專欄分享 / 專欄文章 / AI 學習歷程

essays · one step at a time

專欄文章・AI 學習歷程

門檻,是一階一階走上來的

一位老師的 AI agent 學習歷程:竅門與雷區

撰文:丁后儀|2026.10.25|閱讀約 10 分鐘|瀏覽 – 次

生成式 AI 正從一問一答的聊天,走向能在電腦裡動手做事的代理人(AI agent)。工具推陳出新,然而,對許多老師而言,這一步並不容易跨過去。最近,常有初學 AI agent 的老師告訴我:一直碰壁,覺得門檻好高。

我很能體會。半年前,我也站在同一道門檻前――看不懂術語,也看不懂滿是程式的畫面,常常連下一步該按哪裡都不知道。

這篇文章想以我自己的學習與實作歷程為例,藉由幾次碰壁與轉折,萃取出幾個竅門與雷區,提供正在起步的老師參考;也想說明,門檻並不需要一次跨過去,而是可以一階一階,慢慢走上來。

每日行程與工作摘要信件:2026/06/04(四),第 1 節為大葉大學官方活動、校務節點與重要公告,依日期列出活動與截止日,並附官網來源連結
實際畫面|一切從一件小事開始:每天寄來的「每日行程與工作摘要」(6 月的一封,只截大葉大學官網公告的部分)。
門檻不必一次跨過去;一步一腳印,每一階都很重要。
01

三個台階:從聊天,到請 AI 動手

回頭看,我和 AI 一起工作的方式,大致走過三個台階。第一階是聊天:在網頁上和 ChatGPT、Claude 或 Gemini 對話,取得建議之後,再由自己動手完成。

第二階,是請 AI 直接做事:把文件交給它,它處理好,我再下載回來。到了這一階,我開始需要留意兩件事――哪些資料可以交出去,也就是資安;以及指令要怎麼下得更清楚,產出才會符合我要的成果。

第三階,便是 AI agent:AI 能在我的電腦裡讀取檔案、使用工具、檢查結果,一步一步把事情做完。剛走到這裡時,我完全不知道該從何開始,也非常擔心資安的問題。

理論依據「近側發展區」(Vygotsky):學習最有效的地方,是「自己還做不到、但有人帶一把就做得到」的那段距離。每一階,都落在前一階再往上一點的地方。

教學網站「老師們的 AI 助理養成班」協作辨識頁:01 幫我想,后儀提出問題、AI 給出建議、后儀製作學習單;02 幫我做,后儀提供教材與要求、AI 製作並檢查、后儀驗收與採用;03 依規則重複做,后儀提供新教材、AI 依判準執行、AI 交付學習單與紀錄,有缺口就停下問后儀
實際畫面|我把走過的台階,轉成教師工作坊裡的三種協作:幫我想、幫我做,再到依規則重複做。

每一階,都站在前一階的基礎上;不必一開始,就跳到最上面。

02

卡在畫面前:我也是門外漢

走進第三階的時候,我和校內兩位老師組了一個研究 AI 的教師小群。一開始,都是兩位老師手把手教我下載工具、安裝環境。當時用的是 VS Code,一套寫程式用的編輯器;對沒有程式背景的我來說,滿畫面的程式介面,真的非常痛苦――看不懂術語,也不懂操作背後的程式思維,常常看著畫面就卡住,不知道指令該怎麼下。

後來,我改用 Codex 的桌面版 App,情況才開始改變。它的畫面很像線上版的聊天,卻能在自己的電腦裡把事情做完,需要時也能切換到更進階的功能。這是我第一次在使用 AI 的「體感」上被改變:入口變友善了,我終於不必先學會程式,才能開始學習怎麼和 AI 一起工作。

當然,換了入口,也不代表從此一路順暢。看不懂的地方,我就截圖問 AI,一步一步問。智財權與資安不是我的專業,我卻一直把它們放在心上,遇到拿不準的地方,就請教 AI,也請教小群的兩位老師。身邊有一個顧問團,不僅降低了許多風險,也讓我在不知道怎麼做的時候,有人可以問。

