2026年8月14日 星期五

AID03-Token 是什麼,AI 又為什麼會忘記-5分鐘學AI

 AID03-Token 是什麼,AI 又為什麼會忘記-5分鐘學AI


跟 AI 講話是照 Token 算的,它的記性也是。

搞懂上下文,你就知道它為什麼突然忘記前面說過的事。


#一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI



Token 是什麼,AI 又為什麼會忘記。


阿哲,我昨天跟 AI 聊了很久,聊到後來,它突然忘記我一開始交代的事。它是不是壞了?沒壞。而且這件事,跟它怎麼讀你打的字,其實是同一個問題。咦?讀字跟忘記有什麼關係?這一集講完你就會知道,它其實沒有記性,它只有一張桌子。桌上攤得開的它看得到,攤不下的就掉下去了。


那我們從最小的單位開始。我常聽到這個要花多少 Token,它到底是什麼?它是 AI 讀字的單位。它不是一個字一個字讀,也不是一整句一整句讀,是切成一小塊一小塊。


喔,所以它算的不是幾個字,是幾塊?就像菜市場算的是幾斤,不是幾顆。就是這樣。而且要注意,你打的字要算,它回你的每一個字也要算,兩邊加起來才是這一次的用量。那中文跟英文,切出來的塊數一樣嗎?不一樣。中文大概一到兩個字一塊,英文常常半個單字就一塊。所以同一段意思,用不同語言寫,用量會差滿多的。所以叫它講短一點,真的會比較便宜?真的會。很多人以為只有自己打的那一段在算錢,結果讓它寫了一大篇,那一篇才是貴的地方。


那 Prompt 呢?大家都說要會下 Prompt,講得很神秘。它就是你交代給它的那一段話。不只是你的問題,還包括你要它用什麼身分、給你什麼格式、寫多長。


喔,就像請同事幫忙買飲料?講幫我買飲料,跟講幫我買一杯大杯無糖去冰的紅茶,拿回來的東西差很多。這個比喻很準。你少講的每一件事,它都會自己幫你決定,而它決定的不一定是你要的。那我要交代到多細?講到換一個人來做也做得出同一個東西,就夠了。太細反而綁死它,它就只會照著你的框框走。那是不是有什麼特別厲害的句子,講了就會變準?沒有。它不是咒語,沒有哪一句話講了就升級。真正有效的是把你要什麼講清楚,跟交代一個新同事完全一樣。


接下來這個更常聽到,Context,中文叫上下文。上下文是它這一次回答的時候,眼前看得到的全部東西。你前面講過的話、它自己回過的話、你貼進去的文件,通通算在裡面。


喔,就像開會的時候攤在桌上的那些資料?沒攤上去的,它就當作不存在。非常準。所以它不是記得你,是那些字還攤在桌上。你開一個新的對話,桌子就被收乾淨了。那我可以自己決定桌上放什麼嗎?可以,而且這是最有用的一招。真正相關的那一份貼上去,不相關的別貼。桌上東西越少,它越不會被別的東西帶走。那我上個禮拜跟它講過的事呢?除非那一段被放回桌上,不然它不記得。有些產品會幫你偷偷放回去,所以看起來像記得,那是產品幫的忙,不是模型的記性。


那這一張桌子有多大?這就是下一個名詞,上下文視窗。它是一次最多能攤多少東西的上限,而且是用剛剛說的那個單位在算。


那攤滿了會怎麼樣?最前面的會被擠出去。它不是挑一個不重要的丟掉,是照順序,最早進來的先掉。喔,就像記事本寫滿了,只好從最前面撕頁?對。所以長對話講到後來它開始答非所問,通常不是它變笨,是你一開始交代的規則已經掉出去了。那我怎麼知道快滿了?多數產品不會明講。實際一點的做法是,聊到一半覺得它開始跑掉,就把最重要的那幾條再貼一次,或乾脆開一個新的對話重來。


那有沒有辦法讓桌子大一點?桌子的大小是固定的,但可以讓攤上去的東西變薄。做法是先把前面那一大段整理成重點,再把重點放回桌上,原文就不佔位置了。


喔,就像會議記錄?不用把每個人講的每一句都留著,留結論就好。對,而且很多產品已經在背後自動幫你做這件事了,你根本不會看到。那聽起來很棒啊,有什麼代價嗎?整理過的東西一定會掉細節。數字、日期、合約上的條款這種不能錯的,不要指望它整理完還記得,自己再貼一次最保險。那我可以叫它先整理給我看嗎?可以,而且很值得。你讓它先寫一份重點,你看過確認沒漏,再往下講。這樣掉的是你同意掉的東西。


那我把這一集重新排一次好不好?好,你來。Token 是它讀字的單位,你講的跟它回的都要算。Prompt 是你交代給它的那段話,講清楚比講神奇有用。上下文是它眼前看得到的全部,不是記憶。上下文視窗是這張桌子有多大,滿了就擠掉最前面。上下文壓縮是把前面整理成重點,省了位置,但會掉細節。完全正確。以後它突然變笨,先別急著怪它。問一句:我要它記得的東西,現在還在桌上嗎?


企業級智庫引擎。讓公司的知識,答得出來、查得到、帶不走。

[AI 智慧] 承認無知,是成長的起點

[AI 智慧] 承認無知,是成長的起點

摘要:真正的智慧,是看見自身侷限,勇於承認不足並持續學習。



內容:


為什麼懂得越多的人,越不敢大聲說話?小溪、小河總是嘩啦作響,大江、大河卻往往靜默無聲。


《道德經》有言:「知不知,上矣;不知知,病也。」知道自己有所不知,是一種明智;明明不知道,卻自以為知道,則是一種毛病。


真正的智慧並非無所不知,而是清楚自己的認知邊界,坦然承認無知。即使面對熟悉的事物,也不妄下定論,而是保有求證與學習的態度。只有承認自己不知道,才可能真正學習與成長。


