AI Podcast 爆紅的真相：不是「寫 Prompt」，是「造引擎」

本文整理自《The Colin and Samir Show》2026 年 3 月播出的單集。

{{< spotify "episode/5PiMlAsg6OJ0bFGsQOxkv9" >}}

{{< apple-podcast "tw/podcast/he-built-an-ai-podcast-and-it-became-the-1-show/id1379942034?i=1000755936342" >}}

---

「我可以用 AI 做一集 Podcast 嗎？」問錯問題了

如果你看到 Adam Levy 的 AI Podcast「The Epstein Files」在兩個月內破 200 萬次下載，第一反應可能是：「我也來用 ChatGPT 做一個。」Samir Chaudry 在訪談中直接問了這個問題：「如果我現在坐下來，打開 AI 工具，我的第一個 prompt 是什麼？是不是就打『幫我做一個自動生成的 Podcast 關於 X 主題』？」Adam 的回答很乾脆：「不行。這樣做你頂多拿到一集，但你沒辦法建一個頻道。」

這個區別決定了成敗。用 AI「做一集 Podcast」跟用 AI「建一套能持續產出的系統」，是完全不同量級的事情。前者任何人花 10 分鐘都能做到，NotebookLM 已經讓你可以把 PDF 丟進去、按一個按鈕就得到一段雙人對話。但結果呢？你得到一集品質還行的音檔，然後呢？第二集怎麼辦？第十集怎麼確保比第一集更好？一百集之後故事線不自相矛盾怎麼處理？這些問題的答案不在任何一個 prompt 裡面，它在系統設計裡面。

Adam 自己的背景很能說明問題。他不是一個「會寫 prompt 的網紅」，他有軟體工程和大數據的背景，同時做了五年內容創作（他之前的 Podcast「Mint」累積了超過 10 萬 email 訂閱者）。他在訪談中直接說：「要做到我做的事，你需要同時理解內容創作、產品建構和資料分析。這三者缺一不可。」這不是在潑冷水，而是在指出真正的門檻在哪。

引擎的結構：從 350 萬份文件到一集 Podcast

Adam 處理愛潑斯坦案件檔案的工作流程，揭示了一個 AI 內容系統的實際架構。350 萬份文件的格式五花八門：PDF、email、法院文件、照片、影片。第一步是格式統一化，把所有資料轉換成 LLM 可以處理的文本格式。這本身就是一個工程問題，涉及 OCR、文件解析、metadata 提取。

第二步是分塊分析。沒有任何 LLM 能一次吃進 350 萬份文件，context window 再大也不夠。Adam 把資料拆成可消化的區塊，讓 AI 逐塊分析、交叉比對、建立關聯。這個過程不是線性的，而是迭代的：AI 會在第一輪分析中找出關鍵人物、地點、時間線，然後在第二輪中用這些線索深入特定方向。

第三步是故事線生成。資料本身不是故事。350 萬份文件裡有大量冗餘、矛盾、無關的內容。AI 的任務是從中提煉出一條有邏輯的敘事線：愛潑斯坦是誰、他如何建立商業模式、哪些公眾人物牽涉其中、案件如何演變。Adam 把這形容為「問 AI：所有這些資料背後的故事是什麼？」然後從 AI 給出的主題樹中，規劃出一季的內容大綱。

第四步是自主迭代。64 集上線之後，系統不是停在那裡等指令，而是根據已建立的內容大綱繼續往下走。如果有新聞事件跟案件相關，系統可以自動把新資訊整合進故事線，產出新的一集。每一集都要通過程式化的品質檢查，達到設定的分數門檻才能發布。整個流程像一條自動化產線，人類只在異常時介入。

為什麼「Vibe Coding」做不到這件事

2025 年底開始流行的「Vibe Coding」概念，讓很多人覺得自己離建造產品只差一個 prompt 的距離。用自然語言描述你想要什麼，AI 就幫你寫程式碼，聽起來門檻為零。但 Adam 的案例說明，真正的挑戰不在「能不能寫出程式碼」，而在「知不知道要寫什麼」。

一個自動生成 Podcast 的系統需要解決的問題包括：資料來源如何穩定取得？新資訊如何與既有知識庫整合？怎麼確保第 100 集不會重複第 30 集的內容？品質門檻怎麼定義、怎麼量化？音檔怎麼自動推送到多個平台？聽眾回饋怎麼回流到內容策略？這些問題中沒有一個是「寫一個 prompt 就能解決」的，它們是產品設計問題，需要對整個流程有全局性的理解。

