這一篇是長滾動的單頁教材。你可以照順序讀,也可以只挑一個單元;每個單元最後有小測。所有操作段落都是「步驟示意」,不需要真的安裝或連線。
PART 03 · 用好 AI
UNIT 09
UNIT 09|AI 怎麼問才有用?
問得清楚,答案才驗得出來
從 Prompt 到可靠的 LLM 輸出。這一單元不教你背咒語,而是讓你看懂「你送出去的到底是什麼」,以及怎麼判斷答案能不能用。
09-1
你以為在聊天,其實是在提供輸入
你把會議紀錄貼進聊天視窗,打了一句「幫我整理一下」。它回了一段看起來還不錯的摘要——但你真正要的待辦、負責人與期限,一個都沒有。
這不是它偷懶,也不是它聽不懂。對話框裡真正被送出的,是一段文字;模型這次能用的,只有被放進這段文字裡的內容。[1]你腦中的場合、對象、格式、不能亂寫的規矩,如果沒寫出來,就等於不存在。
它的回話之所以像人,是因為它擅長預測「這種情境下人類會怎麼接話」,不是因為它和你共享同一個工作現場。語氣自然,不代表它掌握背景。
所以「同一份資料、換一句話,結果差很多」其實不神祕:你換掉的是委託的內容,而措辭與格式本來就會影響結果。[2]指令模糊時,模型只能自己補;補得合理,不代表補得正確。
共同輸入:input/meeting-notes.txt(2026-03-10 專案進度檢討)
左:只說「幫我整理一下」
輸出:一段摘要
「會議確認首頁改版延後,測試環境仍不穩定,決議先修復測試環境。」
沒有待辦、沒有負責人、沒有期限;缺漏也沒有被標出來。
右:指定範圍、欄位與限制
輸出:可追蹤的表格
項目/負責人/期限/待確認,四欄固定;沒有來源的欄位標「待確認」。
同一份資料,但每一列都能回頭對照原文。
差異來自三件事:範圍(要哪些欄位)、格式(表格或段落)、缺漏處理(能不能自己補)。
模型只回應你送出的文字;你沒寫進去的目標與限制,它只能猜。
09-2
好的 Prompt 不需要魔法咒語
網路上有很多「一句話讓 AI 變專家」的模板。它們偶爾有效,但你不知道為什麼有效,也不知道換一個模型還算不算數;Prompt 技巧已經多到需要分類整理,沒有哪一句能通用。[4]
與其背模板,不如把需求說完整。一個能重複使用的指令,通常包含四件事:任務(要它做什麼)、背景(可以用哪些資料)、限制(哪些事不能做)、格式(結果長什麼樣子)。
這四件事不是公式,也不是越長越好。它們的作用是把你腦中「沒說出來的那一半」搬到文字裡;哪一塊沒搬,模型就會用猜的補上。[5]
四要素也不是保證。同一個指令換到不同模型、不同版本,結果都可能不一樣;所以寫完之後,還是要用同一份資料測一次;指令遵循可以被檢查,但它不是 100%。[3][6]
起點
「幫我整理會議紀錄,順便列一下要做的事。」
01 任務
擷取進度、待辦與缺漏資訊。
02 背景
只使用我貼上的紀錄,不參考其他對話。
03 限制
不得補上沒寫的日期、姓名;缺漏標「待確認」。
04 格式
表格,欄位為項目/負責人/期限/待確認。
四要素是「把需求講完整」的檢查表,不是通關密語。
互動 09-A|四要素改寫器
示意;不會真的呼叫模型好指令不是咒語,是把「任務、背景、限制、格式」講清楚;漏掉的那一塊,就是模型要猜的地方。
09-3
上下文:AI 到底記得多少?
「它不是有記憶嗎?」——很多時候沒有。你換一個新對話,它就真的不知道你昨天說過什麼。
上下文(Context)指的是模型「這一次」能一起讀到的內容:系統指示、對話歷史、你貼的文件、工具回傳的結果,以及留給回答的空間。這些東西共同佔用同一個上限,也就是上下文視窗(Context Window)。
要送出哪些、保留多長,通常由應用程式決定。[1]也就是說,「它記不記得」很多時候不是模型的問題,是那個聊天介面幫你留了多少歷史。
還有一件事常被誤解:容量大,不代表讀得準。研究發現,當關鍵資訊落在長上下文的中段時,模型使用它的能力會明顯下降。[7] 塞得進去,和讀得對,是兩件事。
這次讀得到
系統指示、這次的對話、你貼上的文件、工具回傳的內容。
這次讀不到
其他對話、沒貼進來的檔案、你腦中的背景,以及「上次」的結論。
系統 12%歷史 20%文件 38%問題 8%回答 22%
比例僅為示意;實際上限、保留量與裁剪方式依模型與應用程式而異。
互動 09-B|上下文佔用條
示意比例;數字非實測上下文是「這一次讀得到的內容」,不是長期記憶;塞得進去,也不等於讀得準。
09-4
不要只要求一個答案,要定義答案的格式
同一份會議紀錄,可以寫成一段摘要、一張待辦表,也可以變成一串 JSON。內容一樣,用途完全不同。
段落適合人快速讀;清單抓重點;表格方便追蹤;CSV 給試算表;JSON 給程式。格式不是美觀問題,它決定「下一步由誰使用」。
CSV 與 JSON 都有公開的格式規範:CSV 是常見的交換慣例,JSON 則是明確的標準。[9][10] 但格式正確,只代表程式讀得懂;欄位裡的內容對不對,仍然要回到來源檢查;模型也不一定會完全照著格式走。[3]
這也是下一單元的前置:當你要讓程式接手,輸出的「形狀」就變成規格的一部分,而不是最後再排版。這裡只列會議紀錄能支持的事實;狀態不在會議紀錄裡,留到 12-5 再處理。
段落|快速理解
會議確認首頁改版延後,決議先修復測試環境,再調整時程。
清單|抓住重點
• 先修復測試環境
• 客服 FAQ 待補齊
• 新上線日期未定
表格|人工追蹤
項目/負責人/期限/狀態,一列一件事,缺值留白。
JSON|程式處理
{"item": "測試環境修復", "due": "2026-03-17"}
格式不同,事實應該相同;如果換格式就多出一個日期,代表模型補了東西。
互動 09-C|格式切換器
同一份資料;切換看形狀差異先決定答案要給誰用,再決定格式;格式正確只解決「讀得懂」,沒有解決「對不對」。
09-5
AI 為什麼會一本正經地胡說八道?
