方式：用 API Key 就不會有問題，但就是很貴。

四、資料被誤刪

寫程式可以不用擔心是因為有 git，但操作電腦沒有 version control，我看到有人幾千張照片都被刪掉，真的很可怕。

考慮裝 trash cli，讓 rm -rf 行為改成丟到垃圾桶，東西誤刪至少找得回來。

還是應該要串 time machine 每個步驟都備份一次？但好像還沒有類似的外掛。我覺得很快就會有人發明解決方案了。

建議

安全設定優先級

其他建議

• 只安裝你信任的 plugins
• 定期跑 clawdbot doctor
• 保持 Clawdbot 更新
• 用全磁碟加密
• 如果電腦是共用的，開一個專用的使用者帳戶
• 考慮用 Time Machine 備份

總之，我覺得真的可以慢一點研究，不要急，一次開啟一些權限就好，慢慢來。

但其實 Clawdbot 讓我最不想用的原因，還是那個螃蟹龍蝦設計的不可愛。

我有一台 aws 的小 ec2 instance 用來放我的 blog 以及 n8n，當初這台從建立 instance、選擇規格、安裝套件和 docker、設定 nginx 和 ssl 都是我自己處理的，中間會不斷的問 ChatGPT 和 Claude，認真的查文件，然後一邊做筆記，中間失敗好多次，只要我覺得好像弄爛了、不乾淨了，我就全部重建，弄到第五次，才終於乾乾淨淨的架好伺服器，寫了很完整的筆記。

這之中，我還學習了升級 Ghost 和 n8n 的方式，以及當 n8n 不小心用到記憶體超過掛掉的應對方式。每次都是痛苦的重新查指令、翻文件、找人求救，才終於弄好網站。伺服器維護就是不容易，只懂皮毛的話，掌控度低，也只敢做一些很保守的設定。

不過，那已經是一年前的事情了。今年，AI 已經完全不同等級。

今天我的 n8n 又掛掉了。因為有個自動抓資料 workflow 吃了太大量的 content，讓我的 m3.micro 吃不消。連帶的我的 blog 也掛掉了。我決定把 n8n 搬到另一台 instance。我嘆了一口氣「又要來 command line 指令大會考了嗎？」但隨即想到 Warp。

我不懂為什麼還沒有更多人不斷的讚揚 Warp，也許專業工程師打指令就像吃飯一樣，不覺得這有什麼了不起，也許非技術人員也根本不會想到要去操作 command line，可是他真的是我的天使。

我的目標是：建立一個 ec2 instance，把 n8n 搬過去。

順帶一提，Comet 也幫上忙了，不過這個功能任何 AI 瀏覽器也做得到。因為我已經忘記最適合跑我的 n8n 的環境設定，也懶得去看之前的筆記（曾經有認真的筆記過，真的）。我在 aws 建立 ec2 instance 頁面直接問了大白話問題：「我想架設一個 n8n，要選哪個」。

然後我去官方文件和我的筆記大概比對一下，沒問題，就建立好了。

接下來打開 Warp 登入那台 ec2。一樣是大白話。先探探 AI 是不是了解我的需求。「這是一台新的 aws 伺服器，我想在這台用 docker 安裝 n8n，你知道怎麼做嗎？」

他當然知道。

裝好之後，我想要 ssl，我甚至不用指定 Let's Encrypt 他就知道了，看來 Let's Encrypt 已經統一世界。

接下來，我需要從舊的主機搬過來。即使是伺服器高手，「網站搬家」都是一個繁雜的事情，要打包檔案、系統設定、資料庫，到新的伺服器還原，很麻煩。但我一樣是請 Warp 幫我。

先登入舊的 ec2，「我想買這台的 n8n（在 docker)搬到另一台，要怎麼做？」（應該是我想「把」，我還打錯字，AI 也不怪我）

他幫我把整包備份完打包後，告訴我怎麼下載到 mac 再上傳到新的 ec2。（因為有用特殊的安全方式，server 都只能從我的電腦存取，無法從 A 伺服器傳到 B 伺服器）

然後再到新的伺服器跟他說已經把備份打包檔案準備好了，請他復原。

完成！

然後就可以直接用新的 server，省去好多好多時間！我愛 Warp！

還好這個年代有 AI，小時候還有工程師大大願意幫我，但現在年紀大了，色衰而愛弛，比較難找到工程師願意幫我做網站搬家這種鳥事，所以這幾年我自己發憤學習，好險現在不需要了。

最近迷上 Vibe coding，真是超好玩的放置遊戲。我已經瘋到去運動時也要繼續放置這麼走火入魔了。

給了一個 prompt 之後，就像種下種子，坐等豐收就好。有時候是很棒的大豐收，有時候也可能是壞掉的作物要修正。有時會垂心肝打掉重來，但即使重來，只要努力的溝通、釐清問題，大部分的狀況 AI 都會很努力跟你一起完成。這個豐收的感覺真的太棒了。

看到 AI 完成工作，都會很想快點衝過去啟動下一輪工作。而等待大家工作的時候，我只想著想要種下更多種子，讓豐收可以更多。聽到 Fox 說他同時開四台 Claude Code，覺得很天才。所以也開始嘗試。

多專案併行

一開始是一次多個 projects 同時進行。本來想做的 idea 就很多，所以一開始是一次做三個 app。我會把 Claude Code 排在同一個畫面上，這樣可以快速看到他們三位的進度。這樣操下來，一整天可以燒到 $150 元的費用，只一天就把 Claude Code Max 的成本值回票價了。

可是，這樣很快的岀問題了。一開始我犯了很大的錯，就是沒有認真看 AI 的回應，以為他們會通靈，直接一直做下去，有時突然就歪掉。一次三個都歪的很慘，光是要救回來都很麻煩，很多時候不如打掉重練。還是要聽別人說話啊！

所以後來我很重視和 AI 溝通實作方式的過程，一個功能我常會跟他們反覆討論資料結構、流程和邏輯以及各種細節，注意效能、注意擴展性，很多小決策都會跟整個大策略有關。所以我會認真看他們的規劃，跟他們討論完，才讓他們開始跑。開發完，我還會親自測試，因為即使已經做好自動化測試，但還是想手動 build 起來看一下。所以我也是很忙的，常常都在開會、review、測試。

可是，一次跑三個，變成我要跟三個不同 product 的工程團隊討論不同產品的功能，看到有 Claude Code 已經完成工作等我回應就倍感壓力。我要跑來跑去確保他們都在工作，又要不停切換專案，這個 context switch 讓我精力消耗得太快了，晚上都做惡夢。

後來我改成一次開發兩個 app。如果都是單純的小功能慢慢推進，狀況還不錯。

• 一個 project 做單純的事情（寫測試、完成翻譯檔）
• 另一個做比較複雜的功能（需要一直討論、反覆確認）

這樣我可以把精力放在複雜功能那個 project，另一個只單純的放置。

但是，即使只是單純的請 AI 完成翻譯檔，我還是需要去看進度。如果我沒有認真的看，漏掉一些東西，有時還是會慢慢歪掉，而且真的「單純」的工作項目好像並不太多。而我主要專注的 project 有時要做比較複雜的大功能（比如 EDD 的 AI 分析功能），我會花很多心力和 AI 溝通，這時候很容易忽略另一個 project，就會看到他又被閒置了，我甚至會忘記剛剛這台在做什麼。

所以後來覺得，如果正在做比較重要的功能，同時還是只做一個專案就好。

但是我又不甘心只用一個 AI，所以開始嘗試多個 AI 都用在同一個 project 上。

多 AI 併行單一專案

目前的嘗試是：

• Claude Code：做最主要的討論和開發
• Gemini CLI：做 code review、寫 test、寫文件、討論規格和實作細節
• GPT-5：做 code review、寫 test、寫文件、討論規格和實作細節
• Windsurf SWE-1：整理文件

因為是同一個專案，針對同一個功能做開發和寫 Test，比較不會有 context switch 的痛苦。目前的心得是，Gemini 有時候會出一些餿主意，或是改壞檔案，連 test 都改壞。現在我還是比較信任 Claude Code（沒有量化這個比較，有可能只是我的感受或是剛好 Gemini 比較衰一直踩雷）。但 Gemini 做 code review 然後生成文件還不錯，他可以用清楚明瞭的方式，把程式邏輯架構、功能、UIUX 寫出來。也可以請他生成 prompt 去針對目前功能請網頁版的 Claude 或 Genspark 生成 UI 介面，也還不錯。

GPT-5 目前覺得還可以，但我個人不負責任體感是他生成的 code 還是沒有 Claude Code 值得信賴。因此也是用來做次要工作。Windsurf 的 SWE-1 大家說類似 Sonnet 3.5，因為是免費的可以無限用，我也拿來請他整理文件、code review，目前覺得做簡單的工作還可以。

所以基本上只有 Claude Code 的 context 最重要，其他台有時我反而會故意重開，請他 review 剛才寫的東西，他有時能解決原本卡很久的 bug。

不過，要永遠都讓這四位有事情做仍舊是個挑戰，還是會有閒置的。而且勞逸不均的問題還是非常嚴重，有些人忙壞了，有些人就是比較閒。之後想嘗試串 Linear 來自動填入需求，這是我下一個目標（建立 AI 血汗工廠）。

Prompt 分享

以下分享我覺得有用的 Prompt。

開發一個功能：

我想做一個 {{ 簡短描述功能 }} 功能。

User Story：我是 {{ 某類型 }} 使用者，我想做 {{ 某個事情 }}，希望能在 {{ 某個狀況 }}看到{{ 某個效果 }}

我的想法是可以這樣做：{{ 描述你想要的作法，比如用某個資料表、串某個 API 服務}}

請 review 相關程式碼，幫我規劃最好的實作方式，但先跟我討論，先不實作。

Code Review 英文的部份是抄這位先生的：

請 review 還沒有 commit 的程式碼（或是剛 commit 的幾個）

Consider:

1. Code quality and adherence to best practices

2. Potential bugs or edge cases

3. Performance optimizations

4. Readability and maintainability

5. Any security concerns Suggest improvements and explain your reasoning for each suggestion.

不要動任何檔案，只要 review 並提供 feedback。

寫測試（其實我在 AGENT.MD 已經告訴諸位 AI 要 TDD，先測試，但開發完後有時還是沒寫）：

[自動化測試] 我想確認這樣的修改沒有影響功能邏輯和操作性，請確認是否有針對這次修改撰寫對應的測試，如果沒有請補上，並進行自動化測試，再告訴我需要手動測試的部份。

