Gemini Spark 完整解析：Google 第一個跨 Gmail / Docs / Calendar / Drive 自主推理的個人 AI Agent 上線實測，上班族 30 天升級工作流路線圖

早上 9:07，你按下筆電開機鍵，咖啡還在滴。Gmail 跳出 57 封未讀信件，其中 12 封是客戶緊急回信、8 封是內部專案進度催稿、剩下都是電子報跟塞滿的會議邀請。你還沒坐下，Slack 已經有 4 個未讀紅點。

以前的解法是「先咬牙處理一輪、午餐前再回頭看一次」，一整個上午就這樣燒掉。但 Google I/O 2026 之後，這個動作可能變成：你打開 Gemini app，看到一張卡片——「過去 14 小時 Spark 已經幫你分類了 41 封信、把 6 封客戶回信草稿放在 Drafts、訂好今天下午 2:30 跟 Anna 的會議室、把上週的會議錄音整理成 Google Docs 草稿放在『Q2 規劃』資料夾。剩下這 8 封需要你看一眼。」這就是 Gemini Spark，Google 第一個真正可以跨 Gmail、Docs、Calendar、Drive 自主推理執行的個人 AI Agent，在 Google I/O 2026 主舞台正式發表，跟 Gemini 3.5 與 Antigravity 2.0 並列為三大主菜。

這篇文章不是把 keynote 翻譯一遍——大方向那篇可以看 Google I/O 2026 大會解析。我們把焦點壓縮在 Spark 這個產品本身：它跟 ChatGPT Pulse、Claude Computer Use 哪裡不同、AI Ultra $100 / $200 兩個方案到底怎麼選、上班族該怎麼分 30 天循序漸進升級工作流，而不是看完發表會 high 完三天就退訂。

Gemini Spark 是什麼：跨 4 個 Google 應用自主推理的 24/7 雲端 Agent

先給一句話結論：Spark 是一個跑在 Google 雲端 VM 上、24 小時不關機的個人 AI Agent，可以原生讀寫你的 Gmail、Google Docs、Calendar、Drive、Sheets、Slides、Maps、YouTube，再透過 MCP（Model Context Protocol）連接 Canva、OpenTable、Instacart 等第三方服務。

它跟以前的 Gemini app 不一樣的點，Google 官方 blog 講得很直白：以前 Gemini 是你問它答的「對話工具」，現在 Spark 是「在你下指令之後、自己分解任務、自己呼叫工具、自己跨應用串接的執行者」。底層模型是 Gemini 3.5 Flash，再套上 Google Antigravity 2.0 的 agentic harness 做 reasoning loop。

「24/7」這三個字是這次發表會被反覆強調的賣點。Android Police 的實測報導 提到，因為 Spark 是雲端 agent，你筆電蓋上、手機鎖屏，它都還在後台跑你交辦的任務。早上你睡醒打開手機，看到的可能是「過去 8 小時我幫你做了 A、B、C，需要你決定的有 D」這種數位秘書交差畫面。

先用一張表把 Spark 跟過去的 Gemini app 的差異講清楚：

AI Ultra $100 / $200：兩個訂閱層級到底差在哪、上班族該選哪一個

發表會結束第二天，CNBC 的報導 把訂閱表整理出來：Spark 限定 Google AI Ultra 訂閱戶使用，新方案重新分成兩層——基礎版 $100 / 月（取代原本 $250 的單一 Ultra）、頂層 $200 / 月（給重度開發者跟內容創作者）。

這個降價對台灣上班族來說是好消息，但兩個層級該怎麼選不太直覺。PCWorld 的拆解 把差別列得很清楚，我加上自己的判讀做成下面這張表。

補充一個關鍵時序——TechCrunch 的發表會現場報導 指出，Spark 從 2026 年 5 月 19 日當週開始 Trusted Tester 計畫，下一週才開放給美國 AI Ultra 訂閱戶的 Beta 名單。台灣使用者目前還沒有官方上線時程，但根據 Gemini 過去歷代發布的節奏，台灣大概會落在美國公開後 4-8 週才開放。在等待這段期間，把工作流 SOP 先準備好，等開通當天就能直接上線。

Spark vs ChatGPT Pulse vs Claude Computer Use：三家個人 AI Agent 怎麼選

這場仗 OpenAI 跟 Anthropic 比 Google 早幾個月就開打。OpenAI 走 Chromium 瀏覽器 + 邊欄 ChatGPT 的 Atlas / Pulse 路線；Anthropic 推 Claude Computer Use 跟 Claude Cowork，主打多步驟橫跨 QuickBooks、Slack、HubSpot 等企業工具的執行能力。Google 這次補上 Spark 等於正式進場，三家定位很不一樣。

