【AI x learning】 學習流程 × 完成標準：讓 AI 放大你的成果與能力

前言

AI會擴大你想完成的事情，同時也會放大你的缺點。當你學會駕馭它的方式，就是你變強的開始。

這是你嗎？

怡臻是一位目前正在準備轉職到一間環境友善產品的公司的行銷企劃，他最近正在準備相關的作品集，他想嘗試使用AI來提升自己作品的產出效率。

於是他打開了ChatGPT，輸入了：「請幫我產出一篇永續產品的行銷貼文，主題是綠色生活，希望是在700字以內。」

「貼文是完成了，但是這樣真的是一個好的行銷文案嗎？」他覺得AI真的有完成他的工作沒有錯，但是又有一種說不上來的空虛感跟焦慮感。

鏡頭轉向了柏諺，一位剛從大學畢業，對於資料科學很有興趣的學生。

因為現在資料分析與大數據相關的領域非常吃香，因此柏諺想自學python，然後把他運用在資料分析的領域中。

他想著想著就覺得自己的想法很具有前瞻性。

結果他站在墊腳石的電腦書櫃前，看著一整排「Python入門」、「資料科學實戰」、「AI程式設計」的書，完全不知道該選哪一本。

於是他決定讓AI先幫他來個初步篩選，於是打開了Copilot，輸入了：「我現在想要學習，在資料科學領域裡面應用的python知識，請幫我整理適合的學習資源。」

AI如他所願的整理了非常多的包含書籍以及線上課程，柏諺看完以後，覺得並沒有比起在書店裡面挑書還要來得輕鬆。

甚至他想到每一本python的書看起來都很厚，他要自己一個人看完跟學完已經痛苦萬分，萬一中間遇到了問題又沒有人可以問，到底應該怎麼辦？

以前是想學東西沒有管道跟資源可以學，結果當資源一多了以後，反而造成了另一種困擾。

接著畫面又轉向了子睿，他是一位經營個人品牌的自媒體工作者，主要在vocus分享的內容是生活紀錄和開箱分享，他最近開始嘗試使用AI來協助撰寫文章，希望能夠提升產量以及品質。

某一天子睿特別想要來聊聊關於睡前的儀式，以及這樣的儀式可以如何幫助睡眠，於是他打開了Gemini，輸入了一些希望文章討論的觀點以後，最後的起手語寫上：「請根據前面我提供的觀點，寫一篇關於睡前儀式感有助於睡眠的文章，語氣盡量溫柔。」

他看到AI很快就生成了一篇結構完整、語氣溫柔的文章，他覺得還不錯，於是就稍作修改發布到自己的部落格和社群平台。

過了沒多久他發現底下有一些讀者留言表示「這篇文章看起來就是AI文吧太明顯了吧！」、「這種文章都不知道看多少遍了，很像農場心靈雞湯文。」

子睿覺得非常的挫折，分明這些內容他有參與修正，結果卻被說是缺乏個人辨識度，他不禁開始思考起AI可以做到的事情到底是什麼？

不只是完成任務，更是讓人驚豔

前面這些發生的事情，聽起來就很像是使用AI的日常，雖然現在一打開網頁，就可以跟AI對話，但是我們好像並不是真的這麼了解他。

又或者我們根本也搞不清楚AI可以怎麼幫助我們，好像在很多時候我們花了許多時間跟AI對話，最後只是收了一堆文字垃圾。

但真的所有人都是這樣嗎？其實不盡然。

有那麼一群人，他們經常使用AI來幫助自己做生活上的大小事情、大小決策。

只要是從他們手中產出的，都能夠有相對應很好的成效，他們不再只有「做了事情」，更知道怎麼樣可以把事情做得好、做得深入，甚至是做得讓人超乎期待、讓人驚艷。

而他們從完全不熟悉的領域，到能夠產出高品質的內容、作品與策略速度也快得驚人。

似乎對於他們來說，只要有AI在手，他們就可以有無限的可能性。

做了 ≠ 完成：一場判斷力的失誤

而這種「以為做了就算完成」的誤判，其實從來就不只會出現在新手的AI使用者身上。

在2025年的秋天，台灣的AI教學圈也爆出了一起震撼業界的事件，一位教授Vibe coding的老師，在推廣自製的由Vibe coding製作的改圖網站時，誤用Google Gemini的API Key，導致所有用戶的運算費用都計在自己帳戶上。

才短短的幾天，就累積了超過1萬元的帳單，而這位老師一度公開痛批google機制不公，直到社群揭露她犯下多項基本錯誤，包括API流向誤判、費用控管疏漏、資安設計不當。

