跳到主要內容

發表文章

學習樹園地

學習,就像種一棵屬於自己的樹! 你是否想過,學習就像在種樹? 一開始,我們都是一顆小小的種子,對世界充滿好奇,渴望成長。而學習,就是我們汲取養分、茁壯成長的過程。 我是蔡興正,我特別喜歡「學習樹」這個概念。這不是什麼園藝技巧,而是透過系統化學習,讓我們的職涯像一棵大樹,枝繁葉茂,屹立不搖! 可能有人會好奇,為什麼要把學習比喻成樹?學習樹的概念很簡單:學習是一個持續成長的過程。 我們不斷吸收新知識,就像樹木不斷長出新枝葉,讓自己更加茁壯、更具價值。學習並不是孤立的,而是「成群」的,每一項知識就像一片葉子,彼此相連、互相支持,才能形成完整的知識體系。 各位職場夥伴們,讓我們一起種下屬於自己的學習樹,讓它在我們的職涯中開花結果,成就更美好的自己! 》部落文章三大主題 主題一:心智圖法—發揮大腦的潛能! 心智圖是一種「圖像思考」工具,能幫助你整理思緒,提升創意與記憶力。它的運作方式像「神經網絡圖」,從主題出發,延伸出不同分支,把所有相關資訊視覺化。相較於傳統筆記,心智圖更能刺激大腦,使學習與理解變得輕鬆有趣。 其最大優勢在於「跨界連結」,能將不同領域的知識串在一起,發掘新的關聯,對職場人士而言,是提升問題解決能力與創新的好方法。此外,心智圖還能強化學習效率,幫助你快速掌握新知識,讓你思考更有條理,在職場更具競爭力! 主題二:數位工作—告別忙碌,擁抱優雅人生! 透過AI與Google APP,如Gmail、Calendar、Drive、Meet等數位工具,你能輕鬆管理行程、協同作業,大幅提升工作效率。這些工具猶如你的「數位小幫手」,讓你減少瑣碎事務,把時間留給真正重要的任務。 結合AI技術,你能更有效率地處理郵件、安排會議、搜尋檔案,讓工作流程順暢無阻。最終目標不只是提高產能,更是讓你有餘裕享受生活與美食,同時也能陪伴家人朋友,真正達到「高效工作、快樂生活」! 主題三:職涯發展—別讓你的職涯迷路了! 職涯就像一場冒險,關鍵在於「能力盤點」與「時間管理」。能力盤點能幫助你了解自己的優勢與不足,時間管理則確保你朝著理想方向前進。此外,運用工具來輔助職涯發展,例如紫微斗數,可以幫助你探索天賦、發掘潛力,找到最適合自己的道路。 職涯發展是持續的學習與探索,不斷提升自我,找到與他人相異點,發揮自己的強項,於競爭激烈的職場中持續貢獻,擁抱成就感,創造共好職場,一起成長與共享! 》課程主題...
最近的文章

時間不是用來「擠」的,是用來「分配」的

我一直認真地在做時間管理。 雖然,我早知道時間不能「 管 」… 工具試了不少,方法也換了幾輪,行程表裡的每一格都有它的位置。可心裡始終隱隱覺得哪裡不對。不是做得少,也不是做得差,就是有一種被什麼卡住的感覺。 記得姚仁祿老師曾經這樣說:帶著問題探索,當答案出現的時候,你才會恍然大悟與連結。 直到我看到 Ali Abdaal 的影片《Success Is Hard Until You Build Systems Like This》,他說了一句話。這句話對我而言,算不上什麼全新的概念,但它讓我突然看見了那個一直卡著我的地方。 他說: 厲害的人,不管理時間,他們分配時間 。 一個觀念之差,底層的邏輯完全不同。 「擠」是被動的,是在已經被占滿的日子裡,拼命找殘餘的空檔。 而「分配」是主動的——是在時間還沒被任何事情搶走之前,先決定它的去向。你不是在跟生活搶時間,你是在預先設計生活的結構。 這個差別,讓我想起 Ali 在影片裡舉的一組數字: 每週 168 小時 。 扣掉睡眠和基本生存,剩下約 100 小時可以動用。但一份工作加上通勤,就去掉一大半。剩下那 40 個小時,如果沒有主動配置,它們就會悄悄流進螢幕時間、無意識的滑動、漫無目的的等待之中,像沙子從指縫滑走,等你發現,已經是一週的結尾。 你不是沒時間。你只是沒有「先分配」時間。 --- 這個認知,讓我重新看待自己與行事曆的關係。 作為個人工作者,我沒有公司結構給我的會議與排程,沒有上班打卡的節律,也沒有月底固定入帳的薪水。這聽起來像是自由,但更準確的說法是,每一個小時的選擇,都直接影響收入,也直接決定成長的速度。沒有工作,就沒有收入。這種現實,讓我對時間的分配,始終比旁人更加謹慎,也更加用功。 但謹慎,不等於清晰。 我曾以為自己的行事曆已經夠滿、夠認真,卻沒有意識到,忙碌的表面之下,真正值得投入的事,反而常常排不進去。 運動、閱讀、深度思考、陪伴家人……這些事的 ROI 不像接案那樣即時可見,於是一再被推後,等著那個「有空」的時刻。而那個時刻,從來不會自己出現。 時間是公平的,但它偏愛那些提前宣示主權的人。重新去 學會「分配」,是我在時間管理上,最重要的一次轉彎。 --- 這個洞察,不只適用於時間。 錢,也不是用來「省」的,而是用來「配置」的。 很多人的理財邏輯,和過去我管理時間的方式一模一樣:先花,看看剩多少,再說要不...