Blockchain Council 的對比指南 跟 FindSkill.ai 的實測比較 都把這三家拉出來測過。我把結論濃縮成下面這張對比表，重點放在「上班族日常工作流的差異」而不是純跑分。

最大的差異其實不在「能做什麼」，而在「怎麼跑」。Spark 是純雲端、不需要你的裝置在線；ChatGPT Atlas 必須開瀏覽器；Claude Computer Use 要你開著電腦讓它看螢幕點滑鼠。對台灣上班族，後兩種有一個明顯尷尬點——你下班關電腦它就停了，但 Spark 是「你睡覺它在做、起床看結果」的模式。

5 個上班族最有感的 Spark 工作流場景：實際 prompt 跟產出範例

理論講完，看真實場景。下面 5 個場景是我從 Trusted Tester 公開回饋（DataCamp、MindStudio）跟個人猜測 prompt 結果整理出來、上班族最有感的應用場景，附上實際可用的指令範本。

場景一：每天早上 8:30 自動分類前一晚的所有信件

這個是 Spark 最殺手鐧的場景。Trusted Tester 的回饋有一條讓我印象深刻：「我每天早上少花 50 分鐘在信箱裡撈金子。」

指令範本：

每天早上 08:30，請幫我做以下事情：
1. 把過去 16 小時的 Gmail 新信件分成 4 類：
   - 緊急客戶回信（需要我今天 12:00 前回覆）
   - 內部專案進度（需要我今天看但不一定要回）
   - 排程協調（會議邀請、時間確認）
   - 訂閱信 / 通知信（可以稍後批次掃）
2. 把第一類的客戶信，根據過去 30 天我寄出的回信風格，幫我寫好回覆草稿放在 Drafts，標題加上 [Spark 草稿]。
3. 把第二類的內容做成一張簡短 markdown 摘要傳到我的 Drive，檔名 "morning-brief-{今天日期}.md"。
4. 第三類的會議邀請，先用我的日曆找空檔，如果有衝突先標記，不要直接接受。
5. 第四類不用動，等我有空再說。
做完後在 Gemini app 通知我一次。

場景二：自動把客戶會議錄音整理成 Docs 並關聯到對應專案資料夾

這個場景跟 AI 會議紀錄 SOP（Otter、Fathom、Granola 工作流） 那篇講的工作流可以接起來——前段用 Otter 錄音轉文字，後段交給 Spark 整理結構、寫進 Docs、歸檔到 Drive。

指令範本：

當我把任何錄音檔（.m4a / .mp3）丟進 Drive 的 "01-會議錄音待整理" 資料夾時：
1. 自動觸發轉文字（用 Gemini Native Audio）。
2. 從檔名抓客戶名稱跟日期（格式 "20260524-A客戶-專案討論.m4a"）。
3. 整理成 Google Docs 結構：
   - 會議基本資訊（時間、與會人、議題）
   - 重點摘要（5 點以內）
   - Action items（誰、做什麼、deadline）
   - 客戶疑慮 / 反饋（原話引用）
4. Docs 命名 "{客戶名稱}-{日期}-會議紀錄"。
5. 自動歸檔到 Drive 對應的客戶資料夾。
6. 如果 Action items 裡有寫 "我"，幫我加進 Google Tasks。
7. 完成後在 Slack 私訊我「{客戶名稱} 會議紀錄已整理完成」。

場景三：把每週四下午的「週會準備時間」自動化

指令範本：

每週四下午 14:00：
1. 從 Drive 抓我這週新增 / 修改過的所有檔案清單（excluding 我的私人資料夾）。
2. 從 Gmail 抓本週我發出去 + 收進來、跟「Q2 專案」相關的所有信件。
3. 從 Calendar 抓本週我參加過的會議 + Action items（連接到場景二的 Docs）。
4. 整理成一張週報 markdown，格式：
   ## 本週進度
   ## 本週瓶頸
   ## 下週重點
   ## 需要主管決策的事項
5. 放在 "Weekly Reports" 資料夾，命名 "WR-W{第幾週}.md"。
6. 寄一份副本到 manager@example.com，主旨「{我的名字} W{週} 週報」。

