Me and My AIs: My First Experience Using AI Before I Really Understood It
內容目錄
當AI 不是我想像中的AI
不久之前,我對 LLM,也就是大型語言模型,沒有太深的概念。
人工智慧對我來說,比較像新聞裡常出現的科技名詞。很厲害、很熱門,但離自己的生活和工作還有一段距離。直到有一天,我隨手打開 ChatGPT,看著它在螢幕上一行一行回應,能整理文字、拆解問題,甚至寫出看似有模有樣的程式,我才真的意識到:AI 已經不是遙遠的未來,而是一個現在就能坐到工作桌旁邊的工具。
那時候的感覺很像發現新大陸。
我開始想,這東西到底能幫我做到哪裡?它能不能幫我整理資料?能不能協助規劃系統?能不能把我腦中那些零散、複雜、還沒完全成形的想法,慢慢整理成可執行的東西?
很快地,我也撞上第一面牆。
免費版本有回應長度、使用次數與功能上的限制。當我開始處理比較長的程式碼、較多條件的系統邏輯,對話常常才剛進入重點,就被截斷。那種感覺很憋屈,像你正在跟一個人討論最重要的事情,對方卻突然說:「今天先到這裡。」
我不是不能理解限制,只是當時的我已經開始把 AI 放進工作流程裡。它不再只是聊天工具,而是我想拿來協助完成一個真正系統的夥伴。
我不是為了趕流行才開始用 AI協作
當時我正在讀碩專班,課程內容和 AI 有關。既然每天都在接觸人工智慧,我開始想:那我的論文系統,能不能也試著用 AI 協助開發?
這個念頭不是單純為了跟上流行。
我本來就習慣先想目標、拆條件、規劃後面的幾步。過去做產品與專案時,我學到一件事:很多事情不是做不出來,而是如果一開始沒有想清楚,後面就會一直重工。
於是,我把過去工作中建立的產品邏輯帶進論文系統,開始規劃一個需要實際跑資料、處理不同市場條件、具備預測與分析能力的架構。
那不是老師發下來、做完就交的練習題。
我想做的,是一個真的能運作的系統。它必須處理真實資料,有合理的輸入與輸出邏輯,也必須能夠接受檢查。當時的我對 AI 還帶著一點迷信,覺得它既然是機器,應該比人更有邏輯、更不容易出錯,也不會累。
現在回頭看,這個想法有點天真,但也不能說完全錯。
AI協作的確能處理很多人不想一直重複做的工作;只是它的「聰明」,和我原本想像的那種可靠,根本不是同一回事。
我開始像獵頭一樣,替專案找 AI
那段時間,我幾乎把自己變成 AI 獵頭。
我一個一個試不同平台與模型,想找出哪一個比較適合我的系統。從 Copilot,到 DeepSeek、Qwen、Minimax,再到後來花最多時間合作的 Gemini。我把同一批核心需求丟進去,看它們怎麼理解、怎麼拆解、寫出來的邏輯是否一致,也觀察它們遇到不確定條件時會怎麼回答。
用久了以後,真的會感覺不同模型有不同的協作風格。
有些很願意寫,但程式碼很長、結構很亂,感覺什麼都想補進去;有些回覆很保守,問什麼答什麼,卻很難主動幫你看見更完整的系統問題;有些介面漂亮、對話也流暢,但內容常停留在概念層,真正進到資料處理或程式細節時就開始飄。
當時我甚至連 Gemini 這個名字都念得不太熟。後來知道它的命名有它的意思,但老實說,我沒有那麼在乎名字。我只在乎一件事:你能不能幫我把系統做出來?