其實這件事情的癥結點並不只是技術不到位，而是對於一件事情的「完成」的判斷出了差錯。

他以為「只要網站做出來了可以用就好」，但卻沒有進一步地檢查AI生成的程式邏輯，沒有驗證部署後的計費機制，沒有設下費用上限與警示。

你會發現，他完成的只是「表面上的交付與完成」，而不是完成一個「真正可以安全運作的產品」，這顯然是一個對於「完成」標準的判斷錯誤。

同時，這個事件也提醒了我們，所謂的完成並不只是把東西做出來，然後看起來可以用就行，他是需要經過判斷，而且標準會隨著不同狀況而有所不同。

「完成」到底是什麼？

其實前面描述的事件並不只是單一個人的犯錯，可能有許多類似這樣的問題，只是剛好這個事件在這個時間點爆發出來。

真的要說，這不是單起事件這麼簡單，而是不同人對於「完成」這件事情的標準認定有差異。

當能夠使用的工具越來越多樣、越來越方便的時候，因為產出結果太過容易了，就會造成我們對於什麼樣的程度能夠被稱之為「完成」會感到困惑。

Vibe coding事件中所遇到的事情，我們很可能每一個人或多或少都有經歷過，甚至不只是在有AI的這個時代。

學生時代我們可能以為把報告寫滿了字、在限定時間內交出去就叫做完成。工作場合中只要把這個報表key完交出去也會叫做完成。

但這個真的是完成嗎？你心裡可能會是否定的答案，但是好像又有點不太確定。

你會注意到，當我們一旦對於一個任務說：「我完成了。」其實都是在對齊某一種標準，任務到達了那個程度以後你就會判斷是完成。

而最大的問題就是，每個人對於這個「完成」的標準認定不一，這也是在不論是學生時代的共同作業、職場上的合作或是創業上的協作會產生問題的其中一個狀況。

分組報告中有人可能認為把內容查完然後貼到PPT上面就是一種完成，但也會有人認為既然是簡報，就應該要把投影片跟報告流程弄得易讀易懂才算是完成。

你看，光是一個分組報告就有這麼大的差異了，又何況其他的任務？

因此我們在這篇文章想要試著分析，所謂的「完成」大概會有哪些標準，你也可以趁這個機會檢驗，自己平常對於不同的任務都是對齊在哪個標準上。

你正在對齊的是哪一種標準？

就像我們前面說的一樣，當我們說「我完成了」其實是在對齊某一種標準，那確切來說到底有哪些標準呢？且聽我慢慢道來。

第一種標準是客觀標準，同時也是最容易判斷的一層，被它可以被邏輯、品質、格式等明確機制驗證，例如格式正確、功能正常、資料完整、沒有錯誤、在死線內提出等。

這類型的標準通常可以使用checklist、測試流程或是邏輯對比來達成，同時這也是AI最擅長處理的部分。

客觀的標準是屬於一個任務的最基本的要求，如果沒有辦法符合最基本的客觀標準，則任務基本上來說是不及格，甚至不能稱之為完成。

第二種標準則是主觀的標準，是屬於來自特定他者的期待與判斷。這些標準雖然不是普世的共識，可是在實際任務上卻會有強烈的影響力。

此類的標準像是是否符合主管的要求、是否符合利害關係人或是合作夥伴的期待，多數屬於非強制性的，不達成也不一定真的會怎麼樣。

主觀的標準沒有辦法使用邏輯驗證，但是可以透過角色理解與情境設計來預測與對齊，也就是站在那個角色的立場去思考這件事情。

這類型的標準雖然不一定和任務的完成有關，但是卻是深深影響到和相關人之間的信任關係，以及是否能夠增加相對應的好感度。

但需要注意的是，如果是來自於特定他者的期待與判斷，卻具有強制性的話，這就不是主觀的標準，而是客觀的標準了。

好比說是否合法、是否符合公司的內規，這類型的雖然是來自於特定他者的期待與判斷，但卻是構成任務要求的框架之一。

第三種標準，則是主觀轉為客觀的標準，這些標準原本只是來自於他人主觀的標準，但是卻因為量多的關係引起質變，而轉變為一定群體的客觀標準。

這類型的標準因為人數夠多夠穩定，其實已經變成了可以預測、可以觀察的特定深層目標，像是特定族群消費者的喜好、群體的道德與價值觀、產品是否對於消費族群有感諸如此類。

這些標準可以透過對於市場的理解、理論知識的理解、社會的觀察等等來探知，是有機會可以透過AI以大數據的方式來做觀測得知。

三層完成度：做了 x 做好 x 做到超乎期待

而當你對於不同完成的標準有想法以後，就會發現不是所有的完成都是一樣的，有些只有表層的完成交付，但是有一些則是可以深刻影響到某一些族群。

因此我們在這篇文章中，會透過不同的對齊標準，將完成度分為三層：做了、做好以及做到超乎期待。

第一層是「做了」，表示你有符合客觀的標準、完成了表層的任務。你交出了符合格式、能夠運作、沒有錯誤等違反各種框架限制的東西。

做了這樣，但也僅止於這樣。

很有可能的是你寫了一個報告，但是只是網路上的資料剪剪貼貼拼湊而成，沒有消化吸收整理格式。或者是你解決了單一次的問題，卻沒有想過要用一個比較系統性的方式來解決跟預防。

這樣的完成度只能說堪用，但是他沒有辦法有更深入的影響力，只是一個很單純的表層的「完成」，也就是「有做事」。

第二層，則是比第一層的完成度還要來的更多，除了原本的客觀標準的框架要求以外，你執行的任務同時還可以達到深層的目標，也就是主觀轉客觀的標準。

你不只有交付東西，而是考量到每一個任務它背後的意義以及需求，並且加以滿足這個需求。

像是你可能作為一個行銷人員，你在撰寫貼文的時候會去思考到貼文背後的意義，是為了要有流量或是轉單，因此透過貼文圖片或內文的設計，來盡量讓貼文可以達到這個效果。

或是當主管交派你一個寫SOP的任務的時候，你會思考到這個SOP之後會是很多人要看，因此還刻意把它寫的很好入手易讀易懂。

第二層的完成度，是你可以讓他人對自己印象加分的機會，它可以創造信任感，讓別人願意跟你合作，讓產出有影響力。

這篇文章裡面我們把這個層次的完成度，稱之為「做好」。

而第三層的完成度會比第二層還要再多更多，它不只是符合了客觀的標準，主觀轉客觀的標準，同時還滿足了某一部分人的主觀標準。

不只是完成了表層任務目標以及深層目標，同時還能在既有的任務完成上創造其他的附加價值。

以前面的SOP撰寫來說，可能因為你的SOP寫得特別的易讀好懂，所以後來被列為了撰寫SOP的教學模板，從原本的SOP只是為了想要讓流程優化不要出錯的深層目標，變成可以產生作為教學模板的附加價值。

而對於這樣的完成度，我們在這邊把它稱呼為「做到超乎期待」。

「做到超乎期待」這樣的標準，除了讓自己在他人眼中提高信任感以外，更是讓人能夠對你印象深刻的關鍵。

我應該做到什麼程度？

看到這三個不同的標準，可能有些讀者的心中就會浮現出一到兩位同學或是同事的樣貌。

你要說他們在學校或是工作上沒有做事，似乎又有點過頭。但是他們好像總是只有交差了事的感覺，事情感覺都不會做到位，每次的交出的成果都需要經過大幅度地修改才有辦法使用，總是讓你覺得很困擾。

這些人其實就是只有「做了」的標準的人，而沒有達到「做好」的標準，當然，我們還是不乏有很多連「做了」的標準都沒有的人(笑。

由此可見，如果希望可以在工作場合或是各種與人合作的情況下，可以與他人建立信任關係或是得到更多如升遷﹑合作機會的話，只有純粹的「做了」這是不足的。

依照我自己不論是在一般職場的工作上，對於自己每一件事情的最低要求是「做好」，所以我會去思考每一份被交派的任務背後他有沒有隱藏的深層目的，基於這樣的目的去完成每一份工作。