場景四：跨城市出差行程自動排

指令範本：

6/15-6/17 我要去台中拜訪 A 客戶（上午）跟 B 客戶（下午）：
1. 從 Calendar 確認這三天沒有其他必到會議。
2. 訂高鐵票（出發 8:00 / 回程最後一班）。
3. 訂台中市區飯店（預算 NTD 3,500 / 晚以下，靠近捷運綠線優先）。
4. 用 Google Maps 排好每天的點對點交通（高鐵站 → 飯店 → 客戶 A → 午餐 → 客戶 B → 飯店）。
5. 6/15 跟 A 客戶午餐（OpenTable 訂 12:30、4 人桌、預算 NTD 2,000 / 人以內）。
6. 把所有訂位確認信整理成一張 Itinerary Docs。
7. 高鐵票跟飯店要花錢的部分，先給我看草稿確認，不要直接刷卡。

場景五：把雜亂的 Drive 自動整理成 Topic Cluster

指令範本：

掃描我的整個 "00-未分類" 資料夾（約 800 個檔案）：
1. 用檔名 + 內容前 500 字幫我做主題分群。
2. 建議 8-12 個主題資料夾的命名（用我的工作脈絡，不要太通用）。
3. 把每個檔案分到對應資料夾，附上信心分數（高 / 中 / 低）。
4. 信心分數「中」跟「低」的檔案先放在 "_需人工確認" 子資料夾。
5. 整個動作分成 3 批做，每批做完先給我看分類結果，OK 我再說「繼續下一批」才動真的搬檔案。

Prompt 進階：跟 Spark 講話跟跟 ChatGPT 講話不一樣的地方

這裡跟 Prompt Engineering 進階完整實戰 那篇講的「上班族 prompt 7 種高階技巧」可以一起看——基礎技巧 Spark 都用得上，但有幾個差異點是 agentic AI 才需要注意的。

跟 Spark 講話要多帶 3 個元素，跟一般 ChatGPT prompt 不一樣：

1. 觸發條件：不只是「做這件事」，要說「什麼時候做」「什麼條件下做」。例如「每週四 14:00」「當 Drive 出現新檔案時」「當收到 sender=client@example.com 的信時」。
2. 授權邊界：明確告訴 Spark「什麼動作可以直接做」「什麼動作要先給你看 plan」。涉及金錢、發信給外部、刪檔案，一律先看 plan。
3. 回報方式：「做完後在哪裡通知我」很重要。是寄信、Slack、Gemini app push、或寫進某個 Doc？沒講 Spark 會默認「在 app 裡顯示」，但你可能根本沒打開 app 就漏掉了。

一個完整的 Spark prompt 結構應該長這樣：

# 任務名稱（給 Spark 一個可辨識的代號）
信件晨間分類-v2

# 觸發
每天 08:30 自動執行

# 上下文
我是 [角色 / 公司 / 服務的客戶類型]，過去 30 天的回信風格請參考 Drafts 裡標 [我的風格] 的 5 封範例。

# 任務步驟
1. ...
2. ...
3. ...

# 授權邊界
- 寄信給客戶 → 一律放 Drafts 不要直接寄
- 接受會議邀請 → 可直接接受（如果沒衝突）
- 刪除任何信件 → 永遠不可以

# 回報
做完寄一封 summary 到我自己的 Gmail，主旨 "[Spark 晨報] YYYY-MM-DD"。

Spark 30 天上班族升級路線圖：從零到工作流自動化

一次衝太快很容易翻車——尤其是 Spark 這種「會自己動」的工具，沒有循序漸進建立信任感，你會一直忍不住把 agent 關掉自己做，結果訂閱費白付。下面這張表是建議的 30 天升級節奏。

資安與隱私：把整個數位人生交給一個雲端 agent 之前要想清楚的事

這個段落是寫給「公司資安政策比較緊」或「處理客戶敏感資料」的上班族——Spark 確實方便，但你要先過自己跟公司這兩關。

先講 Google 自己怎麼做。Let's Data Science 對 Spark 架構的拆解 提到一個關鍵設計：MCP 連接器跟 LLM 是分離的——你的 API key、OAuth token 不會傳進 Gemini 3.5 模型本身，而是由 MCP runtime 在獨立 sandbox 處理。這是 Google 敢讓 agent 代表你執行的架構性原因。

但這不等於零風險。Decrypt 的批判性報導 點出三個真實隱憂：

• 把 Gmail / Docs / Calendar / Drive / 信用卡都交給同一個 agent，等於把雞蛋全放在 Google 的籃子裡。一旦帳號被入侵，連帶整個數位人生暴露。
• Audit log、權限細粒度、留存政策 Google 都「承諾會做」但目前還沒完整文件化，企業 IT 部門很難稽核。
• Spark 是雲端 agent，所有對話、執行紀錄都會被 Google 看到——對涉及商業機密、客戶 PII 的工作有合規風險。

