交接分支與多模型交叉查核

生成式 AI 用久了，最常出問題的地方有兩個：同一個對話越聊越長導致回答走樣，以及只問一個 AI 就把答案當定案。

這兩個做法在其他場次也談過，而揚明光學這一場同時示範了 WI 網頁原型與組裝線排班 Excel，從開分支、寫交接檔、換 AI 查核，到把回饋丟回原本的 AI，整段流程走得最完整。這份手冊適合每天已經在用 ChatGPT、Gemini 或 Claude 處理工作的主管與同仁。

對話越長，AI 的表現就越差，因為每一輪它都要把前面所有內容重讀一次。

你問第二個問題時，AI 會把第一輪的問答連同新問題一起讀進來再回答；到了第三輪，前兩輪又全部重讀一次。

AI 和人一樣，一次能記住的容量有上限，這個空間叫做 context window。當對話累積接近上限時，系統會在內部自動「壓縮」，等於自己先做一份摘要再繼續對話。你看不到它留下什麼、丟掉什麼，很多細節就這樣不見了。

第二個風險是在同一個對話裡切換目標。第一輪做簡報、第二輪改做文件、第三輪又問一件無關的事，前面修改目標的過程全都留在對話紀錄裡，到了第四輪只會更亂。

課堂上提到幾個常見的使用習慣，都會讓問題更快出現：

• 捨不得開新對話，每週的報告都在同一串對話裡做。
• 對 AI 發脾氣：「上禮拜不是跟你交代過了嗎？」對話容量本來就有上限，它記不住。
• 沒有開專案，直接把大量 PDF 一份份丟進同一個對話。

原則很簡單：把一個對話當成一個專案，目標先講清楚，中途不要一直改；累積到一定程度，該切出來就切出來。

中途想嘗試不同方向，可以用「對話分支」；累積了一段時間或要換手，就請 AI 寫「交接檔」，再開新對話接手。

1. 對話跑了兩三輪、出現第一次完整回答後，在最新一則回答下方點選「⋯」，選擇「建立對話分支」。ChatGPT 與 Gemini 的網頁版都有這個功能，概念借鏡自程式開發。

2. 依接下來要做的事選擇模式：要繼續產出作品，就留在對話模式；要變成固定排程，就切換到工作模式。

3. 分支出去的對話會有新標題，原本那一串則留在原處。分支點以前的內容兩邊都有，從分支點之後才分開。

4. 兩邊採取不同選擇，並排比較結果。

適合開分支的時機有三種：想把同一份成果拆成兩種產出，例如一邊做 HTML 網頁、一邊做手冊；想比較兩種做法，看看同一題換個選項會得到什麼結果；或是發現對話已經累積太長，再聊下去可能會出問題。課堂上的 WI 網頁原型，就是在 AI 提出三個釐清問題後建立分支，讓原版和分支選擇不同選項同時跑，直接比較兩種結果，省下反覆測試的時間。

1. 在原本的對話裡請 AI 停下來寫進度，這就相當於專案管理裡的進度報告。課堂上的指令如下，使用 OneDrive 的同仁只要把 Google Drive 換掉、指定好位置即可：

   課堂指令複製

   在我的 Google Drive 的 Courses and Classes 底下建立一個「揚明光學」資料夾，把以上的處理過程、對話紀錄和原始指令放進去，並寫一個 handoff.md 檔案。

2. 打開資料夾檢查。這次 AI 交出五份檔案：

   揚明光學/

   AGENTS.md

   任務目的、輸入與執行範圍

   HANDOFF.md

   交接檔

   01_ORIGINAL_PROMPT.md

   原始指令

   02_CONVERSATION_AND_DECISIONS.md

   對話與決策

   03_START_SPEC_V0.3.md

   開工說明書

   課堂上 AI 存進「揚明光學」資料夾的五份檔案

3. 開一個新對話，請它讀取交接檔：

   課堂指令複製

   讀取我在 Google Drive 上 Courses and Classes 裡「揚明光學」資料夾的交接檔，告訴我你讀到什麼、接下來要執行什麼任務。

4. 確認它的理解沒有偏差，再讓它接著做。

交接檔之所以有效，是因為 AI 不會一次把所有檔案讀完。交接檔會告訴 AI 現在走到哪一步、需要時該去看哪份文件，讓它依步驟分批讀進資料，跳過用不到的部分，這樣 context window 就不會一開始就被塞滿。檔案存在雲端資料夾，不會只留在 ChatGPT 裡；如果使用本機的 Codex，檔案就會存在自己的硬碟裡。

交接檔寫得好不好，必須由人確認。AI 有時寫得太簡略，一旦漏掉決策或例外條件，下一個接手的人或 AI 就不會知道。

排班 Excel 那份交接檔的段落結構，可以直接當作範本參考。WI 原型的交接檔則另外列了「已確認的決策」，避免新對話把已經談定的事情又拿出來重新討論。

交接檔在實務上還有兩個用處。第一是換工具：哪天公司改用別家 AI，交接檔照樣讀得到，新的 AI 才知道之前的流程走到哪裡。第二是稽核：AI 使用的相關規範遲早會出現，像銀行業的客戶，所有操作步驟與 AI 對話紀錄都要留存；Codex 的 log 檔與交接檔也都應該保存下來。

不要期待 AI 一次就給出最好的答案。只要涉及語言判斷，每次生成的結果都會有差異，換一個 AI 再看一次，就有機會挑出原本漏掉的細節。

AI 的回答本來就是隨機生成的過程。公式類的東西寫好就固定了，但像排班、排序、條件取捨這類工作，每次生成的回答都會不同，而且差異有時很關鍵：排班表上一個沒注意到的小細節，可能就會被另一個 AI 或另一個對話挑出來。況且不同的 AI 看同一件事，切入的視角也不一樣。