我對 AI 說過的話

  1. 06「請再把步驟拆得更清楚一點,我是新手。」6 月,第一次自己跑一支影片的製作流程。
  2. 06「我完全不會程式,請問我如何打開網頁或畫面,讓你協助進行?」6 月,想請 AI 一步步帶我操作,卻不知道該打開哪個畫面。
  3. 07「我不懂這張圖,我們可不可以一步一步來?」7 月,規劃一個練習網站的功能時。
  4. 08「我不知道你要我怎麼做。」8 月,AI 給的設定步驟,我一句也看不懂。
教師省思|當一回學生
卡住,常常不是因為不夠聰明,而是入口還不適合自己。

身為老師,我們習慣當那個「會」的人;學 AI,卻得先願意當學生,把「我不會」說出口。兩位老師、友善的介面,以及願意一步步回答的 AI,都是我當時的鷹架――先替我扛下暫時做不到的部分,讓我專注在做得到的地方(Wood, Bruner, & Ross, 1976)。

卡住的,常是介面與術語;換一個友善的入口,就能回到真正要練的事。

03

第一件小事:從一封行程信開始

4 月 28 日,是我第一次讓 AI agent 替我做事。我交給它的,不是什麼大工程,而是一件每天都在做的小事:查一查大葉大學接下來一週的行程。

查到之後,我請它整理成一份精美的表格,寄到我的信箱。第一版出來,我嫌不夠活潑;改了一版,又覺得難以閱讀,忍不住回它一句:「說好的色彩呢……」來回幾次之後,我又加了一個要求:每天寄一封摘要給我。

這件事做錯了也不要緊,卻是我每天都用得到的。小事做順了,信心也就跟著來了;在一次次「再改一下」之中,我也慢慢明白:需求要說得這麼具體,AI 才做得出我心裡的樣子。

理論依據「自我效能」(Bandura, 1977):親身的成功經驗,是建立「我做得到」最有力的來源。先挑一件做得成的小事,就是替自己存下第一份成功經驗。

4 月 28 日,我對 AI 說的話

  1. 01「大葉大學接下來一週的行程」先請它查資料。
  2. 02「請將這些內容整理成精美的 html 表格 email 給我」再請它做成一封信。
  3. 03「說好的色彩呢……」不滿意,就直接說。
  4. 04「每天寄一封摘要」做順了,就讓它每天做。

第一階,不必很高;挑一件每天都在做的小事就好。

04

把做法留下來:做完一段,就轉成 skill

用得順了之後,我也開始比較明白,該怎麼和 AI 一起協作。其中最重要的一個習慣是:做完一段,覺得滿意了,就請 AI 把這次的做法整理下來,轉成一份 skill,再讓它去做重複的工作。

Skill 可以想成一份寫給 AI 的工作說明,記下這件事的步驟、判準與格式;下一次遇到同樣的工作,叫出來就好,不必每次從頭交代。5 月,我第一次把一類常做的文件工作,連同判準與格式,整理成自己的第一個 skill;6 月,又把蒐集來與自己寫的提示詞分門別類,做成一個提示詞資料庫,設計課程時可以直接取用。

碰壁的地方,更值得留下來。8 月製作課程行銷影片時,影片一再被退件;後來我自己發現,一支影片由好幾段素材串接而成,流程卻從沒檢查角色與場景前後是否一致。找到原因後,我請 AI 把這一步寫進流程:「請先將這些工作流程記住,以免又一直重做。」

提示詞資料庫網頁:依類型與應用情境整理,可搜尋標題、標籤與提示詞內容,並依類型、應用情境、適用工具、來源與對象篩選,顯示 155 筆提示詞
實際畫面|我的提示詞資料庫:依「類型 × 應用情境」整理,可搜尋、篩選、一鍵複製。

名詞小辭典skill:把一件工作的步驟、判準與範例,整理成 AI 可以反覆取用的說明檔。不同工具的名稱與用法略有不同,可參考 Anthropic 的 Agent Skills 介紹,以及 OpenAI 的 skills 說明。

