從陪聊到動手——AI走進閱讀課
115 精進計畫｜高雄市輔導團研習：AI 應用在閱讀輔助力 / 顏永進

打開 ChatGPT，直接問：

請介紹橋頭糖廠的歷史與重要性。

ChatGPT 會給你一個流暢的答案，但：

• 多半只講「台灣第一座新式糖廠」的觀光導覽版，不會主動提到甘蔗農剝削、二林事件這條線
• 「為什麼選橋仔頭設廠」背後的水源／鐵道／交通條件可能寫錯
• 沒有出處——你不知道哪一句可以寫進備課單
• 想拿來教「閱讀素養」中的「省思評鑑」層次，這份答案根本不夠用

這就是 Lv.1 的極限。接下來換 Lv.2 的方式。

打開 NotebookLM（用 Google 帳號登入），把以下五個網址直接 貼 到「來源」欄位（NotebookLM 會自動抓網頁內容）：

1. 橋頭糖廠——維基百科
2. 橋頭糖廠——台糖官網（觀光園區介紹）
3. 臺灣糖業的源起之地——橋頭糖廠時空巡禮（方格子）——*本場研習的關鍵素材*
4. 糖業王國興衰路——橋頭糖廠（方格子）——產業變遷視角
5. 橋頭糖廠——台灣製糖工廠百年文史地圖

更多素材見底下「素材清單」。

📌 網址 vs PDF 的差別 （給認真想拼品質的老師看）：

來源型態	NotebookLM 解析品質	操作成本
直接貼網址	中：會把網頁的 navbar、廣告、相關文章等雜訊一併抓進來，內容被稀釋	低（一鍵貼）
上傳 PDF	高：只抓文字主體，引用更準、quote 更乾淨	高（每篇要先「列印 → 另存 PDF」）

研習當天我們走「貼網址」省事；如果你回家想為某個重要單元拼到極致，把網頁先存 PDF 再上傳，NotebookLM 給的內容深度會明顯不同。

研習當天我幫你準備好橋頭糖廠的清單，但回家備別的主題或課文時你得自己找。三招：

第 1 招：用 NotebookLM 內建的「探索」（在網路上搜尋新來源/Discover sources）

進入 NotebookLM → 新增筆記本 → 點 「Discover sources」 → 輸入主題 → NotebookLM 自動建議 10 份網路素材，一鍵加入。最省時的方法。

第 2 招：請 AI 開一份「分層素材清單」

打開 ChatGPT 或 Gemini，貼這段 prompt：

我要為國中生上 XX 這個閱讀素養主題，準備寫一份完整教案。請給我 10 份網路上能找到的素材清單，分三類：

一、權威來源（維基百科、教育部、學術論文、文學館資料庫）
二、教師社群分享（教學案例、共備講義、評析文章）
三、批判閱讀對照組（媒體報導、部落格、聳動標題、爭議觀點）

每份附上完整 URL 與一句話介紹。

第三類「批判閱讀對照組」特別值得花心思——它就是課堂上「文宣表面 vs 史料真相」的對照素材。例如橋頭糖廠的旅遊文宣寫「百年糖業文化」，史料寫「甘蔗農抗爭」，這兩種敘述的落差就是這類。

第 3 招：AI 找的素材一定要逐個點開驗證

• AI 會幻覺出 根本不存在的網址
• AI 會把不同文章的內容混搭成「假摘要」
• 看清楚： 誰寫的、什麼時候寫的、立場是什麼

點不開的丟掉、來源可疑的丟掉。剩下的才上傳到 NotebookLM。

根據這些資料，日本人為什麼在 1901 年選擇橋仔頭設立台灣第一座新式糖廠？背後有哪些關鍵的時代背景？

橋頭糖廠選址橋仔頭的具體條件是什麼（水源、交通、地理、政策）？請引用史料說明。

觀光導覽／旅遊文宣多半把橋頭糖廠寫成「百年糖業文化」、「五分車記憶」這類懷舊風，但同時期的甘蔗農生計、剝削問題、二林事件之類的史料寫的是另一回事。這兩種敘述的落差是什麼？該怎麼跟學生討論？

如果我要為國中生設計閱讀三層次提問（事實／推論／評價），這個主題各層次可以怎麼問？請每層各給三題，並標示出處段落。

問完之後，貼這段指令讓它整合：

請把我們剛才所有對話整合成一份「主題研究筆記」，這份筆記接下來要餵給 Claude 寫教案。格式如下：

一、主題基本資訊：題目、年代範圍、地理位置

二、關鍵史實：列出所有重要事實。每個事實點必須：
  (a) *直接引用原文一段* （用「」標出，至少 15 字）
  (b) 後面標來源編號 [X]
  (c) 不能引出原文的事實，整個不要列——寧可少寫，不要編造

