內容重點
重點 1:收藏很多,不等於知道第一句要問什麼
打開 AI 對話框,想請它幫忙,卻不知道第一句該問什麼。另一邊,社群上有人分享最新的 AI 工具、有人展示複雜的工作流,也有人說得先學會提示詞、建立專案、安裝各種技能。 看得越多,反而越難開始。不是這些方法沒有用,而是它們大多回答了「別人怎麼做」,卻沒有先回答更貼近自己的問題:我現在到底知道什麼?又在哪裡遇到了自己的理解邊界?
重點 2:先讓一個具體問題帶路,再決定學什麼
想像你剛進入一份新工作:桌上有一疊交接資料、各種系統帳號,同事推薦了幾門課、幾份文件。這些都有價值,但在還不清楚工作目標、流程和責任之前,收藏再多,也不代表知道今天該先做什麼。 接觸 AI 也一樣。收藏上百個提示詞、知道許多工具名稱,回到自己的工作時,仍然要問:這件事情裡,我真正卡住的是什麼? 課程、專家建議和模板都不是不重要,只是對初學者來說,先讓一個具體問題帶路,遇到需要時,才更容易判斷這門課要不要學、這個工具適不適合。
重點 3:起點不是工具清單,而是「我懂到哪裡」
從零開始與 AI 協作,最重要的不是先收集多少工具和課程,而是先學會看見自己的認知邊界:你目前理解所能到達的位置。它不是固定不變的線,會隨著學習、經驗與驗證移動。 當你知道自己在哪裡不理解、哪個判斷還沒有把握,就可以把這些疑問帶進對話,讓 AI 協助你拆解、探索與驗證。
重點 4:AI 能幫你列出盲點,但不保證找齊
為了方便開始,可以把認知邊界分成四種狀態: 1 我知道:已經理解,也能說明依據 → 請 AI 協助整理、轉譯或比較 2 我知道自己不知道:意識到缺少某些知識 → 請 AI 解釋概念、列出學習路徑 3 我以為自己知道:有既定判斷,但沒有充分驗證 → 請 AI 找反例、列出假設與查核方式 4 我不知道自己不知道:還沒意識到有這個問題 → 請 AI 提供不同視角與可能遺漏的事項 例如規劃一場活動:你知道目的和預算;你知道自己不熟報名流程;你以為受眾一定喜歡某種形式;還沒想到的,可能是取消報名、資料保存或現場突發狀況。AI 可以幫你列出來,但無法保證找出所有盲點,它提的每一項也不一定符合你的情況。認知邊界是一張需要邊走、邊修正的地圖。
重點 5:倒空,是讓經驗被重新檢視
「倒空」不是把過去全部歸零。工作中累積的經驗、觀察和價值判斷,不會因為開始用 AI 就失去意義。真正需要暫時放下的,是「我過去這樣做,所以現在一定也該這樣做」的預設。 例如一位經營實體門市多年的人想開始做線上會員經營:他熟悉顧客喜好與回購時機,也懂現場建立信任;但會員資料怎麼整理、線上訊息多久發一次、顧客怎麼從看到訊息走到下單,仍然可能是陌生問題。可以這樣問: 「我有經營實體門市的經驗,熟悉現場服務,但沒有做過線上會員經營。請先幫我區分:哪些既有經驗可以延伸,哪些事情需要重新學習,以及你還需要知道哪些資訊,才能給我適合的建議。」 倒空,是讓既有經驗可以被重新檢視;不是把自己交給另一個看似更懂的人。
重點 6:讓 AI 參與回答之前的「理解」
問 AI「幫我規劃社群經營策略」,它可以列出平台、內容主題和發文頻率。但如果你還沒釐清想接觸誰、有多少時間、想讓讀者採取什麼行動,這份策略可能結構完整,卻無法真正執行。 比起要 AI 立刻交出成品,可以先請它協助整理問題: 「我想開始經營社群,但目前還沒有清楚的規劃。請先不要直接給我完整策略,而是協助我釐清目標、對象、可投入的資源與目前最大的卡點。資訊不足時,請先問我,不要自行補完。」
重點 7:不必每件事都追到哲學層次
想讓對話更深入,可以連續追問三層: 1 表面問題是什麼?我目前看到的困難,是不知道發什麼內容。 2 背後的原因是什麼?我可能還沒有釐清,希望吸引什麼樣的人、想持續討論什麼主題。 3 更根本的選擇是什麼?我要經營的不是一份發文清單,而是一個能長期累積信任與觀點的位置。 第三層不一定永遠是最深的答案,也不需要每件事都追到哲學層次;但一個問題反覆出現時,往下多問幾次,常能看見被工具和操作遮住的選擇。
重點 8:研究對象有限:借的是思路,不是保證
一項 2026 年 10 月發表於 IJETHE(International Journal of Educational Technology in Higher Education,DOI 10.1186/s41239-026-00632-7)的研究,讓 83 名修習電視節目製作課程的大學生,分別用自由提問或兩種具順序的「問題鏈」與生成式 AI 互動(實驗組其實有兩種不同設計的問題鏈)。使用問題鏈的組別,在學習策略與監控行為上比自由提問組更活躍;研究也觀察到後設認知與課程成績方面的差異。 限制:對象是特定課程的大學生,問題鏈是一整套有順序的教學設計,不能直接證明所有人在工作中照著問都有相同效果。 值得借用的思路:不要只問 AI「答案是什麼」,也依序問「我現在理解了什麼、還缺什麼、接下來怎麼驗證」。學習研究把這種監控自己理解程度的能力稱為後設認知,換成日常語言就是:我知不知道自己現在懂到哪裡?
