I built JARVIS from Iron Man with AI（NO CODE!）（產出：2026-08-24）
影片資訊
- 影片：I built JARVIS from Iron Man with AI (NO CODE!)
- 頻道：Zubair Trabzada | AI Workshop
- 來源：raw transcript；2026-08-17 擷取，英文自動字幕
摘要
影片拆解一個以 n8n 為工作流骨架的 Jarvis 助理。Telegram 是入口，switch node 分流文字與語音；語音經轉錄後與文字統一成 JSON，再交給主 AI agent 判斷要使用的工具。Calendar、Airtable、搜尋與 Hacker News 提供資料能力，另一個 LLM chain 負責加入 Jarvis 式幽默，最後透過 ElevenLabs API 轉成語音回傳。作者也示範用分離工作流降低主 prompt 的擁擠程度。
關鍵洞察
- 輸入正規化是多模態工作流的基礎：先把 Telegram 的文字與語音都整理成一致格式，後續 agent 才能共用路由。
- 主 agent 與人格層分離：主 agent 負責取得正確資料；另一個 LLM chain 只生成評論或幽默，避免重複主要答案。
- 工具越多，越需要模組化：作者建議把 Airtable、Calendar 等能力拆成獨立 workflow，再由主 agent 呼叫。
- 社群支援是產品的一部分：影片同時提供模板、直播建置、問答社群與商業顧問服務，將技術教學接到服務收入。
對顧哥品牌的啟發
- 教 AI workflow 時可用「入口—正規化—判斷—工具—輸出—人工驗證」作固定教學框架，讓複雜節點變成可理解的系統。
- 顧問示範不必追求一次接滿所有工具；先做一個可驗證的單一任務，再以子 workflow 擴充。
- 人格設計可以獨立於答案生成：顧哥品牌的語氣、提醒與案例敘事可作為最後一層，不應犧牲事實正確性。
可發文角度
- 為什麼 AI agent 的第一個工程問題不是 prompt，而是把不同輸入整理成同一種資料格式？
- 「回答問題」和「用顧問語氣回答」應該是兩個不同模組。
- 工具一多就失控？用子工作流替主 agent 減肥。
- 一個 Telegram 入口如何串起語音、資料庫、搜尋與語音回覆？
- 教學社群、模板與顧問服務，如何組成 AI workflow 的產品階梯？
證據與限制
- 逐字稿在 04:23–17:29 詳述 Telegram、n8n、Airtable、語音轉錄、主 agent、人格 LLM chain 與 ElevenLabs API；後段另示範查詢聯絡人與任務資料。
- 影片是作者自己的建置示範，沒有提供可靠性、延遲、成本、資安或多使用者測試數據；「no code」也不代表不需要 API、憑證與工作流維護。
- 自動字幕品質不穩，本文只保留可由上下文確認的架構與策略。