它補了一個你沒給的日期,還補得很自然。這種「看起來合理、實際沒有依據」的輸出,就是幻覺(Hallucination)。
幻覺不是單一原因。可能是來源本來就沒有答案、可能是它把推測寫成肯定句,也可能是它誤讀了你給的資料。研究把成因分成資料、訓練與生成幾個層面,並不是「它只會猜下一個字」這麼簡單。[8]
對使用者來說,重要的是建立查核習慣:姓名、日期、數字逐項對回原文;沒有來源的欄位寧可留白或標「待確認」;重要結論要求它指出對應的段落。
還有一個實務提醒:允許它說「不知道」。很多時候幻覺是被「一定要給出答案」的指令逼出來的。
來源:會議紀錄(虛構)
- 會議日期 2026-03-10
- 決議:先修復測試環境
- 問題:測試環境不穩定
- 問題:客服 FAQ 待補齊
- 負責人與期限:部分未提供
有依據 會議日期 2026-03-10
有依據 決議:先修復測試環境
自行補上 負責人:〈模型自行填入的名字〉
自行補上 完成日:2026-04-01
自行補上 主持人:〈模型自行補上〉
紅框三項是刻意示範的錯誤輸出,不對應任何真實資料,也不是 canonical 資料的一部分。
先看有沒有來源,再看數字與日期,最後看結論有沒有超出資料。三步都過,才輪到「寫得好不好」。
幻覺不是它故意騙你,而是它把「猜」寫得跟「知道」一樣順;查核要把這兩者分開。
09-6
實作:把一份混亂的會議紀錄整理好
這一節不引入 Agent,也不寫程式。你只要用一個聊天視窗,把同一份會議紀錄整理成三份可檢查的成果。
流程很單純:提供來源、寫清楚要求、拿到初稿、人工查核、交付;要求寫得越明確,越容易檢查。[5]真正花時間的是第四步——確認它沒有偷偷補上不存在的負責人與期限。[8]
驗收只有三件事:已知事實是否正確、未知資訊是否被標成待確認、有沒有憑空補上姓名或日期。這三件事過了,才輪到文字順不順。
刻意缺 FAQ 負責人與期限、首頁新上線日期、修復項目期限
缺漏一律標待確認
三段固定
抓出被補上的欄位
待確認留給人決定
第四步不是建議,是流程的一部分;跳過它,前三步就白做了。
不要為了讓表格好看而補值;不要因為它寫得很順就跳過對照;不要把「待確認」改成猜測後再交出去。
AI 能加快整理,但「這份資料能不能用」永遠是人的責任。
單元小測
UNIT 09 小測
三題,考觀念不考背誦;答錯會說明為什麼。
PART 03 · 用好 AI
UNIT 10
UNIT 10|怎麼讓其他程式使用我的 LLM?
讓程式也能敲同一扇門
在聊天視窗裡打字是一件事,讓 Excel、腳本或 Agent 也能取得模型回答,是另一件事。這一單元把「請求怎麼走」拆開來看。
10-1
LM Studio、Ollama 裡的 AI,是怎麼被使用的?
你在 LM Studio 裡載入模型、打開聊天,打一句話就有回答。但如果你想讓別的程式也問同一個模型,該從哪裡進去?
先把四個角色分開:模型權重是檔案;推理引擎負責載入與運算;本機服務(API Server)負責接請求、把結果包成回應;介面是聊天視窗、終端機或你的腳本。[12]
LM Studio 與 Ollama 都是「介面+服務+引擎」的組合,只是把它們包在同一個應用程式裡。聊天視窗只是其中一個入口;同一個服務也能被其他程式呼叫。[11]
所以「AI 在我的電腦裡」不等於「其他程式找得到它」。要找得到,通常需要一個聽得懂請求的服務在位址上等著。
回應沿原路回去:引擎 → 服務 → 介面。四層不一定長在同一個程式裡。
聊天視窗只是入口;真正讓其他程式接得上的是「服務」那一層。
10-2
API 是什麼?為什麼 AI 工具幾乎都需要它?
