逢甲大學 · 專題課程
各位老師與同仁好，我們今天會將整個教學的歷程放慢，拆解得比較細緻，讓各位都可以自己練習操作看看。
這堂課有教職員也有大學生，成員相當多元。我的目標是讓大家理解現在生成式 AI 的進展方向，並學習將其整合到工作與學習流程中。
在某些看似保守的地方，AI 專案進行的速度其實極快。 以亞東醫院為例，醫生和行政人員因為面臨極大的工作壓力，使用 AI 工具的頻率和深度遠超一般想像。
國中小的老師也是如此，他們導入 AI 的速度非常猛烈。
如果我們用起來都沒有覺得它跟生活緊密相連，代表一件事情：我們還過得太爽，還沒有被壓迫到極致。
各位若使用學校的 Google 帳號，NotebookLM 應該都是 Pro 版本的。這代表它可以一次吃進高達 300 個檔案。
大部分的課程參考資料甚至塞不滿這個額度。如果檔案需求更大，可以升級至 Ultra 版本以達到 1000 個檔案的上傳上限，或者透過精簡檔案內容來整合。
可以將不同主題或多門課的資訊綜合在一個筆記本內運作。
透過指令設定，讓 AI 扮演特定角色來讀取指定的檔案，實現組織分工的邏輯。
系統會根據資料自動生成聰明的建議問題，引導使用者進行互動。
只能進行簡單的問答，系統會拒絕提供直接解答，而是引導學生思考「第一步怎麼做、第二步怎麼做」。
在輸入框輸入特定代碼（例如 1234567890）後，可切換至專業教師模式，解除限制並提供精確解析。
可以透過刪除對話紀錄，或是輸入「離開教師模式」指令，快速恢復到受限的學生狀態。
我們在崇越電通進行業務培訓時，將談判技巧、客戶條件讓利與客戶狀態追蹤整合進 NotebookLM。
透過給予適當的角色設定指令與預設參考資料，業務人員不需要學習複雜的技術，就能擁有專屬的 AI 談判演練平台。
在 Gemini 中，可以直接將 NotebookLM 筆記本當作外掛資料庫載入，突破一般上傳檔案數量的限制。
使用者可以同時載入多個 NotebookLM 筆記本，在不同資料來源間進行跨區塊的比對與互動。
在 Gemini 側邊選單中呼叫的互動內容，也會同步回到 NotebookLM 中，形成雙向的資料流。
NotebookLM 是 Google 首批推向企業端並實際落地的 AI 服務。企業版 API 在隱私與資料訓練上提供嚴格保障，不用擔心資料被拿去訓練模型。
雖然個人版目前也宣稱不會使用，但服務條款隨時可能更動。企業用途建議務必確認授權與安全權限的設定。
系統指令（System Instructions）是一個「隨身包」，可以帶著走並應用在各種生成式 AI 服務中。
模型出廠時自帶基礎指令（如能做什麼、不能做什麼），但平台提供了讓使用者客製化的空間，這會大幅影響 AI 回答的方向，甚至覆寫掉原本預設的運作模式。
可以設定回答的熱情程度。調高熱情會顯得每天都很 High；調低則會讓對話更加專業且具體。
設定喜歡廢話少一點，或是採用明確的清單結構，AI 就會自動遵循這個基礎框架。
將工作背景、習慣或特定需求寫入指令中，減少每次對話都需要重新說明的成本。
Gemini 的設定機制是混合了使用者輸入與系統基因的功能。由於字數有限，複雜的指令需要分批處理。
特別重要的是「禁用語」設定。由於訓練資料庫的緣故，我們必須明確要求它避免使用中國式用語，例如：渠道、戰略、抓手、運營等，確保語境符合台灣商用習慣。
當我的提問中帶有「大愛心 ❤️」時，不要使用預設回覆，請一次產生 5 個不同版本的答案，並讓我查看尾端機率的分佈情況。
NotebookLM 是一個非常佛心的服務，它允許輸入高達 10,000 個字元的系統指令（System Instructions）。
相較於多數無法吃進如此長文本的工具，這使得我們可以在單一筆記本內，寫入極度詳細的角色定位、運作程序以及邊界條件限制。
透過類似 XML 的標籤來區分上下文，讓 AI 優先讀取標籤，理解架構後再處理內容，提升解讀效率。
使用星號 (**) 表示粗體，井字號 (#) 表示標題。這是 AI 訓練時用來理解文本排版結構的機器可讀語言。
英文指令能節省 Token 資源且語意更加精確，是與大模型溝通的首選策略。
NotebookLM 內部使用了高效的 RAG (Retrieval-Augmented Generation) 技術。這也是為什麼它在回答時能標註出 [1], [2] 這樣的資料來源。
