小樹職涯紫微

今天早上看到一篇談企業AI人才轉型的文章，裡面拋出一個問題讓我停下來想了很久：當「會用AI」很快就會變成人人都有的基本能力，真正能拉開差距的能力會是什麼？ 讀完我自己的答案是：恐怕不是誰的提示詞寫得更漂亮，而是誰能把自己累積多年的專業經驗，轉化成AI可以直接執行的工作流程。這篇整理的是我這陣子研究 AI 推理框架，也就是 CoT、ToT 這類概念之後的幾個判斷，它們不是目標本身，而是通往這個目標的過程，也藉這篇把思路理清楚。 直接要答案，不如先把邏輯攤開來走一遍 我剛開始接觸 AI 的時候，其實也一直在找那把能讓 AI 點石成金的神奇指令，以為只要找對詞，就能什麼都搞定。後來研究下來才發現，差距不在打了什麼字，而在有沒有把中間的思考步驟先想清楚。這是我這陣子最深的體會。 CoT ，全名 Chain of Thought，中文叫思維鏈，簡單說就是要求 AI 把推理過程一步一步寫出來，不要直接跳答案。 ToT ，全名 Tree of Thought，中文叫思維樹，比思維鏈再進階一層，是讓 AI 同時展開好幾條不同的推理路線，各自評估可行性，走不通的就放棄，跟我們自己在做重大決定前會同時想幾個方案再篩選，其實是同一個道理。 有一組數字讓我印象很深：同一個任務，直接要答案，成功率只有三成三；但先讓 AI 把中間的推理過程攤開來走一遍，成功率能衝到七成四。我讀到 Google 推理團隊的一句話說得很直接： 推理的重點從來不是答案本身，而是中間那一段路 。差距不是字面用詞，是有沒有給邏輯一個站得住的地方，這一點讓我自己想了很久。 指令會被學會，能設計判斷路徑的人才難被取代 像 OpenAI o1、DeepSeek R1 這類原生推理模型，已經把這套推理過程內化了。過去那種「請你一步一步想」的指令，現在反而可能干擾模型自己的邏輯，重點轉成要給精確的任務邊界，用對模型還能省下不少不必要的運算成本。 這聽起來是好消息，但也帶出一個麻煩：很多人還是習慣手動重複輸入同一套業務邏輯，每次都重講一遍，出錯的機率自然不低。像 JPMorgan 這類企業的做法，是把驗證過的提示範本當成資產管理，而不是每次重新打字，也讓對話式的 AI 使用，慢慢往能自己調用工具、記得住脈絡的智能體方向走。 業界把這種結構化的做法取了個好記的名字，叫 CHAIN，剛好五個字母對上五個步驟： C（Context）背景...

我想試試看，AI 能不能讓這一次真的維護下去。這篇文章寫在我真正動手之前，記錄的是現在的想法，不是已經做完的成果。 我試過不少筆記工具，也試過幾種知識管理的方法。要做出一個看起來像樣的雛形，其實不難，卡關的地方一直是維護。資料一多，就要花時間整理、補連結、更新舊筆記，通常撐不過三個月，我就沒力氣繼續維護下去，那套系統慢慢就荒廢了，變成一堆沒人再打開的檔案。 這一次不一樣，因為我先解決了資料源的問題。不是從網路上亂抓資料，是透過 NotebookLM 這類 RAG AI，把自己過去的經驗跟學習內容整理進去，資料是我自己讀過、教過、確認過的，可信。再加上 AI 現在能到桌機上直接協助整理，過去那個一直卡關的維護難題，終於有機會真的做出來，不再只是一個想了很久的願望。 不過 NotebookLM 本身還是有限制，它是一座孤島。 它能把一份資料整理得很清楚，但這份整理出來的東西，跟另一份整理出來的東西，彼此不會互相串接。今天問出來的洞察，跟上週問出來的洞察，各自躺在各自的對話裡，沒有牽上線。大腦不是這樣運作的，大腦裡的節點，要是彼此沒有連結，就會稀稀疏疏，不成一張網，想得到卻用不出來。 