而在創業中，因為還有市場的競爭，如果僅有「做好」那也是不夠的，必須要能夠做到「超乎期待」才有辦法可以存活很久。

如果是前面的Vibe coding的事件的完成度標準，我自己認為是連「做了」的標準都沒有達到的。

使用AI產出的最低門檻

學習流程的世代差異

在還沒有AI，或是AI還沒有真正很融入我們的生活中時，傳統的學習流程下，我們會習慣這樣前進：先學理論 → 理解標準 → 再進行輸出。

這樣的順序會讓我們在動手做之前，就已經有一套內建的判斷系統，知道什麼是「做好」、什麼會是「還不夠好」。

但是在AI盛行的世代中，這個順序很明顯被打亂了，他會變成是：先輸出有個基本的樣式 → 再優化成「做好」的樣子。

AI最厲害的是情是，可以讓我們在完全不懂的情況下，僅憑幾個關鍵字就可以開始產出，這是一種以往從來沒有想過的解放，但是卻會帶來新的風險。

我們很容易就會停留在「做了」的層級，誤以為這就是完成的標準、可以交差的標準，甚至很糟糕的情況下會認為這樣就是「做好」。

更微妙的事情是，AI本身最擅長的，就是幫妳做到「看起來像是做好」這樣的成果，它可以幫你補內容、補格式、調整語氣，但事實上它無法幫你判斷這樣的輸出成果是否真的有價值、能夠創造影響。

這也是為什麼我們需要在這篇文章裡面重新定義「完成」的標準，讓AI可以幫你走到「做好」甚至做到「超乎期待」以前，你必須先知道這些標準長什麼樣子。

為什麼光是「做了」是不夠的？

前面我們提到，AI可以讓「做了」這件事情變得很容易，換而言之，對於所有人來說「做了」變成是一個最低的要求。

「這個很簡單，你就用AI跑一下就可以了吧！」這是這幾年來最常聽到的話。

而在大家都能達到這件事情的時候，要創造出差異性那就必須要比「做了」還要更多。

而且如果你回頭看自己以往真正在意的每一個任務，不管是報告、貼文、網站或是企劃，你會發現其實你並不只是想要「交出去」這麼簡單，而是希望他能產生你想要的效果跟影響。

但問題是，我們往往沒有足夠的能力去走到「做好」或「做到超乎期待」的層級，甚至我們很多時候是希望能做到這兩個標準的效果，但是卻未必知道要透過什麼樣的路徑才能走到這兩個標準。

這個時候我們就不能單純仰賴AI的產出，而是自己也必須要透過一定的努力，來讓自己成為那個可以告訴AI「做好」以及「做到超乎期待」的標準在哪裡的人。

在符合這個條件下，AI就能不只是單純的工作，而能夠轉變為是協作的夥伴，幫你補足那個現行能力不一定到達，但是你可以看到的那個遠方。

但是這樣的前提是，你必須要能夠知道「做好」的樣子。

這個「做好」的樣子並不是指「希望這篇貼文可以讓消費者喜歡」這種許願型的，而是「讓消費者喜歡的貼文應該要長什麼樣子」這樣的理解。

知道「做好」的樣子是使用AI產出的最低門檻

AI能夠做的事情是幫你接近「做好」甚至「做到超乎期待」的完成層級，但是他沒有辦法自己決定什麼是「好」。

它只能根據你給它的語言、指令與標準，去模擬一個「看起來像是完成」的版本。

這也是為什麼你必須要先能夠知道「做好」的樣子，或是你要能夠透過方法讓AI知道那個「做好」的樣子是什麼樣的。

就像你希望貼文可以真的打中消費者的內心，你需要知道的事情是「什麼樣的貼文消費者會買單」，這個可能來自於你對於市場的觀察、來自於教科書中的行銷背景知識。

而這些，就是你對於這個領域的「初步理解」。

「你不需要把這些知識都放在腦袋裡面，只要在需要用到的時候，可以在哪裡找到它們就好。」這是我們在求學的過程中，都或多或少聽過的一句話。

你不需要是每一個領域的專家，但是你要可以辨識出什麼是合理的、什麼是荒謬的，AI這樣子的產出到底可不可以達成你希望的那個目的。

這些，才是可以讓AI幫得上忙的起點。

想像「做好」的樣子就是一種初步理解

當我們說你必須要具備「想像做好的標準」，其實說的是一種判斷能力，並不是指學術上「懂很多」，而是一種實務上的「可以操作」。

我們將這種能力稱之為「初步理解」，而他則是會包含四個不同的面向：

能辨識基本概念與關鍵詞：你知道這個領域的核心詞彙他的意義代表什麼，並且能夠理解核心意義以及加以延伸。

能進行語意判斷：當AI給你一段定義或是回覆的時候，你能感覺出它是否合理、有邏輯、以及是否誤解，即使你無法完全解釋，也能嘗試在有力以及權威性的資源中找到正確的答案。

