技嘉AITOP

一個稅務士，沒有員工，卻用 AI 服務了 60 家公司：把 AI First 做到極致，就能長出一間公司

日本一位沒有員工的稅務士，靠著 Claude Code 與自動化系統，成功服務 60 家客戶公司，打破傳統需要 6 名員工、年耗千萬日圓的人事常規。本文深度解析「AI First」的思維轉變——不再只是把 AI 當成卡關時的輔助工具，而是將工作設計成一套可自動運作的「公司系統」；並透過 Supervisor、Crew、Graph、Tool Use 四種 Agent 架構，解析如何打造高效率的企業級 AI 工作流。同時探討在多模型、多 Agent 常駐的趨勢下，如技嘉 AI TOP 500 TRX50 這類本地硬體基礎設施，如何成為 AI First 真正落地的關鍵。

一位日本稅務士，沒有員工，卻靠 Claude Code 和一份像公司作業手冊的 Markdown 文件，服務了 60 家客戶公司。按照傳統行業標準，這需要大約 6 名員工、每年 3,000 萬日圓的人事成本，但他把大量原本需要人工處理的重複流程，改造成一套由 AI 和自動化系統驅動的工作流。

畠山謙人工作流架構其實不複雜：把 Claude Code 當成總指揮，底下透過 MCP 協議串接 Gmail、Google Calendar、Notion、freee（日本常見的帳務軟體）等工具。每天晚上 9 點，系統自動啟動，去 freee 抓出 60 家公司的未處理交易，然後：

第一輪：關鍵字規則引擎先跑一遍。看到 Suica、JR、Taxi 就標成旅費交通費；看到 AWS、Google Cloud、ChatGPT 就歸入通信費。
第二輪：規則判不出來的模糊交易，才交給 Claude API 做語意判斷。

換句話說，他讓 AI 先做 80% 的分類工作，只有真的搞不清楚的，才動用比較貴的 Claude API。這個設計背後有一個很重要的概念：成熟的工作流，不是把所有事情都丟給最強的模型，這個待會細講。

看到這個案例，我想到一句以前常聽到的話：「要把自己當成一間公司來經營。」過去聽到這句話，常常會覺得它像是一碗自我管理雞湯，尤其當個人的想法和公司目標產生分歧時，這句話有時候是一種精神折磨，但到了 AI 時代，這句話有了完全不同的意思：你真的可以把自己的工作設計成一套有流程、有分工、可以自動跑的「公司系統」。

很多人現在都說自己在用 AI，可能寫文案用 ChatGPT，做簡報用 Gamma，修圖用 Image 2 或是 Nano banana，查資料用 Perplexity。但這些其實不是 AI First，這比較像是「我原本工作做到一半，遇到卡住的地方，順手叫 AI 幫忙。」

AI First 的思考方式相差非常大。它在任務開始之前就先問：這件事能不能讓 AI 先跑？做完能不能變成固定流程？這套流程能不能擴大到不只這次、不只我一人？

差別在這裡：前者是「AI 能不能幫我完成這份簡報」，後者是「簡報這件事，能不能被設計成一套 AI 先跑、人類最後審核的流程？」看起來只是角度不同，但結果差很多。

技嘉 AI TOP 500 TRX50：為本地 AI 工作流而生的 AI 工作站

本文由技嘉 AI TOP 500 TRX50 支持。當企業開始導入 AI First 工作流，真正的挑戰是能不能讓多個模型、多個 Agent 在本地穩定運作，處理商品上架、資料整理、會議紀錄、圖片生成、客服摘要、規格轉換等高頻任務。

技嘉 AI TOP 500 TRX50 是為本地 AI 開發與企業級 AI 工作流設計的 AI 工作站，官方規格包含：

搭載 GeForce RTX 5090 32GB 顯示卡
搭載 AMD Ryzen Threadripper PRO 7965WX 處理器
768GB DDR5 R-DIMM 記憶體
2TB SSD 儲存空間
360mm 一體式水冷
支援 Windows 11 Pro / Linux
支援最高 405B 參數等級的大型語言模型工作負載

這樣的配置，對一般中小企業來說，最大的意義不是炫耀效能，而是讓企業可以在本地建立一套真正可落地的 AI 工作流。簡單任務可以交給本地模型先做分類、摘要、整理與格式轉換；複雜任務再升級給更強模型；不同 Agent 則分別負責文字理解、圖片生成、語音轉文字、視覺推理與資料檢查。