  範例格式：
  「1901 年 2 月 15 日，臺灣製糖株式會社開始於臺南廳橋仔頭建廠。」[1]

三、分類整理：自然條件、政策背景、企業考量、戰略需求等
四、文宣表面 vs 史料真相：旅遊文宣與真實史料的落差，這是教案中的批判閱讀切入點。兩種敘述各引原文一段
五、教學提問素材：三層次題組初稿（事實層／推論層／評價層各 3 題，每題附對應原文段落）
六、 *完整參考文獻清單* ：列出每一份資料的作者、文章名稱、出處、網址，按編號排列；之後 Claude 寫教案時要直接引用

七、 *視覺化用條列* （之後要直接貼給 Napkin 畫圖用，請寫成乾淨的條列）：

  (甲) 選址原因因果關係圖（5-6 條）：
       例如：「自然條件：水源充足（中崎溪）、氣候適合甘蔗、地勢平坦」
       涵蓋面向：自然條件／交通條件／政策推動／企業考量／戰略需求

  (乙) 橋頭糖廠時間軸（5-8 個節點）：
       例如：「1901 台灣製糖株式會社成立，選定橋仔頭設廠」
       涵蓋從建廠（1901）到現在（轉型文化園區）的關鍵事件

⚠️ 為什麼第二條那樣寫 ——NotebookLM 的出處編號偶爾會錯亂（編號跳號、不同編號指到同一來源、或編號跟內容對不上）。 強迫它「引用原文」 是預防錯亂最有效的方法：模型必須真的回去看 chunk，編號才能對得起來。

⚠️ 第 5、6、7 條特別重要 ：

• 第 5 條讓 Claude 不用自己重新出題（省 token、品質穩）
• 第 6 條讓 Claude 不用編造引用文獻
• 第 7 條讓 Step 2 Napkin 直接複製貼上、不用老師再從研究筆記裡抓重點

少了任一條，後面的 Step 都會變糊或變麻煩。

即使有了預防 prompt，編號仍可能少數錯亂。由輕到重：

1. *追加引述要求*：貼下面這段叫它重做

      請逐一核對你剛才產出的研究筆記中所有的出處編號 [X]。
      針對每一個事實點，回去檢查標註的來源是否真的包含那段引言。
      錯的編號改正、找不到對應原文的事實整個刪除（寧可少寫不要編）。
      重新輸出修正後的研究筆記。
   

2. *自我核對表*：要它列出對照表

      請列出剛才研究筆記中所有出處引用，格式：
      | 事實點 | 標註來源 [X] | 該來源實際是否提到此事實 | 結論（保留/刪除/改成 [Y]）|
      核對完，重新輸出修正後的研究筆記。
   

3. 核武器：重開筆記本 ——把對話關掉、新建 notebook、重新上傳素材、重貼 4 問與打包指令。LLM 的隨機性這次反而幫你修錯。代價：之前的追問脈絡消失。

操作步驟：

1. 在回答下方點「儲存到記事」
2. 到「工作室」找到記事 → 點「匯出至文件」→ 拿到 .docx

打開剛才匯出的 .docx，花 5-10 分鐘做三件事:

動作	為什麼要做
讀一遍，刪掉錯的	NotebookLM 雖然有出處標註，但仍可能抄錯年代、人名、地名——你身為老師，知道哪些細節怪
核對出處編號是否對	NotebookLM 的 source attribution 偶爾會錯亂：編號跳號、不同編號指到同一來源、編號跟內容對不上。逐一點開編號驗證，錯的直接改
砍掉重複、冗餘	來源彼此重疊時，NotebookLM 會把同一件事講三次。挑最完整的留、其他刪——*這也直接省下 Step 3、4 的 Claude token*
補上你自己的判斷	NotebookLM 給的是「資料整合」，不是「教學判斷」。在筆記中加幾句「↑這段適合放教材分析」「↑這段太硬，國中生看不懂」這類旁註，後面 Claude 會看到

• AI 的強項是 整合分析資料 ，不是 判斷教學適切性 ——後者只有老師會
• 後面 Claude 寫教案時會把研究筆記內容直接抄進去，*你刪掉的，學生才不會看到*
• 出處編號錯的話特別嚴重 ——Claude 會把錯誤的編號排進教案的「參考文獻」段，學生／審查委員一查就翻車