「API」聽起來很工程,其實就是一份「怎麼問、怎麼答」的約定:你送出一個格式固定的請求,對方回一個格式固定的結果。
一次 HTTP 請求包含方法、路徑、標頭與內容;回應包含狀態碼、標頭與內容。[19] 模型服務多半用 POST 送 JSON,回應也是 JSON;本機服務的實作方式大同小異。[12]
狀態碼是第一個線索:200 代表請求成功,404 代表找不到路徑或資源,401 代表缺少有效認證。[20] 它們描述的是「這次請求發生什麼」,不是「答案好不好」。
所以 API 不是另一個模型,也不是比較聰明的模型;它只是讓程式可以用固定格式敲門的那個門鈴。
可能卡在
服務沒開、位址或埠不對、路徑寫錯、模型名稱不存在、缺少認證。
不要混淆
200 只代表「這次請求成功」,不代表內容正確或任務完成。
互動 10-A|請求流程模擬器
示意;不會真的發出請求API 是「怎麼問、怎麼答」的約定;狀態碼告訴你卡在哪一站,不告訴你答案對不對。
10-3
localhost:原來我的電腦也能提供 AI 服務
http://127.0.0.1:11434 這種網址看起來像網站,但它只指向你自己這台電腦。
127.0.0.1 是迴環位址(loopback),封包不會離開主機;localhost 是它的名字,查詢時會解析到對應的迴環位址。[21][22] 後面那個數字是埠(Port),用來區分同一台電腦上的不同服務。
很多本機服務預設只綁 127.0.0.1,例如 Ollama 預設是 127.0.0.1:11434。[16] 這種設定下,同一個 Wi-Fi 的其他裝置連不到,這是刻意的。
一旦把服務改成綁 0.0.0.0 或開啟「Serve on Local Network」,可存取範圍就變了;官方文件也會提醒要另外加上認證。[13] 本機服務不是「一定安全」,而是「預設只有本機能連」。
你的電腦
Client:瀏覽器、PowerShell、Agent
服務:127.0.0.1:11434
只在這個位址上等請求
請求在框內繞一圈,不會經過網際網路。
本機程式
連得到;位址與埠對了就行。
同網段的另一台裝置
連不到(預設綁 127.0.0.1);除非你改綁定位址並加上保護。
「localhost 就是上網」是錯的;「改綁 0.0.0.0 只是方便」也是錯的——那等於把服務放到網路上,只是不一定被找到。
localhost 指向這台電腦;服務能連到哪裡,取決於它綁在哪個位址。
10-4
OpenAI-compatible API:為什麼不同模型可以接同一個工具?
你換了一套本機模型、甚至改接雲端服務,原本的程式卻只改了一行 base_url 就能跑。這是「相容 API」在發揮作用。
相容的意思是:路徑、請求欄位與回應結構長得像同一個樣子。LM Studio 提供 OpenAI 相容端點,客戶端只要把 base URL 換成本機位址即可。[11]
但相容有界線。Ollama 官方文件就明講,它只支援 OpenAI API 的一個子集,並列出哪些欄位不支援。[17] 因此「可以接上」不等於「功能完全一樣」。
真正要測的是:工具呼叫、串流、結構化輸出、圖片輸入這些你實際會用的功能;連結構化輸出都可能因服務而異。[15]介面相同,能力不一定相同。
同一個 Client
PowerShell、腳本或 Agent;請求內容不為特定後端客製。
後端 A:本機服務
http://127.0.0.1:1234/v1
後端 B:雲端服務
https://…/v1
通常相同
路徑骨架、messages 與 model 欄位、回應的 choices 結構。
可能不同
支援的欄位、工具呼叫、串流、結構化輸出、模型能力。
相容的是呼叫約定,不是能力;能接上,還要測你用得到的功能。
10-5
Local、Cloud、Hybrid:AI 到底在哪裡執行?