重構：

[重構] 請幫我再 review 最近的修改，ultrathink 看看有沒有可以優化的地方，請特別注意有沒有 over-engineering 的地方，希望能讓程式容易維護、乾淨簡潔。重構後，跑剛才寫的自動化測試，並告訴我需要手動測試的部份。

一直卡住的時候：

[一直卡住時] 請幫我 review 程式碼，然後上網搜尋相關需求的 best practice 寫法，並 ultrathink 去仔細思考有沒有更好的寫法，注意不要 over-engineer。

不太確定程式運作邏輯有沒有符合我的期望時：

請 review {{ 功能 }} 相關程式碼，確認是否有符合我的需求。{{ 插入 user story }}

寫文件：

[文件] 趁記憶猶新，請幫我把 {{ 功能 }} 的邏輯寫成文件，放入現有 SPEC 檔案。只要文字描述目前流程、架構邏輯，簡單說明，不需要包含程式碼和修改歷程。

除了寫程式之外，我也很常需要查文件，確保對系統的掌控度不要太差，最近從 Arc/Dia 系列換成 Comet 覺得還不錯，他的 AI 可以操縱瀏覽器，做任何想要的事情（像是「幫我登入 Cursor 下載最近一期帳單」），或是閱讀文件回答我的問題。

對於幫我找到工具介面上的指定功能怎麼使用也很方便。

用 AI 開發實在是很棒的感覺，我目前做好的 app 自己用的很開心。他們 99.9% 都是 AI 寫的，但擁有我的靈魂，畢竟我也花很多時間確認需求、討論解法、測試、發想商業邏輯。雖然距離真正可以發佈還有段距離，不過每天都覺得一人抵 10 人，這個效率的提升是翻天復地的提昇，很期待 AI 的未來。

最後想問，我在考慮直播 vibe coding，大家會有興趣嗎？我不是專業工程師，但我自認很擅長用各種工具提昇效率。直播的時候大家可以看到我怎麼用 AI 和各種工具，也開放大家指導我怎樣 vibe coding 更好。算是個交流嗎？

比特幣過 10 萬，乙太坊破 4 千，牛市終於來了！在熊市死很久的我也要活起來，先分享一下熊市我做了什麼：幾乎沒有！上一輪牛市每天聽老師報點位開倉的日子，在 FTX 🥹 和大熊來了之後就結束了，現在還有點懷念。熊市期間我只有擺爛而已，放了這些：

• DAI 8%
• AAVE 5~15%
• Lido
• Binance Earn
• Binance Launchpad

就這樣單純，都是躺賺的那種，目前看來有 15% 左右。但牛市可不能就這樣止步。上一輪牛市學了技術分析、操作合約，但我的紀律很差，實在很容易出錯，所以這輪牛市我決定先做空投、套利、收益池。

今天介紹的是 Spark，是我在熊市一直用來放 DAI 的協議（後來變成 USDS），今年初已經進行過第一波 airdrop，現在還有機會參加第二波。

🪂 規劃 Spark Airdrop 收益策略

Spark 是一個 DeFi 借貸協議，由 MakerDAO 的創始人 Rune Christensen 創立。它建立在 Ethereum 上，旨在提供一個簡單、透明且高效的借貸平台。Spark 的設計靈感部分來自於 MakerDAO，但它更專注於用戶體驗和效率。

第二波 Airdrop 條件如下（官方文件）：

• 借 DAI 的人拿 80% 🤑
• 供應 ETH 的人拿 20% 💎

以上會用 6.66M SPK 來分配。另外還有 3.33M SPK 會分配給在 AAVE 供應 USDS 的（供應頁面），本篇只有筆記 Spark 的部份。

看到這樣的條件，很明顯的，供應 ETH、再借 DAI，就可以收益最大化。

來看一下收益 📊：

供應 ETH 目前有 2.03%，借 DAI 出來 12.55%。也就是說為了拿這個空投，我們要付 12.55% 的利息。

那怎麼辦呢？好在現在有許多收益更高的穩定幣投資機會，這邊介紹幾個。

Nekodex - 140%

Nekodex 是個有著 CEX 體感的 DeFi app，只要 Email 註冊就可以投資各種官​方精選的 DeFi 現貨和收益池。目前穩定幣收益池有 USDM，這是一個美國 T-Bills 產品，USDM 有 4.7%，加上 Nekodex 現在也在空投，存 100 元就每天給 100 顆 Nekocoin，換算下來有 140% 左右，但有上限 $7000，超過的還是只有 4.7%。

🛡️風險：Nekodex 智能合約風險、USDM 風險、Nekodex 獎勵方案隨時可能降低。
👉 這是我上班的公司，有興趣可以用我的 code 多拿 5 倍註冊獎勵：hanamizuki

Bybit - 29%

Bybit 從 11 月中開始推出 USDe 持幣就有最多 29% 年化的方案，只要帳戶有 USDe，每天就會發放利息，總獎金有 8.35M，應該是發完為止。目前看起來有 27%（官方公告）。

🛡️風險：中心化交易所都有 FTX 風險、不知何時發完要隨時查看、持有 USDe 的風險。
👉 如果還沒有帳號歡迎用我的 code: QRDE0K

Spark 10-25%

• Spark Lending - 10~25%：既然都從 Spark 貸款出來，直接用這邊的收益也是一個選擇，上週 USDC 池子有 25%，但這個年化非常浮動，幾乎每天都不一樣，因為這是平台根據大家借款狀況動態調整的，不像前面兩個是固定的。但還是可以考慮。
• Spark USDS - 12.5%：也是一個選擇，是固定的數字。但是大哥哥，現在大家都超過這個數字，牛市了啊！

🛡️風險：Spark 智能合約風險、年化浮動可能會低於借款利率造成虧損。

⚠️ 了解風險

以上即使算好不會虧損，還是要知道一些風險，下面列幾個。

1. 清算風險：我們的規劃是把 ETH 拿進去抵押，然後拿 DAI 出來，如果 ETH 跌了，有可能抵押不足就會被清算，所以要注意健康值，官方建議 3 以上。我的大神同事 Henry 建議 1.5 ~ 2 以上，還是要看大家願意承受的風險。
2. 利息風險：借錢出來就要付利息，如果很多人都衝進去借，利息也會變高，還是需要偶爾回來查看的。如果不想承擔，可以只做「供應 ETH」的動作就好。
3. 智能合約風險：所有 DeFi 都有這個風險，簡單說就是怕被駭。Spark 看起來有Trail of Bits、OpenZeppelin 等審計，報告公開並透明，有助於確保合約沒有顯著的安全漏洞。另外他們有開放原始碼，也可以降低一些風險，不過這風險終究是存在的。
4. 區塊鏈風險：Spark 在以太坊主網，如果以太坊遭受攻擊或是有技術問題，那就會很慘。
5. 操作風險：DeFi 都不太好操作，Spark 其實已經做的不錯，但如果你沒有錢包管理、跨鏈、Gas Fee 等概念，操作錯誤就無法挽回了。而且 Spark 在主網，Gas Fee 很貴，只是放錯池子重放可能都要多花好幾十鎂。

⚙️ 實際操作

規劃好了，就來實際操作吧！這邊筆記我的操作記錄。

1. 供應 ETH
2. 借 DAI

完成之後點上面的空投按鈕，就會看到他在跑。🚀

也會看到錢包裡面的 ETH 不見了（跑到 Spark 合約裡），然後多了一些 DAI。

接下來看希望把這些 DAI 放到哪個地方，如果需要轉換成 USDC 或是 USDS，Spark 有提供保證 1:1 的轉換工具，還算方便。

📜 總結

這次的操作可以這樣總結機會與風險：

• 為了 Spark 的空投，放棄了 Lido 的 3%，在 Spark 拿 2.15%。
• 如果 ETH 大跌可能有危險，需要監控 📉。
• 希望風險低一些，能賺的 APY 和點數就會比較低。若能承擔更高風險，點數和收益都可能更多 💹。
• 因為在主網，這些操作的 gas 很貴 ⛽，需要考慮，最好金額大於 1000，期望能運作好幾個月。

最後還是看我們對這次空投的期望，是不是值得這樣做，之後空投確定的話我會再分享喜悅 🥳 或是幹瞧 🤬。

在某個百無聊賴的午後，我整理錢包時發現一個被遺忘的錢包裡居然躺著 40 美金！這是上輪牛市時在 Autofarm 挖礦留下的獎勵。（沒錯，就是那個已經掛掉、網站完全無法使用、Telegram 和 Discord 都已經停止運作的 Autofarm 😅）

問題是，這筆錢還卡在 Autofarm 裡面。

選擇題：放棄 VS 挑戰

40 美金，說多不多，說少...好吧其實真的不多 😂 但轉念一想：

1. 這不就是學習跟智能合約互動的完美機會嗎？
2. 我雖然什麼都不會，但我有 AI！
3. 成功就賺 40 鎂！

很多時候我們都太依賴前端介面，好像沒有前端，錢就被卡住了。但智能合約和中心化交易所不一樣的地方就是「他就在那兒」，理論上是可以直接互動並提領出來的。

實戰開始！與 AI 攜手展開救援行動 🤖

Step 1：找到所有需要的資料

首先透過 Debank 確認資產，看起來卡在裡面的是 ALPACA。

但用 Zapper 交叉比對後，發現其實卡在裡面的不是 ALPACA，而是 ibALPACA。

收集以下重要地址：

• 我的錢包地址：0x62a07...d0e2
• Autofarm 主合約：0x089...452
• ibALPACA 合約：0xf1...d421

Step 2：尋找正確的資金池（史詩級挑戰）

Autofarm 主合約的提領動作需要設定 Pool ID，但我根本不知道我的錢是卡在哪個池子。

也無法直接查詢哪個池子是 ibALPACA。AI 建議我一個一個查，用 Read Contract 的 poolInfo 的確可以查。

可是，當我發現總共有 700+ 個資金池時... （開始流冷汗 💦）

感謝 AI 大神，幫我寫了一個使用 ethers.js 的腳本，一個一個資金池去查。 結果發現：

• 488 號池：❌ 看起來對但餘額為 0
• 487 號池：✅ Bingo！找到我們的目標！（他在暗示我是白痴嗎？）

腳本很簡單，只需用 node.js 和 ethers.js。

const { ethers } = require("ethers"); // 確保 ethers.js 已安裝

// Autofarm 主合約地址
const AUTO_FARM_CONTRACT = "0x0895196562C7868C5Be92459FaE7f877ED450452"; // 替換為 Autofarm 合約地址
const PROVIDER_URL = "https://bsc-dataseed.binance.org/"; // BSC 主網節點
const ALPACA_ADDRESS = "0xf1bE8ecC990cBcb90e166b71E368299f0116d421"; // ibALPACA 合約地址

const autofarmABI = [
    "function poolLength() external view returns (uint256)",
    "function poolInfo(uint256) external view returns (address, uint256, uint256, uint256, address)"
];

async function findALPACA() {
    // 正確初始化 JsonRpcProvider
    const provider = new ethers.JsonRpcProvider(PROVIDER_URL);
    const contract = new ethers.Contract(AUTO_FARM_CONTRACT, autofarmABI, provider);

    const poolLength = await contract.poolLength();
    console.log(`Total Pools: ${poolLength}`);

