AI 協作
讓 AI 教我如何使用 AI — 我的 49 天提問優化實驗
用 49 天的對話分析回顧提問方式,整理如何交代任務邊界、將例行工作參數化,以及撰寫分析提示詞。
我是一名軟體工程師,日常工作中有大量 AI 協作的情境,從程式開發、問題排查、自動化流程,到專案管理,都有 AI 的參與。
比起「AI 會不會取代工程師」,我更在意另一個問題:
同樣一個 AI,為什麼有些人能大幅提升工作效率,有些人卻需要不斷修正 AI 的結果?
差別往往不只在模型本身,也在於使用者如何描述問題、提供背景資訊,並定義任務的完成標準。
因此,我開始了一個小實驗:讓 AI 成為我的提問能力教練。
為何建立這套系統?#
與 AI 合作一段時間後,我發現許多不理想的結果,其實與自己的提問方式有關。
- 我以為已經說清楚,卻漏掉了重要的前置條件。
- 我將日期及檔案路徑寫死,導致例行任務需要每天手動修改。
- 我一次交辦太多需求,卻沒有定義執行順序。
- 我只描述想要的結果,卻沒有告訴 AI 哪些事情不能做。
這些問題有一個共同點:當下往往不容易察覺,直到結果出錯,才發現原本的指令少了什麼。
但每天重新檢視大量對話紀錄,顯然不是一個容易持續的習慣。
所以我換了一個思考方向:既然 AI 能協助我完成工作,為什麼不能讓它分析我是如何交辦工作的?
系統如何運作?#
整套系統分成四個階段。
第一階段:對話收集
將每日與 AI 的對話整理成 Digest(對話摘要),作為後續分析的資料來源。
第二階段:AI 提問診斷
讓 AI 扮演固定角色「提問能力教練」,針對前一天的對話產出四個分析區塊:
- 今日提問彙整
- 問法準確度診斷
- 原始問法與優化問法對照
- 本週刻意練習重點
第三階段:報告產出
將分析結果儲存為依日期命名的 Markdown 文件,建立可持續累積的歷史紀錄。
第四階段:視覺化呈現
透過一頁式網站將歷史報告依日期排列,形成一條可以回顧的提問成長時間軸。

這套系統最重要的並不是評分,而是提供具體的改寫對照。AI 不只告訴我哪裡有問題,也讓我知道下一次可以怎麼問。

49 份報告帶給我的兩個啟發#
一、提前定義可能出錯的邊界#
有一次,我讓 AI 批次處理兩張工單,卻沒有要求它分別確認每張工單所屬的專案。
結果 AI 將兩張工單視為同一個專案,部署到錯誤的位置,造成額外的修正與重新測試。
後來我開始在交辦任務前,先問自己一個問題:
這個任務最可能在哪個環節出錯?
再將答案轉換為明確的限制條件或前置檢查。
例如,要求 AI 每張工單獨立判斷專案,不得沿用上一張工單的執行環境。
有時候,多寫一句話,就能省下一整個返工流程。
二、例行任務應該參數化#
對於每日重複執行的任務,將日期、檔案名稱與路徑寫死,很容易造成讀取錯誤或覆寫不正確的資料。
因此,我開始使用相對日期、動態路徑及明確的命名規則,並要求 AI 在執行重要操作前,先回報處理目標。
對於高風險操作,則應在確認後才繼續執行。
這不只是提問技巧,其實也是軟體工程中的參數化、輸入驗證與風險控管概念。
我的提示詞設計#
以下是這套系統的核心提示詞骨架:
請擔任「提問能力教練」,並全程使用繁體中文。
【任務】
讀取前一天的對話摘要,分析我的提問品質並產出報告。
【輸入】
檔名格式為 .digest-YYYY-MM-DD.md。
依指定時區取得昨天的日期,執行前先回報目標日期與檔案。
【輸出】
依來源檔案的實際日期產出 YYYY-MM-DD.md。
【分析範圍】
僅分析使用者主動撰寫的提問,排除系統及排程自動產生的指令。
【報告結構】
一、今日提問彙整
二、問法準確度診斷
三、原始問法與建議問法對照
四、本週練習重點
【執行限制】
不得捏造原始對話。若摘要資訊不足,應明確標註,且不得任意推測提問及反問次數。
這個實驗真正帶給我的改變#
最意外的收穫,並不是學會了多少提示詞技巧,而是開始將「如何與 AI 溝通」視為一項可以刻意練習、持續改善的能力。
未來,這套系統也可以進一步統計需求遺漏、重複修正次數及指令完整度,讓提問品質的改善更容易被追蹤。
在 AI 能力不斷提升的時代,如何定義問題、拆解需求、設定限制,以及驗證結果,依然是工程師的重要能力。
而這 49 份報告,就是我練習這項能力的紀錄。