越覺得自己什麼都懂,越容易被認知的高牆困住,變得見識淺薄、觀念侷限。承認無知不是自我否定,而是拓展認知邊界的第一步,也是所有成長的起點。


相傳蘇軾年少聰穎,通讀四書五經後意氣風發,在門前貼上一副對聯:「識盡天下字,讀盡天下書。」


一位老人看見後,拿出一本蘇軾從未見過的書,裡面的內容更令他聞所未聞。蘇軾這才體會到學問之廣、世界之大,於是將對聯改為:「發奮識遍天下字,立志讀盡人間書。」


此後,他發奮讀書、四處求學,最終成為一代文豪。這正說明,清楚自己的無知,才是真正的智慧。


「不知知」之所以是一種病,是因為它點出了人性的弱點。許多人好面子、愛逞強,認為承認不懂就是丟臉,因此選擇不懂裝懂。


孔子說:「三人行,必有我師焉。」連聖人都懂得虛心請教,何況普通人?總是自以為是,不僅學不到新知,也難以結交知心朋友。承認不懂、主動請教並不可恥;不懂裝懂,才是阻礙人生發展的重要原因。


《道德經》又說:「聖人不病,以其病病。夫唯病病,是以不病。」聖人之所以沒有這種毛病,是因為始終將不懂裝懂視為問題,時時反省並保持警惕。


想改掉一個毛病,不能只是強行壓制,而要先承認它的存在。很多人總在同一個地方跌倒,不是因為無法改變,而是不肯承認自己有問題,總認為是別人或環境的錯。


敢於直面問題,問題便解決了一半;不肯承認問題,本身才是最大的問題。


首先,要認清自己,不高估自己的能力。人外有人,天外有天,不要因為懂得一些知識、取得一點成績,就看不起別人。學會謙虛,才能持續進步。


其次,不要低估他人。世事變化難料,今日仍在努力打拚的人,未來可能取得非凡成就。當老闆的,不要看不起基層工作者;坐辦公室的,也不要輕視在外奔波的人。尊重每一個人,不低估任何人,是應有的修養。


在生活中,可以從三件事開始實踐:


第一,不懂就坦白,不要硬撐。工作中遇到不熟悉的事情,可以直接說:「這部分我不熟悉,我先確認一下。」這不會讓人看不起你,反而會使人覺得你誠實、可靠。


第二,遇到問題不要急著推卸責任。尋找外部原因之前,先問自己:「我有沒有可以做得更好的地方?」即使最後證明責任不在自己,這種自省的習慣仍會讓人愈來愈清醒。


第三,保持謙卑並持續學習。認知越高的人,越能看見世界的廣闊與自己的侷限。人所知道的永遠有限,不知道的卻近乎無窮。


不要因一點成績便驕傲自滿,也不要因掌握一些知識就目中無人。保持謙卑、持續學習,不斷修正自己的認知,人生才能走得更穩、更遠。

2026年8月12日 星期三

AID01-認識 AI 這一家人-5分鐘學AI

AID01-認識 AI 這一家人-5分鐘學AI


AI、生成式 AI、大型語言模型、GPT,其實是一層包一層。

五分鐘搞懂誰是誰的誰,以後看到新名詞都不會慌。


#一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI



認識 AI 這一家人。


阿哲,我最近很困擾。新聞一下講 AI,一下講生成式 AI,一下又冒出一個大型語言模型。我知道你要問什麼。你想問的是,這些到底是同一件事的不同講法,還是真的不一樣,對不對?對!可是我每次都不太敢問,怕被笑。這一集講完你就會發現,它們其實是一層包一層,就像地址一樣,從國家一路寫到門牌號碼。


那我們就從最外面那一層開始。AI 到底是什麼?AI 就是人工智慧。它是一個很大的統稱,講的是「讓機器做出原本要人來做的判斷」這整件事。


所以它不是一個產品?對。你去買車,不會說「我要買一台交通工具」。AI 就是交通工具那個層級的字。喔!所以掃地機器人算 AI,翻譯軟體也算 AI,是這個意思嗎?完全正確。只要它會自己做判斷,就都住在 AI 這個大房子裡。要小心的是,很多人一講 AI 就以為在講 ChatGPT,那其實只是這棟房子裡的一個房間。那為什麼最近才這麼紅?AI 不是很早就有了嗎?因為以前的 AI 只會做很窄的一件事,像下棋。現在的會講話、會看圖、會寫東西,所以你才開始在生活裡碰到它。


那生成式 AI 呢?多了「生成」兩個字,差在哪裡?差在它會「生」東西出來。以前的 AI 大多是在分類、在判斷,這封信是不是垃圾信、這張照片裡有沒有貓。


生成式就是會自己產出新的東西?對。你叫它寫一封道歉信,它不是去資料庫裡撈一封現成的給你,是當場一個字一個字寫出來。喔,所以搜尋引擎是幫我找到別人寫好的,生成式 AI 是現場幫我寫一份。就是這個差別。也因為是現場寫的,同一個問題問兩次,答案可能不完全一樣。這不是它壞掉,是它本來就這樣運作。


那多模態模型又是什麼?這個聽起來最難。名字嚇人,意思很單純。模態就是「資料的種類」,文字是一種,圖片是一種,聲音也是一種。多模態就是好幾種它都吃得下。


所以我可以直接拍一張冰箱的照片,問它今天晚餐煮什麼?對,這就是多模態。以前你得先自己把照片裡有什麼打成文字,它才看得懂。那就像從只會看信,變成也會看照片、也會聽你講話。對。但要提醒一件事:看得懂不等於看得準。它會把模糊的照片猜成別的東西,重要的事還是要自己再確認一次。那我要怎麼知道它有沒有看錯?最簡單的方法,是叫它先描述一次它看到什麼,再回答你的問題。它講錯你馬上就發現,不用等結論出來才知道。


講了這麼多,大型語言模型是站在哪一層?它是生成式 AI 裡面,專門處理「語言」的那一種。大,是因為它讀過的字多到你無法想像,整個網路上的文章幾乎都讀過。


讀那麼多字,它是把全部背起來嗎?不是背。比較像是把「什麼字後面通常接什麼字」的感覺練到很熟,所以它回答的時候,是在挑一個最順、最像人會講的下一個字。咦,那它有可能講得很順,但其實是錯的?你抓到重點了。這就是為什麼它偶爾會很有自信地講錯話。順不等於對,這件事我們之後會專門講一集。


那 GPT 呢?大家都在講 GPT。GPT 是一個系列的名字,就像 iPhone 是手機裡的一個系列。它是 OpenAI 做出來的其中一組大型語言模型。


所以講 GPT 不等於講 AI?不等於。就像你不會說「我要買一台 iPhone」來泛指所有手機。那我以前把 AI 跟 ChatGPT 講成同一件事,其實是講錯了?是講小了。ChatGPT 是拿 GPT 做出來的一個聊天產品,它只是這一大家子裡面最有名的那一個。那我以後聽到別人講 GPT,要怎麼判斷他在講哪一個?看他在講產品還是講模型。講「用 GPT 寫了一篇文章」通常是指 ChatGPT 這個產品;講「換一個 GPT 版本」才是在講模型本身。


