和 AI 作朋友——高中生的 AI 工具箱
雲林場高中生 AI 工作坊 / 顏永進

• 你現在人在雲林——虎尾糖廠就在隔壁。
• 108 課綱歷史第一冊第五章「拚經濟與求生存的人們」，日治時期產業發展就在考試範圍裡。
• 在地題材寫進學習歷程，跟別人的撞題率低，審查委員會記得你。

打開 ChatGPT，直接問：

日本人為什麼選擇在雲林虎尾蓋糖廠？

ChatGPT 會給你一個看起來不錯的答案，但：

• 可能混入不正確的細節（幻覺）
• 不會提到「戊戌大水災」這個關鍵事件
• 沒有引用來源，你不知道哪句話是真的

這就是 Lv.1 的極限——你問一個問題，它給你一個答案，但你沒辦法驗證。接下來換 Lv.2 的方式。

打開 NotebookLM（用 Google 帳號登入），上傳以下四份資料：

1. 臺灣糖業史——維基百科
2. 臺灣「糖都」之父——虎尾糖廠
3. 近代產業——雲林糖業的興衰（楊彥騏）
4. 虎尾糖廠製糖工場——台糖官網

更多素材見底下的素材清單，共 13 份。如果你選的是其他學科的研究主題，也可以自己 Google 文獻、列印成 PDF 上傳。

根據這些資料，日本人為什麼選擇在雲林虎尾設立糖廠？有哪些關鍵因素？

戊戌大水災跟糖廠設立的關係是什麼？請引用原文說明。

同一時期台灣其他地方也有糖廠，虎尾糖廠跟橋頭糖廠比起來，設廠條件有什麼不同？

如果我要寫一篇小論文，題目是「為什麼是雲林？——日本人在虎尾蓋糖廠的五個原因」，你建議我的大綱怎麼寫？

問完之後，不要一個一個複製——貼這段指令讓它自己整合：

請把我們剛才所有對話的內容整合成一份「研究筆記」，格式如下：

一、研究問題：為什麼日本人選擇在雲林虎尾蓋糖廠？
二、關鍵發現：列出所有重要事實，每一點後面標明出處（來源文件名稱），例如：「1897 年戊戌大水災沖出大量溪埔地（出處：楊彥騏，〈近代產業——雲林糖業的興衰〉）」
三、比較分析：虎尾 vs. 其他糖廠的差異
四、建議大綱：小論文的章節架構
五、參考資料清單：列出所有引用過的文件名稱與作者

這份研究筆記就是你接下來寫小論文的全部素材。

NotebookLM 不太適合用來生成正式文件，但它的「文獻整合 + 出處標註」很強。我們把研究筆記匯出，下一步交給 Claude 寫小論文。

操作步驟：

1. 在剛才的回答底下點「儲存到記事」

1. 這份記事會出現在 NotebookLM 的「工作室」（你的 AI 工具箱）。
2. 點開記事 → 選「匯出至文件」→ 拿到一份 .docx Word 檔。

1. 先貼上 小論文格式規範 （見底下附錄，整段複製）
2. 上傳 Step 1 從 NotebookLM 匯出的 Word 檔（裡面有研究筆記與出處）
3. 上傳 Step 2 在 Napkin 做的因果關係圖
4. 貼這段指令：

請根據上面的「全國高級中等學校小論文寫作比賽格式說明」，把我提供的素材整理成一份符合格式的小論文，輸出為 Word 檔（.docx）。

基本資訊：
- 投稿類別：史地類
- 篇名：（你的題目）
- 作者：（你的姓名。學校。年級）
- 指導老師：（填你的老師）

大綱：
- 壹、前言：選題動機（用第一人稱寫）
- 貳、正文：分析素材中的關鍵因素，每個因素引用具體事實
- 參、結論：總結你的研究發現
- 肆、引註資料：根據素材中標示的出處自動生成，至少 3 篇