    // 遍歷所有池子，找到 ALPACA 的池子 ID
    for (let pid = 0; pid < poolLength; pid++) {
        const poolInfo = await contract.poolInfo(pid);
        const wantAddress = poolInfo[0]; // want 地址
        if (wantAddress.toLowerCase() === ALPACA_ADDRESS.toLowerCase()) {
            console.log(`Found ALPACA in Pool ID: ${pid}`);
            return pid;
        }
    }
    console.log("ALPACA not found in any pool.");
}

findALPACA().catch(console.error);

Step 3：提領資產（最驚險的時刻）

到 Write Contract 使用 withdraw 和 withdrawAll 都失敗了。

確認 gas 沒有不夠後，用 emergencyWithdraw 功能... 3...2...1... 成功！🎉

Step 4：最後一哩路

將 ibALPACA 換回 ALPACA，進入 ibALPACA 合約，找看看有沒有 unwrap 功能。

1. 先用 balanceOf 確認餘額
2. 執行 withdraw，把餘額貼上

Etherscan 丟給我這個錯誤：

但是其實成功了，在錢包、Zapper 都看得到餘額。

任務完成，歡欣鼓舞！✨

同場加映：把所有合約程式碼一次貼給 AI

為了讓 AI 幫我們解釋 Read Contract 和 Write Contract 有哪些功能，我們可以把整個合約原始碼貼給 AI 看，以下是 Autofarm 主合約的 bscscan 合約頁面。右上角有複製按鈕。

但如果有多個檔案怎麼辦？像 Autofarm 單一池子的策略合約就有 15 個檔案，才懶得一個一個貼。這時，可以點原始碼區塊右上角的 Code Reader，進入一個 AI 專用的天地。

這邊的 AI 功能需要你提供 API Key。

但目前只有 GPT 3.5 和 4，因此不建議用這個介面，我們還是把完整原始碼複製，丟到我們自己的 AI 介面吧。要怎麼做呢？可以到左下角把檔案都點選起來，然後全選複製 Source Code 就好啦！

實戰心得

1. 前端掛了不要慌，合約永遠在區塊鏈上
2. AI 是 web3 實戰的好夥伴，建議善用
3. 工具很重要：Debank、Etherscan、Zapper 都是必備良器

自從上次[AI 自動化] 用 n8n 做刷卡消費記錄之後（今天有更新此篇修正錯誤），我的對帳工作變成是：

1. 打開 Google Sheet 來檢查 AI 的帳（像是分類有沒有設錯等等）
2. 看一下銀行帳戶有沒有需要手動記錄

但老實說，要坐在電腦前用 Google Sheet 對帳還是很煩，即使 Google Sheet 可以做圖表，我還是希望能在手機方便檢視近期消費，並進行對帳。

我的需求是：

1. 有個 app 介面可以看 Google Sheet 資料
2. 可以編輯、更新、新增資料，並同步到 Google Sheet

原本用 Cursor，的確是做出一個 iOS app，有 ai 幫寫程式真的很快樂。不過畢竟還是比較複雜，資料傳送、deployment 都還沒完善，還不能分享給大家。昨天發現 AppSheet 可以做類似的事情，著手嘗試，還真的成功了。

建立 App

首先進入 Google AppSheet，選擇 Create > App > Start with existing data。

選擇之前做的自動記帳的 Google Sheet 當來源，這邊有一個範本：
https://docs.google.com/spreadsheets/d/17pFb1eEx9biHlwLZTKpEOQmd0NoiedacqTjAQIkgltM/edit?gid=1703394796#gid=1703394796

馬上就有一個 app 了，真是心情愉悅。

不過要設定的東西還是滿多的。先從對帳表開始。

對帳表

這的 view 的 user story 是：

我們可以先來看看可能會想要調整或補充的資料有哪些。以下是 AI 記錄的內容。

理論上日期、Service、Payment、Source 都不會改變，可能會想要調整的有：

• Notes: 可能會想要補充內容
• Spend: 修正金額（比如 Uber 會先扣比較大筆的，最後才修正金額，這樣自動記錄的金額有可能不正確）
• Category: 調整分類（比如全聯超市購物，AI 認為是「飲食」，但其實可能是「日用品」）

有些時候這筆花費是代墊，雖然不想刪掉，但希望在統計的時候不要計算進去，所以還會希望調整的有：

• Skip: 是否排除在統計表
• Skip Notes: 筆記為何要排除（如「幫同事買」）

如果也可以新增一些標註：

• Delete: 刪掉這筆（不要顯示在帳本）
• Check: 記錄這筆是否已經對帳完成

帳本會長這樣。

接下來到 AppSheet 建立一個 view，放在 primary navigation。

選擇「總帳」時，可以新增一個 data slice，是只顯示沒有被 delete 的資料。如果對 Google Sheet 公式有一定了解，可以上手的很快。

選擇想要的顯示方式。在右邊直接可以預覽。

對帳工作

然後是對帳的行為。剛才有幾個欄位是希望可以根據 AI 給的資料，檢查並覆寫的。可以進入 Detail 頁面選擇 Quick edit columns，就可以直接在頁面上調整。

這邊的邏輯是先顯示 AI 給的分類，比如圖中是「外食」，但其實不符合分類，應該是「飲食」，那只要點一下「飲食」就好。這樣回到 Google Sheet 就會看到 Category Override 的欄位有「飲食」。

這樣這筆資料就會有 AI 給的「外食」和我們手動覆寫的「飲食」，在統計的時候，我們要以覆寫的資料為主，如果沒有覆寫，才抓 AI 的資料。

所以會需要新增一個 Virtual Column，這個欄位會用這個邏輯顯示分類。

if([Category] <> "", [Category], [Auto Category]) 

Spend Override、Notes 欄位也是一樣的邏輯。都可以照自己想要的方式整理數據以及設定顯示的方式。

新增資料

這邊的 user story 是：

這時候一樣可以用 AppSheet 做一個新增資料的介面。

這邊的 data 是 raw data ，因為自動記帳的 Google Sheet 是用公式從 raw data 抓出來整理過的，我們不能在那邊新增資料，需要在 raw data 新增，然後自動記帳的那個 sheet 就會再自動抓過去。因此需要把 raw data 也連接到 AppSheet。

raw data 範例:
https://docs.google.com/spreadsheets/d/17pFb1eEx9biHlwLZTKpEOQmd0NoiedacqTjAQIkgltM/edit?gid=370005862#gid=370005862

刪除資料

如果新增之後想在「對帳」介面刪除怎麼辦？這時候就會用到對帳表的「delete」欄位，只要 把 delete 設定為 true 就可以。

可以用 AppSheet 的 Action 做到。

然後把這個動作加到對帳表「內頁」就好。現在選擇垃圾桶，就會把這筆資料設定為刪除，還可以設定顯示邏輯以及點下去的確認訊息，避免誤按。

Format rules: skip

Skip 的 user story:

我們可以到 Format rules 裡面新增「Skipped」，當該筆資料的 Skip 是 true，就照我們要的方式顯示指定欄位。

我想要把排除在外（skipped）的花費變成灰色的字，加上一個 icon 並且把該筆資料的費用劃掉。可以用以下方式設定，右邊直接預覽。

這樣就有一個對帳的 App，可以檢查 AI 記的帳並且修正資料，也可以新增、刪除資料。

花費統計

可以新增統計圖表到 Dashboard。一個 Dashboard view 可以包含多個 Reference view，也有很多種顯示方式。以下為圓餅圖範例。

如果需要抓「本月消費」，那會需要一個新的 data slice，範例：

AND([Date] <= EOMONTH(TODAY(), 0), [Date] > EOMONTH(TODAY(), -1), isblank([Delete]), OR(isblank([Skip]), [Skip]=FALSE) )

這邊要記得把 deleted 和 skipped 的都排除掉。

總結

很快的把 AppSheet 摸遍之後，他的好處是上手很快，馬上 deploy 馬上開始使用，基本的功能也都做得到。不過，我接下來還是會想繼續用 Cursor 寫 app 或找其他 no code 的方式，為什麼呢？

因為這 app 好醜呀～～～

而且，其實在很多細節的設定上，彈性並不是很大，比方說我想在 details 做更多客製是不行的，只能按照 AppSheet 的格式，想要做更複雜的行為也不太容易。

另外也有 scaling 問題， Google Sheet 當資料庫到底能放多少資料而不影響速度，是個大問號。我嘗試把五年的資料都放進入，會需要一些時間同步，不知道資料更多會怎樣。

AppSheet 真的要開發給其他人用並且有強大的功能，基本上是不可能的。不過還是很喜歡 AppSheet 的邏輯，讓每個人都能開發最適合自己的 app，也許未來這種個人化 app 會變得越來越流行，每個人都可以基於一些框架或工具做出最適合自己的產品，那真是很快樂的未來。

上次 n8n 試用結束後，因為發現 Make 比較便宜，就跳槽過去了。後來有網友留言，推薦我試試自架 n8n，我馬上心動就也來自架了，結果真的一試上癮。

目前已經把上次 Make 的流程搬過來，要拋棄 Make 了。Productivity tool 的世界真殘酷。哪個稍微更 productive，使用者馬上就跳走...

