💬 作者手記
---------------------------------
.png)
5. 如何在 Prompt 階段預防此類問題？
遇到這類「AI 為了精簡而擅自漏掉資料」或「分類錯置」的情況，常見的「重複說兩次」或單純加一句「請再檢查一次」通常效果不佳（AI 容易自信地自欺欺人）。
觀念啟發： Prompt Engineering（提示詞工程）的進階運用，其實正是「傳統軟體工程與 AI 維運思維」的延伸。當我們不再將 AI 視為絕對精確的工具，而是將其當作可能產生偏差的模型時，為它加入「輸入驗證 (Ground Truth)」、「邊界限制」與「日誌監控 (Audit Check)」，這套邏輯才能真正轉化為可落地的 生產級 AI 管線 (Production-ready Pipeline)！
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。
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：
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。
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，產能與水準皆會顯著提升。歷經每次察覺異常並予以排除，皆是在形塑對這項技術更敏銳的「判斷力」。
針對「判斷力」，過往文章曾提及： 「AI 宛如明鏡，僅映照你所定義的視界。它無須理解你的選擇動機，亦不擔負最終成敗。它提案，你決策。*兩者間的留白，即是判斷力發揮的主場。」 — 摘錄自《第六步：當 AI 把初稿都包了，剩下的才是你真正值錢的部分》
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。
❙ 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。
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，產能與水準皆會顯著提升。歷經每次察覺異常並予以排除，皆是在形塑對這項技術更敏銳的「判斷力」。
針對「判斷力」，過往文章曾提及： 「AI 宛如明鏡，僅映照你所定義的視界。它無須理解你的選擇動機，亦不擔負最終成敗。它提案，你決策。*兩者間的留白，即是判斷力發揮的主場。」 — 摘錄自《第六步：當 AI 把初稿都包了，剩下的才是你真正值錢的部分》
💬 作者處理記錄
---------------------------------
後半段提供深度的技術剖析與防漏策略，涵蓋 ITS AI 術語對照及立即可用的「標準 Prompt 範本」，供期望探究背後原理的讀者接續閱讀。
本篇旨在記錄日常開發與 AI 搭配期間，模型邏輯偏差及人類審查的修復過程；並藉由「專業辭彙」拆解這些情境。此類實戰紀實，可作為日後應用的絕佳參考。
---------------------------------
後半段提供深度的技術剖析與防漏策略，涵蓋 ITS AI 術語對照及立即可用的「標準 Prompt 範本」，供期望探究背後原理的讀者接續閱讀。
本篇旨在記錄日常開發與 AI 搭配期間，模型邏輯偏差及人類審查的修復過程；並藉由「專業辭彙」拆解這些情境。此類實戰紀實，可作為日後應用的絕佳參考。
.png)
❙ 階段一：錯誤處理 ｜ 問題爆發的發現與補正流程
2026-04-20 事件脈絡： 在整理「ITS AI 人工智慧國際認證」考題時，AI 助手在處理考題分類時不僅發生了預測指標錯置，甚至出現了部分考題遺漏的狀況。整個除錯過程全仰賴人類的敏銳核對與清晰指令介入﹙非人類自己操作﹚。- 人類的關鍵行為 1（核對與發現）：人類專家親自核對原始題數，敏銳發現「3-4 題」並不在 AI 輸出的重點筆記中，進而向 AI 提問：「但 3-4 我沒有看到？」這促使 AI 重新盤點，發現不僅遺漏了 3-4，其實還漏掉了多題。
- 人類的關鍵行為 2（全面查證與指令）：人類給予清楚的指令要求 AI 進行全面查證，並針對 AI 文本中對於「漏報」一詞的使用提出核心疑問：「這種情況，是只是稱之『漏報』？」
- AI 的原始錯誤狀態：AI 發生了雙重錯誤。一是「資料遺失（漏整埋題目）」；二是「情境偏差（Contextual Bias）」，將考題 3-7（探討迴歸 AI 品質，答案為 RMSE）錯誤地歸類進了「混淆矩陣（漏報）」的分類段落中。
✎ 用 ITS AI 術語來解剖此事件
1. AI 犯了什麼錯？（The Mistake）- 專業術語：指標誤用 與 情境偏差 (Contextual Bias)
- 說明：在機器學習中，預測連續數字稱為「迴歸 (Regression)」，預測離散標籤稱為「分類 (Classification)」。AI 助手因為連續處理了多題「分類問題」，產生了慣性思維，演變成「自動化偏差 (Automation Bias)」，將預測數值的指標題（3-7）「錯誤分群 (Misclustering)」到了分類問題中。這就像是拿預測房價的模型，去評估客戶得了什麼病，犯了將模型用在錯誤情境（Context）的基礎大忌。
- 專業術語：人類協作介入 (Human-in-the-loop, HITL) 與 領域專家審查 (Domain Expert Review)
- 說明：純靠 AI 自動化運作時，AI 往往會有「幻覺或過度自信」，難以察覺自己的遺漏或分類錯誤。這次的錯誤完全是靠著人類（領域專家）展現了高度的資料稽核能力（Data Auditing），親自「核對題數」並給予精準回饋（Feedback Signal），才揪出了盲點。