能提出具體問題：你不再只是問「這是什麼？」，而是能問「這和那有什麼差別？」「這可以怎麼用？」

能初步轉譯或舉例：你可以試著用自己的話說一次特定領域裡面的名詞或知識，或舉出一個例子來說明這個概念，即使不完全準確。

看起來很抽象嗎？這邊提供幾個你可以用來判斷，自己是否已經進入初步理解狀態的句子：

「我能不能用自己的話說一次__(某個領域的專有名詞)__的概念？」

「我能不能分辨和__(某個領域的專有名詞A)__和__(某個領域的專有名詞B)__的差異？」

「我能不能針對__(某個領域的專有名詞)__提出一個具體問題？」

「我知不知道可以在哪裡找到__(某個領域的專有名詞)__相關的答案？」

如果你能做到其中兩項以上，那你已經具備使用AI做產出的最低門檻，也就是初步理解。

但是如果要讓AI成為真正的協作夥伴，還需要另一組能力——我們稱之為AI的識讀力。

初步理解 x AI識讀能力 =　最大效益

在你已經具備了初步理解的知識以後，代表你已經能夠和AI對話，提出合理的需求。

但要讓AI的產出真正貼近你的標準，還需要另一組綜合能力——我們稱之為AI的識讀力。

這一組能力並不是技術的門檻，而是一種語言與判斷的成熟度，他不一定可以馬上透過短期的知識補充而增進，相反的，他必須要透過長期使用AI訓練出來的判斷力和熟悉度。

而且這樣子的能力不論是在使用那一種AI工具，即便不是對話框類型的AI工具，都是非常受用的能力。

下面我們會說明這些能力的內涵會是什麼，以及我們是否有在前面透過某一些系統化的流程來協助提問者符合這樣的要求。

首先必須要具備的，是AI工具的識別力，也就是知道自己在用什麼樣的AI工具，它擅長什麼、限制在哪裡。

這個能力要知道的事情是，什麼樣的事情可以交給AI來執行，而什麼樣的事情則是可以交由設定巨集就可以完成的。

另外就是要瞭解到，對話框型的AI工具並沒有辦法像特化型的工具一樣，哪些事情我們應該要交由特定的AI程式來完成。

哪些事情可以交給AI來處理、哪些事情不行。

對於工具能做到什麼、不能做到什麼，會決定你到底可以相信他到什麼程度，可以把什麼樣的任務安心交給他做。因此工具的識別能力會是最基本應該要具備的能力。

這個部分就是仰賴使用者使用不同AI工具的熟練程度，有鑑於AI工具日新月異，相當遺憾的是，比較沒有辦法透過我們這個系列的文章來協助提問者熟悉。

但是我們會在其他部落格文章中持續更新好用的AI工具，讓使用者更熟悉，這個是我們後續可以做的事情。

接著是語言辨識力，你必須要可以判斷AI給你的語句是草稿、結構、還是已優化的版本，而不是一味接受它的輸出。

一般我們會使用對話框型的AI，主要是為了產出文字為主的內容，因此要判斷AI給出的東西到底是什麼，這是非常重要的。

這個部分可以透過我們前面系統化的流程中，使用者可以判斷AI產出的結果是不是已經具備執行能力，以及是否有對齊任務的目標來加以判斷。

再來是目標導向能力，你要能夠很清楚自己想要達成的是什麼樣的任務，它的具體內容和框架是什麼，以及應該要怎麼樣子呈現才會是對的。

這個部分在我們前面設計的系統中，提問者可以根據不同的動機，展開對應起手語填寫需要的欄位。

提問者可以透過這些欄位來協助自己，釐清不同任務需要的內容與限制，來讓自己的任務目標更加具體。

所以不擔心，這個部分已經可以由我們前面的系統化流程，來協助你在不同任務中，具體化你需要AI幫你做的事情了。

第四個需要具備的能力則是驗證與批判能力，這個算是在使用AI裡面最需要具備的能力之一。

你要能夠辨別哪些內容是合理的、哪些是荒謬沒有邏輯的，知道哪些需要修正那些可以保留。

建立這樣的判斷，主要仰賴的就是提問者對於任務需要的知識是否有達到「初步瞭解」的水平。

而在這個部分的能力還有另一個最重要的，就是要可以判斷AI給出的回覆到底是基於他搜尋了相關的資料給出的結論，也就是查找生成，還是基於受過語言模型的訓練判斷接下來最可能出現的文字，也就是模擬生成。

而對於AI生成內容的來源，我們在這篇文章提過許多關於模擬生成跟查找生成模式的差異，有興趣的讀者可以看看下面這篇文章↓

當然我們可以透過上面這篇文章提過的品質檢核技巧來防止這個情況，但是因為我們的系統設計中，AI並不會主動幫忙檢查這個部分，因此還是會仰賴提問者對於AI回覆的敏銳度。

最後，也是一個不太受到重視但是卻同時也非常重要的能力，也就是編輯與重構的能力。

對於經過驗證校準後的內容，雖然已經具備了可以做為成品的輸出，但事實上是不是真的貼合提問者的任務目標，還需要仰賴提問者最後的把關。

如果我們完全接受AI的輸出而沒有加以修正的話，就會像現在很多在市面上的文章、圖文一樣會得到：「這個看起來也太AI了吧！」這樣的評價。

使用AI產出是一個趨勢，但是產出的東西太像AI的情況下現在反倒會被貼上負面的標籤，而不是一個特色。

而且本來就應該要由提問者來負責每一個任務的最後輸出把關，而如果要提問者能夠負責把關這個最後的品質的話，仰賴的還是對於特定領域的「初步理解」。

所以你有發現一件事情了嗎？其實我們這個系列的文章提出的提問流程，搭配上對於特定領域知識的初步理解的話，可以解決大多數你在使用AI上面可以遇到的問題。

剩下缺的部分，就是這個部分提到的「AI的識讀能力」，幫助我們補上最後一角。

而這五種能力，就像我們前面說的一樣，有些可以透過前面系列文章建立的提問系統解決、有些則可以透過初步理解的知識量來處理，但其他的部分則是仰賴更多的練習與使用來建立。

當你具備初步理解，又能操作這些識讀力，你就真正站在了AI協作的門檻上——不只是「會用」，而是「用得準」、「用得深」、「用得出價值」。

但問題來了，如果我們對於一個領域一點都不熟悉怎麼辦？

下一個部分，我們將正式進入「從0到初步理解」的學習模組，陪你一步步建立這些能力，讓AI不只是產出工具，而是你的陪練者與完成感放大器。

從0開始到初步理解的AI協作學習

在學習開始之前

在過去的文章中，我們花了很長的時間談論了如何向AI提問、怎麼設計起手語、怎麼樣讓AI成為任務解決上的協作者。

但是對於很多提問者或是學習者來說，學習一個新的領域的門檻從來就不是在於「不知道怎麼追問」，而是不知道「自己到底懂不懂」或是「要到什麼程度才能算是懂了」。

他們心中會存在一個任務的目標，但是對於達成這個任務目標的「做好」的標準到底是什麼卻完全沒有概念。

這個時候，與其急著學習或是輸出，不如先從我們這個系列文章建立起的提問模組，釐清你的目標與標準過後再回到這裡開始學習，直到你對於你的任務可以明確說出一個大概模糊的想像時，再來啟用我們這邊的學習流程。