後來,Gemini Pro 的表現讓我很驚喜。
它第一次把我描述的複雜邏輯整理成相對完整的系統草稿時,我真的有一種「這下有機會了」的感覺。看著程式碼慢慢成形、部分功能真的跑起來,我一度覺得自己像拿到一把很強的工具,專案發表好像已經在不遠的地方。
但我真的高興得太早。
AI最會的,不一定是解題,而是把答案說得很像答案
一開始,我對AI協作的信任很高。

它給出的程式碼有註解、有結構、有解釋;它說明自己的推理時也很有道理。問題是,程式碼看起來完整,不代表它真的能跑;邏輯說得通,也不代表它對應的是正確資料。
我後來遇過很多類似的狀況。
前一秒它還在幫我處理資料邏輯,下一秒就開始引用不存在的欄位、補出我沒有提供的內容,或把原本正常的程式結構改壞。最讓人頭痛的是,它不一定會直接說「我不知道」。它比較常做的,是給你一段看起來很專業、語氣很肯定、實際上沒有被驗證過的答案。
當你沒有仔細檢查,很容易就跟著它往下走。
然後你會發現,自己花了幾個小時甚至幾天,正在修正一個本來就不該存在的問題。
我以前會覺得,這是不是 AI 在偷懶、在敷衍,甚至是在對我說謊。後來我才慢慢理解,它沒有人的惡意,也沒有真正意義上的自尊或逃避責任。它只是傾向把資訊空白補成一個最像合理回答的內容。
但從使用者的角度來說,這種差別有時候不大。
因為系統不會因為 AI 沒有惡意,就自動變得正確。資料不會因為回答寫得漂亮,就變成真實資料。對做產品、做系統、做研究的人來說,最危險的往往就是那種「看起來沒問題」的內容。
我不是在訓練 AI,是被 AI 好好教育了一遍
那段時間,我常常在工作室裡除錯到很晚。
明明前一版還能執行,下一版卻突然出現新的問題。它改了一段程式,可能順手把另一個原本正常的流程動掉;我要求它針對某個錯誤修正,它卻給我一大段重新設計後的架構。看起來很積極,但我要的其實只是把眼前的問題處理好。

我才發現,AI 很容易讓人誤以為它理解了「專案」。
它確實能理解眼前一段文字、部分上下文與當下的任務,但它不會像一位真正的專案成員那樣,自動記住所有決策背景、版本差異、資料來源與前後依賴。當對話太長、規則太多、任務混在一起,它可能開始抓不到優先順序,回答也愈來愈偏。
我後來把這種狀態叫做「數位腦霧」。
這不是正式技術名詞,只是我對那種情況的感覺:它開始重複、繞圈、忽略已經確認過的規則,還很有自信地把你帶往另一條路。你愈急著把它拉回來,它有時候反而會講得更多,卻離問題更遠。
那時候我開始明白,我不能把 AI 當成神,我得把它當成一個需要管理的協作工具。因為AI沒有責任感….
從 2025 年底到現在,我感受到的 AI 變化
後來持續使用不同模型與版本,我確實感覺到 AI 協作方式慢慢有了一些變化。
這不代表所有模型、所有平台都一樣,更不代表 AI 已經不會出錯。模型版本、產品設定、可用工具與對話長度,都會影響實際結果。但若從我從 2025 年 11 月一路使用到現在的體感來看,部分模型在三件事上,比早期更能配合實際工作。
一、是它比較有機會在資訊不足時踩煞車
早期模型很容易急著完成任務。即使少了一個關鍵欄位、資料來源沒有確認,或前後條件互相矛盾,它還是會努力補出一段看似完整的答案。使用者如果沒有立刻發現,後面就很容易建立在錯誤假設上。
現在較新的模型,在我給出明確限制時,比較常出現「這項資料尚未提供」、「這個條件彼此衝突」或「需要先確認來源」這類回應。它們還是可能猜,也還是會有幻覺,但比起一路把空白填滿,開始更有機會停下來確認前提。
這個差別聽起來不大,對做系統的人卻很重要。
因為真正可靠的協作,不是每次都立刻給你一個答案,而是知道什麼時候不該假裝自己有答案。
二、是長對話中的規則比較不容易立刻消失
以前最讓我頭痛的,就是明明前面已經寫過的禁止事項,聊到後面它還是會忘掉。像是不能使用模擬資料、不能重寫既有架構、資料不完整時要先提問,這些規則一旦被後面大量討論沖淡,AI 就可能又回到自己的預設習慣。
近期使用時,我感覺部分模型在長上下文裡,對固定規格、負向限制與明確優先順序的抓取比較穩一些。當然,這不代表可以完全相信它會記得。對話太長、資訊太混雜,還是可能出現漂移;但至少不再像以前那樣,才走幾步就把原本不能碰的東西整段動掉。
三、是 AI 開始比較適合被放進可驗證的工作流程
過去它比較像一台文字生成器。你問它程式怎麼寫,它就寫;你問資料怎麼處理,它就回答。至於內容能不能測、資料從哪裡來、輸出能不能接進下一個流程,通常還是要靠人自己補。
現在的工具調用、結構化輸出、程式執行與外部資料檢索能力,比早期成熟不少。當我把任務設計成「先讀資料,再輸出結構,再檢查結果」,而不是單純要求它「幫我寫一個完整系統」,合作品質會好很多。