同一個整理任務,可以完全在自己的電腦跑,也可以送到雲端。差別不只是速度,還有「資料去了哪裡」。
Local:模型與資料都在你的裝置或區域網路內。LM Studio 的文件說明,本機執行與本機伺服器請求都留在裝置上,只有搜尋與下載模型需要連網。[14]
Cloud:請求離開你的電腦,送到服務供應商。能力通常較強,但資料處理方式、費用與條款都要看合約。
Hybrid:同一個 Agent 依任務挑來源。敏感資料留本機、難題送雲端;但「混合」不會自動保護資料,路由與權限要自己設計。[16]
Local
應用程式 → 本機服務 → 本機模型。
推論位置:你的裝置。
資料:不離開框內(除非另有外掛)。
Cloud
應用程式 → 網路 → 供應商模型。
推論位置:遠端。
資料:離開你的裝置,依條款處理。
Hybrid
任務分類 → 本機或雲端。
推論位置:兩邊都有可能。
資料:看路由規則,不會自動分流。
三種都可能有工具與外掛;「本機」不等於「完全離線」。
選 Local、Cloud 或 Hybrid,先問資料能不能離開,再問能力夠不夠。
10-6
讓 AI 回傳程式真正能使用的結果
「回得不錯」對人不夠,對程式更不夠。程式要的是固定欄位、可預期的型別,以及缺值時怎麼處理。
結構化輸出(Structured Output)讓你把格式要求寫成 JSON Schema,交給服務去約束輸出。LM Studio 支援以 response_format 指定 schema。[15]
但 schema 只約束「形狀」。某個欄位是空字串、null,還是模型自己填的值,schema 分不出來;那要靠來源比對。[9]
實務上要決定兩件事:缺值要留空還是標「待確認」;程式拿到缺值時要報錯、跳過,還是進人工佇列。這些決定不寫下來,就會變成後面除錯的地雷。
可解析,但沒有來源
{
"item": "測試環境修復",
"owner": "(模型填的名字)",
"due": "2026-04-01"
}
格式過關,內容是猜的。
可解析,且對得回來源
{
"item": "測試環境修復",
"owner": "陳怡君",
"due": "2026-03-17"
}
owner 與 due 都能在 meeting-notes.txt 找到。
兩邊的 schema 一樣;差別在「值有沒有依據」。
Schema 保證形狀,來源保證內容;兩件事都要,而且不能互相代替。
10-7
實作:用自己的電腦提供第一個 AI API
目標很單純:不開聊天視窗,用 PowerShell 送出一個請求,拿到模型回答。以下都是步驟示意,不是實機截圖。
順序是:載入模型 → 啟動本機伺服器 → 用 GET /v1/models 確認清單 → 用 POST /v1/chat/completions 送出訊息。[12][11]
下面是範例,未經實機驗證。它有兩個常見坑:Windows PowerShell 5.1 送中文可能亂碼(需明確指定 UTF-8);$models[0].id 不一定是聊天模型(清單可能含其他用途的模型)。
範例:PowerShell 請求(未實機驗證)
請自行確認版本與位址$base = 'http://127.0.0.1:1234'
$models = (Invoke-RestMethod "$base/v1/models").data
$modelId = $models[0].id # 先確認它是聊天模型
$body = @{
model = $modelId
messages = @(@{ role = 'user'; content = '請用一句話摘要:先修復測試環境。' })
} | ConvertTo-Json -Depth 5
$r = Invoke-RestMethod -Uri "$base/v1/chat/completions" -Method Post `
-ContentType 'application/json; charset=utf-8' `
-Body ([System.Text.Encoding]::UTF8.GetBytes($body))
$r.choices[0].message.content
若回 404,先檢查路徑與版本;401 代表服務要求認證;連線失敗先確認伺服器是否啟動、埠是否正確。[18]
一次只改一個變數;不要同時換模型、換埠又換路徑。
保持服務只綁 127.0.0.1;不要把 API Key 貼進截圖、Prompt 或教材;要對外開放前先想清楚認證與範圍。
能從聊天視窗以外拿到回答,就代表你跨過了「介面」這一層;接下來要處理的是權限與流程。
單元小測
UNIT 10 小測
三題,確認你知道「誰在說話、卡在哪一站」。
PART 03 · 用好 AI
UNIT 11
UNIT 11|AI 為什麼突然會操作電腦了?
動手的是工具,決定的是權限
昨天它還只會回話,今天它會讀檔、改檔、跑指令。這一單元把「工具呼叫」與「權限」拆開,你會發現魔法不在模型裡。
11-1
Chatbot 與 Agent,到底差在哪裡?
同樣一句「幫我整理資料夾裡的會議紀錄」,聊天機器人給你一段文字,Agent 卻真的動了檔案。差別不是模型突然變聰明。
聊天機器人是「文字進、文字出」;Agent 則是一個系統:模型加上應用程式流程、工具與權限設定。模型仍然只負責產生下一步的建議,真正讀檔、寫檔、執行指令的是工具。[25][23]
所以 Agent 沒有自主意識,也不會「自己想辦法」。它是在一個被設計好的迴圈裡,反覆取得結果、決定下一步;能不能動手,取決於應用程式給不給工具、給多大範圍。
同一個模型,裝進聊天視窗就只會回話;裝進有檔案工具與核准機制的 Agent,就看起來會做事。這是系統的差異,不是模型的差異。
聊天:文字進、文字出
你貼上內容
模型依你貼上的文字產生摘要。
你收到文字
複製、貼上、自己存檔;它沒有碰過硬碟。
Agent:加上工具與權限
你指定任務與範圍
讀 input/、寫 output/,其餘不准。
工具讀檔 → 模型判斷 → 工具寫檔
每一步都可能要你核准。
差異在「誰執行」與「能做多大」:模型提議,工具執行,權限決定邊界。
Agent 不是更聰明的模型,是「模型+工具+權限+流程」的系統。
11-2
Tool Calling:AI 到底是怎麼使用工具的?