重點 9:不是唯一正確的方法,是一個起點
以下不是唯一正確的方法,而是一個適合初學者嘗試的起點: 1 選一件真實、範圍小的事 2 說出你目前知道的事 3 請 AI 幫你畫出問題地圖 4 逐題追問,再用自己的話重述 5 驗證後做一個小動作
重點 10:地圖不是結論,是接下來探索的順序
第一步:選一件真實、範圍小的事。不要一開始就要求自己「學會 AI」,先選近期確實想做的事,例如:看懂一個陌生概念、整理待辦清單、規劃小型活動、比較兩種工作方式、找出企劃缺少的資訊。範圍越清楚,越容易知道 AI 的回答有沒有幫助。 第二步:說出你目前知道的事。不必完整,只要誠實:「我想完成___。我目前知道___。我不確定的是___。我希望先弄清楚___。」說不上來也沒關係:「我現在只知道自己卡住,但還說不清楚問題。請先幫我列出幾種可能的卡點,再透過提問協助我確認。」 第三步:請 AI 幫你畫出問題地圖,先不要急著要最終答案。請它分出: 1 哪些資訊已經足夠 2 哪些是你明確不知道的 3 哪些是目前未驗證的假設 4 還有哪些可能遺漏的問題 5 哪些需要由你、他人或外部資料確認
重點 11:每一輪對話,都接上真實世界的回饋
第四步:逐題追問,再用自己的話重述。挑一個最重要的問題,請 AI 用你能理解的方式解釋,接著不看答案自己說一次:「我理解的是___。這樣說對嗎?請指出我可能理解錯誤的地方,並提供一個例子。」如果只能重複 AI 的句子,卻說不出它和自己有什麼關係,代表還有值得繼續探索的地方。 第五步:驗證後做一個小動作。不是「建立完整會員系統」,而是先整理: ・目前有哪些會員資料 ・哪些資料有權使用 ・想透過會員經營解決什麼問題 ・哪一項資料還需要確認 完成後再問:「我做完第一步了,結果是___。哪些地方符合原本目標?哪些地方需要調整?下一步最值得驗證什麼?」
重點 12:重心從「哪個最好」移到「哪個適合我」
以下是示意情境,不是特定人的真實對話紀錄。想建立網站,直接問「推薦我什麼工具?」,AI 會很快列出一串平台;但這個階段真正需要的,是先理解網站要承擔什麼工作。 第 1 輪(釐清目的):請先不要推薦工具,先問我幾個問題,協助我確認網站的目的、讀者、內容類型和預算限制。 第 2 輪(找出假設):根據我的回答,整理出我已經確定的需求,以及我以為需要、但還沒有驗證的功能。不要替我假設答案。 第 3 輪(比較方案):依照我的需求比較幾種建站方式,每個方案說明適合條件、維護負擔、需要的能力,以及如何驗證它是否適合。 第 4 輪(驗收與退路):如果先做一個小型原型,最少要完成哪些事?哪些操作會影響既有網站或資料?列出預覽、備份與回復方式需要確認的項目。 我自己看待 AI 協作也是這樣:人先定義需求、決定方向與驗收;AI 協助整理選項與處理實作。我先前把網站搬家時,重點也不是讓 AI 決定網站長什麼樣子,而是先釐清網站要怎麼配合工作,再保留預覽與人工確認。
重點 13:人定需求與驗收,AI 協助實作
