AI 常見問題 37 問：知識庫怎麼建、技能包怎麼用、公司裡怎麼推

我目前是用兩個方向檢視自己的 AI 使用。第一個是用 AI 賦能大腦，也就是輔助決策、文件分析推理、深度研究這一類；第二個是用 AI 賦能手腳，也就是自動化。

會這樣分，是因為我遇過很多人在其中一邊已經很熟練，卻完全沒碰過另一邊，然後懷疑自己是不是不會用。有人整天跟 AI 討論策略，但從來沒讓它自己跑完一件事；也有人自動化做得很好，卻沒想過可以讓 AI 幫忙判斷。兩邊是不同的能力，先看清楚自己站在哪一邊，比急著回答「算不算會用」有幫助。

我自己的評估是六十到八十分之間。自動化那一塊我原本大概五六十分，最近才因為迴圈工程提升上來。

我從來沒有花過一天在「學 AI」。我用 AI 的時候，心裡想的一直是「我要怎麼教 AI」，覺得它應該可以更聽話一點、更聰明一點，思考模式一直都是這樣。

會這樣想是有原因的。工具每隔幾個月就換一輪，你這個月學會的操作，下個月介面就改了；但你的判斷標準、你的工作流程、你累積的案例，換哪一家 AI 都還在。所以我把力氣放在讓我的知識庫可以讓 AI 好讀、好查、好用，至於今天哪一家好用我就接哪一家。

模型可以想成超跑，知識庫與工作流是你腳下的路。同樣一台車，有路的人開得起來，沒路的人只能原地打滑。

該焦慮的是 AI 不是我們。以商業層面來說，要焦慮的是 AI 公司；以知識層面來說，不會有人類比 AI 更懂 AI，所以 AI 的知識讓 AI 去幫我爬就好。

我的實際做法是：今天出現那麼多新東西，我請 AI 先幫我看哪一個適合我。而「適合我」要講清楚，是產業的應用、還是我的知識架構可以優化、還是可以拿來當教學範例，全部先分析好，我再看結果。

另外一件更重要的事，是找到一件十年不會變的事情當錨點。以我來說就是隱性知識提煉，即便沒有 AI 這件事也很重要，有了 AI 只會更重要。有了錨點，工具怎麼換都不影響你在解的那個問題，你只是換更好的工具去解同一件事。

在專業不足的題目上，仍需要真人或可查證的來源幫你校驗。認知不夠的時候，連要問什麼都不容易問準。

我自己就有這樣的邊界。我的行銷能力不強，所以我不會去訓練行銷的技能包，因為我的思維模式就不在那裡，我不會那樣問問題。就算我請 AI 從反方向來檢查，我也判斷不出來它給的是不是真的反方向，因為我跳不出自己的框架。

所以我的處理方式是清楚知道自己的能力邊界：這件事我特別擅長，我就自己做；特別不擅長的，要嘛等 AI 的能力突破，要嘛找有這個能力的人合作。

順序反了。應該是先有一個要解決的問題，才去學 AI。

我常看到的狀況是，一個人學了十幾個工具，每個都會操作，然後開始煩惱「我要拿這些做什麼」。但如果反過來，你手上有一個真實的、每週都在困擾你的問題，你去找工具的時候會非常清楚要什麼，學起來也快得多。

還有一個副作用是，什麼都想用 AI 做，最後手上會有一堆開到一半、收不了尾的專案，看起來很忙，實際上沒有一件完成。

可以用，但不要只放那裡。我的建議是資料留在自己可以完全掌握的地方，然後哪一家 AI 好用就接哪一家。

會這樣建議，是因為我自己搬過家。我很早就在用 ChatGPT，聊了很久、它很懂我，後來另一家變強，我想換過去，才發現要把累積搬走非常痛苦。那一刻我就意識到，這不會是最後一次搬家。所以從那之後，我跟 AI 聊出來有價值的東西，全部會存一份文件留下來。

對我來說，Notion、Obsidian 這類工具比較像前端顯示器，真正的內容要留在你自己手上。平台都是打工仔，說不定明天哪一家就倒了，後天又有更強的出來。

因為那些多半只是「資料」。我現在會分成三層來看：資料庫是結構化的數據與表格，知識庫是一般的文件，規則庫是你的判斷標準、決策模式與價值觀。

舉個例子。很多人說「我做業務，我把所有企劃都丟進去，AI 就懂了吧」，但那只是知識庫。真正的隱性知識是：我什麼時候用這份企劃、我為什麼對這個人講這句話、對那個人講另一句話。因為對不同的人本來就需要說不同的話，這個判斷才是關鍵，而它通常沒有被寫下來。

