小樹職涯紫微

系列文章｜AI 不是來取代你的第 3 篇，共 6 篇 用 AI 寫信、整理資料、翻譯文件，這些確實都很有價值。 不過，如果 AI 的使用方式停在這裡，其實還有一大片更深的應用等待探索，這是一個能讓思考品質全面升級的層次。 上一步回顧： 第二步，我們學會把腦中「只有自己才知道」的隱性知識，透過思維鏈（CoT）、思維樹（ToT）與 Prompt 模板固化下來，讓 AI 記住你的方法，變成可以永久調用的數位資產。 這一步的不同在哪裡？   前兩步，AI 都是你的「執行者」：幫你省時間、幫你存方法。 第三步要做的事情截然不同：讓 AI 站到你的對立面，主動梳理你的假設，引導你一步步想得比原本預期的更深更遠。 這不是在省時間，而是在升級你思考的品質。 ❙ AI 有兩個層次的用法：從 Co-Pilot 到 Co-Thinker 第一層｜助理（Co-Pilot） 讓 AI 幫你省時間，包括打草稿、整理資料、翻譯、摘要。這是一個單向的過程，你下達明確指示，追求的是「速度」與「代勞」。這層很有用，但它是淺的。 案例：「我明天要開會，幫我把這份 20 頁的對手企業財報，摘要成 3 個重點。」 第二層｜協思夥伴（Co-Thinker） 讓 AI 幫你提升思考品質，讓它梳理你的假設、扮演你的對立方、找出尚未看見的可能漏洞。這種模式是雙向互動，AI 不再只是幫你把事情做完，而是透過引導式問題帶你「停下來思考」，拆解假設背後的邏輯，拓展你的決策視野。助理幫你省時間，協思夥伴則是增強你的批判性思考能力。 ✎ 案例：「我打算向老闆提議『裁撤實體店面全面轉型電商』。請 扮演反對派的董事，嚴厲指出這提議的 3 個致命風險，並問我 2 個我可能答不出來的犀利問題 。」 許多人停在第一層，以為 AI 的價值就到這裡了。其實，第二層的大門一直開著。 ❙ 讓 AI 扮演你的對立面，並且「故意想錯」 真正有意思的用法，是把 AI 當作一個願意說真話的對話夥伴。 你可以讓它扮演你最難搞的客戶，協助找出提案中值得強化的地方；也可以讓它站在你的對立面，一步步引導你釐清那個「應該沒問題吧！」的假設，究竟有多紮實。 這種使用方式，不是在省時間，是在提升你思考的品質。 不過有一點值得留意：AI 的運作原理是預測機率，如果給它的指令過於模糊，它通常會回應最安全、最平均的「罐頭答案」。 要讓 AI 真正說出有價值的看法...

系列文章｜AI 不是來取代你的第 2 篇，共 6 篇 你有沒有見過這樣的事：做了十幾年的老師傅退休，那些「手感」就這樣帶走了。跑了五年的業務離職，那些眉眉角角就消失了。不是因為他們不想傳，而是有些東西說不清楚、也寫不下來。 這不是個別現象，是台灣大部分行業都在面對的隱性問題。 ※上一步回顧 ： 第一步，我們從「立刻動手」開始，讓 AI 幫你把那些「食之無味、棄之可惜」的雞肋工作清償掉，感受時間真的被還回來。那是破冰，是讓你先動起來的第一把火。 ※這一步的不同在哪裡？ 第一步是「用 AI 替你做事」；第二步是「把你的方式，教給 AI 永久記住」。 丁筱晶不只省下了 76% 的時間，她更把自己多年累積的「選文品味」寫成了 AI 每次都能複製的指令，這才是真正的魔法。 本篇要處理的核心問題是：那些「只有你才知道要這樣做」的眉角，能不能被系統化地留下來，不再因為你的離開而消失？ ❙ 什麼是隱性知識？ 有一種專業很難傳承，就是那種「你做了十年才知道要這樣」的直覺。 