中介，我要接的那一層 LLM Wiki 這個概念裡提到，這套系統需要兩個角色，一個是來源，一個是知識庫，來源只負責提供素材，真正的知識累積發生在知識庫那一層。 對應到我自己的做法，來源就是 NotebookLM，我自己讀，自己整理出背景理解，從裡面提取真正重要的東西；知識庫則是用卡片盒筆記法寫成的筆記，透過 Obsidian黑鑽筆記把這些筆記彼此串接起來。 會選卡片盒筆記法，不是隨便挑的。常聽人說知識是被分類出來的，先決定好資料夾、決定好標籤，資料進來就對號入座。但世界變化很快，現在覺得對的分類，過一陣子可能就不對了，硬要維持一套固定分類，遲早會卡住，這也是我過去幾次筆記系統慢慢荒廢的原因之一，分類法跟不上想法的變化。 我更想改成另一種說法：知識是被組合起來的。把知識拆到最小的單位，一則只講一件事，之後要用的時候，依照當下的需求，重新組裝成不同的樣貌。這可能才是真正適合我的知識管理方式，不是先框好類別，是讓每個最小單位保持彈性，隨時能被重新拼起來。 分工是這樣的：我自己從 NotebookLM 讀完、提取出重點之後，交給 AI 寫成卡片盒筆記法的永久筆記，一則筆記只講一件事，獨立完整，不夾雜...

有一次下課後，一個學員留下來跟我聊。他說自己天天都離不開AI：Claude寫企劃、ChatGPT換語氣、Gemini生示意圖、NotebookLM整理資料。這個情況並不特別，因每個AI各有特性，加上費用考量，用好幾套很正常，這是整合AI必經的過程。 但他接著說，上禮拜要找一張前幾天生成的圖，翻遍每個視窗、越找越心慌，長到覺得乾脆重畫一張比較快，還自嘲：「我是不是該幫每個AI貼張標籤，免得自己搞混。」聽完，我們有默契地互相看了一眼，因為這根本不是他一個人的狀況。 卡住的不是工具，是心態 聽他講完，我想起自己也不是一直都這麼有條理。近年AI工具一個接一個冒出來，我也曾有過說不清楚的不踏實感：每天都在整理、都在產出，但東西是變多還是變好，自己也說不準。 我的目標其實是產出，不是用更多工具，但 費用考量跟對每種AI特性的熟悉度 ，讓我得好好想清楚什麼情境該用哪一種。這個念頭，讓我重新想了一次「效率」到底是什麼意思。用越多工具看起來越忙、越認真，但東西產出後找不回來，那些工具幫的忙算不算數？ 我想起前陣子去一家企業上課，一位總經理直接說：「 員工不需要學那麼多套AI，六、七種就夠了，重點是要摸熟。 」當下我只是點頭，直到遇見這位學員，這句話才真正敲醒我。 先盤點，再開始管理 於是我做了一個決定：先停下來，放慢學新工具的腳步，把手上的AI盤點一輪，順便想清楚每一套的角色： 生成式主力（Claude、Gemini） ：都是付費訂閱，Gemini搭Google Workspace順手，Claude的推理是我喜歡的 生成式輔助（ChatGPT） ：除了付費，也考量軟體適配性，主要用來增加不同視角，輔助就夠了 檢索式（NotebookLM） ：擅長資料整理與檢索，網路相關檢索則用Perplexity AI 視覺整理（Napkin AI） ：視覺化呈現時使用，甘特圖與圖表則搭配Claude AI 盤點只解決了「用哪一個」的問題。角色想清楚後，我發現真正卡住我的更深一層：不是工具不夠好，是我一直停在「助理模式」，請AI幫我寫、幫我畫、幫我整理，卻沒有走到「一起想」的層次。 後來我才想通，這跟AI的底層邏輯有關：不管寫文字或畫圖，AI本來就是不斷「生成」，你丟給它什麼，它就吐出什麼，不主動管理，產出只會越堆越多。光盤點工具還不夠，真正要處理的是管理的問題。 從助理，走到協思夥伴 這個分野，是...

