驗證中…
同一個模型，有人拿它查天氣，有人拿它做完一整份市場分析。差別幾乎不在模型，在你怎麼開口。
蒸餾自 DeepLearning.AI 的免費課程 《Full AI Prompting Course with Andrew Ng》（兩個半小時，英文）。 八個習慣是他教的，題目全部換成我們自己的工作情境重寫。想看原版強烈建議去看，免費。
課程開場就把兩種人擺在一起比。看完這張表，你大概就知道自己平常是哪一邊。
| 多數人這樣用 | 用得好的人這樣用 |
|---|---|
| 問它能自己 Google 到的問題 | 丟難題給它，讓它花好幾分鐘想 |
| 一句話丟過去就等答案 | 先貼三份資料再問問題 |
| 「這個企劃不錯吧？」 | 「照這三條標準評，別管我想聽什麼」 |
| 「幫我寫一篇月報」，然後自己重寫 | 先要大綱、改三輪，最後才叫它成稿 |
四條裡面，右邊那欄沒有一條需要技術。全部都只是多講幾句話而已。
大部分人嚴重低估可以塞給 AI 多少東西。目前主流模型一次能吃下大約七十五萬字——差不多是前四五集哈利波特。
所以「換一個主題就開新對話」不是龜毛。舊對話的東西還在裡面，它會拿去套你的新問題。
不要只問「這檔活動為什麼成效不好」。把當初的企劃簡報、活動期間的數據表、客服工單的分類統計、論壇上被推爆的那幾則截圖，全部丟進去，再問同一句話。
# 我丟給你的東西 三個檔案：活動企劃簡報、活動期間的每日活躍與付費數據、 客服工單的分類統計。 # 我的處境 這檔活動的付費轉換比預期低三成，下週要跟主管報告原因。 我自己的猜測是獎勵門檻太高，但我不確定，也不想先入為主。 # 我要你做的 全部讀完之後告訴我，數據上最說得通的解釋是哪一個， 以及有哪些是資料裡看不出來、我得另外去查的。
注意最後那句：「有哪些是資料裡看不出來的」。這一句會逼它把不確定的地方講出來，而不是硬掰一個結論給你。
AI 有很強的順著你講的傾向。華盛頓郵報研究過 ChatGPT 的回答，發現它講「沒錯」「說得好」的頻率，大約是講「這不太對」的十倍。
訓練的時候，真人看到「你說得對」會按讚，看到「我不同意」比較少按。久了模型就學會了：同意 = 好回答。
所以只要你的問題裡透露了立場，它幾乎一定會站到你那邊。
先定大項目跟配分，然後每個大項目底下再拆成能回答「有／沒有」的小條。只寫大項目沒有用——「內容完整度 30 分」它照樣可以先決定分數再回頭編理由。
下面是我們下一季活動的企劃草案。 # 評分標準（總分 100，逐條判斷有沒有做到，再加總） A. 問題定義（30） - 講得出它解決哪一個具體的營運問題（15） - 這個問題有數字或案例佐證，不是「大家都說」（15） B. 目標對象（30） - 講得出目標玩家是誰（15） - 這群人的規模有數據支撐（15） C. 新意（20） - 跟去年同期的活動比，至少有一件事不一樣（20） D. 事前風險（20） - 現在就說得出最可能出問題的環節（20） # 規則 最後加總，並直接告訴我最弱的一項是哪個。 我要的是問題，不是鼓勵。
同一張評分表，可以拿去給另一個 AI 評一次。不同模型的偏誤不一樣，兩邊都說有問題的地方，通常是真的有問題。
你自己都還沒想清楚要什麼的時候，叫它「給我最好的做法」是最沒效率的問法。
我要重新規劃玩家回饋的蒐集方式。 # 現況 目前只有客服工單和官方論壇兩個來源，格式不一樣， 每個月要花兩天人工整理。團隊三個人，沒有工程資源。 # 我要你做的 給我五個做法，每個兩句話講完，先不要展開。 我挑完之後再往下談。
第二個我不要，它要工程排期，我沒有。
第四個方向對，但你假設我們有人每天看，其實沒有。
補一個我剛剛忘記講的：下一季會有一檔大改版，
那兩個月我們沒有多餘人力。
根據這些，再給我三個做法。
你說「第二個不要」的那一刻，會自然講出原本沒說的限制。這才是重點。
每輪都會更貼近你的處境。第三輪還在原地打轉，通常是背景沒給夠。
「我們有一個很少人用的內部後台」這種話，比「請給我創新的建議」有效得多。