換句話說，AI TOP 500 TRX50 的價值，不只是能挑戰 405B 等級的大模型，而是能支撐「多模型常駐、多 Agent 分工、本地資料處理」的工作環境。對需要處理大量日常營運任務的中小企業來說，它更像是一套本地 AI 基礎設施，讓 AI 不只是回答問題，而是真的進入公司的工作流程。

了解技嘉 AI TOP 500 TRX50，打造你的本地 AI 工作流

把工作交給 AI 前，先理解四種 Agent 工作流架構

目前最常見的 Agent 工作流架構，可以用公司結構來對照理解：

Supervisor 架構：一個主管 Agent 負責分派任務

一個主管 Agent 負責判斷「下一步交給誰」。畠山謙人案例裡的 Claude Code 就是這個角色，它不親自處理每一筆帳，但知道什麼時候該呼叫哪個工具、什麼交易該升級到 Claude API 判斷。就像公司的專案經理，不一定自己動手，但清楚每個任務該交給誰。

LangGraph Supervisor 的文件就明確提到，它可以建立一個 supervisor agent 來協調多個 specialized agents，並透過 tool-based handoff 機制在 Agent 之間交接任務。這種架構很適合「AI 一人公司」，每個 Agent 是虛擬員工，Supervisor Agent 是營運主管。

Crew 架構：讓不同角色的 Agent 分工合作

強調「哪些角色一起完成任務」。以帳務流程為例，你可以設計：發票辨識 Agent、會計分類 Agent、稅務規則 Agent、異常檢查 Agent、報表產出 Agent。每個角色邊界清楚，誰讀資料，誰分類，誰輸出結果；而在畠山謙人的案例，因為操作的文件格式整齊，所以不太會需要這塊，唯一可以看到一點影子的是 Claude API 的呼叫。

Graph 架構：把任務拆成可追蹤的流程節點

把工作拆成一個個節點，每個節點是一個任務，每條連線是流程走向。「請 AI 幫我做帳」太模糊，Graph 思維會把它拆成：抓取未處理交易 → 讀取明細 → 套用關鍵字規則 → 判斷會計科目 → 處理模糊項目 → 重複檢查 → 寫回 freee → 產出紀錄。我覺得這個步驟非常重要，基本上是一切 AI 自動化的開端。

Tool Use 架構：讓 Agent 從回答問題變成操作工具

這是 Agent 和一般聊天機器人最大的差別。聊天機器人你問它，它答你；Agent 除了回答，還能直接操作工具，讀 Gmail、查 Calendar、整理 Notion、執行程式、產生報表、寄出通知。AI 從「提供建議」變成「直接參與執行」。

四種架構合在一起，才是完整的 AI 工作流

所以回頭看畠山謙人的案例，它其實是一個很典型的 Agent 工作流示範。Claude Code 扮演 Supervisor，負責中央控制與任務分派；不同的帳務處理步驟形成 Crew 式的角色分工；每天晚上 9 點自動執行的帳務流程，本身就是一張 Graph；而 MCP 串接 Gmail、Google Calendar、Notion、freee，則讓整套系統具備 Tool Use 的能力。

這也是我們下次要把工作交給 AI 前，應該先思考的事情。不要一開始就問：「我要怎麼寫一個更好的 Prompt？」而是先問：「這件事能不能拆成流程？哪些步驟可以交給 AI？哪些地方需要不同角色分工？哪些節點需要人類審核？哪些工具需要被 Agent 操作？」當你開始這樣思考，AI 就開始變成一套可以重複運作、可以擴大、可以被管理的工作系統。

💡

如果是以個人 AI First 的概念的話，我自己是從 Graph 先開始，因為從 Graph 你會先遇到 Tool 的問題，確定 Graph 架構沒問題之後，可以依照任務類別 / Tool 類別 / 模型類別 / 任務難度類別 > 建立 Crew，最後來測試 Supervisor。

成熟的工作流，不是每一步都丟給最強模型

回到前面說的重要概念：畠山謙人的流程，不是每一筆交易都丟給最強的 Claude 判斷。他先跑規則和關鍵字，只有規則搞不定的模糊案例才升級到 Claude API。