它說「我要讀 input/meeting-notes.txt」——這句話不是動作,是請求。真正去讀檔的是另一段程式。
工具呼叫(Tool Calling)是多步往返:應用程式把可用的工具清單與使用者需求送給模型;模型回一個「呼叫哪個工具、帶什麼參數」的結構;應用程式檢查權限後執行;結果再送回模型。[24][25]
模型輸出的是資料,不是系統呼叫。它不會直接碰硬碟,也不該被信任去判斷「這個路徑能不能讀」——那是應用程式與作業系統的工作。
所以同一句話「我要讀檔」,在沒有工具權限的聊天視窗裡什麼都不會發生;在 Agent 裡則會停在「等你核准」或「直接執行」,取決於設定。
模型回的是一段資料
{
"name": "read_file",
"arguments": {
"path": "input/meeting-notes.txt"
}
}
不是動作
模型只說「想讀這個檔」;能不能讀、要不要問你,由應用程式決定。欄位名稱依實作而異。
模型提出請求,應用程式執行工具;把這兩件事混在一起,就會誤判風險。
11-3
Agent Loop:它怎麼連續完成好幾個步驟?
讀第一份檔案、發現還有兩份、整理、寫檔、再檢查——它不是一次想完全部,而是一圈一圈往前。
這個迴圈通常長這樣:判斷下一步 → 檢查權限 → 執行工具 → 把結果寫回上下文 → 再判斷。[24][23] 每次循環都重新看一次狀態,不是盲目重試。
迴圈一定要有出口:完成、需要人工核准、發生異常或達到步數上限。沒有出口的迴圈,就是燒錢與失控的開始。
失敗時它應該回到「判斷」,而不是重送同一個動作。如果同一個錯誤連兩次,正確做法是停下來問人。
① 判斷下一步
模型看目前狀態,決定讀檔、寫檔或回答。
② 檢查權限
工具、路徑、範圍是否允許。
③ 執行工具
真正動作的是工具,不是模型。
④ 結果回寫
結果成為下一圈的依據。
↺ ④ 之後回到 ①,除非走出口 A/B/C。
出口 A 完成
交付結果,等人驗收。
出口 B 待核准
停下,等使用者同意再繼續。
出口 C 異常
錯誤、越界或步數上限,交回人處理。
互動 11-A|Agent Loop 步進器
示意;不是任何工具的實際畫面Agent 的「聰明」來自一圈一圈的狀態更新;它的風險也來自同一件事——你有沒有設出口。
11-4
Coding Agent 與通用 Agent,應該怎麼選?
這裡有五個常被拿來比較的名字。先別問「哪個最強」,先問「你要在哪裡工作、要它碰什麼」。
依工作型態分成三類:終端機 Coding Agent(Codex CLI、OpenCode、Pi)、通用任務型(Hermes Agent)、圖形化整合環境(Google Antigravity)。分類不是排名,同一類也會有差異。[26][29]
Coding Agent 以程式碼倉庫為中心:讀專案、改檔、跑測試。通用型不綁單一倉庫,常跨終端機與訊息入口,強調記憶與排程。圖形化環境把操作面放在 App 或 IDE,適合需要看畫面與審查變更的人。[30][31][32]
版本與功能變動很快,所以本篇不寫按鍵、旗標或價格。你要看的是四件事:模型來源、工作範圍、權限機制、驗收方式。
需求 → 先試哪一類
- 改一個專案、跑測試 → 終端機 Coding Agent
- 跨訊息、排程、長期任務 → 通用任務型
- 要看得見變更、逐步審查 → 圖形化環境
不要用單一任務的結果幫工具排名;不要相信「最強」這種說法;不要把別人的設定直接搬來跑自己的資料。
先決定工作型態與權限,再挑工具;名字會變,需求不會。
11-5
Agent 可以使用本地 LLM 嗎?
可以,但「連得上」和「跑得穩」是兩件事。很多 Agent 允許你換模型來源,工具與權限設定卻不會跟著換。
Agent 的模型只是一個插槽:可以指向雲端,也可以指向本機的相容端點(例如 LM Studio 或 Ollama)。[11][16][36] 換插槽不會自動改變工具清單,也不會自動調整權限。
真正的門檻是工具支援:模型要能穩定輸出工具呼叫的結構,Agent 才走得下去。有些 Agent 探索到未經驗證的後端時,會預設關閉工具,避免產出無法解析的呼叫。
所以小模型不是「不能用」,而是「可能只會聊天」。先用一個小任務測工具呼叫,再決定要不要拿它跑完整流程。
插槽:模型來源
雲端 API/本機端點(LM Studio、Ollama)
閘門:工具支援?
能不能穩定產生工具呼叫;不支援就只會聊天。
能聊天不代表能跑 Agent;工具呼叫的穩定性才是門檻。
11-6
Agent 需要哪些權限?我們可以信任它嗎?