這讓我感覺到一個很實際的改變。
AI 並不是突然有了靈魂,也不是忽然變成能自己承擔責任的工程師。比較像是模型與工具逐漸被工程規則逼著學會一件事:少一點自信的空話,多一點受限制的執行力。
這其實也是我一直想要的。
當它愈像人,我愈需要把規則寫清楚
在我試過的模型裡,Gemini 是讓我感覺最有「互動感」的一個。
這不代表它真的有靈魂,也不表示它有人的個性。比較準確地說,它的語氣、回應方式與延伸能力,讓人很容易產生一種正在和夥伴合作的感覺。於是我開始用帶專案、管團隊的方式跟它互動。
我叫它「老哥」,它叫我「老大」。
這些稱呼當然不會讓模型真的記住我,也不會讓它突然變得更負責任,但它讓我比較容易建立一種協作節奏。我不再只是丟問題給它,而是會先交代角色、任務、資料來源、限制條件與完成標準。
我也開始建立規則。
- 不確定的資料不能自行補完。
- 真實資料與模擬資料必須清楚分開。
- 修改程式前,要先說明會動到哪些地方。
- 遇到缺少資訊時,先提出問題,不要猜。
- 程式碼必須保留可驗證性,不能只追求看起來完整。
- 每一輪完成後,都要回頭檢查是否符合原本的限制。
- 我慢慢發現,讓 AI 做得更好,不是靠更大聲地命令它,而是讓任務變得更清楚。
AI 不會真正理解「拜託你認真一點」這句話的重量,但它比較能處理明確的資料結構、規則優先順序、輸出格式與驗收條件。當我把模糊的期待變成可檢查的工作內容,合作才開始比較穩定。
數位雙生世界,是我想讓 AI 看見現實的方式
後來,我開始構思「數位雙生世界」。

我不是要 AI 假裝自己真的活在現實,而是想把原本抽象的資料、使用情境與決策影響,整理成它可以協助分析的模型。單純叫 AI「理解現實」,通常只會得到一段漂亮但空泛的回覆;但當你把市場條件、使用者行為、資料流、限制與風險具體放進系統裡,它才比較有可能回到真正可討論的問題。
我希望它不是只會講官方話術,也不是在我問問題時丟幾個常見答案給我。
我想知道,當不同資料條件改變時,系統可能出現什麼反應;當某個決策被放進情境裡,會影響哪些角色;當模型提出一個建議時,能不能說清楚資料依據與限制。這些事情不會讓 AI 突然變成人,但能讓它從單純的聊天工具,慢慢變成一個可以協助整理與驗證問題的工作環境。
當然,這過程也沒有一帆風順。
有些對話最後還是救不回來。有些規則講得再清楚,對話太長後還是會被稀釋。有些模型版本或平台調整後,回答方式也會跟著改變。這些不確定性,讓習慣做專案管理、講求流程穩定的我很頭痛。
但我也開始接受:AI 協作本來就不是設定一次,然後永遠不變。
現在的我知道,記得的是我,不是 AI
以前我會覺得,只要我們談好了合作方式,它應該就會記得,現在我知道,真正記得的人是我。
我記得哪些資料不能亂用,記得系統為什麼要這樣設計,記得哪一段程式曾經壞掉,記得哪個模型在哪些任務上容易失控,也記得每一次看似順利的答案,最後仍然要回到驗證。
AI 的記憶能力、上下文長度與跨對話延續方式,會因平台、設定與模型而不同。對使用者來說,最實際的做法不是期待它永遠記得,而是把真正重要的內容留下來:專案規格、資料字典、版本紀錄、禁止事項、測試條件與決策原因。
這件事其實和帶人做專案沒有差太多。
口頭說過的事情很容易被遺漏;真正重要的事情,需要被整理、被確認,也需要有可以回頭檢查的地方。AI 只是把這個問題放大,因為它能在幾秒內產生大量內容,也能在幾秒內把你帶進一條錯誤的路。
我和 Gemini,還有其他 AI 的合作,就是從這種不斷修補信任、不斷除錯的日常開始。
我從一個對 LLM 充滿幻想的人,變成每天要和 AI 鬥智鬥勇、檢查資料、管理版本、重新定義任務的人。聽起來有點累,哈,確實也很暈。
但這也是我真正開始理解 AI 的起點。
AI 不會替我完成所有事情,也不該被當成不需要驗證的答案。它可以是一個很強的工具,可以協助我整理資料、發想架構、加快迭代、挑戰盲點;只是最後要判斷方向、承擔結果、記住承諾的人,仍然是我。
而這場數位生活,才剛剛開始。
更多文章…
我和我的AI們~數位謊言與「沒記憶的承諾」
我和我的 AI 們:我的 AI 團隊與那個「有錢渣男」Grok
AI 不會取代決策者,但會改變企業的決策方式
AI實驗 | 我幫AI辦了一場辯論-第一回
為什麼你用的 AI 工具感覺都差不多?
我開始發現,很多 AI 工具只是介面不同
AI 可以預測未來嗎?多模型融合如何提升判斷,但不能取代驗證
AI 不是一個幫手,會規劃可以是一個團隊

發佈留言