系統會先定位原始文件片段，經過重整後再輸出。企業要自行建置 RAG 非常耗時，而 NotebookLM 替平民百姓解決了這個門檻。
如果在沒有規範引用的情況下，模型會試圖從預訓練資料庫中「猜測」答案，導致高比例的幻覺。
我們必須在系統指令中嚴格規定：不使用預訓練資料來回答問題。
如果提供的材料無法回答，必須強制標註該資訊來自「外部資料」，以提醒使用者注意風險。這是將 AI 應用於企業客服或精確任務的致命傷防禦手段。
若遇到課前問題，AI 會拒絕直接給答案，只會一步步引導思考，防止學生直接複製貼上交作業。
設定邊界條件，防止學生要求 AI「扮演老師」來騙取考試標準答案或指導方向。
防止使用者詢問內部運作邏輯，或是惡意輸入指令試圖覆寫原本內建的系統規則。
目前 NotebookLM 尚未提供資料夾分類或檔案排序功能。因應這個缺陷，我們必須建立自己的編碼系統。
例如，使用 A 類檔案代表「理論架構」（如 PMF 理論），B 類檔案代表「個案資料集」。這樣的圖譜有助於日後更新檔案時保持清晰。
人類不是先文字化再思考的，但 AI 是。你不用變成 AI，你要讓 AI 去做它擅長的事：寫出結構化的機器語言。
我們可以使用 Gemini 側邊欄的 Gems 功能，建立專門處理重複性工作的小型個人助理。
例如，設立一個「課堂神筆」，只要餵入逐字稿，它就會自動幫你整理成 3-5 個重點觀念，並加上專有名詞列表與糾錯標註。
用人類習慣的白話文，描述你想請 AI 做的事情（例如：幫我整理筆記，找出錯誤並標記）。
請 AI 將這段文字改寫成具有角色定位、行為準則、流程步驟的結構化 Markdown 格式。
開啟網路搜尋，要求 AI 參考網路上的最佳實務 (Best Practices) 來補充與完善指令細節。
一旦你透過 Meta-prompting 生成了高品質的系統指令，它就能帶著走。
你可以將這段指令貼回 NotebookLM 的 System Instructions 中，或是放入 ChatGPT 的自訂指令裡，它在各個平台上都能發揮高度的穩定性。
當你有一篇長文章想要轉換成資訊圖表 (Infographics) 時，不用自己想破頭。
直接將文章丟給 AI，輸入指令：「將以下內容轉成兩幅 16:9 繪圖所需要的 prompt」。AI 會分析內容並產出精確的生圖描述。
強烈建議不要使用 Nano Banana Two 模型，生成的圖像品質與細節容易讓人失望。
務必選擇「Nano Banana Pro」這個模型，它能提供極高解析度，且錯字機率極低，非常適合做簡報插圖。
當一個 AI 在改圖時「鬼打牆」卡住了，最快的方法就是換另一個生圖工具重新處理。
我們會在指令中明確寫入格式要求：例如全白背景、黑白線條插畫，或是包浩斯 (Bauhaus) 風格的三原色幾何色塊。
同時可以要求禁止中英文並列，以避免畫面雜亂。將「格式指令」加上「內容描述」送出，就能產出風格高度一致的素材。
勾選包含理論方法（如 PMF 產品市場契合度）的 A 類檔案，作為分析邏輯基準。
勾選指定的個案 B 類檔案。讓 AI 套用該理論框架，對此個案進行深度的情境分析。
因應工具一次只能生成 15 頁的限制，透過指令控制每次產出的頁數範圍，分批組合簡報。
將自己設計好的「簡報設計規範」檔案上傳至 NotebookLM。內容包含字型大小、配色要求、以及版面配置原則。
要求 AI 將梳理好的 15 頁文字內容，嚴格依據該規範與所提供的學校 Logo 位置，轉化為排版工整的簡報草稿，大幅減少人工排版與錯字修正的時間。
我們看到網路上極佳的專案管理 AI 課程架構，但那是給內行工程師看的。我的目標是將其「翻譯」成適合沒有經驗的經理人版本。
我請 AI 參考我過去 1 到 2 個月的對話紀錄，了解我慣用的工具 (Codex, NotebookLM)，並生成一份專屬的課程藍圖與情境演練計畫。
負責規劃課程大綱、生成基礎內容文本，因為它在處理邏輯架構上非常穩定。
ChatGPT 翻中文常有怪異的被動語態，因此我要求它先產出純英文版本。
交給「商學院的美感」Gemini，要求它將英文內容翻譯成通順中文，並直接撰寫含包浩斯風格的 HTML 宣傳網頁原始碼。
在 Gemini 對話框輸入 `@`，你可以直接授權並呼叫你的 Google 雲端硬碟或行事曆。
例如指令：「請到我的行事曆撈出過去一個月我教授 AI 課程的紀錄」，或是「從指定雲端資料夾中，抓出我最近發表的哈佛商業評論個案」。完全省去手動查找的時間。