⚠️ *如果出處編號錯太多，重新打包一次*：回到 NotebookLM 對話框，貼一樣的「打包指令」再跑一次。NotebookLM 重新生成時，編號通常會修正（這是 LLM 的隨機性反而幫你修錯）。

完成檢視後，存檔（建議命名 research-notes-reviewed.docx ）。 這個檔案才是 接下來兩步的素材庫——它會直接餵進 Step 3 與 Step 4 的 Claude。

• 圖 1（因果關係圖） ：回答「為什麼」——選橋仔頭的多重原因
• 圖 2（時間軸） ：回答「然後呢」——從 1901 到現在的演變

打開 Napkin（用 Google 帳號免費登入）。

📌 素材在哪裡 ：打開 Step 1 的 research-notes-reviewed.docx ，找到 第七節「視覺化用條列」 ——NotebookLM 已經幫你寫好兩段條列，分別對應兩張圖。直接複製貼到 Napkin 就好。

圖 1：選址原因因果關係圖

從研究筆記第七節 (甲) 複製整段選址原因條列 → 新建 Napkin 文件 → 貼上 → Napkin 自動生成多種視覺化方案 → 挑「因果／放射狀」風格 → 下載 PNG（命名 fig1-causes.png ）

圖 2：橋頭糖廠時間軸

從研究筆記第七節 (乙) 複製整段時間軸條列 → 新建 Napkin 文件 → 貼上 → 挑「時間軸（Timeline）」風格 → 下載 PNG（命名 fig2-timeline.png ）

→ 老師手上會有兩張 PNG，待會上傳給 Claude。

⚠️ 如果第七節內容單薄或不對 ——回 Step 1 的「人工檢視時間」補強，或回 NotebookLM 對話框追問：

請把研究筆記第七節（視覺化用條列）的兩個條列補完整：
(甲) 選址原因要涵蓋自然/交通/政策/企業/戰略 5 個面向，每點要有具體細節
(乙) 時間軸要從建廠到現在，至少 6 個關鍵節點，含年代與事件

UbD 的精神：先決定「學生要會什麼」，再倒推「教師要教什麼」。

如果先寫教案、後做學習單，常出現的問題是：教案寫得很漂亮、流程很豐富，但回頭做學習單時發現「咦，這些活動跟學習單對不上」——只好兩邊互相妥協。

倒過來做：先讓 Claude 產出一份簡單的學習單，再以「能讓學生完成這份」為目標生教案，邏輯一致、活動聚焦。

建議開新對話 ——這是 Claude 第一次出場，給它乾淨的脈絡。

老師上傳一個檔案：

1. Step 1 的研究筆記 research-notes-reviewed.docx

請根據附件研究筆記，為「橋頭糖廠」這個閱讀素養主題設計一份簡單的學習單，輸出為 Word 檔（.docx）。

【學習單結構】（A4 雙面內，不要太長）
1. 抬頭：班級／座號／姓名／日期填寫格
2. 暖身題（1 題）：連結學生生命經驗的開放題（例：「你經過過糖廠／類似的舊工業區嗎？當時的感覺？」）
3. 精讀題（5 題）：直接從研究筆記中的三層次題組挑選，事實層 2 題、推論層 2 題、評價層 1 題，每題下方留 3-4 行空白
4. 小組討論題（1 題）：「文宣表面 vs 史料真相」對照題，留半頁空白
5. 學完寫一寫（1 題）：給能力較強的學生延伸寫作，例：「你會怎麼跟外地朋友介紹橋頭糖廠？」

【格式要求】
- 字級不小於 12pt、行距 1.5、學生看得清楚
- 全部留學生填寫的空白格／橫線
- 對象國中生（13-15 歲），用語要貼近這個年齡
- 不要分能力版本，一份就好

完成後請在回答開頭簡述「我從研究筆記挑了哪 5 題進精讀題」，方便老師驗收。

5 分鐘後 → Claude 產出 Artifact → 下載 worksheet.docx

• 學習單是「學生最終要會什麼」的具體呈現——比抽象的「學習目標」更具體
• 學習單做完，下一步教案的「教學流程」就有清楚的目標：每個活動都要對應到學習單某一段
• AI 5 秒做好排版、留白、橫線——老師最花時間的部分被消化掉了

同一個 prompt，Claude 同時做四件事——

1. 讀學習單，反推「學生要會什麼」
2. 抽取教案範本的格式結構
3. 設計教學流程——每個活動對應到學習單的某個段
4. 把上傳的兩張 PNG 直接嵌進 docx 對應段落