人機協作:當 AI 產生遺漏時,我們該如何重新設計提示詞框架

此為實作筆記,記錄出錯歸因與解決方案 💬 作者手記 --------------------------------- 蔡興正,2026-04-20 「早晨分享給大家,特別在處理核心數據與資料時,需要警惕此類狀況…」 今天整理 ITS AI 認證課程考古題時,我請 AI 將各章面臨的題目歸納成學習重點。 核對結果發現,部分考題並未出現在輸出裡。AI 沒有說明略過行為,僅靜靜交出看似充實、卻潛藏缺漏的內容。 追溯原因:這並非技術故障,而是給予的提示詞缺乏清晰邊界,導致模型在「精簡」與「周全」之間,傾向了前者。 調整提示詞後,再次重新驗證,內容的正確性幾乎為百分之百。這是一個寶貴的經驗,因此我將修正流程拆解為以下步驟,留作日後參考之用。 》若用三句話來說明: ① AI 如同人類會有慣性:AI  在反覆處理相似任務後,會形成「慣性模式」,進而將錯誤答案視為理所當然地套入。  ② 補救之道 :仰賴人類協作介入(HITL),這也正說明了,個人「專業深度」的持續精進,是無可取代的核心競爭力。  ③ 讓 AI 持續進化的關鍵? 透過不斷修正提示詞,才能為模型提供更精準的再訓練依據。 ❙ 防範遺漏:讓 AI 處理受限資料的步驟 適用情境:委託處理具備特定篇幅的專案、清單或素材時,裡面有數字或清單者尤為適用 ❶ 請 AI 先回報盤點總數, 暫緩內容編寫,先讓系統確認來源的規模。 → 此動作對應至專業領域稱為:「建立基礎事實 (Ground Truth)」 ❷ 領域專家親自對焦,此步驟不可省略。 能看出資料對錯的前提,建立在你對素材內容的基礎了解上。 值得留意的觀點: 判斷「對錯」的前提,來自對專案本質的透徹理解。 對業務生疏的操作者,無從下手查閱,也難以察覺差異。 這點出了持續精進之所以至關重要——並非為求與演算法拼搏,而是賦予自身高階協作底氣。越熟悉所屬產業,越能預判工具的產出盲區,進而適時介入導正。 AI,遇強則強,遇弱則弱。你的底蘊厚度,決定了科技的輔助上限。 ❸ 基準底定,重啟生成,給定不容妥協的參考值,產出便擁有了嚴謹的運作框架。 💡 流程設計的價值,遠勝過提示詞的長度。 ❙ 關於 AI 的學習軌跡 「我不會因為系統偶發失誤而卻步。妥善運用,確實比全人工運作高效極多…」 初期導入時未必節省時間,因尚在摸索底層邏輯。然隨著掌握度漸增,產能與...