做順了,就把做法留下來;下一次,便能從這一階繼續往上走。

05

像帶助理一樣:好與不好,都要說清楚

建立工作流程、讓 AI 開始自動化之後,我又碰到一道牆:太多東西都要人工確認。我一直在旁邊協助檢查,感受不到自動化;我希望的是,AI 能自己設定檢核,確認沒問題,再自動往下一步。

後來我發現,關鍵在於評估(evaluation)。翻開 AI 的工作紀錄,它其實記下了:哪裡我覺得不錯,哪裡不夠好,哪裡被我直接退件,我嫌棄的又是什麼。換言之,評估的依據,就藏在我和它的每一次對話裡――哪裡稱讚它做得好,哪裡直接退件,哪裡只要微調就好。我便請 AI 把這些對話歸納成五個等級,並寫下每一級的判級理由;目前仍在一邊使用、一邊校準。

這就像我們給學生的評量尺規。若 AI 是我們的助理,AI agent 就是我們的代理人;帶它,就像帶一位助理――把要交代的事說清楚,把步驟與技巧告訴它,說明怎樣叫做好、怎樣叫不好,最好再分出等級。有了清楚的品質要求,它才能自我檢核、自我管理,而不必凡事都靠人來把關。

稱讚|做得好

說出好在哪裡

讓 AI 知道哪些做法要保留,下一次照著做。

微調|差一點

指出要調哪裡

只改需要改的地方,不必整個重來。

退件|不合格

說清楚錯在哪裡

讓 AI 記住這個坑,下一次先檢查。

評量判斷庫第 1 級範例與理由:範例是被要求放棄的攝影編排提案,對話原句「都不好耶~~你上網去搜尋一些適合的版型,再來討論吧!放棄現有的顏色及照片」,並列出表現、判級理由與歸納準則
實際畫面|我的評量判斷庫:第 1 級,來自一句「都不好耶」。
評量判斷庫第 5 級範例與理由:範例是首頁 v17 交付畫面,對話原句「首頁終於完成,很棒」,判級理由為使用者對這次首頁完成結果明確肯定
第 5 級,來自一句「首頁終於完成,很棒」。稱讚,也是 AI 的學習依據。

好與不好都說清楚,AI 才有自己的尺;人,便不必事事親自把關。

06

敢嘗試之後:從一位助理,到一支小團隊

摸清楚 AI agent 的工作方式之後,我發現自己是一個勇於嘗試、也願意冒險的人。點子一個接一個冒出來,就想動手試試看:從一開始的微課,到 AI 眾議院、個人網站,再到最近的線上 KTV。掌握了 AI 的工作模式,便能大膽嘗試;每一次嘗試,也都替自己累積了新的經驗。

最近,我開始在每個 AI 專案裡放一位 PM。開一個專案,第一個視窗就是 PM,由它帶著專案裡的其他小視窗,各自去完成一件件小事;小視窗回報給 PM,PM 統整之後,再向我回報。

日常的工作管理也是如此。我請 Codex 幫我看行事曆與信件、提醒該做的事;簡單的事,經我判斷之後,就直接交給它完成;複雜的事,便請它到專案裡開視窗,由 PM 指揮其他 AI 小精靈一起完成。

下一步,我想再往上走一階:讓不同的 AI 工具一起合作。過去我也做過幾個案例,但多半是由我在不同平台之間來回傳遞;最近,我正嘗試讓 AI 在工作流程中自己跨工具交流,由 Claude 與 Codex 分工,一起陪我完成一份計畫案的申請規劃。

我的 AI 專案:一位 PM,帶著幾個小視窗

  1. 01我|交代目標先判斷:簡單的事直接交辦,複雜的事開一個專案。
  2. 02PM|拆解與分派專案的第一個視窗是 PM,把工作拆小,分給其他小視窗。
  3. 03小視窗|各自完成每個小視窗只做一件小事,做完回報給 PM。
  4. 04PM|統整後向我回報我只要聽一個窗口的回報,再決定下一步。
延伸閱讀研發手記〈一個晚上,一間 KTV〉:沒有程式背景,也能動手實作