整個過程 零人工介入 ——示範時就講這句話：「我按下送出，下次再碰電腦的時候，已經是下載完成的教案 .docx 了，而且每個活動都跟學習單對得起來。」這就是 Lv.3 + UbD 的真貌。

建議開新對話 ——避免繼承 Step 3 的對話歷史，token 從 0 累積。

老師上傳四個檔案：

1. Step 1 的研究筆記 research-notes-reviewed.docx
2. Step 2 的兩張圖 fig1-causes.png 與 fig2-timeline.png
3. Step 3 的學習單 worksheet.docx
4. *教案格式範本*：基隆市 openclass〈兒時記趣〉教案 (.docx)（先下載到桌面）

📌 Claude 免費版會把 PNG 嵌進 docx ——產出 Artifact 時自動把上傳圖檔打包進 docx 的 word/media/ 裡，並在指定段落嵌入。老師下載後直接打開就能看到完整圖文整合的教案。

請整合附件素材，為「橋頭糖廠」這個跨領域閱讀素材產出一份完整教案，輸出為 Word 檔（.docx）。

【UbD 核心原則——這是這份教案的設計邏輯】
附件中有一份「學習單.docx」，那是學生最終要做完的東西。
請以「能讓學生完成這份學習單」為目標，倒推設計教學流程。
每一個教學活動都要明確對應到學習單的某一段（暖身題／精讀題／小組討論／延伸寫作）。

【格式要求——逐字遵守】
我上傳了一份教案格式範本（〈兒時記趣〉教案），請你：
1. 先打開這份範本，把「結構」抽出來：有哪些欄位、欄位的順序、表格、標題層級、字體大小。
2. 完全照搬這個結構。欄位名稱不要自己改。
3. 範本沒有的欄位（例如跨域延伸、與學習單對應表），補在最後但沿用範本的樣式。
4. 字型：中文用標楷體或新細明體（依範本）、英數用 Times New Roman。
5. 完成後請在回答開頭列出兩件事：(1) 我從範本抽出的結構清單；(2) 教學流程哪一段對應到學習單哪一題。

【內容要求】
基本資訊：
- 主題：橋頭糖廠——台灣第一座新式糖廠（1901）
- 屬性：跨領域閱讀素養素材（國文／歷史／公民）
- 對象：國中（13-15 歲）
- 節數：3 節（共 135 分鐘）

教案需包含：
1. 教學目標（對應 108 課綱閱讀素養指標、對應到學習單預期能力）
2. 教材分析（主題特色、學習難點、文宣表面 vs 史料真相的教學切入）
3. 教學流程（每節分「引起動機 / 發展活動 / 綜合活動」三段，標註時間，每段註明「對應學習單第幾題」）
   *請把附件 fig1-causes.png 嵌入「教材分析」欄位末尾，置中、寬度約 14cm*
   *請把附件 fig2-timeline.png 嵌入「教學流程」欄位最開頭，置中、寬度約 14cm*
4. 提問設計（直接用研究筆記中的三層次題組）
5. 評量方式（形成性 = 學習單填寫狀況；總結性 = 學習單品質）
6. 跨域延伸建議（歷史科：日治糖業與經濟；公民科：在地產業變遷與社會影響）
7. 參考文獻（根據研究筆記中的清單，按編號排列，至少 5 篇）

【嚴格規則】
- 兩張圖 *必須* 嵌入指定段落，不要替我留佔位框
- 教學流程跟學習單必須對得起來，不要兩邊各自漂亮
- 引用的具體事實（年代、人名、地名）必須跟研究筆記一致，不要自己編
- 語氣自然、不要太教條

5-10 分鐘後 → Claude 產出 Artifact → 下載 .docx → 老師打開直接看到完整教案＋兩張圖

1. 兩張圖是否真的嵌進對應段落？（最容易出包）
2. 教學目標是否真的對應到你的班——AI 寫得很「漂亮」但可能離地
3. 時間分配是否合理——AI 排出來的時間常常不夠，要實際走一遍
4. 評量規準是否真的可評？還是只是好看的形容詞？
5. 引用的具體事實（年代、數字、人名）是否正確？AI 會編
6. 跨域連結——你的學校有沒有可以合作的歷史／公民老師？