這有點像急診室分診。不是每個人進醫院都直接送手術房，也不是每個症狀都需要最資深的醫師。有效率的系統會先判斷複雜度：標準案例走標準流程，真的需要專家才升級。

放到 AI 工作流也一樣：

高頻、重複、格式明確的任務（商品分類、規格抽取、格式轉換、標題初稿）：先交給本地小模型或中型模型做第一輪。
模糊、需要判斷、涉及策略的任務（產品定位、跨市場語氣調整、品牌方向）：再升級給更強的模型。

真正成熟的 AI 工作流，是把資料、本地模型、雲端模型、Agent 分工和人類審核，設計成一套可以持續運作的系統。

當 AI 從聊天視窗變成營運流程，硬體就重要起來了

技嘉從去年年中爆紅的 AI TOP 500 TRX50 AI 工作站，裡面不只搭載 RTX 5090 32GB，還配備了金士頓768GB記憶體套裝（DDR5-5600 96GB R-DIMM x8），這組記憶體的話如今...就是黃金阿!!!!!

當 AI 還只是拿來寫文案、查資料、做簡報時，你不一定需要一台本地 AI 工作站。因為這些任務多半是單次使用，打開 ChatGPT、Claude、Gemini 或其他雲端工具，其實就已經很方便。但當你開始把 AI 放進日常營運流程，情況就完全不一樣了。你不再只是偶爾問 AI 一個問題，而是希望它每天固定處理資料、讀取文件、整理規格、生成內容、檢查錯誤，甚至串接不同工具，變成一套可以長時間運作的 Agent flow。

7 天可以省下 10M 左右 Output 的 Token 費用，如果換算是 GPT 4o 約等於 100 美金左右，用於處理簡單的任務（這還只是運行 9b 的成果！）

這時候，問題就不只是「哪個模型比較聰明」，而是整套系統能不能穩定跑起來。因為一個成熟的 AI 工作流，通常不會只有一個模型。你可能會需要文字模型負責理解資料與任務規劃，語音模型負責把會議或客服錄音轉成文字，圖像模型負責生成商品主圖或行銷素材，視覺推理模型負責理解圖片與影片內容，還需要不同 Agent 負責分類、摘要、檢查、輸出和審核。當這些任務開始同時發生，硬體就不再只是加速工具，而是整套 AI First 工作流能不能落地的底層基礎。

Nvidia blueprint 提供完整的 model 工作流模板，也有提供模型下載使用

這也是技嘉 AI TOP 500 TRX50 這類 AI 工作站的定位。它不是一台單純「可以跑 AI」的電腦，而是為了本地 AI 開發、多模型運行和企業級工作流設計的桌機。根據技嘉官方規格，AI TOP 500 TRX50 搭載 GeForce RTX 5090、AMD Ryzen Threadripper PRO 7965WX、768GB DDR5 R-DIMM 記憶體與 2TB SSD，並支援 Windows 11 Pro / Linux；技嘉也將它定位為可應對最高 405B 參數等級 AI 模型的本地運算工作站。

更實際地說：如果你要同時在本地跑 Qwen 3.5 27B（文字理解與任務規劃）、Whisper（語音轉文字）、FLUX.2-dev 32B（圖片生成）、Cosmos Reason 2 8B（視覺與影片推理），這些模型各司其職同時運作，普通消費級電腦很快就會卡在 VRAM 或記憶體上。

這就是本地 AI 工作站和一般 AI 工具最大的差別。雲端 AI 工具很適合處理高階推理、一次性任務或需要最新大模型能力的工作；但本地 AI 工作站更適合處理高頻、大量、重複、資料敏感的任務。尤其當企業開始把 AI 接進營運流程，資料是否能留在本地、成本是否可控、模型是否能分級、Agent 是否能長時間穩定運作，就會變得非常重要。

所以 AI TOP 500 TRX50 的價值，不只是規格表上的 RTX 5090、Threadripper PRO 和 768GB 記憶體，而是它讓企業有機會把 AI 從「工具」變成「基礎設施」。當 AI 只是聊天視窗時，你需要的是一個好用的模型；但當 AI 開始處理資料、執行流程、參與營運時，你需要的是一套能在本地穩定運行的 AI 作業環境。這也是 AI First 真正落地時，硬體會重新變得重要的原因。