那市面上除了 GPT,還有哪些?幾家聽過就好:OpenAI 的 GPT、Anthropic 的 Claude、Google 的 Gemini、Meta 的 Llama。台灣也有自己的,像國科會主導的 TAIDE。這麼多家,我要全部學嗎?不用。它們的用法大同小異,重點是知道「這是不同公司做的不同款」,就像不同牌子的車,會開一台大概都會開。那公司要選的話,該從哪裡開始想?先看資料能不能出公司。可以,就挑雲端最順手的;不行,就得找可以架在自己機房的那種。這件事比誰比較聰明重要得多。


最後我們把這一家人重新排一次。我來!AI 是最外面的統稱,什麼東西會自己判斷都算。生成式 AI 是會自己產出新東西的那一種。多模態模型是文字、圖片、聲音都吃得下的那一種。大型語言模型是專門處理語言、讀過很多字的那一種。GPT 則是其中一個系列的名字。完全正確。記住這個順序,以後聽到任何新名詞,你只要問一句:它是住在哪一層?


企業級智庫引擎。讓公司的知識,答得出來、查得到、帶不走。


AID02-模型怎麼變強,又為什麼要搶 GPU-5分鐘學AI

 AID02-模型怎麼變強,又為什麼要搶 GPU-5分鐘學AI


蒸餾、推理模型、專家混合,三種讓模型變強的做法。

GPU 跟 CPU 差在哪,雲端跟自己養又該怎麼選。


#一起搞懂AI #AI名詞 #AI入門 #白話AI #企業AI



模型怎麼變強,又為什麼要搶 GPU。


阿哲,我最近常看到新聞說某家公司又買了一大批 GPU,還有人說公司要自己養一個模型。這些我完全看不懂。這裡面其實混了兩件不一樣的事。一件是模型怎麼變強,另一件是它跑在誰的機器上。咦,我一直以為是同一件事。不一樣。就像一家餐廳,廚師怎麼練出來的是一回事;這頓飯在你家廚房煮,還是叫外送,是另一回事。這一集前半講廚師,後半講廚房。


那我們先講廚師。第一個名詞叫蒸餾,聽起來像在做酒。名字是有點怪。它講的是拿一個很大很強的模型,讓它把答案一題一題示範出來,再讓一個小模型照著學。


喔,就像老師傅帶學徒?學徒不用把師傅讀過的書再讀一遍。對,就是這個意思。學徒身材小、動作快,養起來也便宜,本事卻有師傅的八九成。那為什麼要做出小的?直接用大的不好嗎?大的貴,而且慢。手機裡、客服系統裡那些要馬上回你的地方,塞不下一個大的,也等不起。那學徒會不會有一天超過師傅?很難。因為他學的是師傅怎麼答,師傅沒教過的他不會,師傅本來就答錯的他也照錯。所以小模型是比較快、比較便宜,不是比較聰明。


那第二個呢?我看到有一種叫推理模型,聽起來像在辦案。差別在它回答之前,會先自己把步驟走一遍,走完才開口。一般的模型是你問了它就答,像脫口而出。


喔,就像考數學,有人看一眼就寫答案,有人會先在旁邊列式子?非常接近。列式子的那一種,比較不會在中間算錯,遇到繞來繞去的題目差很多。那為什麼不全部都用這一種就好?因為它想的那一段也要花時間、也要花錢,一題可能貴上好幾倍。問今天星期幾,不需要列式子。那我怎麼知道什麼時候該用它?有一個簡單的判準:這一題你自己做,需不需要拿紙筆?需要的話,就換它來。


第三個名詞更玄,叫專家混合。是一堆專家一起討論嗎?不是一起。它裡面分成很多組,每一組擅長的東西不一樣。你問一題,它只叫醒其中一兩組來回答,其他組在旁邊沒事做。


喔,就像去醫院不是所有醫生一起看你,是先掛對科?對,而且掛號那一步在你看不到的地方就分好了。所以它可以做得很大,跑起來卻不會貴到不能用,因為每次真正動起來的只有一小部分。那它會不會掛錯科?會。而且掛錯的時候它不會告訴你,答案一樣講得很順。這是你在外面看不到、也控制不了的一層,所以重要的問題還是要自己驗一次。


講完廚師,來講廚房。為什麼大家都在搶 GPU?先說它是什麼。GPU 本來是拿來畫遊戲畫面的晶片,特色是可以幾千件簡單的事同時做。


那 CPU 呢?我電腦裡那一個。CPU 是那個很聰明、什麼都會的,但它是一件一件照順序做。你的系統、你打的每一個字,都是它在處理。


喔,我好像懂了。就像一個大廚要切一千顆洋蔥,跟一千個人一人切一顆?就是這個畫面。AI 在算的,剛好就是非常多、但每一筆都很簡單的計算,所以用 GPU 快得不像話。那 CPU 是不是就沒用了?不是。真要一個人把一道功夫菜從頭做到尾,還是得靠大廚。它們是適合做不同的事,不是誰比較強。那為什麼會搶到缺貨?因為全世界同時在找同一種幫手。不是它突然變好用,是要用的人一下子變太多了。


最後一段。你剛剛說的自己養一個,到底是什麼意思?先講另外一半。雲端模型,是模型放在別人準備好的機器上,你連上去用,按用量付錢,開機就能開始。


那自己養的那一種呢?那叫地端模型,是把模型裝在公司自己的機器裡跑。資料從頭到尾不用送出公司。


喔,就像東西放自己家的倉庫,跟去外面租一個倉庫?很貼切。租的隨時可以租大一點,屋頂漏水有人修;自己家的鑰匙只有你有,可是修屋頂也是你自己來。那是不是自己養就一定比較安全?這是最常見的誤會。機器搬回家,只是把門搬回家;門有沒有鎖好是另一件事。權限沒設好,放在自己家一樣會外流。那到底怎麼選?先問一句:這些資料能不能離開公司?不能,就只能自己架。可以的話,多數人從雲端開始比較划算,等量大了再說。