從帶一位助理,到帶一支小團隊;每一階,都是前一次大膽嘗試累積來的。

07

竅門:讓自己走得上去的六件事

在工作坊裡,我看到老師們最常卡在四個地方――

起點不知道從哪裡開始
環境安裝與設定就卡住
名詞太多術語與案例
期待以為一次就會做好

01從每天的小事開始

挑一件天天在做、做錯也不要緊的事,例如整理行程、寫一封摘要信,先讓自己有一次做得成的經驗。

02直說「我是新手」

請 AI 把步驟拆小、一次只做一步;看不懂就截圖問,也別忘了請教身邊的人。

03第一段就把需求說清楚

開頭說清楚,比事後補破網有效率。想不清楚時,先用自己的話說,讓 AI 反問你,再幫你整理成完整的提示詞。

04先拆解,做成功再存成 skill

先拆開自己的工作:哪一段適合 AI,哪一段要先由自己做或把關。能重複的部分,先做成功一次,再存成 skill。

05截圖圈出要改的地方

做網站或數位教材時,我會把做得不好的地方直接截圖、圈選,告訴 AI 這一段哪裡不好、要改成什麼樣。

06把智財權與資安放在心上

不是自己的專業也沒關係,先放在心上;拿不準就問 AI,也請教身邊的顧問團。

教學網站段落:不用擔心一次不到位,先寫簡單版就好;先用自己的話說出需求,讓 AI 依五個原則向你提問,再整理成完整提示詞;下方附學習單範例與可複製的提示詞範例
實際畫面|我把竅門 03 放進教師工作坊:不用擔心一次不到位,先寫簡單版就好。
延伸閱讀專欄文章〈自動化越多,人越重要〉:拆解之後,哪些時刻一定要由人把關
教師省思|我的竅門,不一定是你的竅門
別人的成功經驗,不一定是你最好的工作模式。

在工作坊裡,我總會提醒老師們:我分享的,是對我有效的方法與提示詞訣竅。它們有些來自我自己的經驗,有些來自大量蒐集資料與閱讀,試用之後,才成了我的工作準則;但它不見得是你現階段最有效的方式。你的 AI 過去並沒有這樣和你一起工作,它正在磨合你的習慣,你也在磨合這段新的工作模式。所以不用太拘謹,放心地和你的 AI 交流;別人的好經驗,就拿來想一想,怎麼優化自己和 AI 的協作。

別人的竅門可以參考;你和 AI 的工作模式,要一起磨合出來。

08

雷區:我踩過、也看過的五個坑

  1. 01一下子就跳到最上面常看到初學的老師,還不太和 AI 對話,就直接跳進 agent,一開始便交出太複雜的工作,碰壁一多就想放棄。我做微課影片時,是先規劃好整份腳本,再切成幾秒一段、一段一個視窗,慢慢接起來。
  2. 02事後補破網開頭沒說清楚,後面怎麼補都補不好,一直漏、一直歪。影片不滿意就重新生成,點數一直被扣:「一直重生要浪費多少錢?」
  3. 03以為一次就會好AI 第一次做不好,多半是「好」還沒說清楚。skill 也一樣:建得不好,每次產出就像隨機抽卡,需要一用再修。
  4. 04太雞婆覺得 AI 做得不好,就自己動手改掉;或者沒有明確告訴它錯在哪裡。少了這段回饋,AI 便沒有機會從中學習、修正。
  5. 05照抄別人的做法別人做得很好,我用一模一樣的提示詞,卻做不出來。原來他的 AI 已經和他工作了一段時間,長成他的工作模式;我的 AI 還不了解我。

回頭看,許多「AI 不好用」的感受,其實來自跳得太快。還不知道哪一段工作適合交給 AI,就一下子交出一件複雜的工作;提示詞又不夠清楚,AI 只能在模糊之中一路摸索,像盲人摸象。做出來的東西總是差一點,我們便覺得它不好用。

緣此,與其一次跳上最高的一階,不如先把事情拆成一段一段,把適合的那一段交給 AI,再把提示詞說清楚。

照抄別人的做法,也是同樣的道理。每一位老師和 AI 的磨合,都需要時間;從自己的工作出發,一次次調整,才會慢慢長出屬於自己的做法。

教師省思|碰壁之後
雷區不可怕;可怕的是踩過之後,什麼也沒留下。

每一次碰壁,都在提醒我:哪裡還沒說清楚。與其悶著頭重來,或乾脆自己改掉,不如停下來找出原因,明確告訴 AI 錯在哪裡,再把修正寫進做法。如此一來,下一次便不會再掉進同一個坑。

