我是工程師，平常幫客戶做 WordPress 客製化跟 WooCommerce 金流串接。前陣子我發現一件有趣的事：身邊不是工程師的朋友也天天在追 AI，但他們用 AI 的方式，跟我們工程師完全是兩套邏輯。
最明顯的差別，是他們常常把同一件麻煩事，一次又一次重新講給 AI 聽。我看了會忍不住想：這個流程明明可以一次設定好，為什麼每次都要從零開始？後來我才理解，問題不在他們不會用，而在於——你只是在「用」AI，還是在「教」AI。
這就是這篇想聊的事。教 AI 不是把它串進 n8n、Zapier 讓它自動跑，而是先搞懂這個學生怎麼運作，再用一套固定的原則、記憶跟技能，把它養成記得住你、能自己幹活的工作夥伴。這套東西，就是真正屬於你的 AI 工作流。
準備這場分享的時候，我一直在跟 AI 討論一件事：今天的聽眾是誰、他們的背景、習慣、職業跟年紀。我想設計一份最貼近現場的內容，而這個過程其實就是我平常跟 AI 相處的方式——先搞懂它的個性、它的壞習慣、它怎麼學習，再決定怎麼教它。
所以接下來我把 AI 當成一個剛來報到的學生，從五個角度看它：它的個性、它的壞習慣、它的學習方式、它的記憶方式，還有如何讓它自主學習。
學生的個性：大型語言模型只是在玩文字接龍
先看一行字：當你把一個問題丟給 ChatGPT，它心裡冒出什麼？
答案是，它在猜下一個字。AI 收到問題後，會先把你的句子切成很多小段落，這個段落有個名字叫 Token，切好之後送進放著模型的伺服器，做非常大量的數學運算，再根據機率算出後面每一個字最可能接什麼。
所以它本質上就是一台文字接龍機器，只是這台機器用上了大量的 GPU 顯卡跟主機資源，耗電到不行，才能算出一個看似平常的答案。它不會思考，也沒有任何想法。
它為什麼接得這麼準？因為這些大型語言模型公司在訓練時，會把網路上收得到的資料全部掃進去。早一點的 GPT-3.5 光預訓練就有 45TB 的資料量，現在最新的模型更是天文數字。各家公司再用自己的風格去微調，調出消費者喜歡的個性——這也是為什麼 GPT-4.5 被拿掉時很多人喊著要回來，覺得它比較溫和。模型的「個性」不是天生的，是被調教出來迎合市場口味的。
講到模型怎麼吐答案，我每次都想到《賭俠》。劉德華演的陳小刀被壞人海珊陷害，為了復仇上了賊船打慈善撲克王大賽，陳小刀在底牌塞了根黑色牙籤，牙籤尖尖的，監視器掃過去就會把牌面的機率算偏，讓莊家誤以為他的底牌是 A。
那根牙籤，就是我們每天下的提示詞。你問的方式會直接把模型的機率往某個方向帶，所以想要好答案，得從「怎麼問」開始引導它——這也是為什麼 AI 提示詞這件事這麼關鍵。
學生的壞習慣：AI 也有 ADHD
把 AI 當學生看，它其實有一身壞習慣，活脫脫就是現在很常聽到的注意力不足過動（ADHD）。
最有名的換習慣是幻覺。早期我曾經問 ChatGPT「怎麼開發哆啦 A 夢的竹蜻蜓」，它煞有其事地跟我講要先消除阻值、計算流體力學、空氣力學、地心引力，問題是它根本不知道這些字之間有沒有真實的物理關聯，它只是把機率算出來，把結果丟給你。
這個狀況現在改善很多，但不是因為模型本身變聰明，而是現在的 AI 工具加了很多約束去攔截它亂猜。所以我自己的預設是：AI 寫出來的東西，先不要相信，它只是在接龍，靠的就是機率，跟那根牙籤一樣會讓你誤判。
第二個壞習慣是馬屁精。每個模型都是被訓練成「讓大眾喜歡用、覺得它很懂我」的，所以當你問誘導性的問題——「你覺得呢？」「這樣好嗎？」「你確定嗎？」——它會迎合你。我曾經連問三次「你確定嗎」，它的立場就一路改，從堅持到道歉，再到推翻自己。
幻覺跟馬屁，本質是同一個問題：對它來說，「你確定嗎」後面該接什麼字才是它在算的東西，它並不懂你真正想確認的是資料對不對。所以與其問「你確定嗎」，正確的問法是：「請上網搜尋真實資料、查證結果並附上來源。」用客觀的第三方資料逼它核對，才能盡量避開幻覺跟馬屁。
除此之外，它還很健忘、注意力不集中，又莫名自信。
健忘，是因為模型本身沒有任何儲存記憶的功能，現在感覺它記得事情，全都是外面的對話工具幫它記的。