我用 AI 整理 AI 課的筆記,理論竟然開始「來電」了

2026/4/11,我報名了 ITS AI 人工智慧國際認證課。老實說,雖然我每天都在用 AI,但都是實際操作,很少碰理論。 第一週上課,看著錄影的回放,滿天飛的英文縮寫:RAG、MLOps、Quantization,我的頭雖然沒有很小,但就是塞不進這些東西,也很難與實際的使用相連結。心裡想著:認證是一回事,關鍵是我到底有沒有吸收? 第二週,2026/4/18 上課時,也就是今日,我改變了策略。我不想再讓腦袋空空地坐在那裡,於是 改用 Google Antigravity 一邊整理筆記、一邊學習 。果然,上午的狀況好多了,精神滿滿。 真正有趣的事情發生在下午。 當時正在講 AI 的演算法,我雖然有興趣,但下午就是容易恍神。就在快放空的那一刻,我突然想到:這些演算法是「結果」,那我自己下指令請 AI 整理筆記的過程,究竟是什麼?  以下圖片的內容,是取自 [ 楊宏文老師的 ITS AI 國際認證培訓班課程 ]   的內容,由  TibaMe 主辦。 為什麼不直接請 AI 把它整理的步驟 ,用課堂上教的專有名詞寫出來?這樣,課本上那些陌生知識就能和我日常操作的經驗直接接上,陌生的資訊,就有機會快速與自己的知識框架結合。 就這樣,這篇文章誕生了。而且整個下午上課,我自己精神異常地好。邊寫邊聽課,不斷的透過問題來向 AI 提問,看著 AI 給我的回答,再對照老師的課程內容,來回比對,覺得太有趣了,我終於有點"來電"的感覺了。 為了讓筆記再提升一個層次,我還要求 AI, 把文章裡出現的每一個專有名詞,都對應回課程的脈絡與意涵 ,讓我能快速查明。不一定每個連結都百分之百準確,但對我來說,這樣一個「橋接」的動作,讓那些原本陌生的詞彙開始有了「位置感」。當我不瞭解時,我即可快速回到講義中查詢,請 AI 進行一個小小的動作,卻是給自己大大的方便。 以下,是我從實務出發、對照 ITS 考綱的實戰拆解,以及它背後呼應的 AI 核心架構,分享給您。 一、第一步從來不是丟資料,而是建立框架 多數人使用 AI,習慣把資料一次貼上,要求立刻產出結果,這往往會導致失控。這是 AI 在處理序列資訊時天生的限制,也是為什麼後來會發展出 LSTM (長短期記憶網路) (Ch3) 來解決傳統模型容易「遺忘」前端資訊問題的原因。 在這次處理中,我第一步是先給予 AI 明確的「...

AI 不是來取代你的,而是讓你有時間做真正該做的事

從消滅瑣事、到成為監工,六個步驟分享給你這個時代真正的演化邏輯。 林副理是一間中型貿易公司的採購主管,手下管著 5 個人,負責全台灣超過三百間供應商的詢報價管理。 每週,他的郵件信箱都會湧進上百封「什麼時候可以收到款項」的重複問題。每一封,他的同事都得一一查帳、一一回覆。每一份供應商報表,都要花上整整一個工作天才能整理完畢。 後來,公司導入了 AI 系統。 那些重複的詢問,AI 3 秒就能回答。 那份報表,AI 花了 5 分鐘就整理好了。 林副理坐在位置上,看著空空如也的待辦信箱,心裡升起一種說不清楚的感覺: 是解脫?還是恐懼? ❙ 問題:努力的方向,比努力的程度更重要 你有沒有算過,自己一週裡面,有多少時間是在「真正工作」? 不是看起來在工作,而是那種你坐下來、腦子真的在解決問題、產出真正有價值的東西的那種工作。 根據相關研究,白領工作者每週有三到四成的時間,是花在找資料、整理報表、回覆重複的詢問、轉發郵件、更新進度追蹤表這些事情上的。這些事要花時間,但它們幾乎不創造額外的價值。你做完了,事情沒有進展,問題還在原地等你。 問題不是你不勤奮。很多人每天早到晚退,月報季報一份都沒少,但就是感覺升不上去、做不出差異化。原因不在努力程度,在於努力的方向從一開始就對準了錯誤的目標。 這件事現在有了一個對照組。 你的競爭對手,有些已經開始用 AI 處理掉那三四成的重複工作,轉而去做你還沒時間做的事。 《今周刊》說得直白:「你不用 AI 取代某些人力,但你的競爭者會。」 這句話不是在嚇人,它只是在說明一件正在發生的事:有些公司已經導入 AI,有些還沒有。這個差距會隨時間慢慢展開。簡單來說,懂 AI(愛)的人,工作才不會有「礙」;讓科技幫你解決障礙,你才能重拾工作的熱愛。 我自己就是從這裡開始的。 身為一個職業講師,最消耗我的不是備課,而是備課之後的事。簡報做完了,還要把它重新整理成講義,內容相同,但格式、邏輯、篇幅都要重來,每次都要再花上一段時間。這件事本身沒有創造任何新價值,卻是每一堂課前的例行折磨。 直到我做了一個「 簡報講義生成器 」,把簡報的結構丟進去,AI 自動轉換成可以印出來給學員的講義格式。第一次跑完的那個下午,我坐在螢幕前愣了幾秒。 就這樣?就這樣。 那種感覺不是驚喜,而是一種很奇怪的錯愕:原來我長年接受的那個消耗,其實根本不應該存在。這才發現,搞定瑣事不用靠蠻...