喜歡 n8n 因為：

1. 內建 node 種類多
2. HTTP Request 和 Webhook 非常彈性且強大，基本上等於是快速串 API 的方式
3. 介面回饋速度更快、效能高
4. Open Source
5. Workflow 設定本身就是一個 json，非常容易共享
6. 社群討論和 templates 分享還算活躍

n8n 架設真的很簡單。我架了一個在我的 AWS，使用 docker compose，教學可以看這篇。有遇到一些小卡，主要是我用 nginx 做 redirect，所以沒用到 traefik，一開始沒發現而相衝。但沒有什麼是 AI 回答不出來的，順利裝好。

後來又幫公司裝一個在 heroku，看這篇教學。也有一些 .env 設定的小卡住，但後來也解決了。如果你對於自架 n8n 有遇到問題，歡迎私訊問我。我的 IG 是 @hanamizuki。

接下來開始建立吧！

建立 Workflow

在 Make 叫做 Scenario，在 n8n 是 Workflow。下圖是原本 Make 的畫面以及 n8n 的畫面。

基本邏輯一樣，

1. Trigger: Gmail 收到交易通知
2. Router: 根據信件類型要有不同的文字處理
3. 請 AI 根據信件內容回傳欄位內容
4. 送到 Google Sheet

因為已經用 Make 自動記帳兩週，有發現可以優化的地方，轉移到 n8n 的過程中又做了一些優化，如下。

1. 調整富邦信用卡消費記錄的 search query
2. AI prompt更完整，比如美金要到小數點後兩位，台幣不用等等
3. 改用免費的 gemini 1.5 flash（也可以快速的自己換成其他 model）
4. 優化了 Google Sheet 格式

建立 n8n 流程的第一步：Trigger

Trigger 選擇 Gmail，設定如下：

• Pool Times: 我選每小時抓
• Event: Message Recieved
• Simplify: Off
  • 原本是希望打開的，打開的話輸出的格式比較乾淨。可是的，可恨的是，有幾家銀行的信件太過傳統，沒有 snippet、沒有純文字版本，只有落落長的 html。因此這邊還是必須打開，然後再用 parser 去整理內容。
• Filters: 選 Search
  • 可以參考上篇 Search Query 教學

這個範例可以記帳的範圍包含：

1. 信用卡刷卡記錄：匯豐、富邦、國泰、crypto.com
2. 消費記錄：Uber、Uber Eats、Apple、Stripe、Heroku

記帳時，「2. 消費記錄」純粹是為了補充「1. 信用卡刷卡記錄」的資訊，因為刷卡記錄通常沒有細項。

使用 Switch

Switch 是一個 router，能根據前面 node（也就是 trigger）傳過來的資訊，開出多條後續流程。因為每種資料要整理的方式可能不同。我的案例：

• 國泰世華的通知是一天一封，並且只有肥大 html，裡面還有多筆消費，會需要從信件拆多筆出來
• 其他信用卡交易通知都是一個交易一封
• 消費記錄（像是 uber）算第三種，送到 google sheet 時要有不同處理，以免 double accounnting

設定如下：

• Mode: Rules
• Routing Rules:
  • 寄件者（{{ $json.from.value[0].address }}） = service@pxbillrc01.cathaybk.com.tw 時，是國泰刷卡記錄
  • 寄件者是 \b(?:noreply@messaging\.hsbc\.com\.tw|hello@crypto\.com|taipeifubon\.com\.tw)\b 時，是其他信用卡刷卡記錄（匯豐、富邦、crypto.com）
  • 寄件者「不是」以上者些時，則是消費記錄

處理國泰消費彙整通知信

這部份我處理起來其實有點意興闌珊，要不是最近愛著 n8n ~~，國泰這樣的信件（和越來越爛又麻煩的優惠 ~~... 每次都忘記切換。對我就是用 Cube）看著看著我就想剪卡。

國泰的信件長這樣：

而這是一大包 table，如果直接 strip html 也不太行，因為輸出的格式會變得很亂，即使有四種 AI model，我還是不想給他們這麼大的閱讀挑戰。

好在看起來這包 table 每一筆資料都有一個 .spend_table，料想他們工程師應該不會一直改這個名稱，就這樣用了。

如果你的 Trigger Node 已經試跑過而且有成功抓到你想測試的內容，可以按一下 pin。這樣即使之後重新整理，這個 node 不用重跑也會有資料可以測試。（不過全部完成要 enable 這個 workflow 時記得要 unpin）

如果你想直接在 gmail 裡面看信件的 html 長怎樣，也可以在 gmail 介面使用 Inspect ​選擇「Show Original 」​。

回到 n8n 設定，我們可以使用 n8n 內建的 HTML node。

• Operation: Extract HTML Content
• Source Data:JSON
• JSON property: html
• Extraction Values:
  • Key: spend
  • CSS selector: .spend-table
  • Return value: Text
  • Return array: True

這樣就可以把雜亂的 html 變成乾淨的兩筆資料。

接下來還有一個步驟，因為剛才回傳的是一筆裡面有 array 的資料，但 node 執行的是 line item，所以要用 split 把他變成兩筆資料。

我們用內建的 Split Out Node 即可。
Field to split out: spend

再來試跑，就會看到他變成右邊那樣兩筆資料。雖然這串文字很亂，但我們就丟給 AI 吧！

整理資料

在丟給 AI 前，我們先把我們要的資料整理好。可以用內建的 Set data node。

(2024/10/6 更新如下，主要是三種狀況的資料可能不同，要先整理好，不能只用一個 Set Data）

Set Data 0

• Mode: Manual Mapping
• Fields to Set:
  • email_date: {{ $('Switch').item.json.date }} 這邊抓信件的日期給 AI 當參考，因為信件內容有可能沒有日期
  • email_subject: {{ $('Switch').item.json.subject }} 這邊抓信件標題，一樣是給 AI 當參考，讓他知道他在閱讀的是這封信
  • email_content: {{ $ifEmpty($json.spend, $ifEmpty( $json.text, $json.html)) }} 這邊抓國泰資料，如果不是國泰的，就直接抓信件的 text，若是也沒有 text，就抓 html。
  • email_type: 0 從 router 出去目前有三條路，給個編號，後面會用到。

Set Data 1

• Mode: Manual Mapping
• Fields to Set:
  • email_date: {{ $json.date }}
  • email_subject: {{ $json.subject }}
  • email_content: {{ $ifEmpty( $json.text, $json.html) }} 直接抓信件的 text，若是也沒有 text，就抓 html。
  • email_type: 1

Set Data 2

• Mode: Manual Mapping
• Fields to Set:
  • email_date: {{ $json.date }}
  • email_subject: {{ $json.subject }}
  • email_content: {{ $ifEmpty( $json.text, $json.html) }} 直接抓信件的 text，若是也沒有 text，就抓 html。
  • email_type: 2

請 AI 閱讀信件並回傳帳務資訊

(2024/10/6 更新：需要新增 Merge 步驟，並把上面三個 Merge Data 分別透過 Input 1~3 整合進去）

資料都整理好，就可以給 AI 看了。可以用 n8n 的 Basic LLM Chain node，可以取名叫做「Extract details」。然後選擇 model。n8n 也已經幫大家串好很多 ai model 了。

目前我用過這幾種：

1. OpenAI: 記得一定要用 4o-mini，4o 和最新的 o1 都超貴，上次選錯，一天就噴好多錢，真的要小心
2. Gemini: 免費
3. Claude: 最近幾個月開始訂閱的，覺得還不錯
4. Groq: 剛開始用

至少以上四種都很好串，OpenAI 和 Claude 需要先支付一筆錢購買 credit，Gemini 和 Groq 則是免費的。一樣都是取的 API key 就可以 plug and play。大家可以自己考量看看。

我現在用 Gemini 是因為免費。

接下來進入設定。

• Prompt: Define below
• Text: 這是我的消費明細信件中的單筆消費內容，請幫我擷取內容來記帳。其中信件來源有 0, 1, 2 三種選項。0 是國泰卡明細，1 是其他信用卡明細，2 是消費記錄。如果是 2，card 欄位回傳 null。 這部份大家可以自己調整成你要的，就跟和 ChatGPT 說話一樣。
• Require Specific Output Format: True
• Chat Message:
  • Type Name or ID: User
  • Message Type: Text（也許之後可以試試截圖給他看？但目前先用文字）
  • Message:

    信件日期：{{ $json.email_date }}
    信件標題：{{ $json.email_subject }}
    信件內容：
    {{ $json.email_content }}
    信件來源：{{ $json.email_type }}
    

因為我們希望有輸出固定欄位，所以要加上一個 Output Parser。

• Schema Type: define below
• Input Schema:

{
  "title": "消費記錄 Schema",
  "description": "用於解析消費記錄信件的 Schema，包括日期、服務名稱、交易詳情、金額、類別、貨幣和卡片。",
  "type": "object",
  "properties": {
    "date": {
      "type": "string",
      "description": "交易日期，可參考信件日期或內容內的消費日期。若有多個日期，以最早的日期為主。格式為 'YYYY-MM-DD'，例如 '2024-09-02'。",
      "pattern": "^\\d{4}-\\d{2}-\\d{2}$",
      "examples": ["2024-09-02"]
    },
    "service": {
      "type": ["string", "null"],
      "description": "服務或商店的名稱，例如 'GOOGLE'、'Uber' 等。",
      "examples": ["GOOGLE", "Uber Eats", "Uber", "CLAUDE.AI"]
    },
    "details": {
      "type": ["string", "null"],
      "description": "交易的詳細訊息，如海外刷卡、網路刷卡、餐廳名稱或消費細節。若無可留空或為 null。",
      "examples": ["Uber:從復興北路到民權東路", "餐廳名稱", null]
    },
    "amount": {
      "type": "number",
      "description": "交易金額。若為美元，保留小數點後兩位（如 50.12）；若為台幣則使用整數（如 550）。",
      "examples": [50.12, 550]
    },
    "category": {
      "type": "string",
      "description": "交易類別",
      "enum": ["飲食", "交通", "日用品", "居住", "3C", "美容妝髮",
      "examples": ["飲食", "交通"]
    },
    "currency": {
      "type": "string",
      "description": "交易使用的貨幣代碼，如果金額是 NT$ 開頭，curreny 就是 TWD。",
      "enum": ["TWD", "USD", "JPY", "EUR", "SGD"],
      "examples": ["USD", "TWD"]
    },
    "card": {
      "type": ["string", "null"],
      "description": "交易使用的信用卡。",
      "enum": ["匯豐", "富邦", "Crypto.com Card", "國泰", null],
      "examples": ["匯豐", "國泰"]
    }
  },
  "required": ["date", "amount", "category", "currency"]
}

