GenAI Consulting Methodology Toolkit

語言選單：繁體中文 | English | ภาษาไทย | Deutsch | Français | Español | 日本語 | 한국어

企業 AI 轉型成熟度診斷與導入方法論工具包。

原作者：Tiger AI Morris Lu 盧業興
身份備註：n8n Taipei 大使 / 臺灣科技大學 智慧製造所博士生 / QUT 昆士蘭科技大學 資工碩士

授權摘要：本專案採用 Apache License 2.0。可自由使用、複製、修改、再散布與商業化；再散布時請保留 Apache 2.0 授權文字與 NOTICE 中的作者署名。

只有 5 分鐘？ 先讀 00_Overview/EXECUTIVE_SUMMARY.md —— 一頁看懂這套方法論。

組織 < 300 人？ 八階段是 enterprise 設計，請走 00_Overview/SME_LITE_PATH.md SME Lite Path（4 階段壓縮 / 30-150 萬 / 3 個月）或 SOHO Path（2 階段 / 5-20 萬 / 1 週）。

🌟 這不是一本書，是 AI-Native Living Book ── 一本真實「活」的書

書本一路演化過來，每一代都解決了一個問題，但也留下一個缺口 —— 一直都不是「活」的：

• 第 1 代　印刷書：把知識保留下來、傳給下一個讀者。但它只能被讀，不會回應，不能回答你的問題，也不知道你公司長什麼樣 —— 是一份靜止的紙。
• 第 2 代　互動書：搬上網頁與 Wiki 之後，可以搜尋、跳轉、留言。比印刷書多了「互動」，但仍然不會主動建議你什麼，更不會替你分析、產出新東西 —— 還是被動的，只是介面活了，內容沒活。
• 第 3 代　AI-Native Book（本 repo）── 真正「活」起來的書：用 Markdown 寫成方法論本體，再用 AI IDE 打開 ── AI 自動讀完整本書，讓你問、幫你答、陪你想，並且依你公司的真實情境給出客製化建議、跑診斷、寫報告草稿、做模擬演練。書本身會回應、會延伸、會跟著你的問題長出新的章節。

換句話說：印刷書傳承知識、互動書方便查找，AI-Native Book 第一次讓「書」真正活起來 —— 變成可以陪你一起想事情的夥伴。最終決策仍然由人類做，但你不再是一個人面對一份靜態的方法論。

Three generations of books: printed (read-only, dead) → interactive (search & link, still passive) → AI-native (truly alive — advises, analyzes, simulates, and grows with your questions). Open with an AI IDE; AI becomes your reading partner, consulting assistant, and auditor.

🔱 三個 AI 引擎，各自擅長不同的事

同一份內容，依您選擇的 AI IDE 顯現完全不同的人格：

三個引擎不互相取代，而是分工合作：上午用 Antigravity 跟客戶開會，下午用 Codex 稽核報告草稿，晚上用 Claude Code 跑情境模擬。各自的工作流空間獨立（.agent/ / .codex/ / .claude/），互不干擾。

每個引擎的詳細自述見 07_AI_Contributions/；安裝步驟見下方三 AI 引擎安裝與啟動指南。

對不同身分的讀者，這代表什麼

• CEO / 高管：把這個 repo 丟給 ChatGPT / Claude / Gemini，10 分鐘問答就能得到「我公司在哪一級？該先做什麼？」的初步判斷。
• 顧問 / 學員：用 AI IDE 打開，能跑完整套對話式顧問體驗 ── 從診斷、報告、到 24 個月落地 Roadmap。
• 學者 / 研究者：可以直接跑 /devil-pair-debate、/thought-experiment 來辯論方法論的價值觀預設，背後有 7 大理論支柱與 28 篇 classics 可引用。
• 監管 / 法遵：跑 /evidence-audit、/generate-traceability 取得可審計的證據鏈，並對齊 NIST AI RMF / EU AI Act / ISO 42001。

⚠️ 誠實揭露：方法論的整體架構由 Morris Lu（人類） 設計，三個 AI 引擎只是執行、完善、稽核工具。詳見 07_AI_Contributions/README.md §0。書中所有案例為 AI 模擬教學用途，非真實客戶資料。