有一件事，我在私下分享時說過很多次。 每次有人看到自己的命盤出現凶星，臉色就會變一下。好像被宣判了什麼。 我通常會停在那裡，問對方：「你覺得凶星是什麼意思？」 答案幾乎都一樣：不好的事、倒楣、命不好。 然後我說：「其實不是這樣的。」 事實是，紫微斗數裡每個人的命盤都有這六顆凶星，差別只在落在哪個宮位。就算是 你眼中最美好的人生，也一樣有凶星 。凶星從來不是美好人生的對立面，它只是提醒你，這股能量還沒放到對的地方。 凶星的本質：偏離中庸，不等於壞 紫微斗數裡有六顆凶星：擎羊、陀羅、火星、鈴星、地空、地劫。 這六顆星被稱為凶星，不是因為它們代表壞人或壞事，而是因為它們讓宮位的能量「偏離中庸之道」，走向極端。 自古以來，中庸被視為美德。不急不徐，凡事求圓融，確實是一種美好的處世方式。但如果你要做的是開疆闢土、需要突破與創新的事，這種求穩求圓融的特質，反而不夠用。這時候，偏離中庸的極端能量，才是真正派得上用場的地方。 但極端，不等於壞。 有一句話我常說，也覺得很準：「凶星是人生的功課，也是人生的助力。」 專家，往往是凶星造就的。因為凶星讓人在某個宮位的能量特別強烈，強烈到別人做不到，只有你做得到。當這股能量找到對的出口，就會成為最強的競爭力。 天同星天生隨和、有點懶，加上擎羊的衝勁，反而變得比一般天同更勤勞。這就是凶星的弔詭：它不是在破壞你，它是在逼你長出別人沒有的東西。 問題只有一個：你有沒有找到對的出口。 ❙ 六顆凶星在職場上的真實樣貌 ● 擎羊：快狠準的拓荒者 擎羊是六顆凶星裡最強烈的一顆。化氣為「快狠、血光」，就像一把鋒利的刀子，具有強大的爆發力與行動力。 職場上的表現：不服輸、不滿足，把對手視為目標並力求超越。這股拚勁能提供一般人無法體會的競爭力。「快、狠、準」是最直接的形容。 但官祿宮有擎羊的人，如果被放在一個需要服從管束、按部就班的崗位，往往格格不入，容易跟人起摩擦。因為擎羊帶有孤星特質，不喜歡被管。 如何轉化 ：進入競爭激烈、需要開創的領域。擎羊的能量， 在有挑戰的環境才能被善用 ，在平靜的環境只會把自己悶壞。就算在同一家公司待上二十年也沒關係，只要工作內容持續在變動，這股衝勁就有地方使。重點不是有沒有換工作，而是眼前的任務有沒有一直在變。 適合的職業方向 ：軍警、業務、運動員、創業、外科醫師。職務內容經常變動的工作也很適合，例如專案管理、特助。凡是需要爆發...