與其一直重來,不如先弄清楚:錯在哪裡,下次怎麼避開。

09

一位大學教師的省思:工具會變,思維要練

教師省思|跟 AI 一起學
工具會越來越友善;一階一階要練的,是與 AI 協作的思維。

回頭看這半年,真正讓我走上來的,不是學會了多少工具,而是慢慢學會:把需求說清楚、留意資安、拆解工作、把好與不好都告訴 AI,並把好的做法留下來。工具的門檻會越來越低;然而,判斷什麼值得交給 AI、什麼該由自己把關,仍要由人來練――這也是 AI 時代的人才培育,最需要扎根的地方。

這就像我做數位教材。現階段由 AI 製作,既沒有比較便宜,也談不上划算,還要花許多時間訓練,看似吃力不討好;我仍努力嘗試,為的是磨合出自己和 AI 一起工作的思維,也找到訓練我的 AI 做好這件事的方法。

延伸閱讀研發手記〈好看,不等於學得會〉:AI 數位分身微課的教學設計
以為的門檻走過之後
要先懂程式→先找一個友善的入口
要先寫出完美的提示詞→先說需求,讓 AI 反問
要一次做出成品→從一件小事開始
AI 做不好就是沒用→說清楚錯在哪,寫進做法
什麼都要人工檢核→給 AI 一份分級的品質要求
照著別人的做法就會成功→磨合出自己和 AI 的工作模式

起步之前,我們或許也可以先問問自己――

追問 1|起點

我每天都在做的小事是什麼?

追問 2|開口

我願意對 AI 說「我不會」嗎?

追問 3|留下

這次做對了,我把做法留下來了嗎?

所以惟有一階一階踏穩,下一階方能走得上去。

10

未來,帶進教學與研發

in the classroom

教學:陪老師走上第一階

我把這段歷程,整理進教師工作坊「老師們的 AI 助理養成班」:從老師日常的備課工作開始,先請 AI 幫忙想,再請它幫忙做,最後依規則重複做;不清楚怎麼交代時,先寫簡單版,讓 AI 反問。有學員回饋案例太多、一開始就有距離感,我便改成教學、行政、研究三類各看一個主案例,其餘放進案例庫。比起教會老師多少工具,我更想陪老師走上第一階,並且有信心走向下一階。這也是為什麼,現階段我很樂意花時間陪跑許多老師,一階一階練到 AI agent――惟有大家都好,我們自己方能更好。

延伸閱讀研發手記〈讓學員不迷路的教學網站〉:五個教學網站的設計歷程
in development

研發:建立我的第二大腦

這幾年,我在教學與研發上累積了不少案例,也慢慢沉澱出自己的觀點。我期待在今年年底或明年,讓 AI 以這些累積,建立我的「第二大腦」:讓我的 AI agent 能用我的思路去思考、完成我交代的事情,成為另一個后儀,與我一起合作。在此同時,我也會繼續把碰壁的地方整理成竅門與雷區,帶回教師社群與工作坊――一個人摸索,容易在同一道牆前停很久;有夥伴一起試,門檻便能一階一階地降下來。

相關案例智匯共生〈自己先走一段〉:教師社群的人機協作共學 ↗
期盼透過這篇文章拋磚引玉,也想聽聽大家―― 你想交給 AI 的第一件小事,是什麼?

🔒 文中截圖取自教師工作坊「老師們的 AI 助理養成班」網站的本機副本、我的提示詞資料庫與評量判斷庫(節錄第 1 級與第 5 級),以及每日行程與工作摘要(只截大葉大學官網公告的部分);不含 Email 內容、學員資料與其他老師的姓名。

本文提及與延伸閱讀

#AI代理人 #AIagent #學習歷程 #竅門與雷區 #人機協作 #AI素養 #教師培力 #人才培育 #以人為本

交流園地

歡迎留下想法與我交流。填暱稱即可留言,留言會公開顯示,請勿留下個資。