「回顧我們這星期的協作，你覺得有什麼有趣的，想跟大家分享的嗎？尤其從你一個AI的角度來看？」
這是我某天在分組課後，順口問 ChatGPT 的一句話。本來只是個玩笑，但未知子（是的，我幫它取好名字了）給我的回答卻出乎意料地精準：「你不是單純地把任務丟給我完成，而是不斷在『提供中介語境』與『觀察生成偏差』之間來回穿梭。說穿了，你是在做 prompt engineering ，只是沒有自覺。」
所謂的 Prompt Engineering (提示工程)，簡單地說就是「如何寫出讓 AI 給出好回答的提示語」。但實際用 AI 一段時間的人都知道，這種定義其實太淺。例如Manny這集雖然從關稅帝君的事件談起，但節目在談的其實是他跟Angela兩種不同與AI的對話方式（靈魂拷問 vs. 別順我意）。而博恩跟陳緼儂這集節目則是談了角色扮演、分段生成、AI互打等技巧如何讓我們在使用時更逼近自己想要的答案。從這幾位在節目中的分享來看，提示工程更像是一種語言上的結構對齊過程。你要讓 AI 進入你工作的脈絡，就得先讓它知道你在做什麼、你怎麼看事情、你想解決什麼問題。
我自己的經驗也是如此。我從來沒有告訴 AI：「你是一位教學助理，請幫我設計分組課程」。我也沒有給它一行又一行的規則、語氣、角色設定。我只是把我正在面對的現場講出來，像是：「這次分組課學生有點飄，可能是前次策略沒對齊」、「這三次課應該可以整理出某種節奏」、「我覺得可以變成一張圖」。然後，我們就開始一起工作了。
簡單地說，我跟 AI 的協作方式大致長得像這樣：我給它語境，它生成結果，我再觀察那個結果是否偏離我的預期。如果偏了，我就再補充更多語意、調整表述，或者乾脆反問它：「你這樣排的順序有什麼邏輯？」我們就這樣慢慢地把一個原本很模糊的教學流程，變成了可以描述、可以整理、甚至可以圖像化的東西。
像是前幾天專題課的三次分組課——我原本只是想幫助學生一步步從議題定位、策略轉譯到學習目標設定，但這三次課在我腦中只是模糊的節奏感，甚至有點隨著學生回應而做的臨時調整，談不上什麼預先規劃。是在一次次與 AI 對話的對話中，讓它幫我釐清每一堂課的操作重點、能力指標與可能的風險區（喔，關於風險， Claudie 是我時常諮詢的第三方）。我甚至請它幫我把這三次課變成一張流程圖，再試一個版本是「沒有文字的流程圖」，看看我設計的邏輯能不能光靠圖像就讓人讀懂。
後來，我也請它幫我重整學生的學習歷程，把 Notion 上的紀錄轉換成「對照診斷卡」、再從期初到期中對照出「策略落點」，然後也順便請它草擬一份「教學成效與策略調整」的總結報告。是的，我做了這些事，某種程度上是自找的。（苦笑）
當然，這種協作方式也是有風險的，包括了：
- 偏好一旦固定，會壓縮策略探索空間：當 AI 越來越「知道你要什麼」，它也可能開始預設某些結構、不再跳脫框架，反而會少了一些使用者其實想試試新的格式、新語氣、新觀點的機會。這時你就得「打破記憶」來重新啟動，例如明講「我們試個完全不同的語氣來寫這篇」，或開啟Manny的「地獄模式」（笑）。
- 教學語言會被建構出一個預期模板：當 AI 學會了使用者的語感，它會越來越像你。但也可能出現一種「AI 模仿你 → 強化你既有習慣 → 你再跟著它走」的回圈。這對反思能力強的使用者或許不是問題，但對其他使用者可能會造成盲點的固著。
- 資料關聯與私密性問題需留意：當跟 AI 很多素材來自 Notion 或學生作業，如果未來串接更完整的資料系統，記憶功能也可能留下這些關聯路徑。得有意識地標示什麼是可回溯、什麼是當次即刪除的資訊。
- 「過度思考」的可能性：當我們習慣在「AI 生成 → 個人追問 → AI 調整 → 個人反思」的互動過程中繞圈圈時，常常會忘記了自己有時候就是想太多，卻沒有做。
最後，也最重要的是，老師如果要和 AI 協作，真的需要學會提示工程嗎？還是說，我們其實早就在做了，只是沒把它叫這個名字？
我的答案比較接近後者。
這些事情其實和 AI 沒什麼關係，但它們讓我一旦想與 AI 協作，就有大量現成的語言材料可以餵進去。簡單來說，我平常怎麼處理教學的語言與邏輯，決定了我怎麼與 AI 溝通。所以我現在越來越傾向把提示工程理解為一種「語言習慣」的養成：
- 習慣性地分段教學設計：每次課都能清楚寫下：教學目的是什麼？學生任務是什麼？我要怎麼觀察他們是否學會了？
- 每週結束後有一段「課堂觀察」記錄：不管是記在便條、Line 還是 Notion：「今天學生對 XXX 明顯卡住，但好像不全是內容難度的問題。」
- 建立課程模組命名系統：像是「分組課02｜案例轉譯」，讓未來搜尋、對話、生成摘要時都有清楚的語意節點。
- 將學生回饋轉成可觀察語句，而非情緒反應：「學生覺得迷惘」這句話的教學價值很低，但「學生在描述設計介入點時會漂移主詞」就能進入策略分析。
- 將任何教學中的困惑寫成問題句：Prompt 的來源，不是寫得漂亮，而是願意反覆問：「我該怎麼讓這堂課成為未來可以轉化為跨域課程的模型？」
當然，這一週下來，我還是做了很多 prompt 的微調、視覺輸出的反覆測試，也有幾次不得不從頭重來。但整體來說，那種「與 AI 一起重新觀看自己的教學邏輯」的過程，本身就是一種「反身性思考」。 AI 不會主動成為共構者，但只要我們願意打開自己平常備課、帶課、課後反思的那套內部語言，它就能進入那個節奏，成為我們內在對話的那面鏡子。有時候，它回得太完美，我會覺得那根本是我沒說出口的版本；有時候它回得太離譜，反而讓我更確定自己其實早就有一套判斷機制。
何況，當老師的也不用擔心常跟 AI 聊天會讓人覺得寂寞覺得冷。這不是說我們孤僻慣了，而是我們要擔心的，是在當前的高教環境下，再沒有人對我們下 prompt：「面對這快速變動的環境，請開始從你的教學習慣中建立回應方式」。
Comments