那我們最後重新排一次好不好?好,你來。前半是怎麼變強。蒸餾是大模型示範、小模型照著學;推理模型是回答之前先把步驟走一遍;專家混合是裡面分很多組,每次只叫醒幾組。後半是跑在哪裡。GPU 是一千個幫手同時做簡單的事,CPU 是一個聰明的人照順序做完;雲端是用別人的機器按用量付錢,地端是架在自己公司、資料不出門。完全正確。以後聽到公司要導入 AI,你只要問兩句話:要多聰明,還有資料能不能出公司。


企業級智庫引擎。讓公司的知識,答得出來、查得到、帶不走。


2026年8月11日 星期二

[AI 分享] 善用 CLAUDE.md 與 AGENTS.md 提升 AI 開發效率

[AI 分享] 善用 CLAUDE.md 與 AGENTS.md 提升 AI 開發效率

摘要 : 建立精簡且分層的專案指令,降低溝通與上下文成本


內容:

CLAUDE.md 與 Codex 的 AGENTS.md 功能相近,會在對話開始時自動載入 AI 的 Context Window,成為執行任務的重要指引。設定完善後,便不必在每次新對話中重複說明專案架構、開發規範與工作偏好。


這類指令檔可分為不同層級。User Level 適合放置跨專案通用的個人偏好,例如使用繁體中文、採第一性原理思考,或以金字塔原理組織輸出;Project Level 則記錄整個專案共用的規則,並可隨程式碼提交至 Git,確保團隊使用一致標準。若有不想分享的個人設定,可改放在本機專用的 CLAUDE.local.md。


專案子資料夾也能設置 Nested Level 指令。例如前端使用 React 並遵循特定 UI 規範,後端使用 Python 與另一套開發邏輯,便可各自建立指令檔。AI 會依序疊加使用者、專案與子資料夾規則;距離工作檔案越近的設定,適用範圍越精準,對當前任務的影響也越直接。


建立第一份 CLAUDE.md 最簡單的方法,是在專案資料夾開啟 Claude Code 並輸入 /init。系統會掃描專案,自動整理用途、啟動方式、建置與測試流程、框架、目錄架構及開發規範,產生一份起始模板。


不過,/init 產生的內容往往過於完整。Claude 執行任務時本來就會透過探索機制查看資料夾與設定檔,因此能自行找到的資訊不必重複寫入。否則每次對話都會占用 Token 與 Context Window,專案變動後若未同步更新,還可能讓 AI 受到過期資訊誤導。


最佳做法是只保留 AI 無法自行推斷、容易做錯,或必須嚴格遵守的規則。先區分個人習慣、團隊標準與特定資料夾需求,再放入適當層級,並持續刪除重複、失效或低價值內容,才能有效運用有限的 Instruction Budget。

[AI 洞察] 用 AI 創造加薪籌碼

[AI 洞察] 用 AI 創造加薪籌碼

摘要 : AI 提升效率不等於加薪,關鍵在創造價值、建立稀缺性與提升議價權。


內容:

學會 Copilot、Codex 等 AI 工具,雖能大幅縮短工時,卻不代表薪水會增加。研究發現,工作者透過生成式 AI 省下的時間,約有 85% 又被用來處理其他工作。對公司而言,效率提升往往只代表你能承擔更多任務,而非理所當然值得更高薪資。


薪水的本質,是公司為了解決特定問題而購買你能力的市場價格。能力要漲價,通常必須符合兩個條件:一是替公司創造新的商業價值,例如增加收入或降低成本;二是具備難以取代的稀缺性。前者決定談判桌上的餅有多大,後者決定你能分到多少。


因此,不要只問「哪些工作可以交給 AI」,而要問「公司最頭痛、長期無法解決的問題是什麼」。即使把一份沒人採用的報告從八小時縮短到一小時,其商業價值仍可能是零;若能藉由 AI 找出市場機會、帶進新客戶、減少錯誤或加快關鍵決策,效率才會轉化為加薪籌碼。


具體可從四處尋找機會:正在浪費公司金錢的事項、讓客戶或同事等待的流程、反覆出現的錯誤,以及因資料混亂而延誤的決策。同時,應把成果轉化為明確數字,說清楚原有問題、改善幅度、商業效益與自己承擔的責任,讓決策者看見你的貢獻並確認這套價值需要你持續維護。


但創造價值後,公司通常不會主動加薪,你仍須開口談判。依「納許議價」概念,薪資可視為「個人退路」加上「從合作剩餘中分得的部分」。退路是離職後仍能取得的收入;合作剩餘則是你與公司繼續合作,相較於雙方各自另尋選擇所多創造的價值。價值決定餅的大小,稀缺性、外部 offer 與承受談判破裂的能力,則決定議價權。


提高薪資可從四個方向著手:取得更好的外部 offer,或用 AI 發展副業與個人品牌以提高退路;解決真正的商業痛點,把合作創造的餅做大;建立難以複製的流程、判斷與跨部門影響力,提高公司失去你的代價;最後,以量化成果和可行退路主動談判。AI 本身不是加薪理由,能用它創造可衡量且難以取代的價值,才是真正的籌碼。

[AI 通透] 見山三境與人生智慧

[AI 通透] 見山三境與人生智慧

摘要 : 從欲望、自律到自在,體悟不執著且不失善意的人生境界。


內容:

「見山是山」是凡夫之境:看見炸雞便想吃,因欲望而沉迷,難以管束自己,只知道拿起。


「見山不是山」是賢者之境:明白炸雞熱量高,認為長久健康勝過一時口腹之欲,因此克制自己、選擇放下。


「見山還是山」則是自在之境:既知道它美味,也清楚它的負擔,吃與不吃皆能隨心。吃並非受饞念驅使,不吃也不是出於畏懼;吃了不嫌油膩,不吃亦不再惦記。


做人也是如此。年輕時只看表面,輕易區分好壞;歷經世事後,才懂人心複雜,好人也會犯錯,惡人亦可能有難言之隱。


真正通透,是明白人無絕對善惡,願意包容差異、放下偏見。看透世事卻不冷漠,歷經滄桑仍保有善意;先著相,再破相,最終不執不破,回歸本心與自在。

[AI 分享] 普通人成為 AI 高手的三個關鍵步驟

[AI 分享] 普通人成為 AI 高手的三個關鍵步驟

摘要 : 從代理工具、功能型 Skill 與情境管理,建立高效 AI 工作流。



內容:

