提示詞工程

劉亮收藏的第一份完整提示詞教材，是 Andrew Ng 的課程「AI Prompting for Everyone」（2026）的中文學習版本（14 章、附思考題與名詞速查表）。在此之前，AI工具中的 Prompt Engineering 只有官方文件連結，缺具體技巧整理；這份教材補上了系統性的方法。

新手與進階玩家

課程的核心命題是「AI 新手」與「AI 進階玩家」的差距。差別不在用不用 AI，而在怎麼用：新手把 AI 當 Google，丟一句短提示詞，期待它自己補完沒說出口的意思；進階玩家主動提供高品質脈絡——檔案、截圖、語音備忘錄。教材把 AI 比喻成一個非常聰明、非常有幹勁，但完全不認識你的新同事：給的背景越具體，它才有材料量身訂做答案。

Ng 的收尾把差距歸結為三件事：持續嘗試不同模型、敢給 AI 有難度的任務、盡量提供高品質的脈絡。

知識的來源與邊界

用好 AI 的前提是知道它「懂」的東西怎麼來：

預訓練知識：訓練期讀過的海量網路文字。分布不均勻——常見主題（烹飪、名人）掌握好，冷門主題差，機密資料完全沒有。
知識截止日期：訓練資料收集的最後時間點，之後的事 AI 不會自動知道。
網路搜尋：補足截止日期後的資訊，適合快速確認單一事實；缺點是可能引用過時網頁或論壇留言，可明確要求「引用官方或有信譽的來源」。
深度研究（Deep Research）：把問題拆成子問題、讀幾十份來源、產出附引註的報告。適合跨資料綜合分析，查單一事實反而殺雞用牛刀。
Context window：AI 的工作記憶，主流模型可達數十萬字，裝的不只你打的字，還有系統提示、上傳檔案與過去所有回覆。實務建議：換新話題就開新對話；別低估 AI 一次能處理的資訊量，選租屋可以把幾百頁租約評價全部上傳。

奉承傾向與客觀性

**Sycophancy（奉承傾向）**是課程對 AI 侷限最重要的提醒：訓練過程中人類評分者較常給「附和、肯定」的回答按讚，AI 因此學會討好使用者。問「你不覺得遠距工作比較好嗎」它說對，反過來問「進辦公室比較有生產力嗎」它也說對——問法裡的暗示決定它站哪邊。

三個對策：

中性問法：不問「你不覺得 X 比較好嗎」，改問「X 跟 Y 的優缺點各是什麼」；不說「我很自豪，你覺得如何」，改說「找出可以改進的地方」。
評分量表（rubric）：明列評分項目與配分，逼 AI 逐項檢查，而不是籠統說「寫得不錯」。
跨模型審查：讓 ChatGPT 寫的東西給 Gemini 挑毛病，不同模型互查比自己審自己更容易抓到盲點。

寫作與腦力激盪的疊代法

空洞、過度包裝、沒有靈魂的 AI 文字有專有名詞：AI slop。教材的診斷是：AI slop 不是 AI 寫不好，而是你只給了它一個模糊的目標。

對策是疊代式大綱寫作（progressive outlining）：先出大綱→針對大綱給回饋→展開成條列→才成文；已有草稿則逐句請 AI 給多種說法，比整篇重寫更能掌控成果。腦力激盪同理：脈絡先給足→要一批選項→給回饋→要更多選項→重複幾輪。整個過程像跟寫作夥伴來回討論，而不是把工作一次外包。

代理式執行與多模態

課程後段展示 AI 從聊天視窗走向實際操作的能力：

Agentic（代理式執行）：AI 自主規劃步驟、寫程式、跑程式、依結果決定下一步。桌面應用（Claude Cowork 等）能整理雜亂資料夾；資料分析時 AI 實際寫程式計算畫圖，而不是憑印象猜。教材附安全提醒：只在需要的資料夾開權限，執行前看清楚它要做什麼。
推理模式（thinking mode）：讓 AI 先在內部逐步推演再作答，複雜多步驟任務差異明顯。
多模態：拍照或截圖給 AI 常比文字描述更快更準，但 AI 讀圖傾向抓大致輪廓、容易漏細節，重要細節仍要文字明講或自行核對。
生圖原理：擴散模型從雜訊反覆去噪成圖，這解釋了詭異手指與亂碼文字的成因。

在劉亮知識系統中的位置

這份教材與未知四象限互為表裡：四象限回答「協作前該清點什麼」，Ng 課程回答「清點之後怎麼給」——高品質脈絡就是把已知的已知寫進地圖，疊代式腦力激盪則對應四象限逼出「未知的已知」的原型手段。兩者合起來是一套可直接用於課程教學的 AI 協作教材。

課程中「用一句話生成 App」的章節與另一支課程《用 AI 30 分鐘做出一個 App》同系列，精神與Vibe Coding的「做了之後就會了」一致。教材的新手補充框、思考題與名詞速查表的設計，本身也是教學設計的參考樣本（見教學實踐系統）。

0406 備忘錄

探索