師傅退休了，那個味道就不見了。老業務離職了，那些眉眉角角就散掉了。台灣有太多行業，都在靠一兩個關鍵人的「身體記憶」撐著，但沒有人有辦法把這件事說清楚、寫下來、傳下去。 ⇉動手型的固化：感測器＋AI 路易莎咖啡：把「烘豆師的手感」變成可量產的烘焙曲線 路易莎咖啡在烘豆廠裝上感測器，讓 AI 跑過無數次烘焙紀錄，推算出最佳烘焙曲線。結果是月產能從 38 噸跳到 50 噸以上，品質還比以前更穩定。老師傅多年積累的「手感直覺」，從此以數位形式被固定了下來。 拍拍圈（PopChill）：把「鑑定師的火眼金睛」AI 化為 99.1% 辨偽率 二手精品的真偽辨識，是一種需要浸泡多年才能練成的眼力，手感、縫線、金屬光澤、logo 的字體比例，全都要靠人類的眼睛。拍拍圈將圖像放大三百倍、每張圖掃描約五百個鑑定點，把資深鑑定師「看細節的眼力」轉化為 AI 系統，辨偽率高達 99.1%。資深鑑定師的知識，從此不再隨著退休而消失。 精準醫療：把「老醫師的診斷直覺」量化為可輔助全員的推論機制 醫師每天面對上百位病患，長年累積出一套難以言傳的「統計推理直覺」，從症狀的微妙組合中推斷病因的機率。結合生成式 AI 與大數據的「精準醫療」，能透過龐大的類神經網路，學習這些在看似無關的因素中尋找因果關聯的能力。 老醫師大腦中幾乎無法傳承的診斷直覺，就...

系列文章｜AI 不是來取代你的第 1 篇，共 6 篇 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。 被「數位債務」壓垮的現代工作者：  微軟（Microsoft）的《2023工作趨勢指數報告》指出，高達 64% 的工作者感到時間和精力的嚴重匱乏。每天鋪天蓋地湧入的電子郵件、報表與會議紀錄，已經成為現代人的「數位債務（Digital Debt）」。 工作者必須花費原本 3.5 倍以上的精力，才能去處理像是創意產出或策略制定等「真正創造價值」的關鍵任務。 第一步，就是從這裡開始，讓 AI 幫你把這些數位債務清償掉。 ❙ 動手，不是學技巧 很多人卡在「我還沒學好 Prompt 技巧」這個坎。但說真的，第一步不是學技巧，而是先動手試試。只要敢跟 AI「碰一碰」（Prompt），你會發現它比想像還好懂。讓時間真的被還回來。 把 AI 當作「水電」來用： 許多人以為用 AI 需要成為專家，必須了解它背後怎麼運作。但 AI 專家程世嘉指出，生成式 AI 的基礎設施已經完備，它的存在就像是「水與電」一樣。 你不會因為想喝牛奶而去養一頭牛，也不會為了用電而去重新發明電網。不需要去上艱澀的程式課程，只要把它當作打開水龍頭一樣，大膽地把日常遇到的問題丟進去，你就會發現時間立刻被省下來。 把試算表丟給 AI 做分析、讓 AI 寫第一版會議紀錄、把你要查的問題直接問 AI，這些都是今天就能做到的事，不需要任何訓練，不需要開什麼課程。你只需要打開工具，試一次，但記得，都是從較不重要的資訊或是事務著手。 ❙ 讓 AI 聽懂你在說什麼：提示詞的四要素 不過，動手之前還有一件小事要知道。 很多人試了 AI 之後覺得「唉，它講的東西不對」、「答非所問」、「講了一堆廢話」。這不是 AI 的問題，而是你給它的指令不夠清楚。AI 本質上是個超強的語言模型，你說模糊，它就猜；你說精準，它就準。 為了避免 AI 胡說八道，有個簡單的四要素框架可以直接套用： 分派角色 ：告訴 AI 它今天要扮演誰。...