- 這證明了當 AI 出錯時，人類給予「清楚、直接的指令與客觀事實證據」，能以最快速度引導 AI 進行全面查核與修正。這正是「負責任 AI (RAI)」中確保模型透明度與可靠性的核心機制。
- 專業術語：特徵重新對齊 (Feature Realignment) 與 模型再訓練 (Retraining)
- 說明：
- 資料清洗：AI 回答了人類的除錯訊號後，回到「原始資料集 (Ground Truth)」重新掃描題目，提取出真正的特徵關鍵字「迴歸 AI (Regression)」。
- 重新分類：將該題從錯誤的叢集（分類指標）中剔除。
- 精準投遞：將其歸入正確的迴歸群組，並套用了專門針對迴歸的 RMSE（均方根誤差）評估準則，及時消除了概念飄移。
- 專業術語：回溯性審查 (Retrospective Audit) / 防範系統性誤差 (Systematic Error)
- 說明：
- 除錯完成後，人類專家並沒有停留在解決眼前單一章節的問題，而是憑藉經驗判斷這種「資料遺失或歸類錯誤」極可能是全面性的。因此，人類立刻再次下達指令：「這是第 3 章發現的，那再回追到 Ch01 與 Ch02 是否也有相同的錯誤？」 這個關鍵的回溯性指引，迫使 AI 將審查範圍擴大到過往的所有輸出。
- 經過二次盤點，果真發現 AI 在初次生成 Ch02 時，擅自啟動了「過度精簡過濾器」，遺漏了包含 ETL 前處理、超參數微調與 API 串接等較為冷門的實戰考題。隨後 AI 立刻進行二次補正，才使得整本考前衝刺筆記達到真正的「零死角、無遺漏」。
5. 如何在 Prompt 階段預防此類問題？
遇到這類「AI 為了精簡而擅自漏掉資料」或「分類錯置」的情況，常見的「重複說兩次」或單純加一句「請再檢查一次」通常效果不佳（AI 容易自信地自欺欺人）。
最佳的 Prompt 修改策略，核心在於「強制建立客觀的對照標竿」，有以下四大招式：
①最關鍵的 Step 0：先行建立基礎事實 (Establish Ground Truth)
【階段一：建立基礎事實（由人類發起）】
①最關鍵的 Step 0：先行建立基礎事實 (Establish Ground Truth)
- Prompt 魔法：「請先告訴我，第四章的考古題總共有幾題？我們核對完總題數後，再開始整理。」
- 原理：這是防呆力最強的一招！如果一開始人機雙方就定調「總共是 20 題」，這就成了一個絕對的數學指標。當有了這個「檢驗數字 (Checksum)」後，AI 在後續輸出的任何環節，都不敢違背這個被錨定好的絕對真理。
- Prompt 魔法：「請先列出所有的題號（如 4-1 到 4-20）與對應的核心知識點清單。確認 100% 無遺漏後，再依據這份清單開始撰寫深層反思。」
- 原理：強迫 AI 的注意力先機械式地掃描所有項目，鎖定邊界後，再進入會發散思維的「寫作模式」。
- Prompt 魔法：「務必 100% 涵蓋所有題庫。嚴禁為了版面精簡、或是因為題目過於簡單基礎而擅自省略任何一題。」
- 原理：AI 天性喜歡當個「貼心」的摘要者。必須明確下達禁令，關閉它「擅自過濾資訊」的行為。
- Prompt 魔法：「在寫完段落後，請在最後附上一段『涵蓋度自我檢查報告』，明確列出你寫進了哪些題號。若比對後發現遺漏，請立刻自我修正。」
- 原理：利用其推論能力，在輸出末端設立一個檢查機制，若 AI 發現列出來的數字對不上，它就會在結尾主動補上。
❙ 結論：終極防漏「人機協作」完整 Prompt 範本
為了徹底解決這類問題，未來您可以將以上的防禦策略組合成一段「終極提示詞」，直接複製貼上使用：【階段一：建立基礎事實（由人類發起）】
「我們現在要處理第四章（Ch04）的重點整理。請你先去掃描題庫，告訴我這章的總題數有幾題？包含哪些題號範圍？我們對焦完題數後，你再開始寫作。」
(等待 AI 回覆：例如確認總共 20 題，4-1 到 4-20 都有。接著再發出階段二指令)
【階段二：正式撰寫與強制作業規範】
(等待 AI 回覆：例如確認總共 20 題，4-1 到 4-20 都有。接著再發出階段二指令)
【階段二：正式撰寫與強制作業規範】
「題數對焦無誤。現在請你針對剛剛確認的這 20 題，幫我整理出反思與實戰重點。
請嚴格遵守以下防漏規範：
請嚴格遵守以下防漏規範：
- 思考鏈建構：撰寫本文前，請在最上方先列出這 20 題對應的『題號與知識點對照清單』，強迫你的邏輯先對齊邊界。
- 嚴禁省略：必須 100% 涵蓋這 20 題。嚴禁為了版面精簡或認為太基礎而略過任何一題。若是極度雷同的題目，請把它們合併在同一個反思點中，但必須明確標註包含的題號。
- 自我稽核機制：在所有重點寫完的最後一段，請以條列式生成一份『題數涵蓋檢查報告』，盤點你剛剛寫完的內容到底涵蓋了哪幾題。如果加總起來少於 20 題，請你立刻在報告下方自我補正遺漏的部分。」
❙ 階段二：事後驗證 ｜ 建立防漏機制，確保之後不再發生
承接自階段一的事後行動： 在經歷前三章的偏差事件後，共同制定了前述的防漏範本。隨後進行的 Ch04 與 Ch05 任務中，透過再次執行「對焦數字 →鎖定邊界 → 思考鏈歸納→自我稽核報告」的標準作業流程，產出順利達成了 100% 涵蓋率與零漏報 (Zero False Negatives) 的穩定成果。
初學者不妨在下達指令時，親自體會一次 MLOps 的生命週期。
．．．關於分享者．．．
※連繫：FB 蔡興正
※電郵：jason@cpfs.com.tw
※證照：孫易新心智圖講師班﹙2014﹚ | GCDF全球職涯發展師 | Google全球教育家
※專長：心智圖法 | 數位工作 | 職涯紫微
留言
張貼留言