返回文章

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。

提問優化分析網站,左側依月份與日期排列報告,右側顯示選取日期的提問分析
提問分析的時間軸畫面:展開月份後就能依日期切換,回顧當天的提問與診斷。畫面顯示的是後續累積到 49 份報告時的狀態。

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。

提問分析報告與收合月份的日期導覽,顯示資料來源及當日提問彙整
收合其他月份後,可以專注閱讀單日報告。報告先列出資料來源,再整理當天的提問與分析。

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:

text
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。