普通人想成為 AI 高手,可以從三個關鍵步驟開始。這套方法來自兩年多的培訓、教學與實際案例總結:


第一,停止只使用 ChatGPT 這類聊天工具,開始使用 Codex、Claude Code、Cursor 等 Agentic 工具。


第二,學會撰寫實用的 Skill,而且重點不是改變語氣或風格的「風格型 Skill」,而是能夠完成具體任務、串接完整流程的「功能型 Skill」。


第三,管理好自己的 Context,讓 AI 能夠掌握工作背景、檔案、工具、流程與歷史操作。


這三步也涵蓋了近期熱門的 Harness Engineering、Loop Engineering 等概念。這些技術值得了解,但真正能對日常工作產生幫助的核心方法,其實已經融入上述三個步驟之中。


經過大量教學與實務案例驗證,如果能做好這三步,就有機會真正成為 AI 高手;反之,AI 的使用方式會存在明顯缺陷,能力上限也容易受限。


其中,第一步尤其重要,因為它幾乎決定了一個人是否理解當前 AI 的真正能力,也會影響 AI 帶來的是約 30% 的效率提升,還是十倍、甚至百倍的改變。


Andrej Karpathy 曾指出,AI 的使用者正在走向兩條不同的路線。一部分人仍使用免費聊天工具,每天只和 AI 對話,因此對 AI 能力的理解相對有限;另一部分人則開始使用 Codex、Claude Code、Cursor 等工具,實際體驗 AI 能力的高度與工作方式的變化。


目前仍有許多人尚未使用過 AI,而在已經使用 AI 的族群中,絕大多數也只停留在聊天階段。真正開始使用 Agentic 工具的人,可能僅占極少數,但這類工具其實已經適合更多人使用。


Chat 工具的基本模式,是使用者提出問題,AI 再回傳一個答案。Agentic 工具雖然同樣可以透過對話操作,但差別在於,它不只回答問題,還能直接執行工作,調度雲端模型、本機工具、運算資源及其他模型來完成任務。


一般聊天工具能做的事情,Agentic 工具大多也能完成。例如,要求 AI 根據對使用者的理解,製作一組 Instagram 九宮格內容,ChatGPT 可以生成,Codex 同樣可以處理。換句話說,Chat 的能力基本上只是 Agentic 工具能力的一部分。


Agentic 工具額外具備三項重要能力。


第一,是調度本機檔案與工具。它能在本機撰寫並保留程式碼,也能下載及使用各種開源工具。舉例來說,當 AI 產出的簡報精度不足時,可以要求它自行下載開源工具,再透過該工具製作更高品質的 PPT。使用者不再受限於聊天視窗內建的功能,理論上可以讓 AI 操作電腦中可用的各種工具。


第二,是灌注大量 Context,並透過 Skill 執行複雜流程。例如,只需要對 Codex 說一句「執行我的 post-production skill」,AI 就能在背後完成多個步驟,包括:


1. 在本機進行檔案轉碼,將影片轉成音訊。  

2. 調度本機的通義千問模型完成轉錄。  

3. 使用 Codex Command Line Tool 精校逐字稿。  

4. 若內容為訪談,透過 Python 與 Pyannote 等開源工具辨識聲紋。  

5. 標示主持人與來賓各自的發言。  

6. 執行多組 AI Loop,找出觀眾感興趣的高光片段。  

7. 產生標題、封面方向及相關截圖。  

8. 整理發布文案與製作說明。  

9. 將成果彙整至 Google 文件,供來賓預覽與確認。


最終產出的文件可以包含正文文章、高光剪輯地圖、標題與封面、發布文案,以及完整製作說明。原本需要多人、多工具協作的後製工作,可以被濃縮成一句自然語言指令。


另一個案例,是將 YouTube 影片轉製成 Podcast。當某支原本公開的 YouTube 影片改為會員限定內容後,只要告訴 Agentic 工具:「把這段 Podcast 刪除,因為它已經從公開內容轉為會員內容。」工具便能理解既有的本機工作流、操作 Podcast 後台,找到指定集數,再將其由公開狀態改為非公開。


這類任務難以單靠一般 ChatGPT 對話完成,因為聊天工具通常無法直接取得本機工具、完整工作脈絡、登入狀態與相關金鑰,也就無法代替使用者執行實際操作。


第三,是讓每一次操作繼續累積成新的 Context。以自動發布 Twitter 內容為例,原本已建立一套流程,可以將本機內容整理成文案,再按照指定時間自動發布。若檢查後對內容不滿意,只需要告訴 AI,希望加入更多英文內容,並花更多時間改善品質。


Agentic 工具便能依據回饋重新建構工作流,把既有內容整理成約 50 則 Twitter 貼文,再重新安排定時發布。先前的工具、流程與操作紀錄都能成為後續任務的基礎,使整套系統持續改善。


如今,Agentic 工具的使用體驗已經非常接近一般聊天工具。使用者不一定要撰寫程式碼,也不需要詳細規定程式應該如何實作,只要清楚說明希望達成的目標,AI 就能自行選擇工具、拆解步驟並執行工作。

2026年8月7日 星期五

30種企業知識庫應用 30 公部門與公營事業

第一個月承辦說缺文件,第三個月輪調後說前一份不用、要補另一份,第四個月代理的人說案子性質改變要換法條重審——三個人都依法辦理、都拿得出依據,歷時四個月,民眾投書。 這一集示範怎麼把「這則函釋影響了我們哪些既有做法」問成一次多跳查詢,一路帶出曾被糾正的前例;以及四條在公部門不能退讓的鐵則,包括它只能是內部知識管理,不作為行政處分依據。


這裡是智庫引擎,專為企業設計的知識庫。本集是這個系列的最後一集,我們走進公部門與公營事業。

畫面上這個問句,大概是每個機關都遇過的事:承辦換人,案子為何總要從頭再來?