在上一篇《 讓 AI 先認識你：打造一份專屬資料，對話效率翻倍 》中，我們探索了如何為 AI 建立個人化的背景知識庫，讓它在對話前就「認識你」。 當 AI 已經知道你是誰之後，接下來可以嘗試的，是讓它「換個方式思考」。 這篇文章整理了目前在網路社群廣泛討論的「大師提示詞 (Master Prompt)」4 個方向，供你參考與實驗，它們並非唯一的解法，而是在深度寫作、策略規劃與複雜問題處理上，目前相對可行的起點。 在一項針對 AI 提示工程與輸出品質的對照實驗中，研究人員進行了一項極具啟發性的測試。 研究人員找來兩組受試者，請他們用 AI 幫忙解決同一個複雜的策略問題：「如何在預算有限的情況下，為一款新產品設計上市行銷方案？」 第一組的受試者只給了 AI 標準的背景設定，內容為職位、產業、目標客群，大約就是上一篇我們談的那份「員工入職證」的完整版本。 第二組的受試者，除了相同的背景設定，還在指令裡多給了一句話：「請先想出三種完全不同的策略方向，分析每個方向的優缺點，再給我你最終的建議。」 結果相差懸殊。 第一組收到的，是一份「四頁、十條列點」的行銷計畫。內容完整，沒有錯誤，但同樣的建議，你在任何一本行銷教科書上都能找到。評審給出的形容是：「合格，但不令人興奮。」 第二組收到的，是三套互相對立的思路，附帶清晰的邏輯比對，以及一個 AI 主動承認「這條路的風險在哪裡，但我認為值得」的最終建議。評審的形容是：「這看起來像顧問公司收費做出來的東西。」 在針對這兩組輸出稿「實用價值」的盲測評估中，第二組獲得了壓倒性地高分。 而這兩組的語言模型，是完全相同的版本。 差別不在於 AI 有多聰明， 差別在於：你有沒有給它一個屬於你的思考框架 。 或許，你現在就可以暫停一下、自己試試看：拿一個手邊正在煩惱的問題，在指令最後補上第二組的那句話，看看 AI 是否會給你截然不同的驚喜？ ✎以上情境是根據 Chain-of-Thought（CoT）提示工程的多項學術研究所推論的示意性場景，並非一篇有具體作者與連結的可查閱論文。若您將此內容引用於正式場合，請以「研究推論示意」而非具名實驗來描述它。若後續找到與此情境高度吻合的真實研究，將會為您補入參考資料。 這正是本篇要解決的問題：你已經按照上一篇的步驟，讓 AI「認識你」了。但「認識你」，和「懂得替你深度思考」，是兩件不同的事。 接下來四個框架...

為什麼你的 AI 總是給出「罐頭回覆」？你有沒有這樣的經驗~~ 每次打開 ChatGPT 或 Claude 想請它幫忙寫點東西，都要重新交代：「我是個行銷專員，我的公司在賣線上課程，請你語氣稍微活潑一點……」然後 AI 寫了一篇四平八穩的文章，你覺得太生硬，於是你東改西改，最後花的時間竟然比自己寫還要多。 有些人則是會努力套用「角色、任務、格式與範例」等提示詞框架，結果似乎也是差不多，想要節省時間，卻總是事與願違。 綜合上述的問題：不是缺了專屬的個人資訊，就是缺了完整的提示詞，以致於產出不如預期，還是得改來改去。想要乾脆自己想、自己寫，偏偏又擠不出時間，這才是最讓人痛苦的兩難問題。 很多人抱怨 AI 的 回答「沒有靈魂」、「像機器人」 ，其實問題不在 AI 不夠聰明，而在於： 你每一次都在跟一個「剛認識的陌生人」說話 。 想像一下，如果你的主管每天早上都派一個全新、完全不認識你的助理來幫你。你每天都必須重新跟他解釋：「文案要活潑一點、我們公司的產品是這個、我們的客人是那些人……」你一定會崩潰對吧？但我們現在對待 AI，就是每天都在「迎新」。 「幫 AI 做一次個人背景設定」，就像是幫它辦一張專屬的「員工入職證」。 它讓你只需要做一次設定。做完之後，每次你打開 AI，它都已經「認識你」了。它知道你是誰、你在做什麼、你喜歡什麼風格。這不只是節省打字的時間，而是讓 AI 從一個「聽不懂人話的打字機」，變成一個「默契滿分的工作夥伴」。 ❙ 做好背景設定帶來的關鍵影響 建立專屬的背景設定能為工作帶來三大實質效益：大幅提升品質：透過提供更完善的背景脈絡，工作產出的品質可顯著提升。 生產力躍升 ：能大幅增加個人在相同時間內所能完成的工作量。 極致的速度 ：幫助你以更快的速度產出結果。 幕後的運作原理 ：情境工程（Context Engineering）。 你可能會好奇：「背景設定」聽起來簡單，它究竟是靠什麼機制讓 AI 變得更聰明？ 這背後有一門正式的工程學問，叫做情境工程（Context Engineering，也有人譯為「語境工程」）。 它的核心思想是：透過設計與管理對話中的「背景資訊」，包含你的身份、過往的對話歷史、系統設定與環境因素：來幫助 AI 更精準地理解你的意圖，並產出更高品質的回答。 情境工程主要從兩個層面來提升 AI 的理解力： 1. 為 AI 建立「多層次的記...