注意力不集中，是因為模型每次問答都有一段「上下文」，這段上下文的長短決定它記得多少。像我以前常常把一個問題跟 AI 聊三天三夜，上下文早就爆掉了。AI 一旦超出負荷就會壓縮，而壓縮常常會漏掉那些我們覺得重要、它卻判斷可以丟掉的細節。
至於莫名自信，就跟前面講的一樣——它覺得機率有 78%，就當成一定對。
學生的學習方式：三種「教」AI 的方法
知道它的個性跟壞習慣，接下來才是重點：我們怎麼影響它回答的內容。這也是我跟 AI 合作開發這幾年一直在練的事，業界常見有三種做法。
第一種是微調模型。各大模型公司都有提供 API，讓你用自己的資料去調整模型。下圖中這個 Google 的 Vertex AI，是我幫一位客戶做的海洋攝影平台：海洋攝影師只拍漂亮的物種，卻不知道那是什麼；海洋研究員想知道台灣周邊出現了哪些物種，又不是每個人都愛潛水。
我們的做法是上傳各種海膽照片、一一打標籤、給信心指數，讓模型學會判斷「這張是不是某種海膽」，每個結果都帶一個百分比，再由研究員人工介入修正。微調的成本偏高，走的是企業路線。
第二種是 RAG（檢索增強生成）。聽起來複雜，其實你可能天天在用——NotebookLM 就是用這套邏輯做的筆記系統。你餵資料給它，它會把資料跟你的問題都切成段落，用數學去算段落之間的距離，距離夠近就判斷「使用者問的就是資料庫裡這一題」。好處是它的回答被限制在資料庫範圍內，查不到就回答不知道，不會自己掰。現在很多客服機器人就是這樣做的。
第三種，也是我們個人最用得到的，是透過提示詞給 AI 工具下原則。回到個人場景，有三個小技巧能讓 AI 的回答跟原廠設定不一樣：
- 角色設定：請它扮演指定對象。假設我想做簡報，我會跟它說「你是一位看過每一場 Apple 發表會的簡報設計大師」，講清楚情境、對象、目標跟限制，而不是丟一句模糊的指令。
- 提供背景知識與範例：我會去翻書，把重點拍下來餵給它，跟它說做簡報時幫我記住這幾個原則，下次它就會照著參考。
- 要求結構化輸出：前提是你得知道自己要什麼。如果你連自己要什麼都不知道，它丟回來的東西你還得自己想、自己整理，反而更累。
學生的記憶方式：用 CLAUDE.md、Memory 與 Skill 教 AI
問題來了，每次都要重設定角色、重講原則，很麻煩。
這時候就要導入 AI 怎麼記憶的機制。我用一個基本原則檔，加上三、四個我自己天天在用的方向來解釋。
第一個是 AGENTS.md，你可以把它想成你給 AI 的最高指導原則，每次對話它都會先載入。這個檔在不同工具裡名字不太一樣：在 Claude 裡叫 CLAUDE.md，在 OpenAI 的 Codex 裡叫 AGENTS.md，做的事都一樣——讓 AI 每次回答前先知道這些基本原則。
但有個重點，基本原則裡只放「不會變」的東西，不要放會一直變動的資料。
像是待辦清單、專案細節、流程（例如叫它先去 Google Drive 抓資料），還有信箱登入密碼這種有資安疑慮的，都不該放進去。該放的是「你是專業客服人員」「回答一律用繁體中文」「報告先給三句重點摘要」「不要用 Emoji」這類固定原則。
這個原則其實有很多地方可以寫，而且有層級。以我自己用的 Claude Code 為例：
- 個人原則：放在
~/.claude/CLAUDE.md，跨所有專案都會套用，跟著你這個人走。 - 專案原則：放在專案目錄的
CLAUDE.md，通常會分享給團隊成員。 - 專案私有原則：放在
CLAUDE.local.md，只有你自己看得到，不會分享出去。
這裡有個坑，同一件事在不同層級可能會打架。假設我個人原則寫「用繁體中文」，後來又在某處寫「用英文」，它到底聽誰的？答案是——隨機，你沒辦法控制它讀到哪一個。所以我們得很謹慎地隨時檢視自己的原則，別讓它互相衝突，才不會冒出預期外的結果。
基本原則是我們手動寫的，但還有一個叫 Memory.md 的機制，是 AI 自己根據處理狀況把該記的東西記下來。你不主動講也沒關係，它會自己判斷哪些該記、哪些不該記，然後自動寫入。