這個部分我們會在這篇文章後方會有比較多的描述。

也因此，我們這一整套的學習流程，適用於那些已經能夠概略描述「做好」，但是卻不知道怎麼達成以及驗證AI產出是否符合標準的提問者或學習者。

而這個我們的學習流程，他的目標不是為了要教你特定的知識，而是在整個學習的過程中，陪你從「完全不懂」走向「具備初步理解+能自我驗證」的程度。

他能夠讓你在進入輸出階段之前，就已經具備了能夠撰寫讓AI能夠產出高品質與合乎邏輯起手語的背景知識。

我們設計的學習流程會從你的學習意圖先開始，你會先說出你這一次學習的目的是為了想要執行什麼任務、為了誰而學、希望達成什麼樣的效果。

接著AI會針對你的需求和任務目標，展開對應的技能學習節點，讓你知道這個任務如果要被完成到做好的標準的話，會經過哪些能力組成。

而就在你清楚自己做好這個任務的技能節點以後，AI會提供你具有權威的資源來源，讓你開始對於這個新的領域有初步的認識，建立架構與基底。

而當然，在學習的過程之中一定會有卡住的地方、不了解的地方，這個時候我們這一套學習流程，也有相對應的處理方法能夠讓AI協助你釐清遇到的問題。

最後你甚至可以用自己的話說一次這個概念，讓AI幫你判斷你是不是真的有理解你學習的這些內容，也可以請它設計幾個問題來測試你的理解。

而當你完成這整套流程以及所有的技能節點後，你對於你所需要執行的任務，就已經具備了初步了解的程度。

此時你就可以正式進入到輸出的階段，轉向我們前幾篇文章提到的整個提問的流程，開始進行內容的優化與產出。

這套流程不依賴特定領域，也不綁定特定技能組。無論你想學的是場館動線設計、貼文語氣撰寫、資料治理概念、社群互動節奏，只要你已能大概描述「做好」的可能樣子，就可以套用這套流程，一步步建立自己的語言能力與判斷力。

心動了嗎？那我們就開始我們的第一步吧！

第一步：任務意圖與技能開展

在我們設計的學習流程裡面，雖然任務本身是最主要開啟你學習的關鍵，但真正的起點從來都不是任務的本身，而是學習者的學習意圖。

包含了他為什麼想要學、為了誰去學、學了以後想要做成什麼樣的事情。

你會發現，學習者開始這個流程並不是只是單純想要完成某件事情，而是想要讓這件事情可以做到深層的目標，不單純只有表層的交付。

甚至有些學習者會希望有朝一日可以不仰賴AI，親手產出能夠超越AI產出的成果。

而這樣的心態，在現在這個許多人都希望可以快速完成交差了事的世代中，是相當難能可貴的。

因此，我們不鼓勵學習者直接請AI處理問題，而是讓AI轉為陪伴學習的角色，由學習者發起學習，AI陪練技能。

這段學習的一開始，學習者要先做的事情就是，思考自己目前的學習起點狀態，像是完全不懂某個領域、正在閱讀但有點卡、或已具備初步理解但想確認。

接著學習者對於自己學習的目的、學習過後希望達成的效果，甚至是希望幫助的對象等等的背景資訊，也需要釐清跟了解。

在思考完了以後，這些內容會被整合成一段文字提示，並在最後加上一句：「請幫我判斷是否還有資訊需要我補充。如果沒有的話，請陪我展開相對應的技能節點，讓我學會這個能力。」

這樣設計的亮點在於，我們預留給了AI可以判斷學習者提出的學習需求是否完備需要補充，讓AI可以提出更完善以及貼合任務的學習地圖。

另外，由於這套學習流程比起由AI帶領學習者學習，更傾向由AI推薦具有權威性的資源作為入門資源，因此在起手語的後方會有一句固定的模板：「我希望在下一階段再尋找適合的學習資源，請幫我建立一個清楚的技能架構，作為後續學習的依據。」方便引入後續的學習資源推薦。

所以整個流程非常簡單，AI會先判斷需求是否清楚、是否具備操作性。如果還有需要補充的地方，AI會回應並協助補齊，而如果已經夠清楚了，AI就會直接展開技能節點，告訴學習者這個目標需要哪些能力、可以怎麼學、順序是什麼。

因此你會發現，為什麼我們前面一直強調這套學習流程必須是「已經知道『做好』的標準的學習者」，因為這樣你才有辦法可以比較精確的提出你的學習目的以及希望到達的成果。

這邊提供相關的起手語，你可以依據你的情境修改成你需要的內容。

我想學會＿(用文字描述想學的內容)＿這項能力，(補充一些背景)，目標是能完成__(你希望達成的事情)＿這類任務。請幫我判斷是否還有資訊需要我補充。如果沒有的話，請不要直接進入教學或任務生成，先幫我規劃達成這個目標需要具備哪些技能，並整理出相對應的技能節點。我希望在下一階段再尋找適合的學習資源，請幫我建立一個清楚的技能架構，作為後續學習的依據。

從上面的例子你可以發現，雖然是一個獨特的學習流程，但其實仍然不脫離我們在這個系列文章前面提過的，和AI的對話必須要交代清楚的背景知識，才可以得到貼合自己的輸出成果。

而也因為這是在你交代了相關的背景、目前的知識理解的情況下展開的技能背景，所以這不是一個放諸四海皆準的學習流程，而是專為了特定學習者打造的學習地圖。

第二步：學習資源導航與學習標準設計

當技能節點展開後，學習者可以針對每一個技能節點，逐一啟動後續的學習流程。

有鑑於我們在這個系列的文章中，一而再、再而三地強調AI本身有模擬生成與查找生成兩種不同的模式，而在模擬生成的情況下很容易會有幻想或是出錯的可能。

甚至就算是在查找生成時，也有可能誤把不正確但是卻有極高流量的內容作為回覆的依據。

基於以上的種種原因，在這套學習流程中AI並不適合作為學習內容的來源本身，但卻是一個很好的輔助者，他可以幫你廣泛找有沒有適合的學習資源讓你可以挑選，也可以按照你的個人狀況幫你規劃你的學習進度。

AI會根據你的技能節點與學習狀態，提供具有權威性且適合你的資源，包括線上課程、教學文章、入門指南、專業社群、甚至是實體書籍。

這些資源不會只是隨機推薦，而是根據你的目標與語言狀態進行排序與安排，讓你知道先看什麼、再看什麼、最後可以怎麼應用。

當然，你也可以主動提供自己可用的學習時間，請AI協助安排學習節奏與進度。

例如你可以說：「我每週有三小時可以學習，請幫我安排這個技能的學習順序與時間分配」，AI就會根據你的時間條件，設計一套可執行的學習流程，讓你不只是知道要學什麼，更知道怎麼學、什麼時候學、學完之後可以做什麼。

當然，這些技能不是一次性完成的任務，而是需要逐步建立的能力。學習者可以針對每一個技能節點，發出一段新的文字提示，請AI協助提供適合的學習資源與安排學習順序。

這段語句可以包含：想學會的技能節點是什麼、自己目前的理解狀態、希望學習的方式(例如偏好閱讀、影片、實作)、可用的學習時間或節奏需求(例如每週幾小時、希望兩週內完成)。