請嚴格遵守格式規範，反思段落請用高中生的口吻寫，不要太文言。

1. Claude 生成 Artifact → 點「下載」→ 拿到 .docx 檔。

備案：如果 Claude 額度用完，可以用 Gemini，輸出後在 Google Docs → 檔案 → 下載 → Microsoft Word (.docx)。

1. 把 AI 的用詞換成你自己的口吻
2. 檢查人名、年份、事件——AI 會編，不要照單全收
3. 反思段落先留著，下一步來改

對照同一題用兩種方式問，看差距：

爛 prompt：

幫我寫一段關於日治糖業的學習歷程反思

→ 罐頭、流水帳，沒有你的影子。

好 prompt：

我住雲林，常經過虎尾糖廠，以前只覺得是一個老地方。這次研究之後才知道，原來日本人選雲林蓋糖廠不是巧合，是因為一場水災沖出了大片空地。幫我用這個「從不在意到覺得驚訝」的轉變，寫一段反思初稿。風格要像高中生自己寫的，不要太文言，300 字以內。

→ 給了 AI 三件事：

1. *角色*：住在雲林的高中生
2. *範例*：從「不在意」到「驚訝」的轉變
3. *限制*：300 字以內、像高中生口吻

結論：你給 AI 多少「你的樣子」，它就回給你多少「你的樣子」。

打開 ChatGPT（或 Claude），把初稿貼進去當教練修。至少來回三輪：

• 「這段反思沒有連結到我的研究問題，幫我指出哪裡可以改。」
• 「給我三種角度切入：我學到什麼能力 / 我對家鄉的看法改變什麼 / 我還想探索什麼」
• 「這句話怎麼改更有力？」

AI 是逼你想清楚的教練，不是幫你寫的槍手。

把改好的反思段落貼回 Step 3 的 Claude 對話框，請它把整篇文章的風格統一一遍：

這是我改寫過的反思段落：[貼上]

請把它整合進剛才的小論文，並確保整篇風格一致。重新輸出 Word 檔。

下載最新版的 Word 檔——這時候才真正算是「你的」學習歷程。

用 Claude Code 或 Gemini CLI，一句話下指令：

把這份雲林糖業報告做成一個互動時間軸網站：1906 大日本製糖設廠 → 1924 日搾量東洋第一 → 1945 戰後台糖接收 → 2000s 轉型文創園區

AI 自己建檔案、寫 HTML/CSS/JS、跑起來。再追加：「加一個三題的選擇題小測驗」→ AI 自己改 code。

這份互動網頁連結放進學習歷程，審查委員會記得你。

用 Ideogram 生成封面圖：

日治時期台灣糖廠，五分車鐵道，甘蔗田，復古海報風格

Ideogram 特別擅長有文字標語的海報。

最後一關永遠是你——AI 交成品，掛名的是你。

你在國中數學學過函數：輸入一個值、經過某個規則、得到一個輸出。

華氏溫度 = 1.8 × 攝氏溫度 + 32

寫成 ~y = f(x)~，輸入攝氏 x，輸出華氏 f(x)。這個函數有兩個參數：1.8 和 32。把它想像成一個黑盒子，輸入一個值，根據兩個參數算出結果。

舉個更複雜的例子——學測落點預測。輸入你的學測成績，輸出可能錄取的大學機率：

這也是一個 ~y = f(x)~：y 是錄取機率，x 是你的成績組合。簡化版可能長這樣：

f(x) = 國文 × 0.3 + 英文 × 0.25 + 數學 × 0.35 + 社會 × 0.05 + 自然 × 0.05

實際上比這複雜得多（要考慮志願、歷年分布、加權…），但原理一樣：*輸入 → 函數 → 輸出*。

那你應該也可以接受這樣一個函數：輸入 28×28 個小數（一張 28×28 灰階圖片，每個像素是 0-255 的亮度），輸出十個機率：

這個函數做的是「手寫辨識」：吃一張數字圖片，輸出 0-9 各自的可能性。

到這裡你應該已經可以接受 AI 是函數了。它能做哪些事？

任務	輸入	→ f →	輸出
手寫辨識	一張圖片	→ f →	0~9 各數字的機率
貓狗辨識	一張照片	→ f →	貓 90%、狗 10%
文字生成	一段提示詞	→ f →	生成的文字
影像生成	一段描述	→ f →	生成的圖片