這套方法在解決什麼

很多企業導入 AI 時會直接跳工具：今天買 ChatGPT，明天試 n8n，下週又想做 Agent。結果常見問題是員工不會用、流程沒有接上、資料沒有治理、PoC 無法驗收，最後高層也不知道 AI 到底成熟到哪一層。

這個工具包的策略是：先用簡易問卷診斷企業目前的 AI 成熟度，再依照 L1-L5 設計課程比例與導入路徑。課程不是單純上完就結束，而是在每一層都留下可驗證交付物，最後再用 AI 轉型診斷顧問手法的八階段流程，產出完整顧問診斷報告、Roadmap、ROI 與治理建議。

上課前的未來想像

客戶在決定是否上 L1-L5 課程前，最需要先看見一個未來畫面：不是「我們要學五個工具」，而是「公司上完課後，日常工作會怎麼改變」。

故事主線是規模一層一層擴大、最後從『人用 AI』長出『AI 自己幹活』：個人 → 部門 → 跨部門/全公司 → AI 超級助理（個體）→ AI 團隊。想像三個月後的星期一早上：

• L1 Controlled AI Access ─ 規模軸·個人：每位員工各自一個人用自己的帳號登入 OpenWebUI，有自己的聊天區、歷史紀錄與部門權限。業務寫客戶信、HR 整理訓練摘要、主管產出會議重點，都從同一個受控 AI 入口開始 —— 單位是「個人」，AI 在每個人身邊。
• L2 Knowledge Codification ─ 規模軸·部門：單位升級為「部門」。資深同仁不再只是自己很會做，而是以部門職責為邊界，把文案、報告、客服回覆、SOP 判讀、程式開發方法整理成可複用 Skill。新人與部門內其他人沿用同一套方法，部門整體產出品質開始一致。
• L3 Workflow Automation ─ 規模軸·跨部門 / 全公司：單位再升級為「跨部門、全公司」。n8n 把各部門的 Skill 與系統（Gmail、Sheets、Notion、CRM、API、ERP）串起來，一封客訴信進來能穿越業務、客服、CRM、主管多個部門自動處理 —— 系統查 CRM、更新表單、建立任務、產生主管摘要，人只負責判斷與批准。AI 開始進入全公司流程。
• L4 Autonomous Agent ─ AI 自主軸·超級助理（AI 個體）：從「人類部隊」之外，多長出一個 AI 實體。Hermes Agent 每天讀取任務、文件、Workflow 結果與 Wiki 記憶，產生 briefing、追蹤清單與需要 HITL（Human-in-the-Loop，人類在迴圈內審核）的決策點。企業開始擁有可驗證的知識型 AI 個體，像多請了一個全自動超級助理。
• L5 Multi-Agent Organization ─ AI 自主軸·AI 團隊：多個 L4 個體再編成一支「AI 團隊」。ClawTeam 把市場、產品、客服、財務、營運等專業 Agent 組成職能分工，協作完成新產品上市、品質改善、病患服務改善或客戶經營任務 —— 企業同時擁有「人類團隊 + AI 團隊」兩支隊伍。

這個故事要放在課程開始前講。客戶先看懂「規模如何一層一層擴大、AI 如何從工具長成數位人力」，再回頭理解為什麼需要問卷診斷、為什麼課程要分 L1-L5、為什麼每一層都要有 deliverables、evidence 與階段驗收關卡（Stage Gate）。

⚠️ 更詳細的兩軸解釋（為什麼 L3 → L4 是關鍵分界、為什麼治理始終由人保有）見下方 §L1-L5 的兩條軸。

AI 成熟度地圖

方法論總覽

核心故事線

AI 成熟度問卷
→ 公司屬性、產業情境、部署模式調查
→ L1-L5 課程比例設計
→ L1 OpenWebUI 企業帳號與個人聊天區啟用
→ L2 Antigravity / Claude Code / Codex Skill 化訓練
→ L3 n8n 串接 Gmail、Sheets、Notion、CRM、API、ERP 等系統
→ L4 Hermes Agent 形成可驗證的自動 Agent 作業
→ L5 ClawTeam 形成 Agentic Team 協作
→ 情境案例、Evidence、階段驗收關卡（Stage Gate）
→ 八階段 AI 轉型顧問診斷
→ AI 轉型診斷報告、Roadmap、ROI、治理建議