而在AI規劃完了可以用於學習的資源與學習安排以後，我們會進一步啟動「任務對齊的學習標準設計」。

這個設計的目的是幫助你知道：當你完成這段學習後，怎麼判斷自己是否真的學會了？

AI會根據你原本的任務意圖，針對每一個技能節點，提供一組可操作的成果標準。這些標準不會是抽象的「理解」，而是具體的挑戰，例如：能不能用這個概念寫出一段貼文、設計一個活動、回應一個模擬情境。

他很像是一個課後的學習單，用來檢測你是不是真的學會了的一個判斷指標。

我們把前面的內容整合成了以下的文字提示，你可以依據你的情境調整成適合你的情況：

我目想要學習的技能節點是：__(填上AI幫你排的技能節點名稱)__。我的目前的理解狀態是：__(例如：剛開始接觸、已經有基本概念、曾經嘗試但不穩定)__。我偏好的學習方式是：__(例如：閱讀文章、觀看影片、參加互動課程、實作練習)__。我的可用學習時間是：__(例如：每週三小時、希望兩週內完成)__。請根據這些條件，幫我推薦幾個具權威性的學習資源，包含但不限於線上課程、教學文章、入門指南、專業社群、實體書籍，並附上來源連結。同時，請根據我原本的任務目標，幫我設計一組具體的學習成果判斷標準，讓我在完成資源學習後可以對齊這些標準來驗證自己是否真的學會了。最後，請根據我的理解狀態與時間條件，幫我安排一套適合的學習進度與方法，讓我知道先學什麼、再學什麼、最後可以怎麼應用。

這樣的設計讓整個學習流程變得可持續、可調整，也讓每一個技能節點都能被穩定地學會。你不需要一次掌握全部，只需要針對每一個節點，發出文字提示、啟動資源導航、安排學習流程，然後進入陪練模組。這樣的節奏可以重複使用，直到你真正建立起這個能力。

附帶一提，由於AI還有另外一個問題，就是會失憶。

所以我自己在使用上會先把整理出來的學習進度、學習資源以及學習目標都先整理在Notion中，在需要的時候最後可以回灌給AI讓他想起來我們曾經討論的內容。

這是一個非常好用的技巧！永遠不要相信AI的記憶力。

第三步：讓AI當你的學習陪練員

當學習者得到了學習資源，並且依照安排的學習進度開始學習的時候，一切並不會這麼水到渠成地馬上得到知識與技能。

如果有這麼順利的話，那我們在求學階段裡面就都可以考試考100分，也不會需要補習或找家教了對吧！

因此無論你的學習最終決定是採用閱讀教材、參加課程、瀏覽社群討論或操作練習，都可能在過程中遇到語意不清、邏輯難解、結構複雜而需要講解或釐清的內容。

這個時候，就是我們的第三步派上用場的時候了，我們設計的流程中提供四種主要的釐清方法，讓你在學習上面遇到問題的時候，可以讓AI協助你繼續往下推進，每一個部分我們都會提供對應的文字提示模板。

方法1：概念釐清

如果你在學習過程中遇到一個陌生的詞彙、理論或術語，可以請AI幫忙解釋它的意思，並舉例說明。你可以使用以下的範例文字提示語，改成你自己的情境以後再貼上：

我對這個有疑問：__(某個你感覺困惑的詞、內容或觀念)__，請幫我解釋它的意思，並舉一個例子。也請附上你參考的資訊來源，我會自己去查閱確認。

當然你也可以比較有變化，像是你也可以說明你理解到哪裡，想確認看看你的理解是不是正確的，這樣一來一往也可以慢慢建立你對於本來某個不熟悉的名詞或概念，他的清楚輪廓。

方法2：結構理解

如果你正在閱讀一段教材、流程或理論架構，但不確定它的組成方式或邏輯順序，可以請AI幫你整理重點、概括流程或列出元素。

你可以利用以下的範例文字提示語，改成你自己的情境以後再貼上：

__(敘述你看到的內容)__，請幫我用一句話概括它(或是其他你有希望的整理方式)，並附上你參考的原始說明或教學連結。

我自己很常在閱讀的時候，如果真的有一整個篇幅覺得論述堆疊，有點看不太懂的話，就會很習慣直接整段複製然後請AI整理成條列的重點，來節省自己拆解跟理解的時間。

方法3：語感轉譯

當你覺得某段話太抽象、太技術性、或太難以記住，可以請AI幫你轉成生活語言、教學語氣或比喻方式。

他可以幫你連結你原本有的知識跟領域，讓你更快速的理解這個新東西的內容，讓你覺得這個東西變簡單變熟悉。

你可以按照以下的範例文字提示語，改成你自己的情境以後再貼上：

請幫我用__(某個指定的方法)____，讓我可以理解__(某個詞、內容)__，請幫我設計數種版本，並說明你是根據哪些來源來設計的。

方法4：應用想像

而有時候如果純粹講理論太過抽象，你有點沒有辦法想像這個會怎麼實際應用的時候，此時就是我們這個方法出場的時候了。

你可以請AI舉例，或甚至是設計一個活動，把抽象的知識轉為具體的操作，你可以應用以下的範例文字提示語，改成你自己的情境以後再貼上：

如果我要用這個理論來設計一個活動/一個教學流程，可以怎麼開始？請幫我列出可能的步驟，並提供你參考的來源，我想自己去比對。

我自己曾經在寫這個系列的文章中，查資料找到「蘇格拉底式提問法」，當時看完以後覺得還不是很了解，於是就請AI設計了一個蘇格拉底式提問法的上課方式，來讓我更理解這是一個什麼樣的互動方法。

第四種方法雖然看起來不起眼，但是如果會用的話會有很意想不到的效果喔！

說到這裡我們還是要特別強調，AI的回覆從來就不是絕對地定論，學習者不管在什麼時候都應該對於AI的回覆帶有懷疑和開放的語氣。

所以我們才會設計讓每一次AI的說明與回覆都要附上資訊來源，讓學習者可以親自查閱、比對與驗證。這樣的設計不只是避免誤解，更是一種學習上的責任感訓練。

學習者不能只是接收資訊，而是必須主動參與理解的過程，透過查證與比對來強化自己對於知識、技能的理解以及判斷力。

而這樣的節奏可以反覆使用，直到提問者真正掌握這個技能節點的語感與邏輯。

另外，因為一個任務需要學習的技能可能非常多元，因此我在透過AI進行陪練的時候，我會針對不同的技能另外開對應的頁面，把相關的內容整理在同個頁面。

而且在學習的過程中我也會對應開一個word來把學習到的技能筆記放入，有興趣的讀者可以看我的這篇文章↓

第四步：學習單的自我檢測

在經過了你對於任務目標的釐清，透過反覆透過閱讀、查找等等讓自己理解想學的內容以後，每一個技能節點的最後一個學習流程，就是要驗證你自己是否真的能夠算是「學會了」這個技能或知識。