面對 AI，你是感受到真實的助力，還是陷入更深的迷惘？ 課程一開始，我就直接示範讓 AI 協助設計問卷，學員作答，再接續AI分析， 整個流程前後不到 10 分鐘就搞定。  這麼做 不是因為老師與辦課人員偷懶，  而是希望破 ChatGPT 給人的既定印象 ， 很多人以為 AI 只是個「一問一答」的聊天工具， 問什麼答什麼，有時甚至答到讓人懷疑人生。 當學員親眼見證這 10 分鐘的過程，從那一刻起，整堂課的學習氛圍就已經完全不一樣了。 Ｑ：誰在決定摩天大樓的高度？ 想像你擁有一群動作精準、日夜不休的施工機器人。這群精銳可以搬動最沈重的磚頭、塗抹最均勻的油漆，展現出驚人的執行力。 但如果你沒有給出地基的深度、樑柱的位置，這群機器人會自動蓋出一座宏偉的宮殿嗎？還是他們只會在地圖上隨機堆砌出一道道毫無意義、甚至充滿危險的廢磚牆？ 機器的動作不需要理由，但建築師必須知道結構的載重與抗震能力。 當這座大樓蓋得歪斜時，是施工隊的失職，還是身為建築師的你，尚未描繪出清晰的藍圖？ 你現在的使用狀態，是在請 AI 隨手蓋個遮雨棚，還是正指揮著這支精銳部隊，將你腦中的摩天大樓藍圖化為現實？ 你是否曾思考過，AI 真正的價值是在於替代你的雙手，還是放大你的「腦力分身」？ 當我們在談論 AI 時，重點是在於「會不會用」工具，還是「懂不懂得指揮」流程？ 許多人在學習 AI 時，是否也曾遇到過「會了操作卻不知道如何串接」，或是「產出內容平庸無奇」的卡點？這背後是否隱藏著「使用者」與「指揮官」兩種思維的本質差異？ 》思維覺察：從「依賴者」到「決策者」的距離 回想看看，你在使用 AI 的初期，是傾向於期待它給你完美答案，還是將它視為專業的「執行部隊」？ ①角色定位 如果你把自己設定為 PM，而 AI 是你的執行團隊，你會如何重新調整你下達任務的結構與深度？ ➤立即試試 下次開啟對話前，先在心中問自己：「這個任務我是要 AI 幫我『做』，還是幫我『想』？ 」這一個問題，就能讓你的指令品質立刻提升一個等級。 ②對話質感 如果你不再追求一次到位，而是透過「反問法」引導 AI 先確認你的意圖，這會如何改變產出的品質？ ➤ 立即試試 試試在你的指令結尾加上這句話：「在回答之前，請 先問我三個能幫助你產出更準確答案的關鍵問題 。」看看接下來的對話品質會有什麼變化。 ③思考單位 當你的思考單位...