我另外取名叫規則庫，就是因為我發現大部分人的知識庫裡沒有規則。有些人的文件裡會夾帶價值判斷，但那是少數。把規則寫出來，AI 才有辦法在你沒交代的情況下做出接近你的判斷。

圖文分開管理，走卡片盒筆記法。把一整篇文章拆成一段一段，每一張圖也都是獨立可用的元件，需要的時候再快速組裝成當下要的版本。

卡片盒筆記法以前主要是教授、研究者在用，因為拆解跟組裝都很花人力，只有資料價值夠高的人才划算。現在有 AI 幫忙拆跟組，這個方法變得每個人都用得起。

AI 讀不懂你的 PPT 跟 PDF，很多時候不是 AI 不行，是資料的形狀不適合被檢索。

資料堆到讓 AI 找不到，等於沒有資料。這裡有兩個具體做法。

第一，把標籤直接寫進檔名。我自己的命名大概會帶五組資訊：什麼時候、什麼情況、什麼類型的內容、主題是什麼、幾個關鍵字。這樣光看檔名就知道是哪一份。

第二，設計一個「快速搜尋」的指令，明確告訴 AI：當我說快速搜尋的時候，你只看檔名、不要讀內文。因為就算你有一千份文件，只讀檔名的成本非常低；但如果每次都要它讀完一千篇才找得到，那個消耗會很可觀。

另外建議定期整理，把最近會用到的留在手邊，比較舊、只是備查的移到備份區。資料多不等於資料好用。

把它改成你自己的名字。我發現我記不住別人取的技能包名稱，也記不住別人的觸發詞，所以我拿到好用的技能包，一定會改成我自己的說法再存起來。

舉個例子，有個大神寫了很好用的精簡工具，我把它改名叫「省話一哥」，功能是幫我檢查 AI 給的企劃跟步驟有沒有太囉嗦。名字取得有畫面之後，每次看到 AI 給我一個複雜方案，我就會自然想到「叫省話一哥來看一下」。

同樣的邏輯我也用在角色上。我在 LINE 群裡的助理如果沿用原本的名字，大家會一直問它做不到的事，所以我乾脆讓它變成另一個角色、另一個名字，大家就清楚它負責什麼、不負責什麼。

自動收集之後，仍要補上你的判斷標準與原因。哪些東西對你有價值、為什麼有價值，這部分目前還是得自己給。

我的實際經驗是這樣：全自動累積的工具確實方便，但累積太多之後垃圾也多，太多重點等於沒有重點，最後還是要人來審什麼叫重點。既然如此，不如一開始就養成習慣，自己覺得重要的留下來、不重要的關掉。

不過現在有一個轉折。有了迴圈工程之後，AI 真的知道我的標準是什麼了。以前中間那種不確定要不要留的東西，我都得自己花時間審；現在我讓另一家模型先判斷一輪。我每個月大概三四百份文件，最後需要我親自看的不到十篇。

可以參考，但我不建議照抄。比較好的做法是把你的需求整理出來，叫 AI 幫你把別人的技能包轉成符合你的版本，然後你在上面繼續累積。

我自己看到熱門的技能包、專案或論文，都會先問一個問題：這個東西對我有沒有用、對我現在的流程有沒有用。沒有用就真的不要碰，因為 AI 學不完、市場也學不完。

如果確定有用，我會請 AI 幫我轉成可以用的版本，並且要它檢查四種矛盾：流程的矛盾、價值觀的矛盾、策略上的矛盾、市場上的矛盾。有衝突就跳出來讓我判斷。這樣轉一輪之後，那個技能包才真的算是你的。

會，所以需要你的判斷。但這裡有一個更值得做的動作：把你判斷的理由講給 AI 聽。

比如你可以說：我覺得 A 適合我，因為它十個點裡面前七點符合我的情況，但第八到第十點不適合，砍掉；B 整體不適合，可是它的第五點我想參考，原因是我現在的需求是這樣。