給上班族的實務建議：

1. 公司用 Workspace 的話，先確認 IT 部門有沒有開放 AI Ultra / Spark；很多企業會等 Workspace Enterprise 的對應版本（含 audit log）才放行。
2. Spark 連接的 app 要分級：先連 Calendar / 公開行事曆 → 再連 Drive 工作資料夾 → 信件 → 最後才考慮金流相關（信用卡、銀行）。每升一級觀察一週。
3. 敏感資料夾不要連 Spark：薪資、員工 PII、客戶合約原檔，建議用獨立資料夾隔離，不讓 Spark 有讀寫權限。
4. 定期審查 OAuth 授權：myaccount.google.com/permissions 至少每月看一次，撤銷不再用的 agent task。

跟 Codex / OpenAI agent 工具的差異：上班族雙修 vs 單押

這幾個月寫了 OpenAI Codex 上班族 6 場景完整使用指南 那篇，常被問：「Codex 跟 Spark 我同時用會不會打架？」答案是不會，但要分清楚定位。

Codex 本質是「程式碼生成 + 任務型 CLI agent」，最強的場景是寫 script、改 SQL、跑資料分析、寫 ETL。Spark 本質是「跨應用工作流 agent」，最強的場景是 Gmail / Calendar / Drive 的日常交辦。兩者的工作層級是疊起來的，不是替代關係。

中小企業老闆視角：員工開始用 Spark，老闆該怎麼管

這段是寫給看到員工開始裝 AI Ultra 的老闆——這不是要不要禁用的問題，是怎麼建立 SOP 不讓它變成資安漏洞或誤發信件災難。業界的經驗顯示，越早把 SOP 建好的公司，導入紅利越大；越拖延的公司越容易在某次員工誤操作之後一次禁用，反而錯失整波生產力升級。

給老闆的 5 個管理重點：

1. 公司資料分級制度：哪些資料夾「永遠不准接 Spark」（薪資、合約、員工 PII）、哪些「需主管同意」（客戶資料）、哪些「自由使用」（公開行銷素材、會議錄音）——這個分級表 1 頁 A4 就夠了，但一定要寫。
2. 外發信件審核機制：規定員工用 Spark 寫的客戶 / 合作夥伴信件，一律走 Drafts、由本人按下送出，不可設成自動發送。
3. 每月 OAuth 稽核：要求員工每月開一次 myaccount.google.com/permissions、截圖回報主管，避免離職員工的 agent 還在跑公司資料。
4. Spark 任務記錄上交：員工建立的 Spark 任務（agent task）要存一份 prompt 在 Drive 共享資料夾，方便交接、也方便事後追查問題。
5. 教育訓練：每季開一場 1 小時的「Spark 踩坑分享會」，把這個月遇到的 false positive、漏發信、誤分類分享出來。一個人踩的坑，整個公司就不用踩第二次。

如果你的公司想做更完整的 AI 治理框架，業界經驗顯示，建議從一個 8-12 週的 pilot 開始（挑 1 個部門、訂明確 KPI、跑完才考慮全公司）。需要客製化規劃可以參考我們的 AI 顧問服務，從評估到落地一條龍。

常見問題：Spark 的台灣上線時程、價格、相容性

結語：Spark 不是革命，是把 AI 從工具變成同事的關鍵一步

看完整篇你大概能感覺到——Spark 在技術上沒有比 ChatGPT Atlas 或 Claude Computer Use 革命性多少。真正的關鍵是「Google 把 Gmail / Docs / Calendar / Drive 這四個上班族每天用 8 小時的應用，做成了 agent 原生 first-class citizen」。當你的數位生活有 70% 已經在 Google 生態系，Spark 的整合深度是其他兩家很難複製的。

但這個轉變對上班族最大的意義不是「省幾小時」，是「你的工作層級會被迫往上拉一階」。當瑣事自動化之後，老闆對你的期待會從「執行交辦」變成「自己判斷該做什麼、設定 agent 去做」。這是在提醒你環境正在改變，如果你能抓住這個機會就能領先其他人變得更輕鬆。

接下來 30 天，建議你把這篇開的路線圖跑完一遍：Week 1 純讀、Week 2 小型寫入、Week 3 外發草稿、Week 4 跨應用編排。一個月後回頭看，你會發現自己的工作流跟一個月前完全不一樣。