底下那段引言,把整件事講得很完整——輪調是制度,斷層是代價。而這個代價,一直是民眾在付。

請注意,這一集不會主張取消輪調。輪調有它的道理,也不會改。我們要處理的是後面那半句:怎麼讓斷層的代價,不要落在民眾身上。

我們從民眾的角度看一件案子。

第一個月,承辦 A 說缺文件,民眾就去補件。

第三個月,承辦輪調了,承辦 B 說:前一份不需要,要補另外一份。民眾再補一次。

第四個月,承辦 B 也不在,代理的承辦 C 說:這個案子性質改變了,要換法條重新審查。

歷時四個月,民眾投書。

畫面右下角那一格請一定要看清楚:三個人都沒錯。每一位都依法辦理,每一位都拿得出依據。

錯在「以前這種案子是怎麼辦的」從來沒有被寫下來,只存在於歷任承辦的記憶中。

所以這不是態度問題,也不是誰不用心。是那個資訊根本沒有一個地方在放。

而且請注意,這件事對機關來說也是損失。四個月的往返,機關這邊也重複審查了三次,還多收了一封投書。民眾累,承辦也累,只有那份「以前怎麼辦的」一直沒有出現。

那交接的時候不是有清單嗎?

這一頁把清單拆成兩半。

左邊是留得下來的,都是狀態:案件清單、待辦事項、實體公文、檔案位置。這一半其實做得很好。公部門的檔案管理,通常比多數民間企業嚴謹。

右邊是帶不走的,都是判斷:一貫見解、上級口頭指示、跨機關協調默契,還有法規與函釋的網狀關係。

四項裡面沒有一項寫在紙上。

中間那位科長的話講得非常精準:我們的檔案管理很完整,每一份公文都在。但公文告訴你「辦了什麼」,不會告訴你「為什麼這樣辦」。

畫面最底下這句話,就是這一集的診斷:公部門的知識問題,不是沒有紀錄,是紀錄裡沒有判斷。

這個診斷很關鍵,因為它決定了處方。如果診斷是「紀錄不足」,那就再加幾份表;但真正缺的那四項,加表格是加不出來的。

判斷散在哪裡?

畫面上這張圖畫得很清楚。中間那個檔案系統,接得住的只有兩種東西:公文跟簽呈。

上面漂著三塊接不住的:函釋、會議紀錄與電話,還有承辦人的大腦。第三塊最麻煩,因為它會走。

畫面中間那一行是這一頁的重點:法規與函釋是網狀的。一則新的函釋,可能同時修正三項既有的見解——而它們之間的關係,沒有人在維護。

所以底下那句結論才成立:問題不在交接不確實,在於歷任判斷的「關係」無法被查詢。

請記住「關係」這兩個字,這一集後半都在講怎麼把它找回來。

順帶一提,這也是為什麼「把公文全部數位化」解決不了這件事——公文數位化之後,還是一份一份的公文,關係依然沒有人維護。

那要怎麼把關係找回來?

先從產線講起。

畫面左邊是原料區,四種:法規條文、上級函釋、簽辦要旨,還有會議錄音。

請注意第三項跟第四項。簽辦要旨裡藏著承辦當時的判斷,會議錄音裡藏著協調的默契——這兩種東西平常不會有人回頭去看。

中間是蒸餾區:去掉贅字,把民眾姓名、身分證字號這些個資蓋掉,然後分類、摘要。

右邊是產出區:可以互相連結的概念頁,還有歷任的判斷。

畫面最底下那句話請記住:這不是雲端硬碟,也不是把檔案丟給人工智慧就算數,它是一條把原料煉成可查詢知識的產線。

關係是怎麼被抽出來的?

這一頁是全集技術含量最高、但也最好懂的一頁。

畫面左邊是一段很典型的公文文字:依某年函釋規定,將限縮原第某條之適用範圍。若遇特定情形,須先函詢上級機關。

這段話人看得懂,但沒辦法查。

畫面右邊是抽出來的結果,變成兩組關係。

第一組:某年函釋,限縮,第某條之適用。

第二組:特定情形,須先函詢,上級機關。

請注意中間那兩個括號裡的詞——限縮、須先函詢。那就是「關係」。

畫面最底下那句話說明了它的價值:系統從核可過的知識頁裡抽出實體與關係,自己建立一套機關專屬的微型邏輯網。

機關專屬這四個字很重要:這張網不是通用的,它長的是您們機關的樣子。

別的機關對同一條法規可能有不同的一貫見解,那不是誰對誰錯,那是各自累積出來的實務。所以這張網不能外面買現成的。

有了那張網,能做什麼?

畫面上左右對照。

左邊是一般搜尋,它只能回答一件事:跟這句話最像的內容是哪幾段?

這種搜尋撈回來的是一堆文件,還是要人自己讀、自己判斷。

右邊叫圖譜多跳查詢。它回答的是:這則函釋影響了我們哪些既有做法?

底下那條路徑就是它走的路:函釋限縮了條文,條文改變了案件類型,這類案件須要函詢,函詢時機關聯到曾經被糾正的前例。

四次跳躍,走到了一個沒有人問過、但非常關鍵的地方——曾被糾正的前例。

這正是第四頁講的「網狀關係」。

一般搜尋走不到第二跳,因為它只比對相似度,不認得關係。

換個角度看:左邊那種搜尋的使用者,還是得靠自己的經驗把線串起來——而新來的承辦,缺的正是那個經驗。

實際用起來是什麼樣子?

畫面上是一位新人上任第一個月的提問。

他問:這類案件要適用哪一條?要不要函詢?

回答分成兩塊。

第一塊:原則依第某條辦理;但若同時涉及特定情形,依某年函釋應改依另一條處理,而且須先函詢上級。

第二塊是關鍵:過去曾有未經函詢逕行核准而遭糾正之案例。

這一句,新人不可能自己想到要問。是那張關係網把它帶出來的。

底下附了出處:某年函釋,加上業務研討會議錄音的逐字稿第二十二分鐘。

畫面最底下那句話值得念完:新人熟悉業務的時間縮短三成到五成。同樣一件案子,一個從頭再來,一個接著往下。

這一頁是誠實話,四個鐵則,缺一不可。

第一,關係是系統提出來的,要人核可才生效。畫面上寫得很直接:機器說的不能直接當依據,這道人工是必要的。

第二,知識頁要先被審核,才能抽出關係。所以導入的時候必須指定審核人,而且要排進常態的工作分配裡,不能靠加班或靠自願。

第三,系統不會自動偵測法規異動。標記「已過時」這件事,還是要靠機關的標準流程去更新。

第四,也是最重要的一條:這是純內部的知識管理,不是行政處分的依據。個案的法律適用,仍然應該依法令與權責程序辦理。

第四條請務必念清楚——它是這套系統在公部門能不能用的前提。

把這四條合起來看,它們其實在講同一件事:系統負責把該看的資料擺到承辦面前,但決定怎麼辦的,永遠是人。

這四條也是導入計畫書裡一定要寫進去的四句話,因為審查的人一定會問。

最後這一頁的問題,請帶回科裡問一次:您們科裡的處理慣例,寫在哪裡?