當你把這些判斷理由都告訴 AI 之後，你等於做出了一個「幫你選技能包的技能包」。之後再遇到新的東西，它會用你的標準先幫你篩一輪，你只要複查就好。

從你自己的工作流程裡長出來的，因為只有你知道你的需求、你的受眾、你的市場。

這也是我覺得各領域專業者最有機會的地方。同時懂一個產業、又懂 AI 的人並不多，如果你剛好是那個人，你做出來的東西會很難被外面的人複製，因為產業裡真正的卡點只有你清楚。

我常用的比喻是：桌面版像一間舒服的辦公室，有冷氣有咖啡，你打開筆電就可以辦公；開發者版是工廠、是實驗室，你要打造工具的時候才需要它。

差別主要在機制更多、權限更多。下指令的方式其實一樣，只是功能太多，一開始會覺得複雜。你可以想成相機：一個是全自動模式，一個是把光圈快門全部展開給你。

所以判斷很簡單。如果你不是要成立公司、接案、推產品或服務，多半用不到開發者版，因為那比較偏向設計產品服務的地方。但我也要誠實說，很多人用過之後就回不去了，因為太自動、太方便。

如果你不做輔助決策、不需要深度推理，一個月二十美元的方案通常就很夠了。

我的判斷標準是這樣：你是員工，你要完成的是交辦的任務，那就把任務做好；要不要拚產業高度、要不要做重大決策，那是主管或老闆要操心的事。超過基本方案能做的事情，可以先不用做。

反過來說，如果你是創業者，我會建議把頂規當成顧問費來看。它會幫你省下的時間跟判斷成本，通常比訂閱費高很多。

我只研究它用什麼機制、解決什麼問題，對我來說那更像市場調查。

一個東西會紅，代表它用一個很好的機制打到一群人的痛點。所以我要研究的是：大眾的痛點是什麼、需求是什麼、它的機制是什麼。從研究痛點的過程中，你自然會看到趨勢。

研究完之後，我把機制融進自己的系統，工具本身可以不用。比如某個工具的自動累積機制，我看過之後發現我原本手動做得更細；另一個工具的心跳機制，是我完全沒想過的設計，那我就學起來。對我來說，各家 AI 都只是操作工具，核心是我的系統。

一開始就把技能包存在自己的資料夾裡，加一個檢索頁，哪一家 AI 讀都看得懂它怎麼分工、怎麼運作。

我自己是刻意設計得很通用的，因為現在是各家神仙打架，你怎麼知道明天誰打贏。嚴格來說確實有些技能包比較適合某一家去處理，我也有這樣的安排，但八成我都故意做成通用的。

這樣做的好處是，換工具的時候你搬的是資料夾，不是重新訓練一次。

用可以在系統層級調度工作的那一層去分派。也就是說，你需要一個能夠叫得動其他工具的角色，由它決定哪一段自己做、哪一段交出去。

我自己還會多做一件事：讓不同家的模型互相討論。我會跟主要的那一家說，遇事不決的時候先去找另一家討論，我的標準跟企劃都寫在知識庫裡了，你們兩個看過都覺得可以就直接做，除非有嚴重矛盾、找到嚴重問題、或根本找不到標準，才停下來問我。

以我目前的使用經驗，這樣可以處理掉九成以上的小問題，不用每一步都等我回覆。

權限是可以全開的，但前提是你的目標與審核機制要先寫好。

這件事有先後順序。如果審核機制還沒建立就先全開，它跑得越順、錯得越遠，而且你不會即時發現。所以我的建議是先想清楚：這件事做完之後，怎樣算做對、怎樣算做錯、什麼情況必須停下來問人。把這些寫下來，再來談自動。

另外我會保留幾條不能自己決定的紅線，例如不可逆的操作、對外送出的東西、跟錢有關的事。這幾類就算全開也要回來問我。

要設上限。我自己通常設兩輪，兩輪之內必須有結論，也可以搭配評分機制，不要讓它無限跑下去。

另一個關鍵是要指定一個主模型。由主模型拋議題給副模型，副模型回覆，只要沒有大矛盾就自己決定，不用把每一輪都攤開給你看。沒有主從關係的話，兩邊會一直客氣地互相補充。

這正是迴圈工程要回答的問題。與其自己一行行檢查，不如先寫好驗收標準，讓它自己檢查，再讓另一家模型交叉審。

我還遇過一種更麻煩的情況：AI 其實沒有真的去執行，卻用一個看起來完成任務的回答蓋過去。這種時候光看回覆是看不出來的，所以我把「要有實際執行的證據」也寫進流程規則裡。