不管 AI 看起來多厲害，骨子裡都是：*輸入 → 函數 → 輸出*。差別只在於函數裡有幾千億個參數（GPT-4 超過一兆個），這些參數是從海量資料中「學」出來的。

AI 看到的不是文字，而是 Token（一小段一小段的碎片）。

打開 OpenAI Tokenizer 試試：

• 輸入「虎尾糖廠」，看它被切成幾個 token
• 再輸入「314159」，數字的切法跟你想的完全不一樣
• 這就是為什麼 AI 有時候數學會算錯——它看到的不是「數字」，是碎片

既然 AI 是函數，那生成式 AI 是什麼樣的函數？

答案：*一個每次只猜下一個字的函數，不斷把自己的輸出接回輸入，像接龍一樣。*

以「什麼是臺灣最美的風景？」為例：

f("什麼是臺灣最美的風景？")           → 臺（機率最高）
f("什麼是臺灣最美的風景？臺")         → 灣
f("什麼是臺灣最美的風景？臺灣")       → 最
f("什麼是臺灣最美的風景？臺灣最")     → 美
  ……
f("什麼是臺灣最美的風景？臺灣最美的風景是") → 人

就像 LINE 鍵盤會自動建議下一個字——AI 做的是同一件事，只是猜得非常準。

但它不是每次都選機率最高的字，像轉輪盤一樣，機率高的容易被選中，但不一定：

AI 加入一點隨機性（叫做「溫度參數」），讓回答更多樣。這也是為什麼你問同一個問題兩次，可能會得到不同的答案。

AI 有時候會一本正經地「編故事」，講得頭頭是道，但整段都是假的。這叫「幻覺」。

為什麼會有幻覺？ 還記得剛才的「輪盤」嗎？AI 不是在「回憶事實」，是在「猜下一個最可能的字」——它沒辦法分辨「真的」跟「聽起來像真的」。

請描述 1920 年雲林農民組合抗議虎尾糖廠壓低甘蔗收購價格的經過

AI 很強，但你打進去的每一個字，理論上都會離開你的電腦。

要小心的東西：

• 日記、心情筆記、感情問題、家裡狀況
• 同學的個資、輔導紀錄、申訴內容
• 還沒公開的競賽作品、原創小說、專題點子

進階解法（點到為止）：本機 AI（例如 ollama + 開源模型）跑在你自己的筆電上，資料完全不外流。效能比雲端弱，但夠用來改作文、整理日記。

一個判準：*「這段話如果被截圖貼到網路上，我會崩潰嗎？」* 會 → 別丟雲端。

1. 臺灣糖業史——維基百科（列印存 PDF）
2. 臺灣「糖都」之父——虎尾糖廠（列印存 PDF）
3. 虎尾糖廠製糖工場——台糖官網（列印存 PDF）
4. 近代產業——雲林糖業的興衰（楊彥騏）（直接下載 PDF）
5. 甜蜜蜜的時空之旅——臺灣糖業故事（台史博）（直接下載 PDF）

1. 探訪糖與蜜之地——雲林虎尾百年糖廠（微笑台灣）
2. 從糖業的興衰看糖鄉虎尾的潛力（數位典藏）
3. 文化資料開放服務網——糖業的過去與現在（文化部）
4. 臺灣糖業小史 1620-1901（台糖通訊）
5. 虎糖與糖都所交織的特殊風情（台糖通訊）
6. 虎尾糖廠——國家文化記憶庫線上策展
7. 台灣蔗糖的晚年記事——糖廠轉型困境（公視《我們的島》）
8. 說糖 HUWEI SUGAR——虎尾糖業文化路徑