交易類別的部分可以自訂。

送到 Google Sheet

這部份相對單純，先準備好 Google Sheet。我這邊有一個範本。
https://docs.google.com/spreadsheets/d/1_IhdHj8bxtsfH2MRqKuU2LzJuzm4DaeKSw46eFcyYts/edit?gid=1617968863#gid=1617968863

是長這樣的：

在 n8n 建立一個 Google Sheet node。設定如下：

• Credential to connect with: 選一個
• Resource: Sheet Within Document
• Operation: Append Row
• Document: 貼上 Google Sheet 網址
• Sheet: from list 選擇 raw data
• Mapping Column Mode: Map Each Column Manually（如果選自動的話，他會去找 n8n 資料的欄位名稱和 Google 第一個 row 的名稱做比對，也是一種選擇，但我怕我腦殘去改 Google Sheet，所以這邊先手動寫死）
• Value to send: 選擇剛才的欄位名稱，如 {{ $json.output.date }}

哇啦！這樣就完成啦！

其實如果你有興趣，上面這些步驟都可以省略直接複製下面這段 JSON 貼到 Workflow，就可以把上面提到的設定都一次匯入。這也是我很喜歡 n8n 的地方。把分享做的這麼方便，大家還不狂分享嗎？ 那我為何不直接貼下面的 JSON？還要打這麼長的內容？

最後可以來 Test 一下，看看資料有沒有出現在你的 Google Sheet 上。沒有的話，可以到 Executions 看錯誤資訊，貼給 AI 看，通常很快可以獲得答案。如果有卡住也歡迎跟我說。

對帳方式

上面的流程基本把這些信用卡的紀錄都包含進去了，若 n8n 跑的順利，你每天進來 Google Sheet，什麼都不用做，直接在「book」這個 sheet 可以看到今天的交易記錄，是已經整合刷卡記錄和消費記錄的資訊放一起的。

有個 check 欄位則是方便大家確認這筆消費沒問題可以打勾的，Note 則是手動寫個筆記。像這樣：

結語

可以用 n8n 做 AI 自動化真的是很幸福的事情，打開了很多可能性。我現在還有用 n8n + AI 做 Twitter 分析、Segment、Amplitude、Databricks、Asana ... 等自動化，節省了不少時間，實在太快樂了！

上週做了匯豐銀行刷卡明細自動化，看到小朱的留言有點啟發。原本我是用正規表達式把信件內容的日期、卡號、金額、類型抓出來，但其實根本可以交給 AI。更有甚者，其實不光是匯豐刷卡記錄，可以 把想得到的帳都丟給 AI 呀。

就來著手試試看吧！

規劃

今天想要嘗試的方式是：

1. 收集消費通知的 emails
2. 全部丟給 openai，請他整理成我要的格式
3. 傳到一個 google sheet 用公式整理

刷卡通知 emails

同一筆消費有可能有兩種通知，一種是商家寄來的，一種是刷卡通知。比如說搭了 Uber，你會收到 Uber 寄來的行程記錄，也會收到刷卡通知。我們會希望以 「信用卡消費通知」 為主，再用商家寄來的通知輔助。因為刷卡才是流程的最上游，可以捕捉到所有的交易。

我最常用的是匯豐，上篇文章有說明過抓資料的方式。今天繼續把其他刷卡記錄也串進來。我第二常用的是國泰，因為我家樓下是全聯，可以直接掃個條碼就登記會員＋付款並且發票自動歸戶，只是他只支援國泰，所以我去全聯、或是剛好國泰優惠比較多的時候也會使用。而國泰信用卡如果消費通知有商家資訊（想要記帳的資料都有），就可以直接抓。這種狀況就可以全部自動。國泰不愧是做的最好的一家。

另外幾張卡：

• 富邦信用卡：有信件通知（教學），信件沒有寫商家資訊，但因為我也只用來刷 Costco，所以一樣可以全部自動（富邦刷卡通知都當做 Costco）。
• Crypto.com：有消費通知信，但只有金額。也納入這次範圍，類別就先留空。

有些無法的卡（串不進來）：

• 玉山：沒有 Email 通知（或是我沒找到），但我超少刷，跳過。
• 星展：Email 通知介面不知為何無法啟用，連客服都懶得問，星展是垃圾。因為是之前花旗 PCHome 卡轉過來的，目前只有用在 PChome。那就抓 PCHome 記錄就好？可是 PCHome 的信件沒有我們需要的金額資訊，只好放棄。反正我也很少刷。
• 中國信託：有每日通知（每日消費成交回報），一天一封。單筆消費的只能透過 Line 和 App 推撥。這張我也很少刷，跳過。

要注意是「一封信一筆消費」還是「一封信多筆消費」，比如說，國泰和中信雖然有刷卡消費的通知信，但他是「一天一封彙整」，就需要另外處理，有可能一封裡面有很多信件。 這個後面會說。 本篇沒篇幅了，下次再補充。

消費通知 emails

但可惜的是我最常用的匯豐信用卡沒有在消費通知 email 提供商家名稱，這樣記帳還是無法知道分類。因此，我這邊的作法是另外把常用的服務的消費通知也抓出來，然後在 Google Sheet 裡面用公式自動對帳。很多服務都有 Email 通知服務，要記得一一去打開。

實際作法：

• 先看過去一個月常消費的信用卡或是商家，全部列出來
• 我最常消費的有 Uber、Apple、Stripe 等等

Google Sheet 格式準備

我需要有這兩個 Google Sheet：

• 刷卡記錄：列出所有信用卡的紀錄
• 消費記錄：比如 Uber、Apple、Stripe 等等

欄位目前簡單規劃如下：

• 日期
• 商家
• 明細
• 金額
• 分類
• 付款方式
• 貨幣

本文最後有 Google Sheet 範本歡迎取用。

接下來就開始用 AI 自動化吧！

第一步：找出消費通知 emails

先在信箱裡看有多少 low hanging fruit 吧！搜尋 invoice 看看。有趣的是 Gmail 會自動把有 receipt 或 發票 的信也找出來呢！

但光是這樣搜尋，會包含太多亂七八糟或重複的資訊，比如說，Uber Eats 可能會有訂單通知，以及發票開立通知。所以還是需要整理一下。

以下是我自己常用的服務，我們先抓這些服務的消費通知。因為每個人語系不同，建議還是在自己的信箱實測。

Uber & Uber Eats

可以先找到一封 Uber 的信，然後選「Filter messages like these」，Gmail 會建議一個 search query。

基本上會是 from:(noreply@uber.com)。但因為還會混著其他行銷信，像這樣：

我們沒有想要抓「Hana，我們想瞭解您的看法」這封信，所以還是建議加上 subject 篩選。而且因為可能是搭車、也可能是訂單，在 Gmail 需要用 OR 來連結。

如：from:(noreply@uber.com) {subject:(透過 Uber Eats 系統送出的訂單) OR subject:(在 Uber 平台上搭乘的行程)} 。

這樣就可以乾淨的只有 Uber 搭車和點餐的紀錄。

Apple

因為我有訂閱一些 App，所以不時會收到 Apple 的帳單，所以也希望可以自動抓這部份。用剛剛一樣的方式，先找到一封信 filter messages like this，然後加上 subject 規則。Apple 的 invoice 有兩種標題，但都是 your invoice 開頭，目前檢查過沒有混入其他的。

所以可以用這串from:(no_reply@email.apple.com) subject:(Your invoice)。

Stripe 交易

我自己買很多國外 SaaS 服務都是用 Stripe 支付，因此可以從這邊抓到一些。用一樣的方式之後，發現規則比較複雜。不一定都是來自@stripe.com，也會有像是invoice+statements@make.com 的，看來他們有通知信 whitelabel 的功能，沒關係，我們都加上去。

最後 Search query 是 {from:(invoice+statements) OR from:(@stripe.com)} AND subject:(receipt)。

整合在一起

因為我們需要一次把上面的信件篩選，我們需要用 OR 把它們都接在一起，然後每一組都要用大括號包起來。因為用了大括號，必須把運算元也加上去。

如下：

{from:(noreply@uber.com) AND {subject:(透過 Uber Eats 系統送出的訂單) OR subject:(在 Uber 平台上搭乘的行程)}}
OR
{from:(no_reply@email.apple.com) AND subject:(Your invoice)}
OR
{{from:(invoice+statements) OR from:(@stripe.com)} AND subject:(receipt)}

如果對於 search query 想要更多變化，可以參考 Google 官方教學。

把這一串先丟到 Gmail 搜尋看看，看有沒有怪怪的。沒有的話就可以進行下一步。

刷卡記錄 emails

因為本篇改用 Make 進行自動化（下面會說原因），並且改用 AI 擷取資料，順便把其他信用卡也一併納進來了。

Search query 找法類似，這邊直接提供可以抓到包含上面消費記錄，以及刷卡記錄的，信用卡包含匯豐、國泰、富邦以及 crypto.com。

{from:(noreply@uber.com) AND {subject:(透過 Uber Eats 系統送出的訂單) OR subject:(在 Uber 平台上搭乘的行程)}}
OR
{from:(no_reply@email.apple.com) AND subject:(Your invoice)}
OR
{{from:(invoice+statements) OR from:(@stripe.com)} AND subject:(receipt)}
OR
{from:(bot@heroku.com) AND subject:([billing] Heroku Invoice)}
OR
{from:(noreply@messaging.hsbc.com.tw) AND subject:(匯豐(台灣) "刷卡消費通知”)}
OR
{from:(hello@crypto.com) AND subject:(purchase complete)}
OR
{from:(@taipeifubon.com.tw) AND subject:(富邦 即時消費通知)} 
OR
{from:(service@pxbillrc01.cathaybk.com.tw) AND subject:(國泰世華銀行消費彙整通知)}