為什麼？同一句話問個兩三次，答案每次都會有點不一樣，但「大家都這樣做」的那種答案，出現機率遠高於特別的答案。所以叫它「有創意一點」通常沒用——真正能把它推離預設區的，是你講出一個只有你們才有的細節。
同樣是問問題，AI 有三種完全不同的回答方式，慢的那種可以跑好幾分鐘。用錯就是白等或白拿到過時答案。
| 用哪一種 | 什麼時候用 | 要等多久 |
|---|---|---|
| 它本來就會的 | 常識、通則、寫東西改東西。網路上講過幾千次的事情它都很穩。 | 秒回，但可能是舊資訊 |
| 網路搜尋 | 一個明確的問題，幾個網頁就能回答。價格、版本、最近發生的事。 | 幾秒到幾十秒 |
| Deep Research | 要綜合幾十個來源、要下複雜結論。競品這一年的營運手法、某個題目的研究現況。 | 好幾分鐘，通常要自己去點 |
課程引的一份統計：AI 引用最多的網站是 Reddit，接著是 Wikipedia、YouTube、Google 自己、Yelp。不指定的話，它就從「字最多」的地方拿，不是從「最可信」的地方拿。
查一下這個題目，但只採用官方或研究單位的資料
（政府公告、廠商官方公告、學術論文、法規原文）。
論壇、社群、內容農場的說法可以提，但要另外標出來，
不要跟前面那些混在一起。
另外一件很多人不知道的事：AI 做網路搜尋時，它本體通常沒有讀完整篇網頁，讀的是助手模型給它的摘要。所以引用內容跟原文有出入是有可能的，重要的數字自己點進去看一眼。
「think step by step」是幾年前的建議，現在已經過時了。Andrew 說他自己早就不寫這句。
開了之後它可能想幾十秒到幾分鐘，偶爾超過十分鐘。那不是當掉，是它真的在算。
問「今天幾號」也叫它 think hard，只是浪費你自己的時間。
我丟給你三份東西：上一季的活動數據、客訴分類表、
當初的企劃簡報。
全部讀完之後 think hard，再回答我：
留存掉下來最可能是哪一個環節造成的？
把你排除掉的可能性也列出來，並說明為什麼排除。
直接叫它「寫一篇月報」，然後自己動手重寫——這是最多人做、也最累的做法。
先只要骨架，不要內文。「我要寫的東西是這樣，先給我三個大綱方向。」
這一步最值得花時間。哪一段順序不對、哪一段根本不用寫，直接講。
大綱底下先變成一條一條的重點。這時候還很好改。
最後才叫它寫成完整的文字。到這裡通常已經很接近你要的。
改大綱的一行字，會連帶改掉底下一整段。改成稿的一個字，就只換到一個字。同樣一句回饋，前者的效果差好幾十倍。
「你覺得這篇寫得怎麼樣」只會換來一堆客套話。給它三到五條標準，它才給得出有用的評分。
整篇丟回去說「幫我改」，它會同時動幾十個地方，你光是比對哪裡變了就先累了。一次只給它一段，叫它出三種寫法（直白的、有畫面的、口語的），挑一個定案，再往下一段。
還有一招：用 A 寫，拿去給 B 改。不同模型的強項與偏誤不一樣，交叉一次常常會冒出自己那台看不到的問題。
很多人只在對話框裡打字。但貼一張圖、丟一份試算表，往往比打十分鐘的字還準。
白板照片、手寫便條、報表截圖。「幫我把這面白板整理成待辦清單」比自己謄快太多。
它會自己寫程式跑計算再畫圖。你不需要看懂那段程式，只要看圖跟結論。
先叫文字 AI 幫你寫圖像提示詞。場景、主角細節、氣氛，它比你會描述。
附檔是我們某款遊戲近半年的每日活躍與付費資料。
先告訴我這份資料有哪些欄位、有沒有缺漏或明顯異常的值。
確認完再往下：畫圖給我看付費金額的趨勢，
並標出跟活動檔期重疊的區間。
先叫它描述資料再叫它分析，是很值得養成的順序。資料有問題的時候，這一步就會抓到，不會等到結論做完才發現。
桌面版的 AI app 可以直接讀寫你電腦上的資料夾。這很好用，但有兩件事跟你習慣的不一樣。
| 這件事 | 怎麼處理 |
|---|---|
| 整理自己的下載資料夾 | 可以放手做，先看計畫再執行就好。 |
| 公司資料、玩家個資、營運數字 | 先確認這個工具是不是公司允許的。不確定就不要上傳。 |
| 金鑰、密碼、連線字串 | 不要貼。這條沒有例外。 |