L1-L5 成熟度模型

L1-L5 的兩條軸

L1-L5 不是「五個工具」，而是兩條軸接起來的成熟度路徑：

• L1 → L2 → L3：規模軸（人類使用 / 監督 AI）。 這三層是「人在迴圈內、人用 AI、人監督 AI」的階段，沿著組織規模逐層放大 —— L1 個人（每位員工各自用 AI）→ L2 部門（以部門職責為單位把個人知識封裝成可複用 Skill）→ L3 跨部門 / 全公司（把跨部門 Skill 串起來、接上系統，AI 進入全公司自動化流程）。
• L4 → L5：AI 自主軸（AI 完全自主，不需人類即時監督）。 這兩層是企業在人類部隊之外「額外長出來」的 AI 實體 —— L4 AI 超級助理（全自動 AI Agent 個體）→ L5 AI 團隊（多個專業 Agent 職能分工協作）。

關鍵分界：L1-L3 是「人類輔助 / 監督 AI」，AI 是工具；L4-L5 是「AI 自主運作」，AI 是企業額外的數位人力。 導入順序上，L1-L3 先把人與組織帶起來，L4-L5 才在穩固的基礎上長出自主 AI。

即使到了 L4-L5，治理框架仍由人建立、人保有監督權 —— AI 自主的是「營運執行」，不是「治理決策」。每一層都保留 HITL（Human-in-the-Loop，人類在迴圈內審核）與階段驗收關卡，AI 愈自主，人的角色就愈往「治理者」升級，而不是被取代。

每一層如何驗收

課程設計原則

課程比例由客戶的成熟度、產業、部署模式與目標情境決定。不是每家公司都要一次上滿 L1-L5，而是先找出最能產生交付成果的一層，往上銜接。

目錄結構

想看故事的 5 種人，從這 5 份開始

建議閱讀順序

1. 00_Overview/AI_TRANSFORMATION_STORY_AND_STRUCTURE.md
2. 01_Assessment/AI_MATURITY_QUESTIONNAIRE.md
3. 01_Assessment/AI_MATURITY_SCORING_MODEL.md
4. 01_Assessment/AI_MATURITY_DELIVERABLES_AND_EVIDENCE_MATRIX.md
5. 02_Course_Design/L1_L5_COMPLETE_COURSE_PLAN.md
6. 02_Course_Design/L1_OPENWEBUI_COURSE_PLAN.md
7. 02_Course_Design/L2_ANTIGRAVITY_COURSE_PLAN.md
8. 02_Course_Design/L3_N8N_TIGERAI_COURSE_PLAN.md
9. 02_Course_Design/L4_HERMES_AGENT_COURSE_PLAN.md
10. 04_Scenarios/CASE_CONTROL_TABLES.md
11. 06_Delivery/DELIVERY_PACKAGE_AND_ACCEPTANCE.md
12. 03_Consulting_Report/CONSULTING_REPORT_TEMPLATE.md

可驗證交付物

• AI 成熟度問卷與評分結果
• 公司屬性與部署模式調查
• L1-L5 課程完成證據
• OpenWebUI 帳號 / 群組 / 權限表與每人個人聊天區啟用紀錄
• Skill Library 與 Antigravity / Claude Code / Codex artifacts
• n8n Workflow PoC、Execution Log、Data Tables、Sub-workflow Library
• Hermes Agent 任務卡、Wiki、ingest/query/update 紀錄、briefing 與 Gate 4A-4E
• ClawTeam Agent Team 角色卡、協作紀錄與成果文件
• Stage Gate 驗收紀錄
• AI 轉型診斷報告
• 30 / 60 / 90 天 Roadmap

參考資料

• 90_References/@AI-MD-PUBIC.pdf
• 90_References/MD-Map.png
• 90_References/Metholodgy.png
• 90_References/OPENWEBUI_VIDEO_LEARNING_NOTES.md
• 90_References/TIGERAI_VIDEO_LEARNING_NOTES.md