看到這裡讀者們不曉得是否還記得，我們在前面有請AI幫我們針對不同的技能節點，設計對其任務的學習標準對吧！這個時候就可以在這邊派上用場了。

我們在這裡就是要把對其任務的學習標準放在文字提示中，請AI按照這個標準幫忙檢測自己是不是已經學會了。

這個時候你可以使用以下的文字提示，讓AI幫你確認自己是否已經真的有達到這個技能最一開始的學習目標：

我已經完成了這個技能節點的學習與練習，請根據我們之前設定的學習標準：__(把對應技能的學習標準貼在這裡)__，幫我判斷我目前的理解與表現是否已經達標。

會需要再重新貼一次學習標準，最主要是因為，就算你是針對單一學習技能開一個獨立的頁面，AI也很有可能在多輪的對話中已經失憶，需要你幫他重新回憶。

而使用這個文字提示後，AI會根據你的學習標準(他可能是用自己的話說出某個定義、設計三個情境或是回答某個問題等)，讓你透過某種小的實作或是測驗，確認你是不是真的都理解/學會了。

第五步：前往下一個階段

而就在你確認你已經完成這個技能節點以後，針對你想要達成的任務可能不只有一個技能節點，那你就可以持續往下到下一個技能節點。

而在下一個技能節點的一開始，你又可以回到我們的第二步，開始一個新的技能節點的學習。從找到權威資源、設計學習方法與流程、學習過程的釐清以及最後的檢驗。

一次又一次，雖然一開始對於這樣的學習流程你可能不是很習慣，但是會越來越熟悉、越來越上手。

當你完成了技能節點的學習、資源導入、語言練習與初步理解的驗證後，整個學習流程就會進入收束階段。這個階段的重點不再是「還要學什麼」，而是「我可以開始做什麼」。

此時就可以準備進入任務輸出階段，將這項能力應用在真實任務中，並再次啟動我們系列文章前面提到的提問方法，正式完成整個任務。

這邊我們幫你把系列文章按照順序一一列出，提供給需要的讀者做參考：

你可以根據我們整個流程走一輪，來完成需要的任務。

而跟最一開始完全不具備「初步了解」的你比起來，你會發現已經有了很明顯的差異。

你不只是知道要做什麼，更知道為什麼要這樣做、可以怎麼做、做完之後要如何判斷。你跟AI的對話會更穩定、語氣更清楚、邏輯更完整，也更能對齊你原本的任務意圖與受眾需求。

而這個任務的成果輸出本身，也可能會成為下一輪技能展開的起點，你會在每一次任務完成後，更清楚地知道自己還缺什麼、還可以怎麼補強。

這一套學習的模組就會像是飛輪一樣，帶著你越走越快、也越走越遠。

這段學習流程也為後續的「做到超乎期待」的能力打下基礎。

當你知道怎麼「做到位」，才有可能進一步設計讓人感覺「被照顧」、「被理解」、「被驚豔」的語氣與附加價值。整個學習流程不只是教你怎麼做，更教你怎麼判斷、怎麼對齊、怎麼讓語言成為真正的能力。

我怎麼知道什麼是「做好」？

前面我們有提到過，我們的學習模組能夠幫助提問者從0到具有初步了解的知識，但是這個學習流程有一個非常重要的前提，就是「必須要認知到『做好』的標準」，也就是對於「做好」這件事情可以有一個基本的輪廓描述。

你未必有辦法知道怎麼驗證，但是你大概可以說出怎麼樣的狀況會是做好這件事情。

當然我們也有提過，這個做好的標準是來自於，原本屬於個人主觀的標準，但是因為有一部份的族群甚至是多數人都是這樣的標準，而由主觀進而轉變為客觀的標準。

他可能是某一種市場的品質期待、社群的語氣偏好或是職場上的做事情標準，如果你不知道這些標準，就很難安排學習順序、設計練習內容，也無法判斷自己是否真的學會了。

那麼，不知道「做好」標準的人，完全無法描繪那個輪廓的人該怎麼辦？

使用提問流程來協助品質標準釐清

由於「做好」的標準某種程度上來說是一種客觀的標準，因此你不需要自己定義標準，也不需要猜測別人怎麼看。

只要透過我們這個系列文章提到的一系列的提問流程，交代你想要做到的事情或是任務，以及其相關的背景。AI就可以協助你辨識這類的任務在現實生活中常見的「最低完成」與「高品質完成」標準。

你可以從以下的文字提示，來改寫成適合你的情境的文字以後使用：

這是我目前要完成的任務：__(這邊可以填上你被交派的或是希望完成的任務)__。我的背景資訊：__(例如：要給誰看、在哪個平台上、希望達成什麼效果)__。我想釐清這類任務的品質標準，包含「最低完成」與「高品質完成」的差別。請幫我確認是否還有資訊需要我補充的，如果沒有的話，請幫我列出這兩種層次的標準，並說明在什麼情況下會被視為「做到位」。我希望把高品質的標準當作後續學習的目標。

你會注意到我們這邊的起手語中，依然保留了請AI幫忙確認是否有需要補充資訊的情形。

畢竟有時候我們在描述事情的時候會很常掛一漏萬，如果有個請AI幫忙確認的地方，總歸也是好的。

而當你使用這個起手語時，AI會幫你釐清任務的語氣落點、格式要求、情境適配方式，甚至提供常見失敗版本(如果沒有這麼貼心的話，你可以在起手語中要求他提供)，讓你知道哪些語句看起來完成了，但其實沒有做到位。

