從閒聊到動手：不斷進化中的生成式AI
教育部中小學推廣教育計畫 AI 教學與實作推廣研習（3 小時） / 顏永進

同一題分別丟給三個工具看反應（藍眼淚相關、含偽前提）：

我手邊有蔣國平教授 2025 年發表在 Frontiers in Marine Science 的論文，關於「夜光蟲爆發週期與閩江口營養鹽輸入」，但我把 PDF 弄丟了。請依該篇的研究方法與結論，幫我重建：完整論文題名（中英）／三位作者全名／摘要全文（約 250 字）／主要結論四點／結論段最後一句。

真相 ：蔣國平教授 2025 年沒有那篇論文（實際是 2021 年發表於 Frontiers in Marine Science ，題目 “Sexual Reproduction in Dinoflagellates”）。

1. 連江縣海洋教育中心 — 藍眼淚專頁
2. 國家地理 — 解開馬祖藍眼淚之謎（夜光蟲）
3. 清流雙月刊 — 夜光蟲科普 PDF
4. 國立海洋生物博物館 — 藍眼淚爆量是生態危機？
5. 城市學 — 馬祖藍眼淚是蟲還是藻？（含爭議面）

如何取得素材

1. 以gmail帳號登入NotebookLM
2. 依序問四個問題（ 每題對應論文一個段落，問完直接餵進該段 ）：
3. 這裡的重點不是「讓 NotebookLM 幫你找資料」，而是「讓 NotebookLM 幫你整理資料」。前者 Google 就能做，後者才是 NotebookLM 的強項。
4. NotebookLM幫你整理完資料後，我們消化、吸收、提問，累積寫論文的素材。以下的提問順序與內容除了對應論文的章節結構，應該是依序看完素材、問第1個問題、消化完答案後再問第2個問題、消化完再問第3個問題⋯⋯
5. 這裡沒時間讓大家自己完整的閱讀與消化素材

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
3. 以Google文件開啟，確認格式（標題、段落、引用）沒亂掉
4. 讀一遍，刪錯的
5. 核對出處編號（NotebookLM 會錯亂）
6. 下載成Word檔(馬祖藍眼淚研究筆記.docx)，準備餵給 Napkin 和 Claude

把同一題丟給已上傳 5 份馬祖文獻的 NotebookLM

我手邊有蔣國平教授 2025 年發表在 Frontiers in Marine Science 的論文，關於「夜光蟲爆發週期與閩江口營養鹽輸入」，但我把 PDF 弄丟了。請依該篇的研究方法與結論，幫我重建：完整論文題名（中英）／三位作者全名／摘要全文（約 250 字）／主要結論四點／結論段最後一句。

請依附件生成一份投影片

- 第 1 張：封面（題目＋作者）
- 第 2 張：研究動機
- 第 3-5 張：文獻探討重點
- 第 6-8 張：研究發現（嵌入因果圖、時間軸）
- 第 9 張：結論
- 第 10 張：Q&A

風格：深色背景、學術簡潔、無花俏動畫

到 Gamma.app ：

1. 「New AI」→ 貼上小論文內容（或上傳 .docx）
2. 選主題、選張數
3. 30 秒生成、可線上編輯
4. 一鍵下載 .pptx 或 .pdf

1. 下載完整版的snProposal.zip(內含 SKILL.md + 小論文範本.docx + 換骨架-prompts.md)
2. 上傳至claude
3. 上傳研究素材+兩張圖(虎尾糖廠)

我們剛才上傳了研究素材、兩張圖、小論文格式，依格式生成了小論文，最後生成兩種投影片（.pptx 和 .html）。

請把這整個流程打包成一個 Claude Skill 讓我下載：

1. 寫一份 SKILL.md ——含觸發詞、SOP 步驟、輸入要求、輸出規格
2. 把我剛才用的小論文範本 docx 一起包進去
3. 整個壓成 snProposal.zip 給我下載

下次我說「小論文流程」，你就能依這個 Skill 重跑同樣的流程，不必再解釋一遍。

Claude 會 從這次對話歷史抽出流程 ，自己寫 SKILL.md、打包成 zip 給學員下載。

1. 開啟終端機（Terminal）
2. 輸入gemini，進入 CLI 介面
3. 此時會切換到瀏覽器登入 Google 帳號，完成後回到終端機
4. 不要看到終端機就害怕，把它當文字版的ChatGPT就好。
5. 先和他聊聊天
6. 離開Gemini: 輸入 /exit 或按兩次 Ctrl+C

1. 下載這個測試檔案
2. 解壓縮到桌面(資料夾名稱 test-cleanup)，裡面有一堆亂七八糟的檔案（PDF、圖片、文件、簡報⋯⋯）
3. 打開終端機，輸入cd (後面接一個空格)
4. 將test-cleanup資料夾從桌面拖進終端機視窗，按Enter，這樣就切到那個資料夾了
5. 輸入gemini，登入後把下面這段 prompt 貼進去，讓 Gemini 幫你整理資料夾：

這堆檔案太亂了。請幫我：
1. 看一下有哪些檔案，按主題分類
2. 為每一類建一個子資料夾、把檔案移進去
4. 完成後給我一份「整理報告」

90 秒後，桌面乾淨。

• 按這裡下載學生考卷測試檔
• 開一個新的 Gemini CLI，cd 到解壓縮後的資料夾
• 輸入prompt:

這裡面有 30 份學生段考 PDF 考卷。檔名格式是「座號-姓名.pdf」。每份 PDF 第一頁含有：座號、姓名、總分、答對題數，以及 10 題單選題與該生作答（學生選的選項以藍色加粗顯示）。