Adam 說得很明白：「你需要理解把整個系統產品化的工作流程，需要知道如何確保每一集都在進步，需要知道怎麼圍繞內容建構一個頻道。」這跟「叫 AI 幫我寫一集」完全是兩個世界。前者是產品思維，後者是消費者思維。多數人停留在消費者端，對著 ChatGPT 或 Claude 說「幫我做 X」，拿到一個結果，覺得 AI 好厲害。真正把 AI 變成生產力的人，想的是「怎麼讓 AI 每天自動幫我做 X，而且越做越好」。

我的觀察：每一波「民主化」都許諾人人可做，但贏家永遠是系統思考者

科技產業每隔幾年就會出現一波「工具民主化」的敘事。WordPress 讓每個人都能架網站，但贏家是那些理解 SEO、轉換率、內容策略的人。YouTube 讓每個人都能當創作者，但贏家是那些理解演算法、受眾心理、製作品質的人。Shopify 讓每個人都能開電商，但贏家是那些理解供應鏈、定價策略、品牌經營的人。No-code 工具讓每個人都能做 App，但真正做出產品的還是那些有產品思維的人。

AI 是最新的一波，也是最強的一波。「人人可做」的許諾比以往任何時候都響亮，因為門檻確實比以往任何時候都低。但模式從來沒變過：工具降低的是執行門檻，不是思維門檻。你可以不會寫程式就建一個 AI 系統，但你必須知道這個系統應該長什麼樣子、各個模組之間怎麼協作、品質怎麼確保、規模怎麼擴張。這些判斷力不會因為工具變簡單就自動出現。

Adam 不是一個「Prompt 工程師」，他是一個產品建造者，只是他用來建造的原料碰巧是 AI。這個區分非常重要。市面上太多人把焦點放在「怎麼寫出更好的 prompt」，好像只要 prompt 寫得夠精，就能複製 Adam 的成功。但那就像以為只要學會 HTML 就能做出 Facebook 一樣。HTML 是必要的，但離充分條件差了十萬八千里。

真正的分水嶺不是「會不會用 AI」和「不會用 AI」，而是「使用者」和「建造者」。使用者對著 AI 提問、拿到答案、覺得自己很有效率。建造者把 AI 嵌入一套系統裡，讓系統自己運轉、自己進化、自己創造價值。兩者都在「用 AI」，但產出的價值差了一百倍。2026 年最重要的認知升級不是「學會用 AI」，而是「從使用者升級到建造者」。

如果你想開始：從瓶頸下手

Adam 在訪談中給了一個務實的建議。他說任何創作者都應該把自己的內容製作流程想像成一條產線，然後找出瓶頸。什麼環節花最多時間？什麼環節品質最不穩定？什麼環節你一直在重複做同樣的事？那些地方就是 AI 能幫你最大的地方。

這個邏輯跟他提到的 Palantir 做法很像：進入一個組織，找出流程中的問題點，用 AI 優化它。不是把整個流程推倒重來，而是對準痛點精確打擊。如果你是 YouTuber，瓶頸可能是字幕翻譯、可能是縮圖設計、可能是選題研究。如果你是文字創作者，瓶頸可能是資料整理、可能是初稿架構、可能是多平台分發。找到那個瓶頸，然後問自己：這個環節有沒有可能被系統化？有沒有可能跑起來之後不需要我每次都介入？

Adam 的第二個建議是：成為工具的深度使用者。訂閱所有 AI 服務，下載開源模型到本機跑，把每個工具推到極限，比較不同模型的強項和弱項。他說你應該能夠就這些工具開一場三小時的研討會。這聽起來很花時間，但邏輯是清楚的：只有當你對工具的能力邊界瞭然於胸，你才能設計出一個把它們用到極致的系統。不了解工具的人只能提需求，了解工具的人才能設計架構。

最後一個建議回到了心態：挑戰自己用這些工具創造新的藝術形式。不是用 AI 做得「跟以前一樣」，而是做出「以前不可能」的東西。Adam 的 AI Podcast 不是「用 AI 錄一集傳統 Podcast」，它是一種全新的媒體形態，每天從數百萬份文件中提煉故事，這在人力模式下根本不可能存在。找到那個「以前不可能」的交叉點，才是 AI 真正的甜蜜點。