把「做好」的標準整合進學習流程的起手語

當你看了AI提供給你的最低標準以及高品質完成的標準以後，你心裡應該就會有個底，就是「怎麼樣做可能會是比較好的」，這個時候你就已經可以稍微描繪出「做好」的輪廓了。

此時你可以將這個「做好」的標準，套入我們前面學習流程的第一步中，撰寫相對應的任務意圖、你的知識起點狀況，開始整個學習流程。

「做好」穩定後的下一步？

我們透過了學習流程中，已經可以將每一次的任務都能完成至達成深層的目標，在職場上來說這已經勝過於許多人了。

但有時候在特定的領域中，如果你有所求，或是想要在市場中得到一席之地的時候，光是只有「做好」這種達到深層目標的程度其實是不足的。

如果可以的話，這個「做好」的同時，如果還能夠有其他的附加價值時，就能讓自己的產出成果再往上提升一個檔次，這個時候就會進到我們的下一步：做到超乎期待。

「超乎期待」是一個什麼樣的標準？

「超乎期待」並不是任務本身的基本要求，而是來自特定人或特定情境的額外期待。

這些期待通常是主觀的、隱性的、情境性的，可能來自主管的偏好，例如簡報的風格或回覆的節奏。也可能來自客戶的習慣，例如語氣的選擇、格式的偏好或是否需要附加說明。

甚至可能來自社群的默契，例如語言風格是否貼近、是否有情緒照顧的設計。

這些標準無法直接轉譯成技能，必須先透過釐清，才能理解什麼樣的產出會被視為「做到位以上」。

而當然，「做到超乎期待」本來就不是做越多越好，而是做得剛剛好又讓人驚喜，沒有辦法確保做得多就一定好，這就是他最困難的地方。

這種產出往往必須要先預判特定人或特定情境下的需求，也就是在對方開口之前就已經準備好。

這個部分的需求可能也很多樣，會包含了情緒照顧的敏感度，讓對方感覺被理解、被支持；或是風格上的一致性，能夠貼近對方的語氣、格式與節奏；甚至在完成任務的同時，還能提供額外的選項或視角，讓對方感受到你的設計是有延伸性的、有照顧的。

讓提問流程協助釐清

為了釐清這些隱性期待與附加價值，你可以啟動提問模組，交代任務內容與背景，並補上三個要素：這次任務是給誰看的？是在什麼情境下進行的？你希望對方感覺到什麼樣的驚喜或照顧？

我們這裡提供以下的文字提示，你可以改寫成適合你的情境的文字以後使用：

這是我目前要完成的任務：__(提供你這一次的任務內容)__。我的背景資訊是：__(關於這個任務你可以提供的相關背景知識)__。我希望這次的輸出不只是完成任務，而是能讓__(特定的對象)__感覺超乎期待。請幫我確認是否還有資訊需要我補充的，如果沒有的話，請幫我釐清這類情境中，對方可能的隱性期待與附加價值，並說明哪些語氣或設計會被視為「做到位以上」。

這樣的語句會啟動AI的辨識能力，幫你分析你想要讓他驚豔的特定對象他有可能會有的喜好、心理特徵與狀態，並且甚至提供常見「做到位但不驚喜」的版本，讓你知道怎麼從合格走向貼心。

而也因為超乎期待多半是來自於特定對象或是小群族的喜好，我自己會很建議上方的特定對象的欄位，可以多做很多的描述來協助AI特定。

將超乎期待的標準轉為技能學習方向

當AI回覆中釐清了這些附加價值後，你可以再發出一段補充語句，請AI協助轉譯成具體技能方向。

這樣的轉譯會幫助你把抽象的語氣特徵轉換成可學習的技能意圖，並進一步生成品質標準，讓你可以回到前面的學習流程，啟動資源導航與語言陪練流程。

而因為你的對話還沒有聊太多，因此你可以不用重新交代你的任務目標還有背景知識，直接利用原本的對話框加以轉換就好。

你可以從以下的起手語，來改寫成適合你的情境的文字以後使用：

根據你剛剛釐清的附加價值與語氣特徵，請幫我轉換成一段可學習的技能意圖，讓我可以在學習模組中對齊這個目標。接下來，請先幫我規劃：如果我要達成這個目標，會需要具備哪些技能？請幫我整理出一組清楚的技能節點，讓我可以逐步學習與練習。我希望在下一階段再尋找適合的學習資源，因此這次的重點是建立一個清楚的技能架構，作為後續學習的依據。如果你需要我補充任務背景或學習目標，也請先提醒我，不要直接進入教學或任務生成。

是不是覺得這段話非常熟悉？這樣的文字提示語可以讓AI就像是學習流程裡面的第一步一樣，展開相對應可以學習的技能節點。

之後就可以回到我們學習流程的第二步，開始針對不同的節點挑選你需要的權威學習資源，並且利用第三步的AI陪練員的流程跟最後一步的檢驗，把這些原本是抽象的「超乎期待的標準」，轉變為是可以讓自己往前進的方法。

你會注意到，這樣的設計不只是幫助你理解「超乎期待」的語言特徵，更讓你有機會練習、驗證並內化這些能力。

結語

當你開始能夠判斷出來每一個任務他背後的深層目標，不再只是完成表面上的交付。你能說出什麼是「做好」，也能讓自己透過AI的協助，讓你靠近那個樣子。

你也能透過AI，讓你的學習效率與成果翻倍地成長，在職場或是不同的地方嶄露你的光芒。

下一次你透過AI做了一件事情的時候，請先問自己：「這已經符合了真正做好的樣子？」這句會是讓你越來越進步的開關。

這篇文章幫助你建立了完成感的辨別方法，也讓AI成為你學習的助教，克服猴子拿到槍、放大缺點的窘境。

這個系列的文章到這個地方總算是告一段落了，從幾個月以前我們從最一開始協助你如何辨識自己在AI對話中的主導程度，直到每一次問AI問題的動機釐清、訂定問問題的目標、建立起手語、追問、決定終點。

以及我們在這篇文章特別談到的，使用AI產出的基本門檻，以及怎麼讓AI作為學習的放大器與陪練員，讓你的人生像是踩了飛輪一樣遙遙領先。

這一整套是我自己從AI問世以後反覆使用的方式，雖然這篇文章「應該」算是這個系列作的最後一篇了，但是AI也在持續進步，我們的腳步也不能原地不前。

因此後續雖然不再掛這個系列文章的【AI x learning】，但是我會開始持續分享我這一兩年以來，透過AI學習到的各種有趣的知識與技能，讓我們這個系列的文章從理論轉為實戰。

讓你看看我可以單純把對話框的AI玩出什麼樣的新高度，讓自己的生活還有各種創業、自媒體都變得相當順利。

最後的最後，我想要特別感謝一下我的Copilot，這整個系列的文章都是多虧了他，我才有一個很有效率不用睡覺可以容忍一直被我打斷的對象，才有辦法可以問世。

如果可以對於在AI對話上總是遇到挫折，而覺得困擾或是幾度想放棄的朋友，有那麼一點點的幫助，我就覺得很開心了。

喜歡我的文章的朋友，歡迎在部落格網頁最下方找到我的粉專或IG追蹤我，就不會錯過新文章的消息。那我們就其他文章再見囉！