再往前一步的想法是：與其期待一個不會出錯的系統，不如設計一個能容錯、能回復的流程。出錯不可怕，沒有備援才可怕。

把你的判斷標準寫清楚，讓它自己分級。

實際上會分成三種：一定重要的留下、一定不重要的刪掉、中間那批不確定的才需要人看。以前我卡住的就是中間那批，每次都得自己花時間審，所以常常拖到兩三個月才整理一次。

現在我讓另一家模型先判斷中間那批。以我每個月三四百份文件的量，最後真正需要我親自看的不到十篇，這個壓力就小很多了。

這裡面包含帳號、權限與資安等組織治理條件，通常繞不過去。它不是 AI 的技術問題，是公司怎麼管資產的問題。

小組織比較有機會直接走 AI 原生，因為沒有包袱。我最近遇到的做法是，有的公司乾脆讓大家都用可以安裝的筆電，有的是老闆另外買一台公用機給大家輪流跑任務，四個人的新公司則是直接統一買二手機器。

大組織要處理的是既有的技術債，那不是換個工具可以解決的，通常要從組織架構跟權限設計一起看。

這是我在企業端反覆遇到的阻力之一，而且完全合理。如果效率提升好幾倍，薪水沒有跟著動，也不能提早下班，那不聲張其實是理性的選擇。

所以我後來在做企業服務的時候，會搭配組織顧問一起進去。因為這件事已經超過 AI 的範圍了，要先處理組織制度，否則導入到一半就會卡住。

對個人的話，我的建議是把能力留在自己身上。就算在公司先不張揚，那套工作流跟知識庫還是你的，換到願意給你空間的地方就用得上。

敏感資料的去識別化目前還是要人來把關。政策的期待和現場的可行性之間，通常會有一段落差，這件事要先講清楚再開始。

我遇過的狀況是，上層希望連去識別化都交給 AI 做，但那等於把最需要判斷的一段也交出去了。本地端的模型現在還沒有好到可以放心處理這類資料，雲端服務則要看你們的規範允不允許。

比較務實的順序是：先確認哪些資料根本不能上網，再決定剩下的怎麼分工。這個確認動作花的時間，比事後補救少很多。

看你的目的。如果是公司要拿補助、當作一個保險，那有它的用途；如果你想學的是真正的 AI 應用，考試能測的部分其實有限。

我自己考過，我的動機很單純：那時候我對外的身分還是攝影師跟導演，直接說我要教 AI，大家會覺得奇怪，所以我需要一個好溝通的證明。但你看我現在講的都是知識架構、隱性知識提煉，已經很少提那張證照了。

另外要誠實說，這類考試裡真正屬於 AI 應用的比例不高，比較多是資訊、資安與數據統計的基礎。我覺得比較有價值的部分反而是資安跟倫理那一塊。

以前 SEO 是把你的服務寫清楚，現在要把「痛點與解決方案」寫清楚，讓 AI 在有人問問題的時候找得到你。

你可以想像使用者現在怎麼找東西：他不會先想關鍵字，他會直接問「我遇到這個問題怎麼辦」。所以 AI 要找的是「有沒有人針對這個問題寫了清楚的解方」。如果你的內容是照服務項目在寫，那就很難被接上。

我自己的網站再往前走了一步：它是給人看的網站，同時也是可以查詢的知識庫，甚至本身就是一個 agent 框架。我把「怎麼引導新手使用這個網站」的流程直接寫進網站裡，所以你把網址丟給你的 AI，它會照著那個流程帶你逛。

我的建議是需要。社群媒體的商業機制本來就是留住人類的注意力，把人留在站內，所以對 AI 搜尋並不友善，多數平台也會擋爬蟲。

比較健康的做法是兩邊都有，但要清楚知道哪一個是你的單一來源。社群負責觸及，最終還是要導回你自己的地方，否則你的內容會變成散在各處的資訊孤島。

順序也可能會反過來。以前短影音是第一線導流，我估計之後會變成第二線，先由 AI 推薦，讀者再點進來看你的內容跟影音建立信任。

有餘力就做，因為它其實是你的履歷。

不用追求很多人看。我之前接影像案子的時候，臉書只有五六百人，有人覺得太少，但我的想法是這五六百個人裡面每一個都是老闆，其中一個找我拍片就是十幾萬。如果看的人都是決策者，數字小也沒關係。