底下那句話很有畫面:十年下來,輪調清空了記憶三到四次。

三到四次,等於同一套判斷被重新摸索了三到四次,而每一次的成本,都是民眾在付。

右邊是三個可以先盤點的問題。

第一,函釋與簽辦要旨目前怎麼存?

第二,哪一類案件最常見解不一?

第三,從哪個業務項目開始試點?

建議從第二題那類案件開始——最常見解不一的,就是最需要一貫見解的。

畫面最底下那行小字要念清楚:本集情境為示範案例,數字是導入目標與合理預期;這套系統是內部知識管理工具,不作為行政處分的依據,也不提供法律意見。

三十種行業,我們一路走到這裡。

這裡是智庫引擎,感謝您的收看。

30種企業知識庫應用-01-精密機械與工具機製造

30種企業知識庫應用-02-電子製造代工

30種企業知識庫應用-03-化工與塗料材料

30種企業知識庫應用-04-食品加工

30種企業知識庫應用-05-紡織與成衣染整

30種企業知識庫應用-06-模具製造

30種企業知識庫應用-07-半導體與自動化設備商

30種企業知識庫應用-08-金屬加工與表面處理

30種企業知識庫應用-09-營建與土木工程

30種企業知識庫應用-10-機電空調工程

30種企業知識庫應用-11-建築師與室內設計事務所

30種企業知識庫應用-12-醫院與診所體系

30種企業知識庫應用-13-長照與照護機構

30種企業知識庫應用 14 製藥與醫療器材

30種企業知識庫應用 15 會計師事務所

30種企業知識庫應用 16 律師事務所

30種企業知識庫應用 17 管理顧問公司

30種企業知識庫應用 18 人力資源顧問與人力派遣

30種企業知識庫應用 19 廣告與行銷代理商

30種企業知識庫應用 20 系統整合商

30種企業知識庫應用 21 軟體與SaaS公司

30種企業知識庫應用 22 資訊委外與MSP

30種企業知識庫應用 23 銀行與金融機構

30種企業知識庫應用 24 保險經紀與代理

30種企業知識庫應用 25 證券與投顧

30種企業知識庫應用 26 連鎖餐飲

30種企業知識庫應用 27 零售與電商

30種企業知識庫應用 28 物流與倉儲

30種企業知識庫應用 29 旅宿與飯店集團

30種企業知識庫應用 30 公部門與公營事業

30種企業知識庫應用 29 旅宿與飯店集團

同一位常客、同一個品牌,A 館依集團最新會員辦法免收提前退房費用,B 館依三年前開幕的前檯手冊收半天房價——兩位同仁都照規定做、都拿得出依據,但十年建立的品牌承諾就在那個櫃檯前破裂了。 這一集示範怎麼讓九家館的前檯問同一句話得到同一個附出處的答案,以及管理者該用的另一種問法:「我們有哪些做法不一致」——還有為什麼系統說「沒有分歧」時,要先確認那一館的文件進來了沒有。


這裡是智庫引擎,專為企業設計的知識庫。本集我們走進旅宿與飯店集團。

畫面上這一句是這一集的目標:讓九家館說同一句話。副標點出了它跟品牌的關係——品牌承諾,與知識庫產線化。

您看畫面下方那張圖:左邊是好幾條各自岔開的線,穿過中間那個三稜鏡之後,收束成一道金色的直線。這一集要談的,就是中間那個三稜鏡怎麼做出來。

因為連鎖旅宿賣的從來不是九家館,是同一個品牌。

我們看一位常客的兩次住宿。

同一個品牌、同樣的情況:提前退房。

A 館說:依集團會員權益,為您直接免收提前退房費用。

B 館說:依我們前檯規定,需向您收取半天房價。

中間那個徽章從中裂開,畫得非常傳神。

畫面最底下那段話請一定要看清楚:這不是員工違規。A 館依循的是集團最新的會員辦法,B 館依循的是三年前開幕時的前檯手冊。兩位同仁都照著規定做,而且都能拿出依據。

但對客人來說,他感受到的不是兩份文件的落差,是「這家可以,那家不行」。

十年建立的品牌承諾,就在那個櫃檯前破裂了。

而且這位客人回去以後,不會去查是哪一本手冊比較舊。他只會記得一件事:這個品牌,看你遇到誰。

為什麼會偏移?

畫面上這張圖很值得看。最左邊那條粗線叫「品牌絕對真相」,一開始只有一條。但它每經過一個關卡就分岔一次,到了第四個關卡,已經散成一片。

第一關,地方慣性:隨著時間發展出來的在地做法,還有店經理個人的風格。

第二關,點狀更新。總部發布的是單點規定,九家館各自解讀怎麼落地,而且沒有網狀的回收。

第三關,師徒制傳承。第一線只學前輩教的,而前輩用的是三年前的版本。

第四關,缺乏全景。營運部可以抽查某一份文件,但沒辦法一眼看穿全集團的差異。

副標那句話是整頁的結論:這個難題從來不是規定寫得不夠清楚,而是規定太多、版本太雜,而且沒有人擁有全景視角。

請特別注意第四關。前面三關造成的是差異,第四關造成的是「差異看不見」——而看不見的差異,就沒有辦法管理。

那要怎麼解?

很多集團的第一反應是:再發一本統一版的手冊。但那只會變成第十本手冊,而前面九本都還在。

畫面上這條產線才是解法,分三個階段。

第一階段是原料,四種:集團辦法、各館手冊、會議錄音、客訴紀錄。

請特別注意最後兩項。會議錄音跟客訴紀錄從來沒有進過任何一本手冊,但真正的做法差異,往往就藏在那裡。

第二階段是處理:清洗、把客人姓名與訂單資訊蓋掉、然後分類與摘要。

第三階段的產出,就是可以查詢的知識。

副標那句話請記住:知識庫不是雲端硬碟,更不是把檔案丟給人工智慧,它是把發散的原始資料,清洗、蒸餾成單一真相的處理器。

差別在於:硬碟會讓九本手冊變成九個檔案,而產線會讓九本手冊變成一個答案。

收斂之後長什麼樣子?