致謝

特別感謝 Prof. Michael Rosemann，Queensland University of Technology (QUT), Brisbane, Australia。
Profile: https://www.qut.edu.au/about/our-people/academic-profiles/m.rosemann

本 repo 整套顧問方法論的學理基礎，來自作者於 QUT 昆士蘭科技大學求學期間，Prof. Michael Rosemann 在 Business Process Management (BPM)、Capability Maturity Models 與 企業創新方法論 上的長期啟發與教導。

其中兩個核心設計特別受到影響：

• 八階段顧問結構：對應企業流程診斷、能力評估、轉型路徑設計與治理落地。
• L1-L5 AI 成熟度模型：參考能力成熟度模型的層級邏輯，並在地化為企業導入 AI 的五層銜接架構。

免責聲明：本方法論中任何錯誤、遺漏、在地化調整或對 AI 領域的延伸應用，皆為作者 Tiger AI Morris Lu 盧業興個人責任，不代表 Prof. Michael Rosemann 或 QUT 之觀點或立場。

授權與署名

本專案採用 Apache License 2.0 授權。您可以自由使用、複製、修改、改作、重製、散布、教學、顧問交付與商業化。

再散布、改作、商業包裝、課程教材、顧問交付文件或產品文件中，請依 Apache 2.0 條款保留授權文字與 NOTICE 中的以下署名：

原作者：Tiger AI Morris Lu 盧業興
身份：n8n Taipei 大使 / 臺灣科技大學 智慧製造所博士生 / QUT 昆士蘭科技大學 資工碩士
來源：https://github.com/MorrisLu-Taipei/GenAI-Consulting-Methodology-Toolkit

第三方平台名稱、商標、影片、外部專案與引用內容仍屬於各自權利人。本 repo 對第三方資料僅做學習紀錄、引用、整理與課程設計參考。

把這本書讀活：和 AI 一起讀

下方的安裝指南會帶你把 repo 接上 AI IDE。在動手之前，先了解這個操作模型 + 一條紅線。

操作模型一句話：git clone 或下載 zip → 用 AI IDE（Antigravity / Claude Code / Codex 等）打開 → AI 自動讀 AGENTS.md（與各引擎自己的 <ENGINE>.md），把自己定位成這套方法論的共讀導師。然後你就能（1）問它關於這套方法論的任何問題、（2）請它把方法論套到你公司的情況、（3）跟著它做 L1-L5 自我診斷、找出下一步。

完整論述見 00_Overview/AI_NATIVE_LIVING_BOOK.md。

⚠️ 學術誠信聲明 / Academic Integrity Disclaimer

本 repo 中所有具名案例（製造、醫院、行銷、B2B、金融、政府、教育 7 個 SAMPLE_CLIENT_CASE）與所有故事主角（如「阿明」「明強封測」），皆為 AI 模擬產生的虛構案例。 所有數字（時間、ROI、人月、預算、KPI）僅為示例，不可作為對外宣傳、合約承諾、學術 empirical evidence。 真實 longitudinal cases 需透過 90_References/PILOT_STUDY_PROTOCOL.md 18-24 個月實證研究完成後才會替換。

All named cases and story protagonists in this repo are AI-generated fictional examples, NOT real client data. Numbers are illustrative; real cases will replace after the pilot study.

🚀 三 AI 引擎安裝與啟動指南 / Three AI Engines Setup Guide

三個引擎的角色定位與分工已在頂部「🔱 三個 AI 引擎，各自擅長不同的事」介紹完畢。本節聚焦怎麼裝、怎麼啟動、怎麼呼叫工作流。三個區塊獨立可選，挑你要用的引擎讀那一段即可。

⚠️ 依 07_AI_Contributions/README.md §0：方法論架構、L1-L5、八階段、3 引擎分工等戰略設計皆由 Morris Lu（人類） 提出。三個 AI 引擎在 Morris 的指導下執行、完善、展開、稽核，不主張對方法論架構的所有權。每個引擎的詳細自述見 07_AI_Contributions/ 對應檔案。