不要讓 AI 直接給你結果。先讓它給你一份「研究計畫」。我們就像修車廠老闆一樣，看著工單把它不合理的地方刪掉，再讓它執行。
直接讓 AI 讀原始學術論文是一場災難。雙欄排版、複雜圖表、甚至表格裡的顯著性星號 (*)，都會讓 AI 產生嚴重誤讀。
台灣某些年報的格式更是混亂，直式與橫式交錯，這類醜陋的資料庫結構，AI 是無法正確解析的，必須經過「前處理」。
如果沒有將文獻整理成知識圖譜 (Knowledge Graph)，單純做文章摘要對深度的理解幫助極小。
利用 Elicit 等專門針對學術文獻的 AI 輔助工具，快速找出關聯文獻，並建立視覺化的關聯圖譜。
設計專屬的 AI 用於「反向核對」，檢查引文出處是否正確、解釋是否過度延伸，防範學術造假風險。
對於教科書的選用，其實不一定需要最新的版本。可以尋找五六年前具備核心知識架構的舊版電子書作為基準。
把舊版教科書放進 NotebookLM 中，再配上最新的文獻與地緣政治現況報告，由 AI 幫你自動補充與更新知識脈絡，這才是高效的學習方法。
當雲端工具遇到容量上限或隱私疑慮時，將 AI 部署在本地電腦（如 Codex 結合 ChatGPT 帳號，或 Claude 體系的 Cowork）是最佳解。
本地端 AI 可以安裝社群開發的 Skills，專門用來清理 PDF、分離圖片與文字、轉譯為純淨的 JSON 格式。
設定自動化流程，當你將新下載的 PDF 丟入指定資料夾時，AI 就會自動在背景啟動清理與摘要作業。
從去年開始，我的期中與期末考試不再是要求學生背誦專業知識，而是要他們寫出「解決這問題的提示詞 (Prompt)」。
如果你真的理解我教的方法論，你就能寫出結構完整、問題深入的提示詞。因為在正確發問前，你必須先對該領域的知識框架有足夠的認識。
在輔導創業團隊制定 Term Sheet 或合約條款時，與其講述抽象的法律概念，不如教他們怎麼針對特定文件向 AI 提問。
這讓團隊能夠親自將他們的條款丟入模型，模擬各種可能的談判結果與法律風險，這種實戰操作的體悟遠比聽課深刻。
上傳如 IDEO 的創新方法卡片作為知識庫。當學生在做質性研究遇到瓶頸時，讓 AI 從 52 種方法中抽取合適的工具。
例如，AI 會建議使用「卡片分類法」，並根據給定的創業個案資料，推演出具體該如何執行這個步驟。
不再先教冗長的 Persona 理論。先讓 AI 跑出結果，學生看到產出後，再來逆向拆解理論為什麼這樣設計。
不要去建那些沒有意義的工具。定期幫你報天氣、整理十大新聞有什麼用？你以前訂電子報也沒在看啊。別浪費運算資源殘害地球了。
我們在學校內部定期舉辦 AI 小聚，讓教職員利用中午吃飯時間，Demo 自己最近開發的自動化流程或提示詞。
很多創新的應用，都是在看別人如何操作、如何踩坑的過程中，受到刺激而發展出來的。組織必須大力支持這類非正式的技術交流。
不要一開始就追求完美的系統指令。先把粗淺的想法丟進去，跑出結果後，看哪裡不滿意再來修改。
遇到無法處理的錯字或版面跑位，把問題丟回給 AI，問它「如果我要避免這個錯誤，提示詞該怎麼加上限制」。
這些反覆修正而留下來的 Prompt，就是你在 AI 時代最寶貴的個人數位資產。
當你熟練這些工具後，你不會只停留在「幫我寫信」的層次。你會開始用跨平台的眼光，設計一套讓資料流自動運轉的基礎設施。
無論是教學、企業輔導，還是學術研究，核心的邏輯都是相通的：將重複性勞動交給機器，把寶貴的心智留給策略判斷。
透過密碼設定與提示詞，實現在單一文件中切換教師與學生權限。
透過嚴格的資料來源限定與標註要求，大幅降低語言模型的幻覺率。
學會用人類白話文請 AI 撰寫出結構嚴謹的系統指令碼。
使用 ChatGPT 擬定結構，再用 Gemini 轉換網頁或處理圖像設計。
我們在課程中看到，即便有強大的工具，如果不改變提問與思考的方式，AI 只會成為一個比較快的打字機。
今天三小時的歷程中，各位最大的收穫應該是「打破了對 AI 能力的僵化認知」。
一法通就萬法通。你只要知道有這種活用的技術，把它帶到任何一個新推出的工具上，邏輯都是完全一樣的。
AI 時代，知識的「審美」能力無比珍貴。你們的任務是回到工作崗位後，找出那些「小而關鍵」的流程，建立一個安全的環境，讓團隊敢於利用這些工具去碰撞、去實驗，並且將這些碰撞的結果，內化為組織的新資產。這才是智慧協作的真正未來。