現在 AI 做表單、寫公式都很快，真正缺的是驗算：要有人抽查、驗算，還要有人維護整個檔案。而且 AI 也不知道公司裡那些沒寫成明文的內規。課堂上舉過一家汽車內裝廠的例子，貨物裝車原本都靠一位老師傅心算，做出 AI 工具之後，真正的功課反而變成把他腦中的例外條件一條條寫進規則裡。交叉查核能讓第二個 AI 先幫人找出一輪問題，人只要把力氣花在最後的判斷上就好。

先讓原本的 AI 交出可供檢查的檔案，再請另一個 AI 讀取同一份交接檔來挑錯，接著把回饋貼回原本的 AI，最後由人裁決。

1. 讓原本的 AI 交出可供檢查的內容。把結果、運作過程與交接檔一起存進資料夾；有計算的部分要附上公式或程式碼，例如跑蒙地卡羅模擬時，請它把 Python 原始碼交出來；有引用的部分則附上資料來源連結。平時可以把「引用外部資料時請列出連結」寫進自訂指令，或在提示詞結尾加上：

   提示詞結尾複製

   請以連結方式提供你參考的資料來源，以供我後續查核。

2. 確認資安規範允許把資料交給另一個 AI。資料能不能丟出去，要看公司的資安規定；必要時先做去識別化處理。

3. 請另一個 AI 讀取同一份交接檔。課堂上示範用 Claude 檢查 ChatGPT 做的 Excel：

   課堂指令複製

   到我的 Google Drive 資料夾，找到 Courses and Classes 底下的「揚明光學」，裡面有一個 Excel 的交接檔案。請讀取交接檔案，了解目前的進度。

4. 把查核回饋原封不動貼回原本的 AI：

   課堂指令複製

   以下是另外一個 AI 對你的任務的回饋，請說明你的回應。

5. 由人做最後裁決。課堂上的比喻就像老闆指揮兩個部屬：「你們兩個好好討論一下最佳做法。」討論過程可以交給 AI，最後拍板的則是人。

• 數字與公式：自己重算一次，或在 Excel 桌面版重新計算整份活頁簿，實際算出來的結果才算數。
• 法規與資料來源：直接點開連結核對原文。
• 排序、權重與取捨：請兩邊把評分準則和權重寫出來再比較。凡是排序都要有明確準則，沒寫清楚準則的判斷浮動太大，不能直接交給 AI 決定。
• 原本的 AI 馬上同意，不代表回饋就一定正確。課堂上觀察到 ChatGPT 幾乎都會接受 Claude 的意見，就算它同意了，人還是要回到上面三種方式親自核對。
• 大量交給 AI 處理的工作，做完後要抽查幾份來看。課堂上分享的做法是在 AI 協助批改後抽查三份左右，這樣大致就能知道這次是哪裡出問題，再決定要不要人工介入。

• 用同一個 AI 開一個新對話再檢查一次，同樣有查核效果。
• 在 ChatGPT 的工作模式裡安排多個 agent 分工，再設定一個 reviewer（總編）負責檢查前後一致性、用詞、錯誤、未引用來源與幻覺。耗時較長的工作可以設定停止條件：只要 reviewer 認為品質不過關，就退回給負責的 agent 修改，改到好才收件。課堂上提到跑過最久的一次曾長達 3 天。

Claude 讀完 ChatGPT 寫的交接檔後，確認三條產線的良品數字重算後一致，但也挑出四個需要處理的地方。

現場先用語音交代 ChatGPT：做一份帶有公式與樞紐分析表的 Excel，做小型驗證即可；情境設定為光學廠的 3 條組裝線，本國籍勞工 100 人、外籍員工 200 人，出缺勤依勞基法自行假設，交接與休息時間都要算進去，再把產能與開工率做成預估報表。幾分鐘內，ChatGPT 就交出 4 個工作表（參數、人員假況、樞紐彙總、產能預估），估出月良品 95,698 件、需求達成率 119.6%。接著請它把結果、運作過程與交接檔，寫進「揚明光學」資料夾底下另外建立的子資料夾。

不過也有幾項確認過沒問題：三條產線的良品量代入參數重算後結果一致；21 個工作日符合 2026 年 11 月的行事曆；特休天數的年資級距也與勞基法第 38 條相符。

把回饋貼回 ChatGPT 之後，它大致接受了這些意見。至於表格裡的第一點和第四點，最後都必須實際打開 Excel 檔案才能確認，這就是必須由人親自裁決的部分。

• 同一個對話做到底，捨不得開新對話。對話累積越長，AI 的回答就越走樣。
• 在同一個對話裡反覆更換目標，前面修改的過程會一路干擾後面的回答。
• 交接檔交給 AI 寫完就沒再看過。寫得太簡略、漏掉決策與例外條件，是最常發生的問題。
• 把原本那個 AI 的附和當成查核通過。
• 7以為換一個 AI 就一定能得到不同觀點。課堂上請大家請 AI「從 1 到 10 任挑一個數字」，結果幾乎都是 7，換成 Gemini、Copilot 也差不多。只要是訓練資料裡常見的答案，各家 AI 都會往同一個方向靠攏；交叉查核擅長挑出細節錯誤，但評估準則還是要由人先定出來。
• 沒確認資安規範，就直接把公司內部資料丟給另一個 AI。