而且內容累積起來，你在找工作、談合作、被人查資料的時候，它就是最好的證明。你不一定要當網紅，但你需要一個可以被找到的地方。

可以，但要先有你的知識庫跟你的判準，不然它寫出來的不是你。

我自己的做法是這樣：忙起來真的沒時間坐下來寫，所以我出去跑步，有靈感就直接用手機口述。手機連著我的電腦，回來之後工作流會接手，把口述整理成草稿、再依照我的標準檢查一輪。

一開始要花時間搭這套流程，但搭好之後可以一直用。你要給它的是你的想法，不是要它幫你想。

如果你同時懂那個產業和 AI，比較容易做出差異，因為產業裡真正的卡點，你會比外面的人清楚。

這輪聊到的例子讓我印象深刻：同一個產業裡的人才知道，同業真正說不出口的困擾是什麼、哪個數字抓不出來、哪一種單其實不該接。這些是外面的顧問很難憑通用知識補上的。

不過我會提醒一件事：能做出來不等於賣得掉。中間還有很多要驗證的，像是對方願不願意付錢、要付多少、由誰決定買。建議先用小規模的方式測反應，再決定要不要投入。

先看它幫對方解決了多大的問題。同樣的東西，對不同角色的價值差距非常大。

我自己的體會是：解決一個問題，我花的時間其實差不多。但同樣一個成果，對一般辦公室工作者可能是少加班一小時，對一位經營者可能是省下一筆可觀的成本或多賺一筆。價格的差距來自這裡，不是來自我做了多少工。

另外一個很現實的觀察是，付費的人問的問題比較準。免費的場合大家客氣地聊，收了費之後對方會把真正的痛點講出來，那些痛點才是後續合作或產品化的起點。

有機會。如果你真的用 AI 改變了一個產業流程、或做出可衡量的效益，那就是產業創新應用，是可以寫成案子的。

我的做法通常是先陪跑一段時間。因為在陪跑的過程中，對方才會把真正的痛點講出來，我也才能判斷這件事有沒有機會被 AI 解決。如果確認可行，就一起去寫案子，這樣就不是你出錢請我當講師，而是我們一起做一件對產業有價值的事。

也要提醒現實面：這類案子審查嚴、時間長，而且需要有人熟悉申請流程。這部分我會建議找專門在做的人合作，不要自己硬扛。

在你真正厲害的領域，AI 有機會幫你擴大可服務的範圍，所以你會忙著把自己放大，不太會有空去學別人的東西。

我自己的情況就是這樣。我光是研究世界各地的新機制怎麼轉成我的知識架構就做不完了，哪有空去摸別人的行銷。反過來也一樣，一個專心做行銷的人，要研究自己的市場都來不及，不會有動機來搞我這套知識架構。

所以當大家都明白 AI 之後，比較合理的關係是合作。你顧好你的領域，我顧好我的，兩邊接起來比互相防備有效率得多。

落差會被 AI 拉得非常大。同一個群體裡，會用的人一路往前，不會用的人只是把它當搜尋引擎，甚至只拿來應付作業。

我覺得這件事需要教學設計去接，而不是靠禁止。因為知識本身 AI 已經做得很好了，接下來要練的是人的判斷、提問與整合能力，這些反而更需要被教。

我自己會用一個判斷：這個人是用 AI 為自己賦能，還是用 AI 讓自己失能。前者會越用越強，後者會越用越依賴，中間的差別在有沒有回頭理解自己在做什麼。

AI 是大語言模型，不是大程式模型，所以重點是組織語言的能力。如果你現在不會寫程式，我覺得不需要為了 AI 特地去學。

但寫過程式的人確實有優勢，因為程式語言是一種高度有組織、有架構、有紀律的語言。真正該學的是那個精神：有系統、有架構、有邏輯地把事情講清楚。

所以我會鼓勵非工程背景的人直接從自己的專業出發。文件就是系統，你把流程跟判斷寫清楚，那就是在設計 agent，不必等到會寫程式才開始。

可以，而且我覺得不只用在課業。

這輪聊到一個我很有共鳴的觀察：學習卡住的原因，往往有一部分在課業以外，可能是焦慮、可能是生活狀態。所以助教如果只處理知識，會漏掉真正的卡點。

我目前在談的一個合作也是類似的邏輯：專業諮詢結束之後，由 AI 陪伴對方持續記錄與練習，下次見面時再由真人接手分析。AI 負責陪伴與累積，人負責判斷與轉化，兩邊分工。