• 先做學習單再做教案 是 UbD 的精髓——終點先定，路線才不會走偏
• 一份教案的「正文」AI 能寫，但「教學現場感」要老師補
• 把今天的教案＋兩張圖列印出來，下週直接走
• 對輔導團特別重要 ：你帶回去的不是「我會用 AI」，是「一套可以複製給其他老師的備課流程」

Prompt	Skill
寫一封信，寄完就丟	訂一個 SOP，永遠跟著用
每次重新打	寫一次，AI 一直照做
你給 AI 一個任務	你給 AI 一份「流程說明書」
「請為橋頭糖廠寫教案」	「請用閱讀教案流程處理 X」

下次打開 Claude，你只要說一句：

請用閱讀教案流程，為「左營眷村文化」產出國中跨領域閱讀教案。
研究筆記與兩張圖附後。

然後上傳素材——AI 自己跑完整套整合，產出教案 docx。

📦 下載連結 :reading-lesson-pack.zip——研習當天會用，研習後可下載自己裝

1. 開 claude.ai → 右上頭像 → Customize → Skills → 點「+ Add Skill」
2. 把上面下載的 reading-lesson-pack.zip 拖進去——裡面就是一份 SKILL.md ，類似這樣：

---
name: reading-lesson-pack
description: 為任何閱讀素養主題以 UbD 邏輯生成「學習單＋教案」配對。當使用者上傳「研究筆記＋兩張視覺化圖＋教案格式範本」並要求「跑閱讀教案流程」時觸發。先產學習單（決定終點），再倒推設計教案。
---

# 跨領域閱讀教案產生器（UbD 兩階段）

當被要求產出時，分兩份依序產出:

**第一份:學生用學習單（先做）**
1. 讀研究筆記，抽出三層次題組
2. 設計學習單:暖身題 1、精讀題 5、小組討論 1、延伸寫作 1
3. 留學生填寫的空白格與橫線

**第二份:教師用教案（後做，倒推）**
1. 讀剛才的學習單，反推「學生最終要會什麼」
2. 讀範本，抽出格式結構
3. 設計教學流程，每個活動對應到學習單某一段
4. 把兩張 PNG 嵌入指定段落
5. 從研究筆記抽出參考文獻、按編號列在文末

1. 開新對話，貼一句指令＋上傳素材（研究筆記＋兩張圖＋教案範本），按下送出
2. 等 5-10 分鐘 → 學習單＋教案兩份 docx 連續產出

剛才花 90 分鐘跑完的流程，現在一句話＋一次上傳就搞定。 這就是 Lv.4。

對輔導團特別重要 :你今天傳給其他老師的不再是「我會用 AI」，而是「一份可以複製貼上的流程檔」——這才是「方法傳出去」的真正意思。

最後一關永遠是你——AI 交成品，掛名的是你。Skill 跑得再快，每一份產出都還是要老師檢查。

先下載練習資料夾 :test-cleanup.zip（50 個模擬檔案：教案、學習單、學生作品、成績、簡報，全部混在一起）

下載後解壓縮到桌面，會看到 ~/Desktop/test-cleanup/ 資料夾。

開終端機：

cd ~/Desktop/test-cleanup
gemini

啟動 Gemini CLI（裝法見附錄）後，丟一句中文：

桌面這堆檔案太亂了。請幫我:
1. 看一下有哪些檔案，按主題（教學素材／研習／學生作品／私人雜項）分類
2. 為每一類建一個子資料夾、把檔案移進去
3. 給每個資料夾用 macOS Finder 標籤上不同顏色
   （請用 `tag -s <顏色> <資料夾>` 命令，-s 表示「替換」而非「附加」，避免標籤疊加）
   建議顏色:教學素材→Blue、研習→Green、學生作品→Yellow、私人雜項→Gray
4. 完成後給我一份「整理報告」（有哪些檔案動了、放哪了、上了什麼顏色）

按 Enter 後，現場看 Gemini CLI 自己跑：

• 讀目錄、列檔案 → 「我看到桌面有 47 個檔案、3 個資料夾」
• 分析檔名、分類 → 「我建議分成：教學素材、研習筆記、學生作品、雜項」
• 每一步問你 Y/N 才動手 → 你按確認，它建檔、移動、上色
• 完成後給報告 → 「47 個檔案分入 4 個資料夾，已上色」

90 秒後，桌面乾淨。

是「AI 出了瀏覽器、進入你的檔案系統」這個門檻。

跨過這道門，所有「在電腦上重複做的雜事」都能交給 AI:

