小樹職涯紫微

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...

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...

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「...

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...

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...

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...

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...