它寫入的不是條列式內容，而是一個「索引檔」，有點像字典：關於某個記憶，請去參考哪一個檔案。好處是當專案很大、記憶很多時，它可以先載入索引，真的需要時再去讀對應的記憶檔，不會每次對話都被一大堆記憶塞滿上下文。
接下來是我覺得最實用的 Skill.md。你可以把一件事的完整流程整理在一份文件裡，需要時叫它讀這個 Skill，它就能完成特定任務。
我目前主要在用的 Skill，是把多年的工作習慣拆解成幾個關卡。比方說我有一個叫 plan 的計畫模式：接到客戶需求時先丟進去，它會幫我分析使用者是誰、目的是什麼、會牽涉到哪些操作介面跟後台機制，同時先掃描整個程式，避免它又寫一個新東西去處理既有功能，最後還會幫我寫好 user story。
更進一步，我把很多個 Skill 串成一套自己的 AI 工作流：
/plan（想清楚）接 /todo（讀 plan 產生的文件，先寫測試再執行），再接 /review（抓這次改動的盲點）、/verify（交付前整包掃一次）、/submit-review（上架前再過一次）。最後那個 submit-review 特別有用，我把過去外掛上架被官方退件的理由全部丟進去，跑這個 Skill 等於有個官方人員幫我先審一次，看哪裡漏了。這套關卡的完整設定，我整理在我的 AI 開發工作流那篇裡。
學生的自主學習：從 Sub-Agent 到 AI Agent 團隊戰
到這裡，AI 還是一個人在做事。更現代的玩法，是讓它變成一個會團隊戰的 AI Agent（機器人代理）。
講到團隊戰我又想到老電影《葉問》。日據時代，葉問對著日本將軍說「我要打十個」，然後一打十。AI 的代理概念有點像這樣：你對話的這個是「主代理」，它可以招募、指派很多個子代理（Sub-Agent）去做事。
Sub-Agent 就像主管交辦任務，每個人單打獨鬥、各做各的，彼此不溝通。它最大的用意是每個子代理有獨立的上下文——當主代理要做的事很雜，我不想讓某件事污染主代理的對話空間時，就開一個子代理去處理，讓它有更寬廣的空間做自己的事。我那套 todo 的 Skill 背後就是一個子代理在跑。
Agent Teams 再進一步：主管整理待辦事項，每個成員溝通後自己撿任務來做，還會互相挑戰「你做的東西對不對」。如果當年那十個日本兵會先討論戰術再上，葉問大概打不贏。多了協調跟互相挑戰，處理任務的角度就更完整。
最猛的是最近的 Dynamic Workflow（跨部門作業），一次可以拉出二、三十個 Agent，部門之間還會互相打槍上一個部門的提案。
前陣子我就請它分析我網站上跟客戶的所有對話紀錄（名字都遮蔽掉）、訂單、商品跟文章，幫我找出接下來可以開發的新產品或服務。它跑了 22 分鐘、總共動用 23 個 Agent，中間經過抓資料、分析、提案、驗證、合成報告幾個階段，每個階段都有十到二十個 Agent 在做事。
最特別的是它有一組專門打槍前面提案的 Agent，反覆驗證這次研究是不是真的站得住腳。結果九個看起來很厲害的提案，最後只留下一個。這種團隊運作強到讓我覺得以前自己寫的程式碼都是漏洞百出——它看東西的全面程度，根本不是人類比得上的。
當然，工具再強，我每次的實測心得都是：產出的東西你還是得自己下去檢查。很多東西要靠實務經驗才知道 AI 哪裡做錯了，所以我會先把一條線調好，再把它發散成更多條線。
善用 AI，拓展自己的認知邊界
繞了一圈，回到最開始那個問題：你只是在用 AI，還是在教 AI？
我因為 AI 學到很多 WordPress 更深層的開發方式跟理論，然後從自己做事的方式出發，去想有什麼工具適合我、有什麼解決方案，再鎖定適合的工具鑽研下去。工具會不斷推陳出新，今天有龍蝦、明天有 Hermes，但所有的出發點都該是你自己的需求，從需求出發，才找得到真正適合你的工具。這也呼應我之前寫的與其追逐工具迭代，不如用 AI 加深專業。
所以我認為，在 AI 這麼強的年代，培養一個專屬於自己的 AI 工作流，是很值得投資的事。先搞懂這個學生的個性跟壞習慣，再用原則、記憶跟技能慢慢教它，它就會從一個每次都要重講的陌生人，變成記得住你、能自己幹活的夥伴。