「讀取」和「刪除」不是同一種風險;「在練習資料夾寫檔」和「在使用者目錄寫檔」也不是。
常見的權限面向有四類:讀取、寫入(含編輯與刪除)、執行(跑指令或腳本)、網路(連外)。[27] 風險不是只看動作,而是「能力 × 範圍 × 核准」。
預設值是一種政策,不是安全保證。有些工具預設很寬、外部目錄不詢問;有些預設關閉網路、寫入限於工作區。[27][29] 你要知道自己的工具預設是哪一種。
還有一件事:Prompt 不是權限邊界。寫「不准讀其他資料夾」不會真的擋住;隔離要靠工具設定、工作目錄與作業系統限制。[33][35]
這是教材建議的保守設定,不是任何工具的預設值;實際選項依工具而異。需要連外時另外開啟,上傳內容一律拒絕。
能力
它能做什麼:讀、寫、執行、連外。
範圍
在哪裡做:工作區、上層、整個磁碟。
核准
誰同意:自動、每次問、一律拒絕。
互動 11-B|權限閘門
示範用;不是任何工具的實際判定信任不是給模型,是給「你設計的範圍與核准機制」。
11-7
實作:第一次使用 Coding Agent,但不需要會寫程式
你不需要會寫程式,但你要會看它想做什麼。第一次的目標不是完成大任務,而是確認「它只在該動的地方動」。
流程固定六步:選一個空的工作區、接上模型來源、下一個小任務、要求它先說計畫、逐次核准、最後自己驗收。以 OpenCode 為例,它內建 plan agent,可以在不改檔的情況下先探索與規劃。[26][28]
核准時看三件事:它要讀哪個檔、要寫哪個檔、要執行什麼指令;這正是權限設定在管的事。[27]這三件事只要有一項超出範圍,就拒絕,不要「先讓它跑看看」。
完成後回到 input/ 對一次:原始資料有沒有被改?output/ 的內容有沒有來源?這一步不能省。
拒絕
超出工作區、要連外、要執行不明指令。
只允許一次
這次可以,下次再問。
允許同類
只在你確定的範圍內,例如 output/ 寫入。
第一次用 Agent,先確認它「不會亂跑」,再談它「做得好不好」。
單元小測
UNIT 11 小測
三題,確認你知道「誰在動手、誰在把關」。
PART 03 · 用好 AI
UNIT 12
UNIT 12|第一次讓 AI 完成真實工作
做完,還要驗得過
前三個單元學的是「怎麼問、怎麼接、怎麼管」。這一單元把它們串起來:同一個任務、同一組資料,從需求到驗收走完一次。
12-1
任務介紹:讓 AI 幫你整理工作資料
這次不是「幫我整理一下」,而是三個明確的交付物。任務越像工作指派,驗收就越有依據。
輸入固定三份:meeting-notes.txt(會議紀錄)、todo-list.txt(待辦清單)、project-progress.csv(專案進度)。輸出也固定三份:summary.md、action-items.csv、review-notes.md,全部放在 output/。
input/ 唯讀、output/ 可寫,是這個任務的第一條規則;這也是最小權限的具體長相。[35]它不是禮貌,是工作區邊界;沒有這條,後面「有沒有亂改」就無從驗證。
資料裡有四處刻意留白:新上線日期、客服 FAQ 的負責人與期限、修復項目的期限。正確處理是保留空白並標待確認,不是挑一個最合理的填上去。[33]
input/(唯讀)
- meeting-notes.txt
- todo-list.txt
- project-progress.csv
output/(可寫)
- summary.md:重點/決議/待確認
- action-items.csv:四欄
- review-notes.md:衝突與來源
刻意留白(不是資料壞掉)
新上線日期、FAQ 負責人、FAQ 期限、修復項目期限。沒有來源的欄位留空;要給人看的摘要才寫「待確認」。
先把「交什麼、從哪讀、寫到哪」定清楚,AI 才有機會做對。
12-2
準備環境:模型、工具、資料夾
開始前有五件事要確認。任何一項沒過,後面的錯誤都會長得像「模型不聰明」。
五項是:模型服務活著、端點與埠正確、憑證放對位置、工作目錄只有練習資料、權限模式是「先問再寫」。這是檢查清單,不是安裝教學。[34]
API Key 不進 Prompt、不進專案檔案、不進截圖。貼給模型「請幫我設定」等於把金鑰寫進對話紀錄;環境變數只是降低暴露,不是消滅風險。[35]
還有一個容易誤會的地方:工作目錄邊界是「權限提示」,不是硬牆;權限分層與預設值依工具而異。[27]你一旦核准某個 shell 指令,它可以用你的帳號權限寫到別的地方。
不通過時先查
服務沒開→啟動;位址錯→對埠;401→憑證;找不到檔→工作目錄;一直問→權限模式。
不要做
不要為了讓它跑起來而全開權限;不要把金鑰貼進對話。
環境檢查不是確認「有沒有裝」,而是確認「它能做什麼、不能做什麼」。
12-3
寫出工作需求,讓 Agent 先提出計畫
最危險的一句話是「幫我整理這些檔案」。它沒有說範圍、沒有說格式,也沒有說不准做什麼。
具體的任務指令會交代四件事:要讀哪些檔、要產出什麼、哪些事不能做、什麼時候停下來問;寫得具體,模型才不用猜。[5]計畫則要列出:要讀的檔、要寫的檔、步驟順序、需要確認的風險。
先計畫、後動手,是可控的關鍵。[23]OpenCode 這類工具提供 plan agent,能在不改檔的情況下先探索與規劃;你要做的是讀計畫、決定准不准。[28]
模糊
「幫我整理這些檔案。」
範圍、格式、權限都不明。
明確
只讀 input/ 三檔;輸出三份到 output/;缺值留空並在 review-notes 標待確認;先提計畫,核准前不得寫檔。
暫停點:等人工核准
計畫要含:要讀的檔、要寫的檔、步驟順序、需要確認的風險。這一步不寫任何檔案。
把「不准做什麼」寫進指令,比事後補救便宜得多。
12-4
正式執行:讓 Agent 處理資料
核准之後,它會讀檔、整理、寫檔。你要看的不是最後的成果,而是中間做了什麼。
執行通常分五段:讀取來源、分析內容、產生草稿、核准寫入、檢查與回報;這是把任務拆成可檢查的步驟。[23]真正讀寫的是工具;模型負責判斷與產生內容。[24][25]
中間的工具呼叫要留下紀錄:讀了哪些檔、請求建立哪些檔、你有沒有核准。沒有紀錄,出事時只能猜。
如果它想讀 input/ 以外的東西、想連外、想執行你沒預期的指令,就停下來。暫停不是失敗,是流程正常運作。
使用者
定義任務、核准、驗收。
Agent/模型
判斷下一步、產生內容、提出工具呼叫。
工具
實際讀寫;失敗時回傳錯誤。
不要一路按「全部允許」;不要在它要求連外時順手同意;不要把「執行成功」當成「內容正確」。
可追溯的中間步驟,比漂亮的成品更值得信任。
12-5
成果驗收:AI 做完,不代表事情就完成了
檔案產生了、格式也對,但你還不知道內容能不能用。驗收是把「看起來完成」變成「可以交付」的那一步。
先做逐項對照:摘要的每一句能不能在來源找到?這也是對抗幻覺的基本動作。[8]待辦的負責人與期限有沒有依據?輸出檔存在、格式正確嗎?input/ 有沒有被改?