畫面上方三個來源:集團會員辦法、某月營運會議紀錄、B 館作業手冊。

這三份東西過去互不相識,現在被收斂成中間那一頁:提前退房收費標準。

畫面下方是實際使用的樣子。前檯輸入一句日常的話:客人提前退房要收費嗎?

答案跳出來:白金級以上免收;一般會員收半日房價;不可抗力因素一律不收費。

請注意這個答案有三層——它沒有簡化成「要收」或「不收」,而是把條件講清楚。這一點很重要,因為第二頁那兩位同仁其實都只拿到了其中一層。

副標那句話是這一頁的價值:全集團的前檯輸入同樣的問題,得到的都是同一個精準、而且附帶出處的標準答案。

不過只解決第一線,還只做了一半。

這一頁講兩種完全不同的問法。

畫面左邊是第一線視角,叫精確問法。使用者是各館前檯,目的是解決當下的客流,問的是「提前退房要收費嗎」,系統給的是單一標準解答。

畫面右邊是管理者視角,叫綜觀問法。使用者是營運總監與稽核團隊,目的是盤點全域的落差。

他問的問題長這樣:我們九家館在前檯作業上,有哪些做法不一致?

這一句跟左邊那一句,本質上完全不同——左邊是找答案,右邊是找差異。

副標那句話點得很準:多數工具只解決了第一線的需求,卻忽略了管理者的稽核全景。

而第三頁那個「缺乏全景」的問題,就是靠右邊這種問法補起來的。

過去營運總監要回答這個問題,只能派人一館一館去抽查,一輪跑完要好幾週,而且跑完的當下就開始過期。

綜觀問法要有稽核價值,底層必須守住三條規則。

畫面右邊三條。

第一,前提是已核可。只有經過審查的知識頁,才會進入全域的摘要。

這一條有個很重要的推論:導入初期如果問不出差異,代表知識還在累積,不是系統失效。這句話要先講,不然第一週就會有人說沒有用。

第二,權限絕對嚴格。摘要是跨來源生成的,唯有使用者的權限涵蓋所有底層來源時,那份摘要才看得到。

畫面左邊那個立體圖就是這個意思:集團營運看得到全部,館別經理只看得到自己的館。

第三,只算匯入的帳。系統絕不瞎猜——某一館的手冊沒有匯進來,它就不會出現在盤點結果裡。

所以當系統說「沒有分歧」,您第一件要確認的事,是那一館的文件到底進來了沒有。

這三條合起來就是標題那六個字:寧可少給,不會多給。

在稽核的場合,少給只是資訊不足,多給是會出事的。

這一頁只有一句話,但它是整集的中心思想。

一致性,不是寫出來的,而是算出來的。

過去我們處理一致性的方法是「寫」——寫一份更清楚的規定、發一次更嚴格的公告。但寫出來的東西一落到九家館,就開始各自解讀,這是第三頁講過的。

畫面上那個天平也很有意思:左邊是九家館,右邊是一個品牌徽章,兩邊是平的。

底下兩句話請對照著念。

沒有知識庫的時候,客人的體驗是:這家可以,那家不行,看你遇到誰。

有了運算能力之後,客人感受到的是:不管住哪一家,規則都一樣。

品牌的價值,其實就藏在後面這一句裡。

連鎖旅宿真正在賣的,是可預期性。客人願意多付的那一段價差,買的就是「我知道會遇到什麼」。

導入之後會有什麼變化?

畫面上三個圈。

左邊,稽核週期縮短。跨館作業歧異的盤點,從數週的高勞力消耗,縮短到數天。

中間,查找效率提升。第一線查集團規定的時間,下降五成以上。

右邊,品牌傷害止損。顯著減少因為跨館標準不一而引發的客訴與負面評論。

第三項其實最難算,但它是最貴的一項——一則負面評論的壽命,比任何一次客訴都長。

副標那句話是這一頁真正的重點:把管理精力從「找規定」轉移到「優化服務」。

畫面最底下那行小字也要念:這些是導入目標與合理預期,實際成效取決於匯入的範圍,還有核可的紀律。

最後這一頁,是一個請您帶回集團的問題:您們的九家館,目前有幾件事是各做各的?

底下那兩句話很銳利:這個問題,現在沒有人答得出來。而客人,通常會剛好遇到那一件。

這正是這一集最想講的事——差異不會平均分布,它會集中在客人最在意的那幾件事上。

如果想開始,我們可以一起評估導入的範圍,小規模先試做一個,找出最容易產生落差的那幾項作業。

建議從退房、加床、寵物、發票這種每天都在處理的事情開始,落差最容易看出來。

聯絡方式就在畫面上。

這裡是智庫引擎,我們下一集見。

30種企業知識庫應用-01-精密機械與工具機製造

30種企業知識庫應用-02-電子製造代工

30種企業知識庫應用-03-化工與塗料材料

30種企業知識庫應用-04-食品加工

30種企業知識庫應用-05-紡織與成衣染整

30種企業知識庫應用-06-模具製造

30種企業知識庫應用-07-半導體與自動化設備商

30種企業知識庫應用-08-金屬加工與表面處理

30種企業知識庫應用-09-營建與土木工程

30種企業知識庫應用-10-機電空調工程

30種企業知識庫應用-11-建築師與室內設計事務所

30種企業知識庫應用-12-醫院與診所體系

30種企業知識庫應用-13-長照與照護機構

30種企業知識庫應用 14 製藥與醫療器材

30種企業知識庫應用 15 會計師事務所

30種企業知識庫應用 16 律師事務所

30種企業知識庫應用 17 管理顧問公司

30種企業知識庫應用 18 人力資源顧問與人力派遣

30種企業知識庫應用 19 廣告與行銷代理商

30種企業知識庫應用 20 系統整合商

30種企業知識庫應用 21 軟體與SaaS公司

30種企業知識庫應用 22 資訊委外與MSP

30種企業知識庫應用 23 銀行與金融機構

30種企業知識庫應用 24 保險經紀與代理

30種企業知識庫應用 25 證券與投顧

30種企業知識庫應用 26 連鎖餐飲

30種企業知識庫應用 27 零售與電商

30種企業知識庫應用 28 物流與倉儲

30種企業知識庫應用 29 旅宿與飯店集團

30種企業知識庫應用 30 公部門與公營事業