第五步:同時跟多個 AI 協作,一個人也能推進多項任務

系列文章|AI 不是來取代你的第 5 篇,共 6 篇 iKala 共同創辦人程世嘉曾描述他的日常:身邊隨時有多個 AI 在不同螢幕上同時運作,例如一個在寫董事會摘要、一個在處理郵件、一個在寫程式。他只負責確認方向、補充情境、做最後判斷。 這個畫面,放在幾年前像是科幻場景。但在 2026 年,這件事已經是日常,而且比多數人意識到的更容易上手。 前四步帶你從「問 AI」走到「派 AI 去做」,代表你已經具備了「製作人(Producer)」的基礎視角。這一步,我們要再往上走一層:不只是派一個 AI 去執行,而是同時指揮多個 AI 協同運作,讓自己從單一執行者,升格為整個工作系統的設計者。 這個畫面讓多數人向往,也讓人不禁疑惑:這不就是多工嗎? ❙ 先釐清誤解:這不是多工 當提到「 一個人同時推進多項任務 」時,你可能皺起了眉頭:「等等,多工不是壞事嗎?」 確實,你自己的多工是個問題,這一點神經科學早有定論。 神經科學研究早已確認:大腦無法做到絕對的同時處理兩件需要思考的事,你以為的「同時」,其實是高速切換。而每一次切換都要支付「認知切換成本(Switching Cost)」。研究估計,每次任務切換平均損耗 15 到 20 分鐘的專注力,長期下來效率損失高達 40%。多工不是高效,是消耗。 但「同時跟多個 AI 協作」,說的不是你在多工。你做的那件事只有一個:指揮。AI 在做的那些事,才是並行的。 想想樂團指揮。 演出時,舞台上有大提琴、小提琴、銅管、木管、打擊樂同時響起,但指揮沒有同時拉琴、吹號、打鼓。他只專注於:確保所有人在對的時間、做對的事。他的認知負荷不是百人的總和,而是對整體方向的掌握。 這也解釋了文章開頭程世嘉的案例為何不矛盾:他在多個螢幕之間移動視線,切換的是「判斷時機」,不是「親自生產內容」。 多 AI 協作的祕密,在於你切換的是「判斷」,而不是「生產」。 傳統多工讓效率崩潰,是因為每一次切換,你都必須親自重新載入厚重的資料情境。但在多 AI 協作中,AI 已預先處理了繁瑣細節,把結果整齊呈現在你面前;你大腦的「載入成本」被壓到最低,每次回到任務時,只需做一件事:判斷下一步。 這正是多 AI 協作的真實樣貌。 你序列化自己的注意力,並行化 AI 的執行力。 你派出任務、然後離開,轉赴其他需要你在場的任務;AI 在背景獨立運行,完成後你回來驗收。這個模式,有個...