NotebookLM 是目前最受歡迎的 AI 工具之一，甚至被許多專注於知識管理的人譽為「最強的第二大腦」。它的魅力在於：只要把龐雜的檔案、筆記或資料丟進去，它就能像個不知疲倦的研究助理，幫你快速消化、整理，還能主動找出資訊之間隱藏的關聯，解答你提出的各種問題。 在海量資訊的時代，這樣的工具無疑是一大福音。 於是，對於已經熟悉它的人來說，這逐漸成了一個每天上演的循環：打開 NotebookLM，匯入資料、整理筆記、啟動 Deep Research。 每一個動作都在讓你的資料庫更完整，每一次提問都在把知識系統推向更精緻的樣子。結束之後，你合上電腦，感覺自己做了很多事，但偶爾，會有一種說不清楚的空洞感： 這些資料，到底是在讓我變得更好，還是只是更多了？ 這種感覺，我相信不只你有。 問題或許不在工具本身，而是在於我們對它的期待：這個工具，是要幫我「補足缺口」，還是要幫我「讓強項發光」？ ❙ 你用工具，是為了「變完整」，還是「更像自己」？ 當我們用 NotebookLM 整理資料庫，無論是去雜質、找缺口，還是做 Deep Research，系統確實越來越完善。可是你有沒有注意到，這個過程其實是工具在決定你「缺什麼」，而不是你自己在決定「要走向哪裡」。 這背後有兩種截然不同的使用心態，沒有誰對誰錯，但它們會把你帶往非常不同的地方。 第一種，把 NotebookLM 當作一面鏡子。 它照出哪裡有缺口，你就往哪裡補。資料庫越來越齊全、越來越標準，你也因此越來越「博學」。 第二種，把 NotebookLM 當作一個助手。 讓它處理雜訊、整理底層，而你自己決定要往哪個方向挖深。不一定全面，但夠聚焦、夠鮮明、夠像自己。 就像人一樣，有些人需要「完整感」才有安全感，有些人則只有在「專精感」裡才找得到熱情。這不是優劣之分，內容多寡也只是比例問題，關鍵在於你要先認識自己，再決定工具怎麼用。 ❙先釐清，你是哪一種人 在選擇使用方式之前，有一個底層的問題，或許值得稍微停下來想想：你最渴望的，是「把每個坑填滿」，還是「讓某一個高峰更高」？ 這個問題其實沒有所謂的標準答案，但你的選擇，往往會決定知識管理的走向。 心理學家把人的認知風格分成兩類： 「整合型」的人傾向建立全面的系統，習慣從關聯中找意義； 「聚焦型」的人則傾向深耕單一領域，從精通中找到自信。 兩種都有各自的力量，只是方向不同。 如果你偏向...

很多人用過 AI 之後，默默闔上視窗，回到原本的工作方式。  不是因為它不夠聰明，而是因為它從來沒有真正認識你。  在那個「被懂得」的時刻到來之前，我們唯一能做的事， 是先誠實地問問自己。 ❙ 最難突破的牆，往往不是AI 阿強每天早上七點半到辦公室。他不是被主管逼的，是他自己設定的鬧鐘。 桌上永遠堆著三疊資料，一杯只喝了一半就變涼的咖啡，還有一個不斷閃爍的電子信箱。同事私下說：「阿強最拚了，永遠是最晚走的那個。」 但阿強最近睡得不好。 不是因為工作壓力，而是因為一個隱隱揮散不去的念頭：「我這麼努力，怎麼好像原地踏步？」 三個月前，公司引進了 AI 工具，部門主管要大家「積極嘗試」。阿強試了。他讓 AI 幫他寫週報，得到的是一份通順但空洞的文字：沒有他的專案背景，沒有他和客戶拉鋸三個月的細節，甚至連部門常用的格式都搞錯了。 他花了一個小時修改，最後乾脆全部刪掉，重新自己打。 「早知道就直接自己寫，省得浪費時間。」 他合上電腦，長嘆一口氣。 那天下班後，辦公室只剩他一個人。 他盯著窗外的城市燈火，一個讓他有點不安的念頭冒了出來： 「會不會，我不是因為太忙而沒時間學，而是因為不想學，才說自己太忙？」 ❙最隱蔽的阻力，來自一種非常正當的理由 這就是職場裡最難被說破的人性困局：我們常常用「努力工作的外表」，來合理化自己「拒絕改變的內心」。 阿強並不懶。 他每天工作十一個小時，認真到令人敬佩。 但正因為如此，他才能心安理得地說：「我已經很拚了，哪還有時間學新東西？」 那份「忙碌感」，成了一種武器。 它讓他不必面對一個更深的恐懼：學了也不一定會用、用了也不一定比現在好、萬一花時間整合之後反而更亂呢？ 所以他選擇留在熟悉的忙碌裡。 在那裡，他是個英雄；走出去，他只是個初學者。 ✦ 這裡，有個問題值得稍作停留： 「你的忙碌，是前進的引擎，還是逃避的藉口？」 ❙ AI「用不上」的三道真實門檻 門檻一：脈絡斷層（讓大腦成為 CEO，而非硬碟） 我們最常犯的錯誤，是依賴自己的大腦去記憶龐雜的瑣事。但大腦並不擅長儲存，它更適合用來做判斷、做選擇。 當你像阿強一樣，試圖用大腦去「扛」三年的專案細節，你其實是把自己的第一大腦當成硬碟使用。 這正是 AI 覺得你陌生的原因：連你自己都快搞不清楚自己做過什麼了，AI 又怎麼可能懂你？ 你需要建立「第二大腦 (Second Brain...

本篇文章整理自錢慧如老師在《哈佛人物面對面》中的分享。 面對 AI 帶來的變革，職場上的核心議題已不再只是追求效率，而是如何實現個人的「進化」。透過思維訓練與人性價值的挖掘，我們能重新定義自己在變動環境中的定位。 第一點：深度思維的內在修煉 重拾思考的主導權 ：當我們習慣把問題直接丟給 ChatGPT 等工具時，大腦其實正面臨「思考外包」的危機。長期依賴快速產出的答案，會讓邏輯推導的能力逐漸退化。我們應視心智圖等工具為鍛鍊大腦的健身器材，透過結構化地整理瑣碎資訊，強迫大腦在混亂中梳理出脈絡。這種從被動接收轉為主動創造的練習，才能讓真正的洞見浮現。 📡 NASA 卡西尼號太空船在深太空執行任務時，一旦斷訊，工程師便無法依賴地面電腦支援。他們必須具備憑紙筆手算軌道數據的能力，在極短時間內判斷航向。這告訴我們一個現實： 工具是加乘，大腦才是底牌。 當科技工具失效或產生偏差，真正能救命的是你扎實的邏輯底子。 對抗心智的「熵增」 ：物理學中的「熵增定律」指出，若不持續投入能量，系統會自然趨向混亂。職場生活亦然。我們應定期清掃低價值的流程、無效的應酬與負面的心理廢物。主動維持心智的精簡與敏捷，能避免自己被繁琐的雜務淹沒，確保能量集中在關鍵事務上。 保持心理的靈活性 ：嘗試走出舒適圈、接觸跨領域知識，本質上是在維持大腦的神經可塑性。在變動的局勢中，與其追求絕對的穩定，不如練習「動態平衡」——在快速應變的同時，內心依然擁有一份不被雜音干擾的定力。 第二點：重新定義個人價值 誠實的職涯盤點 ：與其擔心被 AI 取代，不如主動將它當作檢視工作的廣角鏡。據統計，職場中約有四成的工作內容屬於低價值或重覆性任務。我們可以利用清單或圖表，誠實地畫出哪些任務只是「照表操課」。將專業基礎與產業積累轉化為具備複利效應的資產，才是未來最穩固的護城河。 擔任「判斷」的最終把關者 ：對資深工作者而言，AI 的崛起反而是確立權威的契機。AI 擅長處理數據，但難以察覺背後的文化細節、商業操守與潛在風險。我們的價值在於憑藉多年實務經驗，判斷 AI 的建議是否符合商業邏輯，並以全局視野串接碎片資訊，守住決策的最後一關。 創造人機協作的不可取代性 ：將例行公事交給 AI，是為了騰出空間去處理更複雜的問題、進行跨部門的溝通協作，以及建立帶溫度的情感連結。當科技負責處理邏輯時，我們更應專注於展現「人...