這是我自己的例子。2026 年 10 月 17 日到 19 日,我把 mkt.lot.tw 從 WordPress 搬成 AI 協作的靜態網站,用的就是前面的問法。 ・我知道的:靈感、規劃、產出都放在 Notion;我想讓網站回來配合我的工作方式,少花時間管理。 ・我知道自己不知道的:技術我不算專業,所以沒有先從框架、主機或功能清單開始,而是先排好三個標準:AI 協作先行、極簡輕量、整合 Notion 內容管理。 ・分工:我負責定義需求、目標與驗收,AI 協助備份、搭建網站骨架與搬移內容;看到預覽後,我再依實際需求調整,上線前保留人工確認。 ・還沒驗證的:上線是里程碑,不是成效證明。網站有沒有變快、管理時間有沒有變少,要靠之後的實際數字;舊站在切換時保留,10 月 22 日已刪除,現在要退回舊版本是用部署紀錄。 完整過程:我把 WordPress 網站搬成 AI 協作的靜態網站(mkt.lot.tw/wordpress-to-astro-notion-migration/)。
重點 14:不是標準答案,依情況刪減就好
複製下面這段,填入目前的情況: 我想開始處理這件事:[填入你的目標或困擾] 我目前知道的資訊:[填入你已經知道的事;不知道也可以寫「尚不清楚」] 我目前的理解或猜測:[填入你的想法,並標示哪些還沒有確認] 請先不要急著替我產出完整答案,依序協助我: 1 整理我已知的資訊,以及目前缺少的重要資訊。 2 指出我的說法裡有哪些尚未驗證的假設。 3 提出我可能忽略的問題,但不要假設這些問題一定適用。 4 一次問我 2~3 個最重要的問題,幫我釐清方向。 5 根據我的回答,建議一個範圍小、可驗證的下一步。 6 區分事實、推論和建議;無法確認的地方請直接標示。 如果涉及重要數字、法規、醫療、財務或其他高風險資訊,請提醒我需要查核哪些可靠來源或尋求什麼專業協助。
重點 15:開放提問,和保留界線,可以同時存在
AI 能迅速整理出看似完整的回答,我們很容易把「我看懂了」誤認為「我已經能判斷了」。但流暢,不等於正確。 美國國家標準與技術研究院(NIST)在生成式 AI 風險文件(NIST AI 600-1)中指出,AI 可能產生語氣篤定、內容卻錯誤或虛構的回答;資料隱私也是需要留意的風險。另一項 2026 年 9 月 15 日發表於 Frontiers in Psychology、針對 342 名大學生的實驗發現,在特定推理與資訊判斷任務中,加入簡短的反思提示後,接受錯誤 AI 建議的比例從 62.4% 降到 39.7%;研究也提醒結果來自有限的學術任務,不能直接推論長期學習效果。 採用前先問自己: 1 這是有來源的事實,還是它提出的推論? 2 我能不能回到原始資料,確認來源確實支持這個說法? 3 這個建議依賴哪些我還沒確認的條件? 4 如果它錯了,會影響誰?能不能修正或回復? 5 我是真的理解了,還是只是覺得它說得很有道理? 另外,把想知道的都問 AI,不等於把資料都交給 AI。個人資料、客戶資訊與商業機密,在確認工具的資料處理方式與授權之前不要直接貼上,可以先用公開或經核准的去識別化資料練習。
重點 16:從一個你還說不清楚的問題開始
與 AI 協作,不只是學會讓工具替我們完成工作,也是一個重新檢查自己理解的機會:哪些是經驗,哪些是猜測,哪些只是因為過去沒有人問過,所以從來沒有想過。 不必先把所有工具學完才能開始,也不必等到問題足夠專業才有資格開口。從一件小事開始,坦白說出自己知道什麼、不知道什麼,讓 AI 協助你把問題攤開,再由你決定哪些值得繼續探索、哪些需要查證、哪些可以先做一次小小的嘗試。 認知邊界不是能力不足的證明,而是下一段學習可以開始的地方。今天就打開一個 AI 對話框,寫下:「我想處理___,但我還不知道自己缺少哪些理解。請先幫我釐清問題,不要急著替我下結論。」
▶ 開始互動教學