🟦 1. Antigravity 使用者 — 前線互動式顧問

把這本「靜態的活書」直接升級為您的「對話式虛擬顧問應用程式 (Conversational Consulting App)」。

安裝與使用步驟：

1. 載入專案：將本專案 git clone 或下載 zip 到本地端
2. 啟動 IDE：使用 Antigravity 打開本專案資料夾
3. 自動初始化：Antigravity 自動讀取 ANTIGRAVITY.md 與 SKILL.md，將自身定位為「共讀導師」
4. 執行工作流（Slash Commands）：在對話框輸入指令啟動互動

常用 Antigravity 指令：

• /diagnose ── 啟動擬真對話，引導您（或您的客戶）進行 L1-L5 企業 AI 成熟度診斷
• /generate-report ── 將先前診斷與討論結果，一鍵寫入標準顧問報告模板並產出草稿

詳見 .agent/workflows/ 與 07_AI_Contributions/ANTIGRAVITY.md。

Antigravity 的核心價值：把方法論變成客戶聽得懂、可立即互動的顧問體驗。

🟪 2. Codex 使用者 — 方法論工程化引擎

把本 repo 視為一套「方法論工程化工作區」—— 把這本 AI-native living book 當成可測試、可稽核、可追溯、可修補、可發版的方法論產品來維護。

安裝與使用步驟：

1. 載入專案：將本專案 git clone 或下載 zip 到本地端
2. 啟動 Codex：在 Codex 中打開本專案資料夾
3. 讀取 Codex 入口：先讓 Codex 閱讀 CODEX.md 與 .codex/README.md
4. 執行 Codex 工作流：在對話中輸入工作流名稱，或明確要求 Codex 依對應檔案執行

常用 Codex 指令（10 個）：

建議呼叫方式：

請依 .codex/workflows/evidence-audit.md 檢查這份顧問報告草稿。

詳見 .codex/workflows/ 與 07_AI_Contributions/CODEX.md。

Codex 的核心價值：讓這套方法論具備「可測試、可稽核、可追溯、可修補、可發版」的工程化生命週期。

🟨 3. Claude Code 使用者 — 跨檔戰略思考與實驗引擎

把方法論演 / 試 / 拆 / 撞一次。利用 Claude Code 1M context + 多角色並行 + 跨領域抽象推理，做模擬、實驗、辯論、分叉。

安裝與使用步驟：

1. 載入專案：將本專案 git clone 或下載 zip 到本地端
2. 啟動 Claude Code：在 Claude Code CLI / IDE 中打開本專案資料夾
3. 讀取 Claude Code 入口：先讓 Claude Code 閱讀 CLAUDE.md 與 .claude/README.md
4. 執行 Claude Code 工作流：在對話中輸入工作流名稱

常用 Claude Code 指令（10 個）：

建議呼叫方式：

請依 .claude/workflows/simulate-engagement.md 模擬一個 500 人製造業客戶的 6 週顧問案。

詳見 .claude/workflows/ 與 07_AI_Contributions/CLAUDE_CODE.md。

Claude Code 的核心價值：把方法論從「標準」進化為「標準 + N 個衍生版 + 完整模擬 + 多視角辯論」的可實驗活書。

三引擎協作建議 / Three-Engine Workflow Suggestions

實務上常見的協作節奏：

Phase A 客戶診斷
  → Antigravity 跑 /diagnose 收集現況
  → Claude Code 跑 /theory-bridge 對應理論診斷
  → Antigravity 跑 /generate-report 產中期報告草稿
  → Codex 跑 /evidence-audit 稽核 evidence chain
  → Codex 跑 /consistency-review 跨檔對齊

Phase B 策略設計
  → Claude Code 跑 /scenario-planning 給 3 個 roadmap
  → Claude Code 跑 /parallel-perspectives 6 利害關係人視角
  → Codex 跑 /red-team-review 紅隊攻擊過度樂觀
  → Claude Code 跑 /devil-pair-debate 辯論價值觀預設

Phase C 落地與演化
  → Codex 跑 /generate-traceability 季度稽核
  → Claude Code 跑 /thought-experiment 抗 counterfactual 壓測
  → Codex 跑 /bump-version 維護方法論版本
  → Claude Code 跑 /methodology-fork 為大客戶建立衍生版

三個引擎的工作流並非互斥，重點是各自做自己最擅長的事，由人類（顧問 / 客戶 owner / Sponsor）決定何時切換引擎。