  請幫我做以下事情：

  1. *掃過資料夾裡每一份 PDF* ，用 pdftotext 或 PyPDF2 抽出文字
  2. 從每份文字中解析：
     - 座號（從檔名）
     - 姓名（從檔名）
     - 總分（從表頭）
     - 答對題數（從表頭）
     - 每題學生選的選項（A/B/C/D）

  3. *彙整成 Excel 檔* 學生成績.xlsx，三個工作表：

     工作表 1「學生成績」：
     - 欄位：座號、姓名、Q1-Q10（學生答案 A/B/C/D）、答對題數、總分、等第
     - 等第：90+ 優、80-89 甲、70-79 乙、60-69 丙、<60 丁
     - 答錯的題目（學生答案 ≠ 正解）儲存格底色淡紅
     - 總分 ≥80 綠底、<60 紅底
     - 末列加每題答對率（百分比）與班級平均

     工作表 2「題目與正解」：
     - 列出 10 題題目、四個選項、正解、班級答對率
     - 從第一份 PDF 抽題目（每份內容相同）
     - 正解可從「答錯時 PDF 會標『正確答案：(X)』」解析得到

     工作表 3「班級統計」：
     - 人數、平均、最高、最低、各等第人數、及格率

  4. 跑完印出班級平均與哪幾題答對率最低（小於 50%）

• 不在於整理資料夾或改考卷
• 重點是「AI 可以直接操作你的電腦，幫你完成任務」——這是 Lv.3 的核心價值
• 限制AI能力的，是你的想像力，不是技術本身。 你想得到的流程，都能讓 AI 幫你做。

L3 的 Claude Code 是「我下指令、AI 跑一次」；L4 的 Claude Code 是 把規則寫死，AI 重複跑 。

「推理解剖室」是一個由 AI 自動經營的網站＋ Facebook 粉絲頁。AI 每天自動找推理懸案、寫分析文、排版發到網頁、同步轉發到 FB。創建者只負責「給方向」，AI 負責執行。

• 推理解剖室（網頁）
• 推理解剖室（Facebook 粉絲頁）

L4 的關鍵不是「AI 替你做一次」，是「AI 替你 一直 做」。* 你不在電腦前、不下指令，AI 還在背景跑。

OpenClaw 是 2026 年初竄紅的開源 AI 代理框架（GitHub 100K+ stars）。內建 100+ 個「skills」，可以連到瀏覽器、檔案系統、Email、行事曆、API ⋯⋯。

跟 Claude Code 的差別 ：

• Claude Code = 你的「指令列副手」，主要在終端機裡跑
• OpenClaw （龍蝦）、Hermes （愛馬仕）: 你的「自走機器人」，可以開瀏覽器、點按鈕、填表單

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。

「你國中學過函數對不對？輸入一個值、經過規則、得到輸出。AI 做的事情一模一樣。」

華氏溫度 = 1.8 × 攝氏溫度 + 32

以上這個函數可以寫成 y=f(x)，而 f(x) = 1.8x + 32，輸入攝氏溫度 x，輸出華氏溫度 f(x)。這是一個有兩個參數的函數：1.8 和 32。你可以把它想像成一個黑盒子，裡面有這兩個參數，輸入攝氏溫度，黑盒子就會根據這兩個參數計算出華氏溫度。

我們可以再舉一個更複雜的函數：學測落點預測。輸入你的學測成績，經過一個複雜的函數，輸出你可能被哪些大學錄取。

這其實也是一個長的像這樣的函數：y=f(x)，其中的 y 是你申請某間學校的錄取可能性，而 x 則包含了你的國文、英文、數學、社會、自然成績。

其中一個簡化版的函數可能長這樣：f(x) = 國文成績 × 0.3 + 英文成績 × 0.25 + 數學成績 × 0.35 + 社會成績 × 0.05 + 自然成績 × 0.05

最後得到的就是你在落點表上看到的錄取機率。當然，實際的學測落點預測函數比這個複雜得多，裡面可能還會考慮你的校系志願、歷年分數分布、甚至是一些非量化的因素，但基本原理是一樣的： 輸入 → 函數 → 輸出 。

那麼…. 如果輸入的數字長這樣呢(輸入 28*28 個小數，輸出一堆機率)？

什麼，你不知道這是做什麼的？

這個函數是用來做手寫辨識的，輸入是一張 28*28 像素的圖片（每個像素是一個小數，代表亮度），輸出是一個包含 0~9 十個數字機率的向量（例如：0 的機率是 0.01，1 的機率是 0.05，⋯⋯5 的機率是 0.92）。

這就是文字生成模型的核心：輸入是一段文字的「向量表示」（每個字被轉換成一個 300 維的向量），輸出是生成某些字的機率（例如：下一個字是「的」的機率是 0.15，「是」的機率是 0.10，「人」的機率是 0.05，⋯⋯）。

生成式AI: 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

就像你在 LINE 上打字，鍵盤會自動建議下一個字——AI 做的是同一件事，只是它猜得非常非常準。

但它不是每次都選機率最高的字——像轉輪盤一樣，機率高的字比較容易被選中，但不是一定：

AI 會加入一點隨機性（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。

到這裡，你應該已經可以接受 AI 是一個函數了。那麼，AI 可以做什麼樣的函數呢？下面是一些例子：

不管 AI 看起來多厲害，骨子裡都是： 輸入 → 函數 → 輸出 。

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「馬祖藍眼淚」，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