如果AI能幫你生出報告初稿、命盤分析、程式初版，那你還剩下什麼。這個問題我最近想得特別多，因為自己在寫紫微斗數程式的時候，就親身撞上過這個問題的答案。 一開始我以為，只要把規則交代清楚，AI就能把整套排盤邏輯寫出來，剩下的事應該不多。實際做下去才發現，真正花時間的部分，從來不在讓AI寫出程式，而在另外三件事上，這三件事，跟我後來在職涯諮詢跟命理實務上一直在用的能力，其實是同一套。 當AI包辦了初稿，剩下的不是跟它比產出速度，而是三件AI替代不了的事。 領域專業判斷力 、 真實生命經驗 、 大哉問提問力 。 看到這裡，你可能會想，那乾脆不要用AI，不就不會有競爭力被拿走這個問題。但事情不是這樣的。不用AI，你的時間一樣被找資料、打草稿、排格式這些事佔滿，能拿來磨判斷力、累積經驗、練提問的時間，一點都沒有多出來。 AI拿走的，是那些本來就可以被複製的工作，不是拿走你的競爭力，它反而是讓你有時間，把真正值錢的部分磨得更深的工具。而且像我寫紫微斗數程式那次，如果沒有真的跟AI一來一往試過，我也不會發現問題出在格式而不是規則，那個發現，本身就是跟AI互動出來的，不是不碰AI就會自己冒出來的。 領域專業判斷力：格式錯了，AI就跟著算錯 寫紫微斗數程式的時候，我遇到一個難題。 大限、小限本身有它自己的一套特殊規則，我又想要一個特定的排盤格式，這套規則要套進我想要的格式裡，AI一直算錯，怎麼調整提示詞都沒用，同一個地方反覆卡關，卡了好一陣子。 一開始我以為是AI不懂紫微的規則，反覆跟它解釋規則，但問題還是沒解決。試了幾次之後，我開始懷疑問題可能不在規則本身，而是我把資料丟給AI的方式出了問題。後來才發現，真正的問題出在規則跟格式兜不起來，不是規則沒講清楚，是格式的設計方式，讓AI在套用大限小限規則的時候，找不到穩定的參照點。格式沒理順，AI再怎麼算都會卡在同一個地方。 找到問題之後，我建了一個輔助頁，當作運算過程中的過渡，先把資料轉成好算的形式，再交給程式去跑，等於在AI跟原始格式之間，多墊一層緩衝。同時我也用NotebookLM把紫微斗數的規則重新查清楚，把模糊的地方講明白，讓AI在計算的時候有更準確的依據。就算做完這些，我也還是會親自解說、確認每一次跑出來的結果對不對，這一步，我從來沒有省過。 AI能幫我把程式寫出來，但看出問題出在格式而不是規則、知道該建一個輔助頁去過渡、 判...

前陣子接到一個邀約，一間企管顧問公司希望我開一門「AIGC與AI-Agent緒論」的課，講怎麼打造一個自動工作的AI秘書。老實說，AI-Agent我自己平常用得不多，一開始沒打算接，但對方誠意十足，還特別把時間喬到九月之後配合我的空檔，我實在不好推辭，就答應了。 答應之後才發現，自己得先真的動手做過，才有東西可以教，不然就只是紙上談兵。因為不能漏掉任何一封重要的信，我原本常常要一封一封來回檢查信箱，很花時間，於是我就拿這個真實需求當練習， 用AI做了兩個小工具，一個處理信箱，一個處理LINE ，過程中最意外的收穫，不是工具做出來了，是撞見了 AI 幻覺一種你完全不會提防的樣子 。 我用Google Apps Script搭配Gemini API，做了一個小工具：掃描信箱，讓AI判斷有沒有需要留意的日期或重要事項，整理進一張試算表。開發這套系統之前，我就為了測試其他功能而儲值過，一直擔心萬一用過頭、帳單大爆炸，所以在動手串接API之前，特地先確認了一下帳單狀態，才發現自己的Google Cloud帳戶早就悄悄綁上了帳單帳戶，過去三十天已經產生實際費用。花了點時間釐清免費額度的規則之後，試算了一下，一週整理一次的用量，費用大概只要台幣一到兩塊，以這樣的成本換取的效率，是合理的投入。 Gmail小秘書：最危險的錯誤，是合理到你不會懷疑 信箱小秘書跟單純用程式規則去抓字，差別在哪裡？關鍵是多了Gemini這層AI。程式只能死板比對字串，看不懂句子在說什麼，遇到用詞不同就抓不到；AI能看懂意思，就算原本寫法五花八門，也能重新組織成統一的格式。比如一封信裡寫「 講義請於8/11前提供 」，我要的不是原封不動抄下來，是讓AI統一改寫成日期在前、事項在後，變成「 8/11：提供講義 」，不管原始信件怎麼寫，輸出的格式都一樣，這才是我真正想要的功能。 第一次測試信箱小秘書，我拿一封真實的多場次諮詢邀約信給它判斷，信裡明確寫著「諮詢結束後請於七個工作天內回傳紀錄表」。AI判斷出的截止日期，剛好跟我手動推算的答案一致，看起來完全正確，但仔細一查才發現，程式只截取了信件前兩千字，那段規則根本沒被讀到。 AI是在完全沒看到這段文字的情況下，自己推測出了一個截止日期，而且推測得剛好很準 ，一開始完全看不出破綻。 這件事讓我意識到， AI的幻覺最危險的不是離譜的錯誤 ，是合理到你不會懷疑的錯誤...

