目錄
我自己也有過這個階段——存了幾十則「地表最強 Prompt」，哪天 AI 寫出來的東西不對味，就換一個更長的丟進去試試看。
後來看了史丹佛大學的一堂 AI 系統課，有點被打醒。
課堂上說的不是什麼神奇技巧，而是一個視角的轉換：科技公司在拼的是讓模型本身更聰明；但我們這些用 AI 的普通人，真正能做的是在現有的模型上面「搭鷹架」——讓它在你的框架裡把事情做好，而不是靠蠻力期待它猜對你的意思。
我試著把這堂課裡讓我印象最深的部分，用自己的話整理出來。
AI 的四個本質限制，再強的 Prompt 也繞不過
在講解決方案之前，課程先點出 AI 有四個工程層面改不掉的天生限制，理解這四點，才知道為什麼我們需要換策略：
- 01：沒有你的私房資訊。它不知道你的個人經歷、商業邏輯，或你獨特的寫作風格。
- 02：資訊永遠有時差。模型不可能即時更新，昨天發生的事、剛流行的網路梗，它一概不知。
- 03：每次結果不一樣。同樣的 Prompt 餵兩次，出來的東西可能長得完全不同。
- 04：會漏掉藏在中間的細節。就算給了一整份長文件，AI 依然容易忽略放在中間段落的關鍵資訊（研究上稱為「Lost in the Middle」現象）。
知道這四個限制以後，你就會明白：問題不是你的 Prompt 不夠長，而是你用錯了方式在期待它。
真正有用的三個思維轉換
一、拆成流水線，別期待一球全壘打
把一個大任務直接丟給 AI，就像把整個專案交給一個新來的實習生，然後你走去喝咖啡。出來的結果很可能讓你不知道從哪裡開始改。
更好的做法是「提示詞鏈結（Prompt Chaining）」——把大任務拆成 3 到 4 個小步驟，前一步的結果作為下一步的輸入。
以「寫一篇部落格文章」為例：第一步只叫它整理大綱 → 你確認後，第二步叫它把你的個人故事套進去 → 第三步才叫它組合成完整文章。哪一步跑歪了，只修那一步，不用整個重來。
這種方式的好處不只是結果比較可控，更重要的是你能清楚看到哪個環節出問題——這樣累積下來，你對 AI 的掌握度會越來越高，而不是每次都在抽盲盒。
二、微調模型（Fine-tuning）：能不做就別做
「自己調一個專屬模型」聽起來很帥，但課程裡有一句話讓我印象很深：能不做就不做。
原因有三：成本高、調完容易在特定方向變聰明但通用能力下降，而且 OpenAI 或 Anthropic 下個月可能就推出新版，直接跨代吊打你花了兩個月調出來的版本。
三、給它「開卷考試」的素材，別逼它裸考
如果你需要 AI 知道你的特定資料——像是你的工作 SOP、個人筆記、或課程摘要——最有效的方法不是逼它記住，而是建立你自己的「私房考試庫」，讓它在回答前先去撈對應的段落，並且限制它：只能根據這份資料回答，不知道就說不知道。
這就是 RAG（檢索增強生成）的核心概念。不用懂技術，理解這個邏輯就夠了——它能幾乎徹底杜絕 AI 瞎掰的問題。
一個值得記住的鐵律
能用確定性的程式邏輯寫死的事，就寫死（比如計分、驗證格式）；只有真正需要「程度判斷」的模糊任務，才交給 AI（比如文案語氣、情境理解）。而在最關鍵的輸出點，一定要有人工介入複查。
另外對於最近很流行的「多 Agent 架構」，課程的建議也很直接：能簡單就簡單。除非你的專案真的需要同時平行處理很多事情，否則硬上複雜架構只是在給自己找麻煩。
聽完之後，我現在怎麼用
- 01：把大任務拆成三步再動手。不管是寫文章、規劃旅行、還是整理資料，我現在的習慣是先在紙上把步驟拆好，再一步一步餵給 AI，而不是一次期待它給我完整答案。
- 02：開始整理自己的「私房資料庫」。把有用的筆記、個人的工作流程、過去整理過的內容存成結構清楚的格式。這些東西不管底層模型換到哪一代，都是你的資產。
- 03：把 AI 當坐在旁邊的同事，不是自動販賣機。高頻率的來回修正，比一次投入一個超長 Prompt 效果好太多。你改一點、它回應、你再調整，這個過程本身就是在「教」它更理解你。
整理到後來發現，這堂課真正在說的不是 AI 技術，而是一種「專案管理」的心態轉換。把 AI 當作需要你給方向、給素材、給框架的員工，而不是一個你丟問題進去就會變魔術的黑盒子。