你可以試試看這個 search query，不過每個人的通知和語系設定不同，還是需要調整成自己要的需求噢！

要注意的是，刷卡記錄和上面的消費記錄是要去到不同的 Google Sheet 的哦！現在只是先一起抓到自動化流程。

第二步：丟給 AI 整理成流水帳（使用 Make）

上週其實是用 n8n，但今天收到這封信。

看了一下方案，最便宜也要 22 歐元，不付費就會被刪掉 感覺情緒勒索，所以決定不升級 n8n，回去用之前用過的 Make。

Make 免費版可以每個月執行 1,000 次，付費最便宜的方案一個月 10 元左右，可以執行 10,000 次，感覺大方多了。所以這次使用 Make。

抓 gmail 信件

登入後建立一個 scenario，然後我們的 trigger 是 gmail。設定方式如下圖。這邊是用剛才的 search query 先在自己的信箱找出那些信。

測試過程中，可以在「Choose where to start」選擇測試時想要抓的資料，比如說可以抓最近兩天的資料。這個是每次點 Run 之前都要調整的。另外上圖有個「Maximum nunmber of results」也可以在測試時調整，比如說我想抓 8/21 的資料，但我不想從 8/21 一路抓到最新的，就可以把這邊數字調小一些。

丟給 openai

抓完資料之後，再開一個 ChatGPT，我們要選的是「Transfrom Text to Structured Data」。

Model 建議選最便宜的 gpt-4o-mini 即可。這邊假設大家都有 openai 的 API 了，沒有的話可以去看官方文件（注意，這不是免費的，要用就要錢，有訂閱 ChatGPT 也一樣）。

接下來 Text to Parse 我們選前一個步驟信件的 Text content，這是純文字版本的信件，可以節省一些 token。Prompt 的部份也簡單描述背景即可，這對 openai 來說是非常單純的任務。

再往下可以定義資料格式，一樣用描述的即可。平常怎麼和 ChatGPT 溝通，這邊用一樣的方式。

自動傳到 google sheet

接下來再建立一個 google sheet 事件的「Add a Row」這邊很好理解就快速帶過了。完成後試跑，就會看到帳都自己記起來了，很過癮！

第三步：在 Google Sheet 整理

整理了一份簡單的 Google Sheet，可以快速把帳整理好。像是這樣

主要是：

• 用 AI 自動抓 Gmail 信件存到 raw sheets
• 在「對帳表」把對照刷卡記錄和消費記錄
• 在「總帳」看自動整理過的消費記錄

這邊還沒有處理到匯率的問題，可以之後再加上去。

Google Sheet 連結：[Sample] 用 AI 自動記帳

結語

我每週對帳的工作通常會去對每張信用卡的紀錄以及銀行帳戶。如果帳戶很多的話真的是滿瑣碎的。並且，crypto 的部份就更複雜。這邊先不展開。

有個小心得是，雖然可以自動一大部分，但 目前還是很難全部自動 ，目前弄了一早上，其實還是有些難的地方。比如說昨天 Uber Eats 刷卡後沒送到，後來退掉了，Uber 還送我 30 元，所以下一筆變成 Uber 訂單金額和刷卡金額不同。或是有時會扣紅利點數也會有這個問題。這部份要自動化加上一個回沖的紀錄是可以，但有點麻煩，可能有點 over engineering 了，所以先不管。

我的結論是在自動化之後，還是會需要手動的檢查有沒有問題。另外這次還是用我比較熟悉的 Open AI，大家都知道他不是完全不會出錯的，所以事後的檢查是必要的。

不過今天這個自動化基本 Cover 我九成的對帳工作了。還是需要手動的地方剩下：

1. 沒有 Email 的、現金支付的就無法抓（也許可以從發票？）
2. 水電網路這種直接扣網路銀行帳戶也沒有（也許去申請電子帳單？）
3. 幫公司代墊的要手動剃除（這...還想不到如何做）

原本對帳其實也沒很久，通常一小時內結束。但今天花了一整天還沒完成 XXXD，只能期待之後可以縮短到五分鐘啦！

最近被推坑辦了匯豐的信用卡，他們線上開戶的流程做的還滿順的，客服速度也很快，所以我一直以為他們的網銀 UX 會還不錯。

直到我用了一個星期，到了我固定記帳的週日早上，我發現我錯了。

首先，他們沒有信用卡專用的 APP，如果想看信用卡明細，必須用他們的網頁版。他們的 APP 是給匯豐銀行帳戶的，信用卡的網路登入是登入不了的。我還因此想說，那我就也申請一個他們的帳戶好了，可以登入的話，他總會也把信用卡資訊一起整合進去吧！

不過稍微上網查了一下大家的討論，發現不是這樣。

我目前用過中國信託、玉山、國泰、星展、富邦、華南，星展的算是我很不喜歡的，但他至少有我要的資訊，現在看來我跟這位老兄想的一樣。

匯豐的信用卡網路登入後可以看到的資訊是這樣的格式：

因為我有一張附卡給家人用，我需要能夠在帳單中分辨我自己刷的和附卡刷的，可是主卡點進去是所有交易。

沒辦法用 Currency 和卡片篩選，是最大的問題。更爛的是連匯出 csv 都無法，想要用 Google Sheet 硬幹都很麻煩。

好在，他們還是會寄消費通知到信箱，如果可以在收到信後，分析內容，然後自動整理到一個 Google Sheet，那就方便多了。他的信件長這樣：

分析了幾封信，其實都是類似的格式，自動化大有可為，剛好最近想嘗試使用 n8n，就著手進行了。

建立 Credentials

首先，進入 n8n 平台，註冊一個帳號：https://n8n.io/

建立一個 workspace 和 project 之後，直接開始建立一個 workflow。

建立 workflow 之前，可以先把 credentials 處理好。n8n 和 Zapier 或 Make 這種套裝服務不同，他是再更底層一些的服務。比如說，在 Zapier 你的 credential 會是授權給 Zapier： 「授權 Zapier 存取 Gmail」 ，而 n8n 讓你可以建立自己的 credential。

那要怎麼建立呢？可以去申請 Google Cloud Platform 帳號就好，剛好今天要用的都是 Google 的服務，Gmail 和 Google Sheets 都有內建在 GCP 裡面。只要在 n8n 裡面新增 Gmail，如下圖：

接下來會有教學告訴你要如何在 GCP 建立 key，這邊也附上教學。
https://docs.n8n.io/integrations/builtin/credentials/google/oauth-single-service/

Google Sheets 也用一樣的 GCP key 即可。輸入好之後，會有一個 Connect 按鈕，就跟一般在做 Google 登入有點像。

Gmail 和 Google Sheets 都建立好應該會長這樣。

建立 Workflow

建立 Workflow 之後會看到空的畫布，我們首先會希望建立一個 trigger，當我們收到「匯豐信用卡刷卡通知」的時候要觸發。在 Action 那邊搜尋 Gmail 就有。

記得拉到最下面才是 Trigger，上面都是 Actions。

接下來跟這設定走就好。要注意的是篩選信件的部份，因為我們只想要匯豐信用卡刷卡通知，所以要做一個 search query。先來到 Gmail 找到隨便一封信，選擇選單的「篩選類似信件」，會是一個好的開始。Gmail 通常會用寄件者當做篩選標準，

可是我不想要所有來自匯豐銀行的信件都觸發，因為他們也許還有其他內容。我只想要信用卡刷卡通知，因此加上的文字的篩選。

最後有效的篩選文字是這樣：

from:(noreply@messaging.hsbc.com.tw) subject:(匯豐(台灣) "刷卡消費通知") 

把這串文字填到 n8n。

然後可以點 Fetch Test Event，成功的話會抓到最後一封符合條件的信件。

這樣一來有了 Trigger，我們需要設定下一步驟。在 Gmail 右邊點一個 + 號，選擇 Google Sheets，並選擇剛剛設定好的 Credential。

這時候我們要先建立好一個空白的 Google Sheet，把欄位定義好。

這邊定義的資料格式有：日期、卡片（因為我有正卡和附卡）、刷卡類型（海外、網路）、貨幣、金額。

在 n8n 設定時，可以用剛剛的 test event 的資料，看起來 snippet 的資料就足夠了，我們可以透過正規表達式把我們要的資料篩選出來。

日期：

{{ ($json["snippet"].match(/\d{4}\/\d{2}\/\d{2}/) || [])[0] || '' }}

卡號：

{{ ($json["snippet"].match(/卡末四碼(\d{4})/) || [])[1] || '' }}

刷卡類型：

{{ ($json["snippet"].match(/有一筆((?:網路|海外)(?:刷卡)?消費)/) || [])[1] || '' }}

貨幣：

{{ ($json["snippet"].match(/(?:<|&lt;)([^>]+)(?:>|&gt;)/) || [])[1] || '' }}

金額：

{{ ($json["snippet"].match(/(?:>|>)(\d+(?:,\d{3})*(?:\.\d{2})?)元/) || [])[1] || '' }}

目前這樣的表達式可以運作，但如果他們改變信件內容的格式，就可能要重新修改了。另外這邊的金額是跟著貨幣的，很蠢對不對，最後會算的帳是台幣，還會有海外手續費，但這邊不會顯示換算成台幣的金額，也不會顯示海外手續費，但就先這樣吧！剩下的可以在 Google Sheet 處理。

接下來可以點 Test step，然後去 Google Sheet 看看有沒有接收到資料。如果有的話，應該會長這樣。接下來就可以在 Google Sheets 慢慢編輯成想要的樣子了。

這樣 Workflow 就大功告成。

使用 Zapier 的作法

其實用 n8n 做這麼單純的功能有點大材小用，不過，因為要處理多個文字，如果用 Zapier 的話，會需要付費，這邊也簡單介紹 Zapier 的作法。

1. Trigger 選 Gmail: New Email Matching Search
2. 建立四個 Formatters，處理 Raw Snippet 的格式，Pattern 寫在下面

3. 開一個 Action - Google Sheet: Add a new row，選剛剛的四個 Formatter（日期直接抓信件日期就好，不用另外處理）

Pattern:

• 卡號：卡末四碼(\d{4})
• 消費類型：有一筆((?:網路|海外)(?:刷卡)?消費)
• 貨幣：(?:<|&lt;)([^>]+)(?:>|&gt;)
• 金額：(?:>|>)(\d+(?:,\d{3})*(?:\.\d{2})?)元

這樣就輕鬆完成了。比 n8n 單純，不過，因為步驟超過兩個，就不能用免費版的。我目前還不想付費，因此我還是用 n8n 來做了。

網路銀行，加油好嗎？

雖然可以這樣自動化，但我還是對匯豐很失望。我最近因為看了雷司紀 Raysky 的文章去申請了香港匯豐的網路銀行，聽說比台灣的好用很多，不知為何他們不能都用同一套。