第六步:當 AI 把初稿都包了,剩下的才是你真正值錢的部分

系列文章|AI 不是來取代你的第 6 篇,共 6 篇 如果 AI 能幫你生出報告草稿、分析初稿、程式初版、設計方案,那麼你還剩下什麼? 這個問題,相信對許多人而言,是充滿困惑與壓迫感。 當 AI 包辦了初稿,剩下的不是與 AI 競爭產出速度,而是回到人身上,覺得有三件 AI 永遠無法取代的事: 維度一:領域專業判斷力,你看得出草稿哪裡脫離了行業現實。 維度二:真實生命經驗,你的一手脈絡讓文件從「AI 的輸出」變成「你的作品」。 維度三:大哉問提問力,你能問出讓 AI 也沒想過的問題。 ❙ 維度一:領域專業判斷力 讓我們先從一個你可能經歷過的情境開始。 我問 AI:「這兩張表格,要不要合併?」 AI 給了你五條理由,說明不需要合併。 我說了一句:「但其實我合併的原因是……」 AI 立刻換邊,開始幫你找合併的理由。 那麼,表格到底合不合併?這個決定權,最終是誰的? 答案很清楚:是自己。 AI 只是一面鏡子,映出你告訴它的那個世界。它不懂你為什麼這樣選,也不必為結果負責。 它提案,個人為決策負責。 這中間的空隙,就是判斷力存在的位置。 具體一點,來看兩位專案經理的差異:同樣用 AI 產出 WBS(工作分解結構),A 經理直接提交:層次分明、項目完整,引用的是 AI 從全球企業案例裡抓出的標準框架。 看起來沒問題。但三個月後,執行才發現許多環節根本脫離現實。 B 經理同樣用了 AI 的初稿,但她花了半天逐行過,把那些「 看起來正確但不適用於我們產業 」的項目全部標出來,重新調整了整個分解方式。同樣的工具,不同的結果。差距,就在那半天做的事。 別忘了,判斷力不只是「把關」,它更是槓桿。 在 AI 放大生產力的世界裡,一個準確的決策所能撬動的價值,可能是過去的百倍;而一個錯的決策,代價也是百倍。 你的判斷準確率,正在以指數級的速度影響你的職涯軌跡。 ❙ 維度二:真實生命經驗 AI 做出來的東西,完整但薄。 你把那份報告拿給客戶,邏輯通,但沒有溫度。你把那個提案交上去,架構對,但沒有說服力。原因不難找:裡面沒有你。不管那是你做判斷的背後脈絡、你曾經踩過的雷,還是你看過客戶眼底閃過的那一絲猶豫,這些細節,文件裡全都沒有。 把這些血肉放進去,東西才會從「AI 的輸出」變成「你的作品」。 AI 沒有過生活。 它體會不到合約突然被抽掉時的焦慮,也不知道在營收見底的那個季度,你是怎麼帶著一...

第四步:從「問 AI」到「派 AI 去做」,你變成了發號施令的人

系列文章|AI 不是來取代你的第 4 篇,共 6 篇 ▶本步核心要點: 程式代勞 :善用 AI 撰寫自動化腳本(如 Google Apps Script),將 SOP 固化為一鍵執行的工具,兼顧執行效能與數據安全。 SKILL 機制 :透過 SKILL.md 定義專業 SOP 與行為邊界,驅動 AI 進入非同步代理模式,讓SOP流程被精準複製。 協作層次 :理解「問、用、管、造」四個階段,從單純的內容創作者,躍進為定義流程、設計系統的全局掌控者。 前三步,你還在跟 AI 對話:你問,它答,你加工,整個過程都要你在場盯著。 第四步, 關係換了 。問題是:換成什麼? 你不再是在和 AI 說話,而是在指揮它去跑一件事,然後你去忙別的,等它回來交差。這個角色,叫「指揮官」。 那麼,一個稱職的指揮官,最核心的條件是什麼?只有一個:指令夠不夠精準。指令模糊,AI 的執行力反而會成為問題;指令精準,AI 的能力才算真正為你所用。 ❙ 角色心態的轉變:從「創作者」升級為「製作人」 心態要怎麼轉?先把自己從「親力親為的創作者」,升級為 具備「製作人(Producer)」思維 的人。未來的關鍵不在於你會不會被 AI 取代,而是你懂不懂得將 AI 視為「團隊成員」來進行分工與發包。 遇到任務時,先問自己三個問題: 這件事真的需要我親手來嗎? 可以發包出去嗎? 誰是最合適的執行者? 這樣,思考就能從「我要怎麼做」轉為「這件事發包給哪個 AI 最好」。 身為製作人,你可以靈活指揮不同的 AI 各司其職,例如調度 Google Antigravity 負責環境適應與邏輯重組、Gemini 負責深度研究、ChatGPT 擔任創意助手。 ❙ 什麼是「代勞元年」? 先拆解一個問題:AI 幫你「給建議」和幫你「做完」,有什麼本質的差別? 2025 年底開始,AI 應用出現了真正的轉折點。AI 的角色從「顧問」,正式進化為「執行者」,不只是給你建議,而是真的幫你把事情做完。 這個轉變,就叫做「代勞」。 背後的技術叫 Agent(代理人),白話一點說,就是讓 AI 幫你「代勞」那些沉重、黏手又磨人的瑣事。 ➤ 代勞 vs. 輔助:「非同步」的真實應用場景 先想一個問題:如果 AI 可以幫你「做完」一件事,你會讓它從哪件事開始? 最常見的例子是:當你電腦桌面很亂,以往你問 AI「我的桌面應該怎麼整理」,它會...