這組資料裡有一個刻意設計的衝突:todo-list.txt 說測試環境修復「已完成」,project-progress.csv 說「進行中」,會議紀錄則說測試環境「仍不穩定」。會議紀錄與 project-progress.csv 都標 2026-03-10;todo-list.txt 沒有更新日,因此不能判斷誰比較新。[35]
正確處理只有一種:標記「資料衝突,待確認」,把三個來源並列給人看。選一個、平均成「部分完成」、或因為 CSV 看起來最正式就相信它,都會讓結果失去可追溯性。
todo-list.txt
測試環境修復:已完成
(沒有更新日)
project-progress.csv
測試環境修復:進行中
2026-03-10
meeting-notes.txt
測試環境仍不穩定
2026-03-10
驗收結論
資料衝突,待確認。三個說法並列保留;action-items.csv 的狀態欄留空,衝突寫進 review-notes.md。
可交付
內容有來源、缺漏有標記、input 未變、衝突已揭露。
不可交付
自己選一個狀態、把衝突刪掉、或補上不存在的日期。
來源可追溯、缺漏有標記、輸出格式正確、input/ 未被修改、衝突已揭露。五項都過,才叫交付。
AI 交出來的是草稿;「能不能用」是驗收那一刻決定的。
12-6
最終回顧:你已經能讓 AI 幫你做什麼?
你現在有三種用法可以選:聊天、API、Agent。選錯不會世界末日,但會多花很多時間。
聊天適合一次性的理解與草稿;API 適合固定流程、要接進其他系統;Agent 適合多步驟、需要讀寫檔案、而且你願意設計權限與驗收。
能力不是「會不會用某個工具」,而是四個階段:理解它在做什麼、跟做一次、自己實作、最後能驗收。少任何一段,都只是會按按鈕。[23]
三種入口共用同一組四階段;差別在哪些階段是必要、哪些可以先跳過。
你不需要更強的工具,你需要更清楚的範圍、更可靠的來源,還有一個願意驗收的自己。
單元小測
UNIT 12 驗收小測
三題,模擬你拿到成果時應該先問什麼。
附錄
術語與參考資料
先查名詞,再查來源。所有外部連結都只在使用者點擊時開啟,頁面本身不載入任何外部資源。
附錄 A
術語表
只收這篇真正用到的詞;定義是一句話版本,細節回對應章節看。
- 提示詞 Prompt
- 你送給模型的輸入文字與指令;模型只回應這段文字裡的內容。
- 上下文 Context
- 這次請求中模型能一起讀到的所有內容,包含指示、歷史、文件與工具結果。
- 上下文視窗 Context Window
- 一次能容納的內容上限;容量大不等於每個細節都讀得準。
- 詞元 Token
- 模型處理文字的單位,不等於字數;切法依模型而異。
- 幻覺 Hallucination
- 看似合理、實際沒有來源依據的輸出;成因不只一種。
- 應用程式介面 API
- 程式之間「怎麼問、怎麼答」的約定,不是另一個模型。
- 用戶端 Client
- 主動送出請求的一方,例如腳本、Agent 或聊天介面。
- 伺服器 Server
- 接收請求、處理後回傳結果的一方;本機服務也是一種伺服器。
- 端點 Endpoint
- 服務上的一個路徑,例如
/v1/chat/completions。 - 本機位址 localhost / 127.0.0.1
- 指向自己這台電腦的位址;預設不從外部網路連入。
- 埠 Port
- 同一台電腦上區分不同服務的編號,例如 1234、11434。
- JSON
- 一種純文字資料格式;可解析不代表內容正確。
- 結構化輸出 Structured Output
- 用 schema 約束輸出形狀的做法;只保證形狀,不保證內容。
- 代理 Agent
- 模型+工具+權限+流程的系統,能多步驟完成任務,但不是有意識的個體。
- 工具呼叫 Tool Calling
- 模型提出「用哪個工具、帶什麼參數」的請求,由應用程式執行。
- 代理迴圈 Agent Loop
- 判斷→檢查權限→執行→回寫結果的循環,必須有停止條件。
- 權限 Permission
- 工具能做什麼、在哪裡做、要不要先問;由應用程式與系統落實。
- 提示注入 Prompt Injection
- 外部內容夾帶指令,試圖改變 Agent 的行為;文件內容應視為資料。
- 最小權限 Least Privilege
- 只給完成任務所需的最小能力與範圍,其餘預設拒絕。
- 人工核准 Human-in-the-loop
- 高風險操作暫停,等人確認後才執行。
- 工作流程 Workflow
- 事先定義好步驟與順序的流程;與讓模型自行決定下一步的 Agent 不同。
附錄 B
參考資料
查閱日一律為 2026-11-19(Asia/Taipei)。官方文件會改版,數字與介面請以連結當下的內容為準。
- [1]Language Models are Few-Shot Learners
Brown 等(OpenAI)· 2020 · arXiv:2005.14165 · 查閱 2026-11-19
- [2]Quantifying Language Models' Sensitivity to Spurious Features in Prompt Design
Sclar、Choi、Tsvetkov、Suhr · 2023(ICLR 2024)· arXiv:2310.11324 · 查閱 2026-11-19
- [3]Instruction-Following Evaluation for Large Language Models
Zhou 等(Google)· 2023 · arXiv:2311.07911 · 查閱 2026-11-19