更機車的是匯豐的開戶流程做的明明很好，他們是做的到的，但 user acquisition 顯然比 retention 重要很多，這種短線的心態實在是要不得，如果他們沒有一直祭出好優惠，我是不會繼續用的。

最後來排行一下我自己用過的網銀好用程度。

1. 中國信託
2. 國泰世華（Cube 信用卡 App 不錯，但企業網銀很爛）
3. 玉山銀行（只有信用卡）
4. 星展（只有信用卡）
5. 匯豐
6. 富邦（個人和企業都爛）
7. 華南（個人和企業都爛）

其實有點難排，因為第四名之後我都覺得像垃圾一樣了。還好小時候我媽媽就幫我申請中國信託，所以我最常用的銀行還算好用，但也因此我的標準比較高一些吧！網路銀行們，加油好嗎？

最近聽到身邊原本死都不用 CEX、也沒有任何銀行帳戶和信用卡的朋友，居然破天荒申請了幣安帳號，只因為原本 OTC 的管道收掉了，他只好開始研究幣安的 P2P 功能。想說真的有這麼難嗎？

但 P2P 水太深，想說先研究了把 Crypto 轉到台灣的美金帳戶的管道，發現其實光是這樣也不單純呢！

大部分想要轉到美金帳戶的目的都是因為是海外收入，如果轉到 MAX 然後台幣出金，就會變成台幣收入了。

以前的方式

上次出金到台灣的美金帳戶記得還是 FTX，真的很好用（哭）。後來最好用的是 Cricle Mint，可以把 USDC 直接出金到美金帳戶，非常方便。可是只能企業帳戶，現在有很嚴格的審核，在台灣要有一個公司並且有完整的中英文文件才能申請。

台灣的交易所中，只有 XREX 可以出金到美金帳戶。之前很多人會用這個方式。但因為 XREX 是台灣的公司，現在即使是 XREX 美元出金，你的海外收入還是會被當成境內收入，稅會差很多。

所以海外收入要怎麼辦呢？今天測試筆記如下。

Kraken (2024/8/18 測試）

目前 Kraken 是剩下可以出金到美金帳戶的交易所之一。會需要先 KYC。

建議方式：

1. Deposit USDT，支援這些鏈。如果是從幣安過去，Optimism 是最便宜的。
   
2. 記得切換到 Pro 版，然後掛單把 USDT 賣成 USD

(2024/8/25 補充)
把 USDT 賣成 USD 會有一筆不小的手續費，要注意哦！下圖是賣 5000 而。手續費是 10 元，就是 0.2%，滿貴的。除非交易量大不然感覺降不下來。這邊可以看手續費資料。

3. 選擇提領，幣種選 USD，就會出現「Manual Bank Transfer」，設定好銀行帳戶就可以了

手續費：$13（出金到銀行的手續費） + 0.2%（把 U 換成 Fiat 的手續費）
最小出金金額：$100

原本覺得很貴，但其實跟其他方式比較起來還是好多了。

附帶一提，從 Kraken 提領 USDC 走 mainnet 會比其他 L2 都便宜，非常奇妙，如果剛好有需求，可以把 Kraken 當跨鏈工具耶！（參考 Kraken 提領手續費一覽表）

Bitfinex (2024/8/18 測試）

Bitfinex 也是少數可以提領到美金帳戶的交易所。最好用 USDT，步驟滿類似的。如果是 USDC 他只接受從 mainnet 入金，如果你剛好在 Kraken 有 USDC，轉到 Bitfinex 只要 0.45 手續費。

1. Deposit USDT。如果是從幣安轉過去，走 AVAX (C-Chain) 是最便宜的，不支援 Optimism
2. 把錢放到 exchange wallet，然後去掛單把 USDT 賣成 USD（也可以市價買）
3. 提領選 Bank

手續費：0.1%（最低手續費 60 元）
最小出金金額：10,000 USD

手續費實在很貴，而且 Bitfinex 的 UX 真的是出名的爛，真的很不喜歡什麼 exchange wallet、margin wallet、funding wallet，好麻煩喔！雖然知道存在的必要，只是整個體驗很不順暢。

其他交易所

目前確定 Binance、OKX 等比較知名的都無法出金到台灣的 USD 美金帳戶。只能用 P2P 交易來換現金，但容易有詐騙，要非常小心，之後也會研究看看有沒有比較好的 P2P 作法，再來筆記。

在重建 blog 的時候，考慮 tech stack 的方式是和我喜歡的網站一樣， 目前我最喜歡獎金獵人和 Nekodex。所以想用跟他們一樣的，比如 AWS、node.js、react.js 等等。

那天想到，也可以試試看 Progressier 耶！這是 Nekodex 使用的工具，一直覺得非常厲害。而他們正好支援 ghost，就照著教學安裝了。

咦！這樣文章就寫完了。 這邊簡單介紹 Progressier：https://progressier.com

這是一個在台灣生活十年以上的法國人 Kevin 做的工具，他覺得 Apple 和 Google 的 app 上架都有一堆規則和限制，但應該要人人都能有這個自由，讓使用者享受 app 的便利。一開始是幾年前的疫情期間，他和朋友在一個週末完成一個疫情通報系統大紅，有人跟他們說他們的 PWA 做的不錯，所以就把這些功能拉出來變成一個服務了。

真是熱血沸騰的故事！好有才華。

Progressier 是能讓網站變成標準 PWA、並支援 push notification 的工具。有這些好處：

1. 對於知名的 framework 已經整合的很好
2. push notification
3. 在網站上新增「下載成 App」的 widget 已經幫你做好了
4. 也幫你做好教學 popup 了（也可以自訂 install 頁面）
5. 更多功能

只要是知名的 framework，像是 React、Angular、Vue.js、Next.js，一些 CMS（比如 Wordpress）或 website builders 像是 Squarespace、Wix、Webflow 等等安裝都非常方便。我滿驚訝連 ghost 他們都做了很專門 onboarding flow，我以為 ghost 還算小眾呢。

價格

先說，這不是免費的。最便宜的要 25 美金（支付一年的話，一個月 15 元）。但如果可以節省時間，這算便宜了。更多的價位可以看這邊：https://progressier.com/pricing

有 14 天的試用，看起來是不需要綁信用卡。有可能 14 天之後就會自動失效。

功能

Installation Widget 有支援好幾種，他會在使用者沒有用 standalone 模式打開網頁時出現，提示使用者把這個網站安裝到手機上。

最便宜的方案有以下幾種樣式：

我選擇的是右下角有一個下載 icon。這個 icon 是可以自訂的。

點下去之後會出現這個標準的安裝提示：

按照步驟安裝好之後，就會出現在手機上，這個 icon 也是可以自訂的噢！

左邊可愛的貓咪是 Nekodex，也是用 Progressier。

Push Notification

現在很多網站都會跳「要開啟通知嗎？」真的很煩耶！我通常都不開的，是時候也來煩大家了。 如果打開的話，你的裝置就會容許這個服務隨時跳通知給你，所以你確定要打開嗎？ 這對於一些需要通知使用者的情境非常重要，就像原生 app 一樣，點的 uber eats 外送快要到達的時候會收到通知、有人傳訊息給你會收到通知，是一樣的呈現方式。

有了 push notification 讓 web app 也可以做到一樣的事情。

他們官方和 no-code app bulider Bubble整合的很好，從做 app 到發 push notification 都不用寫程式了。

發 push 的後台也很方便，直接輸入標題、內容、連結就好，還可以 schedule 發出去的時間。如果需要 programatic 的發放，也可以用 zapier 之類的工具串接，當然也提供 API，整體來說還不錯。

唯一可惜就是 user tagging 沒有很方便，如果需要知道有開通知的有誰、是連結到網站的哪一個會員，會需要寫程式來串接。官方的功能也沒辦法告訴你「誰在你狂發通知之後關閉了」，這些目前都還需要手動進行追蹤。

新功能

最近他們還有 newsfeed 新功能，可以在網站上放小鈴鐺，顯示之前收過的 notification，以及有一區「公告區」是類似 cms 的概念，可以讓你在後台編輯內容發送。

像這樣：

當你建立一個新的 announcement，使用者在 app 裡面會看到小鈴鐺亮起來，點進去就可以看到新文章了。不會自動跳 push notification。我理想中的 user flow 是，在重大公告時，先發 push notification，使用者從 push notification 點進來可以直接看到公告。

但目前還不行。有趣的是當我問客服有沒有這功能時，我發現就是 founder Kevin 回答我，真是尊榮呀！

結語

覺得這是很厲害的工具。之前覺得做起來很麻煩的功能，居然就這樣 plug and play 的完成了！可惜有兩個重要功能還沒有：

1. 往下拉重新整理
2. 通知中心的獨立網址

不過話說回來，我一個小 blog 要 PWA 尬麻？我一弄好很得意的跟朋友說，被說「誰要安裝一個部落格到手機上啊？」

真有道理呀！🫠

就這樣，我的部落格已經掛掉...兩年還是三年了。想要把部落格弄回來的熱情，大概 9.5 個月會發生一次，但每一次都沒有成功。好多次快成功了，甚至還寫過好幾篇 ghost 升級的筆記，但都沒發出去，因為最後沒有成功...誰料得到網站的保存期限這麼短，一兩年不理他就會自己壞掉。

上一次（去年大概九月？）還因為看到 mysql 版本好舊，而 ghost 要求一定要 mysql 8 才能升級，我就下個 mysql upgrade 指令，整個...就爛掉了，也無法復原。上一次真的成功還是升級到 ghost 2（現在都 5 了...）

這次下定決心重新再來，從 aws 的 ec2 instance 開始重建，連我自己都覺得我怎麼還記得這些。但是，即使有網路上各種文章、教學，以及非常厲害的 ChatGPT 和 Claude 陪我進行每一個步驟（兩個都是付費版），中間還是踩了很多坑。