站上台講的是簡報，那是我準備最久、也最核心的部分。但學員帶回去的，是講義，沒有講義帶回去，複習會很吃力。這兩件事，一個是我真正在乎的，一個是學員真正需要的，要怎麼兜在一起，我想了很久。 我一開始就很清楚，一問一答的生成式AI解決不了這個問題，因為我要的不是 AI 回答我問題，我的需求是要它能直接從簡報生成講義。但我當時也不知道寫程式可以解決這件事，只能先跟AI一問一答，摸索可能的方向。 就這樣 一來一往，我才慢慢找出答案 ：寫一支程式可能是我的解方。我自己不會寫程式，但AI會，我心裡有一套清楚的SOP流程，只要能把這套流程講清楚，AI就能幫我把它寫成程式。於是我投入了不少時間，最後真的把這支程式做出來了。 後來回頭想，這一整段過程讓我發現一件事： 我不只是在問AI，而是希望AI真的能具體幫我完成一件事。 一問一答雖然沒有直接給我答案，卻開啟了解決問題的線索，寫程式這件事，AI幫了大忙。真正的問題，從來不是AI能不能做，是我有沒有先把「這件事該怎麼做」想清楚，再讓AI去執行。 重複的事，不需要每次都問 一件事只要邏輯有一半以上不會變，就值得考慮交出去，交出去一件是一件。這次是這門課的簡報，下次是另一門課的簡報，內容不同，但轉成講義的規則是一樣的：哪些頁面要保留原本的排版、頁碼放在哪裡，這些部分早就不會變。既然是不變的規則，為何我要一直重複做同樣的動作，浪費自己的時間。 真正的差別不在AI這一端，而在我這一端有沒有先把「這件事該怎麼做」這個問題，回答過一次。回答過，寫下來，之後就不用再重新回答；沒有回答過，每次都只能臨時想，臨時想的品質通常也比不上靜下來認真想過一遍的版本。這不是什麼高深的道理，只是我自己踩過幾次同樣的坑之後，才慢慢想清楚的。 問AI，是每次都把整件事重新講一遍，講完等它做，做完還要檢查有沒有理解錯我的意思，理解錯了再重講一次。派AI去做，是先把規則講清楚一次，之後同樣的事情發生，AI就照著規則直接執行，不用我再重新交代。這兩者的差別，不是AI變聰明了，是我自己 從 「每次發問的人」，變成「先定規則的人」 。 真正值得自動化的，不是那些困難的工作，而是那些 早就知道怎麼做、卻還一直重複做的工作 。 這類工作不需要更多創意，需要的是把自己的做法整理成規則，再交給AI去執行。以下是我自己動手處理的三個案例。 案例一：把簡報自動變成講義的程式 以前做講義，是手...