- [4]The Prompt Report: A Systematic Survey of Prompt Engineering Techniques
Schulhoff 等 · 2024 · arXiv:2406.06608 · 查閱 2026-11-19
- [5]Prompting best practices(Be clear and direct)
Anthropic · 線上文件 · 查閱 2026-11-19
- [6]Prompt engineering
OpenAI · 線上文件 · 查閱 2026-11-19
- [7]Lost in the Middle: How Language Models Use Long Contexts
Liu、Lin、Hewitt 等 · 2023 · arXiv:2307.03172 · 查閱 2026-11-19
- [8]Survey of Hallucination in Natural Language Generation
Ji、Lee、Frieske 等 · 2022(v7 2024)· arXiv:2202.03629 · 查閱 2026-11-19
- [9]RFC 8259: The JavaScript Object Notation (JSON) Data Interchange Format
T. Bray(Ed.)· 2017 · RFC Editor · 查閱 2026-11-19
- [10]RFC 4180: Common Format and MIME Type for CSV Files
Y. Shafranovich · 2005 · RFC Editor · 查閱 2026-11-19
- [11]OpenAI Compatibility Endpoints
LM Studio · 線上文件 · 查閱 2026-11-19
- [12]LM Studio as a Local LLM API Server
LM Studio · 線上文件 · 查閱 2026-11-19
- [13]Serve on Local Network
LM Studio · 線上文件 · 查閱 2026-11-19
- [14]Offline Operation
LM Studio · 線上文件 · 查閱 2026-11-19
- [15]Structured Output
LM Studio · 線上文件 · 查閱 2026-11-19
- [16]Local FAQ
Ollama · 線上文件 · 查閱 2026-11-19
- [17]OpenAI compatibility
Ollama · 線上文件 · 查閱 2026-11-19
- [18]Errors
Ollama · 線上文件 · 查閱 2026-11-19
- [19]Overview of HTTP
MDN(Mozilla)· 線上文件 · 查閱 2026-11-19
- [20]HTTP response status codes
MDN(Mozilla)· 線上文件 · 查閱 2026-11-19
- [21]RFC 6761: Special-Use Domain Names(§6.3 localhost)
S. Cheshire、M. Krochmal · 2013 · RFC Editor · 查閱 2026-11-19
- [22]RFC 1122: Requirements for Internet Hosts(§3.2.1.3)
R. Braden(Ed.)· 1989 · RFC Editor · 查閱 2026-11-19
- [23]Building effective agents
Anthropic · 2024-12-19 · 查閱 2026-11-19
- [24]Tool use with Claude
Anthropic · 線上文件 · 查閱 2026-11-19
- [25]Function calling
OpenAI · 線上文件 · 查閱 2026-11-19
- [26]Intro
OpenCode 文件 · 查閱 2026-11-19
- [27]Permissions
OpenCode 文件 · 查閱 2026-11-19
- [28]Agents
OpenCode 文件 · 查閱 2026-11-19
- [29]Codex CLI
OpenAI · 線上文件 · 查閱 2026-11-19
- [30]Pi(README)
Earendil Works · GitHub · 查閱 2026-11-19
- [31]Hermes Agent(README)
Nous Research · GitHub · 查閱 2026-11-19
- [32]Google Antigravity
Google · 線上文件 · 查閱 2026-11-19
- [33]LLM01:2025 Prompt Injection
OWASP Gen AI Security Project · 2025 · 查閱 2026-11-19
- [34]LLM06:2025 Excessive Agency
OWASP Gen AI Security Project · 2025 · 查閱 2026-11-19
- [35]AI Agent Security Cheat Sheet
OWASP Cheat Sheet Series · 線上文件 · 查閱 2026-11-19
- [36]Providers
OpenCode 文件 · 查閱 2026-11-19