• 備課素材按單元歸檔
• 班級照片批次改名（=20260507_班級活動_001.jpg=）
• 學生繳交檔案統計、缺交清單
• 會議錄音批次轉文字
• ……

• 第一次玩，先在 不重要的資料夾 試手感（別直接拿桌面開刀，萬一翻車很慘）
• Gemini CLI 每一步動手前都會問你 Y/N ，看清楚再按
• 重要檔案永遠要先備份

Lv	你做什麼	對應今天看到的
1	你會打 prompt	ChatGPT 那段「先看 Lv.1 的限制」
2	你會把 NotebookLM、Claude、Napkin 串起來用	PART #1 的整套四步流程
3	AI 替你跑完整個流程（一句話、多步動作）	Section 2 Gemini CLI demo
4	你訂的規則，AI 一直照做（Skill）	Section 1 上傳 SKILL.zip
5	AI 規劃步驟＋操作電腦	（點到為止，OpenClaw 之類）

每一層上去，「老師打字的時間」變少，「老師決定方向的時間」變多。Lv.5 是天花板：你只負責決定要去哪，AI 全部包辦。

代理人不只是「替你跑備課流程」——它可以「替你經營一個身份」、甚至「替你過一整天」。

簡化的對比：

• 人 ↔ 模型 ：你跟 AI 對話、AI 給回答。每一輪都靠 你 下指令、推進步驟、判斷下一步要問什麼。這是 PART #1 跟 Section 1 的工作模式。
• 人 ↔ 代理人 ↔ 模型 ：你跟「代理人」講目標，代理人自己決定 要叫模型做什麼／要不要操作電腦／要不要查網路 。你只看最終結果。這是 Section 2 的 Gemini CLI、上面 AI Agent 段的例子。

關鍵差別在「誰在規劃步驟」：

層級	步驟由誰規劃	對應今天看到的
Lv.1-2	人（你每一步都要下指令）	PART #1
Lv.3-4	人預先寫好（prompt 或 Skill），代理人照做	Section 1（Skill）／ Section 2（Gemini CLI）
Lv.5	代理人臨場決定	推理解剖室、OpenClaw

以 Anthropic Claude 系列為例（其他家邏輯類似）：

模型	強項	用在	訊息額度成本
Claude Opus 4.7	最強推理、最貴	複雜分析、需要深度思考的任務	高（5x Sonnet）
Claude Sonnet 4.6	平衡品質與速度	日常複雜任務、要嚴格照範本	中（基準）
Claude Haiku 4.5	快、便宜	單純任務、聊天、快速產出	低（1/3 Sonnet）

對應今天的流程：

• Step 4 教案 （複雜、要嚴格照範本、要嵌圖）：建議 Sonnet 4.6
• Step 3 學習單 （單純、結構簡單）：Haiku 4.5 就夠
• *跟 NotebookLM 對話*（出題、追問）：模型由 Google 端決定，不用選

選模型的判準： 「越複雜的任務、越要照格式的任務」用 Sonnet 以上；「單純文字產出」用 Haiku 。

AI 不是查資料庫、不是「知道事實」。它的本質是 猜下一個字 :

• 函數視角 :輸入文字 → 模型計算 → 輸出最可能的下一段文字。沒有「記憶」，每次對話歷史都要重送一次（這就是為什麼新對話省 token）
• Token 視角 :模型把文字切成「token」處理。中文一字約 1.5-2 token；英文一字約 0.5-1 token。長文成本飆得快
• 幻覺的本質 :因為模型在「猜」、不在「記」，所以它寫得很像那回事的東西可能整個不存在——這就是為什麼 NotebookLM 的編號會錯、Claude 寫的人名年代要核對

三個推論 :

1. AI 越「肯定」越要警覺——它不會說「我不確定」，會直接給你錯誤答案
2. 凡有標準答案的學科，AI 產出 必須 老師最後把關
3. 「為什麼 NotebookLM 跟 Claude 在不同地方都會出包」 = 它們本質都是「會猜下一字的函數」

學生作文、輔導紀錄、IEP、未公開競賽作品——一個判準：

「這段如果被截圖貼到網路上，我會崩潰嗎？」 會 → 別丟雲端。

進階解法（點到為止）：本機 AI（ollama + 開源模型）跑在你筆電上，資料完全不外流。下次研習可以再深入。

1. AI 幫你加速，不是幫你代教 ——上課的還是你
2. 你給 AI 多少「你的樣子」，它就回給你多少「你的樣子」 ——你的教學風格、你的班、你的判斷，要寫進 prompt（或寫進 Skill）
3. 一定要自己檢查 ——尤其是引用、題目、史實——AI 會編