這篇文章整理的是保證可以運作（至少一年吧）。如果你是新手小白也想用 ghost 架設部落格，可以嘗試。

ps. 其實我也很不想每年只有一篇文章，然後都是講如何把我爛掉的 blog 架回來，這好像已經是我最近寫文章的唯一主題了（囧）。

建立 AWS EC2 Instance

其實除了 EC2 你還有更多選擇，EC2 反而比較麻煩。但因為我很想練習自己架設 ubuntu，享受被虐的快感，所以我還是選這個了。

我也沒有用 Docker，因為這台主機就放這個東西，好像沒必要像俄羅斯套娃？但也許之後想要放其他網站來就會有需要了。

登入到 EC2 之後，選擇 Launch Instance，注意：

• 選擇 Ubuntu 20 or 22 LTS：ghost 不支援 24
• 64but-x86
• 選新的 key，記得下載，或是用舊的
• instance type 可以先選免費的，之後再改，ghost 官方說至少 1g ram，但我用 1g 的跑一下 ghost 就掛掉，後來還是換 2g 的
• Security groups 記得設定 80 和 443 給所有 IPv4 和 IPv6 的人訪問（SSL 是標配吧）

建立好之後，先做幾件事情。

1. 獲得 public ip，假設是 12.34.56.78，到 route 53 設定網址。

A 12.34.56.78

2. 確認你下載的 .pem 權限是 444

chmod 400 /path/to/your-key-pair.pem

就可以這樣登入了

ssh -i /path/to/your-key.pem ubuntu@your-instance-public-ip

安裝 ghost 及他需要的東西

ghost 需要這些：

• Ubuntu 20.04 or Ubuntu 22.04
• NGINX (minimum of 1.9.5 for SSL)
• Node.js (版本限制 18.x，但反正有 nvm 所以還好）
• MySQL 8
• Systemd
• 官方說 "A server with at least 1GB memory" -> 我覺得要 2g 耶！跑了 ghost restart 就掛掉

請注意

• 不能用 root 安裝
• 新增一個 ubuntu 使用者，但不能叫做 ghost，因為這個名字是 ghost cli 要用的

其他依照這個文件的步驟，很快就會裝好。
https://ghost.org/docs/install/ubuntu

ghost 安裝期間，網域應該已經生效了，可以去你設定的網域看看，或是檢查 nginx 設定。

sudo nano /etc/nginx/sites-available/你的網域

在本機也安裝一份

既然有自己的部落格，一定會想亂搞一下版型，把它變成想要的樣子。所以本機一定要可以開發。這部份很簡單。

要注意幾點：

• 本機可能也有開發其他案子，node.js 版本記得切換到 ghost 需要的 18.x
• 其他說明看這邊：https://ghost.org/docs/install/local/
• 裝好之後來這邊就可以打開： http://localhost:2368/ghost

如果你之前寫過的版型，可以放進來 ghost 的 content/themes，用 gscan 來看看他是不是還符合現在 ghost 需要的版本。時間一久幾乎都會有一堆問題。

設定部屬

在本機開發時，可以在本機測試。但做完之後要如何部屬到 aws 那台伺服器呢？這是我這次卡最久的。明明看起來很單純。

流程是單純的：

1. 本機開發、測試完
2. 從本機 push 到 remote 的 main
3. 透過 webhook 讓遠端伺服器跑一個小 script 去做 git pull

第一步，建立 git repo。因為我只會改 themes 裡面的版型，所以我在 github 建立了一個 repo 是我自己複製 casper 來改的 casper_customized。

像這樣：https://github.com/hanamizuki/casper-customized

1. 進入 github 建立 repo
2. 進入 repo，點 settings > webhook
3. Payload 先這樣設定：http://your-aws-ip:3000/deploy-theme，比如 http://12.34.56.78:3000/deploy-theme
4. Content type: 選擇 "application/json"
5. Secret: 自己設定一個密碼，例如：mySecretKey123!
6. "Which events would you like to trigger this webhook?" 選擇 "Just the push event"
7. 建立 webhook

第二步，回到本機，在本機開發中 content/themes 裡面，建立 casper_customized 資料夾。

設定 git

cd /path/to/your/ghost/content/themes/casper_customized
git init
git remote add origin https://github.com/your-name/casper-customized.git
git pull origin main

這時可能會把一個 github 預設的 readme 抓回來，然後我們就來把之前弄過的版型放進這個資料夾，然後 commit、push，讓這個資料順利放到 github。要注意，如果你是免費 github，這就等於 open source 了。記得不要在版型檔案放什麼個人資料進去。

第三步，回到 aws 那台 server。

ssh -i /path/to/your-key.pem ubuntu@your-instance-public-ip

建立那邊的 casper_customized 資料夾，或是別的名字，都可以。

cd /path/to/ghost/content/themes
sudo mkdir -p casper_customized
sudo chown ghost:ghost casper_customized
cd casper_customized/

這邊非常要注意的是，要讓 ghost cli 運作順利，"content" 的 owner 會是 ghost:ghost，為什麼呢？我也不知道，但總之其他檔案都是自己的 user 建立的，contents 卻必須是 ghost:ghost，這也變成後來要搞自動部屬有點麻煩的地方。

如果懷疑 ghost 檔案權限跑掉，可以用 ghost doctor 確認，如果有不符合的，他會一個一個檔案列給你看。然後記得用 ghost restart 確認是否正常運作。有時候即使 ghost doctor 沒偵測到問題，還是會爛掉，因為他不會去檢查 systemd 之類的詳細設定。

總之，先把 ubuntu 上的 git 也設定好。

cd /path/to/ghost/content/themes/casper_customized
git init
git remote add origin https://github.com/your-name/casper-customized.git
git pull origin main

這樣就同步了。接下來我們希望只要 push 到這個 main repo 的都會自動部屬。以下是 ChatGPT 和 Claude 一致認同的作法。

1. 寫一個 script，比如 /var/www/deploy/deploy-theme.sh

sudo nano /var/www/deploy/deploy-theme.sh

內容就是到時候 webhook 被勾到要執行的事情。

#!/bin/bash
set -ex
cd /path/to/ghost/content/themes/casper_customized
sudo -n -u ghost git fetch --all
sudo -n -u ghost git reset --hard origin/main
sudo systemctl stop ghost_service_name
sudo systemctl start ghost_service_name

為什麼 git 一定要 -u ghost 呢？魔鬼藏在細節裡（好啦！我懂屁，總之最後只能這樣），因為 ghost 的資料結構中，content 底下的 owner 一定要是 ghost:ghost，這樣 ghost cli 才能順利運作。可是 script 不會是這位 ghost 來執行，所以必須要切換使用者，才不會卡住。

另外 ghost_service_name 是你的 ghost 執行緒名稱，可以用 sudo systemctl status ghost*.service 來找到。

比如說，你看到這段：

kitty@servier:~$ sudo systemctl status ghost*.service
● ghost_kitty.service - Ghost systemd service for blog: hellokitty.tw
     Loaded: loaded (/lib/systemd/system/ghost_kitty.service; enabled; vendor preset: enabled)
     Active: active (running) since Sun 2024-08-04 09:11:36 UTC; 18min ago

那剛剛的 script 最後兩行就是：

sudo systemctl stop ghost_kitty
sudo systemctl start ghost_kitty

這兩行是取代 ghost restart 的作法，可以重啟 ghost。因為 ghost cli 有奇怪的權限要求，最後會提。

2. 建立一個 webhook server，用 node.js

mkdir -p /var/www/deploy/webhook-server
cd /var/www/deploy/webhook-server
npm init -y
npm install express github-webhook-handler

3. 建立 server.js 文件

sudo nano /var/www/deploy/webhook-server/server.js

內容如下，記得把 {{your-name}} 換成你 ubuntu 的 username：

const express = require('express');
const { exec } = require('child_process');
const app = express();

app.use(express.json());

app.post('/deploy-theme', (req, res) => {
  console.log('Received a push event for', req.body.repository.name, 'to', req.body.ref);
  
  exec('sudo -n -u {{your-name}} /var/www/deploy/deploy-theme.sh', { env: { ...process.env, PATH: process.env.PATH + ':/usr/local/bin' } }, (e>
    if (error) {
      console.error(`exec error: ${error}`);
      return res.status(500).send('Deployment failed');
    }
    console.log(`stdout: ${stdout}`);
    console.error(`stderr: ${stderr}`);
    res.status(200).send('Deployment successful');
  });
});

app.listen(3000, () => console.log('Webhook server is running on port 3000'));

4. 建立 systemd 的 webhook-server.service

sudo nano /etc/systemd/system/webhook-server.service

內容

[Unit]
Description=GitHub Webhook Server
After=network.target

[Service]
ExecStart=/usr/bin/node /var/www/deploy/webhook-server/server.js
Restart=always
User={{your-name}}
Group={{your-name}}
Environment=PATH=/usr/bin:/usr/local/bin
Environment=NODE_ENV=production
WorkingDirectory=/var/www/deploy/webhook-server

[Install]
WantedBy=multi-user.target

5. 設定 NOPASSWD，看起來有點可怕。不過因為如 1. 裡面說的，有些權限問題，所以需要有限度的讓你的 user 可以在 ghost 擁有的 content/themes 資料夾底下執行 git，並且為了能在 git pull 之後重啟 ghost，必須讓 {{your-name}} 這位使用者可以做 systemctl 的指令。

打開 visudo

su visudo

在最下面加上這段：

{{your-name}} ALL=(ghost) NOPASSWD: /usr/local/bin/git
{{your-name}} ALL=(ALL) NOPASSWD: /usr/local/bin/systemctl

這邊的 /usr/local/bin/git 等路徑有可能你的設定不同，可以用 which git 來找。

6. 啟用

sudo systemctl daemon-reload
sudo systemctl restart webhook

測試

上面的方式應該可以了，現在我們來測試看看。

確認 webhook server 有沒有跑起來：

ps aux | grep node

應該要有 webhook-service

打開 journal

sudo journalctl -u webhook-server.service -f

試著推個東西到 git repo 的 main，這時畫面會有東西。

如果有權限問題，可以用這個確認 NOPASSWD 有沒有生效。

sudo -l -U {{your-name}}

如果不成功，可以到 git repo > settings > webhook > recent deliveries 重新發送。

在這邊：

說來慚愧，我試好多次才發現是 ghost 的權限設定問題，而且 script 裡面不能用 ghost cli，因為 visudo 的設定在 ghost cli 是無效的，還是會跳密碼，所以只能用 sudo systemctl stop ghost_service_name 和 sudo systemctl start ghost_service_name 了。

目前還算順利。以前需要很多硬幹的事情，沒想到都已經有解決方式。比如說版型升級可以用 gscan，之前還要慢慢對照。加上 AI 的幫助，很多像我這種沒有時常寫程式的人都可以快速建立想要的東西，真是神奇。希望這次可以真的開始認真寫文章。