永遠的測試版　林穎俊的教學記錄

Lazy prompting

與其絞盡腦汁寫出完美prompt，不如先偷懶看看會發生什麼事

昨天吳恩達教授提出了「Lazy Prompting」的概念，這是一種使用大型語言模型（LLM）時更進階的提示技巧。做法是直接輸入一個簡短但可能不夠精確的 prompt，先看看 LLM 會給出什麼樣的結果，再根據情況決定是否補充更多脈絡(context)。判斷這種方法是否合適的關鍵，在於使用者能否快速評估生成內容的品質。

其實早在 2023 年，吳恩達教授在《Generative AI for Everyone》課程中就已經談過類似的概念。他建議與其一開始就試圖寫出完美的 prompt，不如先嘗試一個簡單的版本，觀察LLM的回應，再根據實際結果調整提示，直到得到理想的答案。他甚至提醒大家，不需要擔心問錯問題，也不會因為幾次錯誤就導致什麼災難性的後果。

從這兩段不同時期的分享中，我看到的核心原則是：與 AI 的互動應該是「從最簡開始，逐步修正」，這是一種迭代與互動的過程。關鍵並不只是把 prompt 寫得多完整，而是使用者能否清楚地表達自己的需求，並判斷 AI 的回應是否符合預期。

這其實很像我們在教學中的作法。就像在教孩子「如何表達想法」的時候，我不會直接給孩子一篇文章叫他們自己看完就當作學會了，而是透過反覆提問、舉例，甚至從情境中引導他們思考：「這樣說比較好嗎？為什麼？」透過不斷的互動，才能建立孩子對「表達想法」這件事的理解。我們與 LLM 的互動，也應該是一種「讓它更了解你想要什麼」的過程，而不是單向的prompt。

我覺得最重要的是，我們要大量地在生活中實際使用 LLM。不管是查資料、理解文本、生成圖片、進階語音、設計 meta prompt，甚至只是想知道關稅對臺灣的影響都好。多用就會更清楚它擅長什麼、不擅長什麼。像我一開始對 ChatGPT 的搜尋功能沒有信心，總覺得查出來的東西很多錯誤就是一坨 OO，但直到朋友跟我分享他如何使用 ChatGPT，我才發現它的能力其實遠超出我的預期。

其實我們可以在生活中找到很多實際使用 LLM 的情境。就像大神 Andrej Karpathy 的影片有提到：

--想查一件生活小事，例如：「查某個影集的最新資訊？」

--閱讀一篇很長的英文文章或研究報告時，可以請 LLM 幫你摘要重點，或解釋其中的關鍵概念。

--如果你正在學語言，可以用它練習會話、拆解句子結構，甚至幫你做成flash cars。

--也可以請它推薦冷門又有趣的城市幫你規劃旅遊行程

--還可以用文字描述生成圖片、製作 Podcast、讓 AI 看你手機畫面回答問題，甚至製作簡單的 App。

這些例子都說明了一件事：你不需要一下子就會寫出「完美的 prompt」，只要願意開始用它處理身邊的小問題，慢慢就會發現它的潛力。從問生活瑣事，到深入學習一個主題，甚至創造新的東西，這些都是你與 AI「互動出來的能力」，而不是單靠輸入一句prompt就完成的奇蹟。

這也讓我反思：有時候限制我們的，不是 AI 的能力，而是我們對 AI 的認知還停留在過去。你不去用它，就不會學會怎麼用，而你真正學會的，不該只是「怎麼操作」，而是「思考怎麼使用」。

但我也想提醒大家一件事：當你無法判斷 AI 給出的答案是否足夠好時，其實代表你對這個問題的理解還不夠深。這就像我在教小學生使用 AI 的時候，有孩子會直接複製貼上 AI 的答案。我問他為什麼這麼做，他回答：「我沒有複製啊，只是剛好 AI 想的跟我一樣而已。」聽起來好像沒問題，但其實他並沒有真的理解或判斷 LLM 的回應，他只是照單全收。而當我們自己無法指出 AI 的回答哪裡可以更好時，會不會其實我們的水準也跟孩子差不多？

所以我們使用 AI 的目標，不應該是「讓 AI 幫我跳過思考的過程」，而是「透過互動加深自己的理解」。只有這樣，我們才能真正把它變成提升自己能力的工具，而不是一個取代思考的捷徑。

真正厲害的，不是會下完美 prompt 的人，而是具有品味懂得判斷與修正的人。

OpenAI學院

剛看到OpenAI推出了OpenAI學院(OpenAI Academy)，包含了ChatGPT各種功能(如GPTs、搜尋跟資料分析)的介紹、給開發者的Build hour（如微調Fine-tuning、Assistants & Agents跟蒸餾等）甚至連給教育工作者的基礎介紹、AI自動化跟如何與AI協作簡化小組專案都有。

網址：

https://academy.openai.com/

在2025年學習如何寫程式是否還有價值？

Replit的CEO Amjad Masad被問到「在2025年學習如何寫程式是否還有價值？」

Amjad Masad一開始說「有」，但取決你對AI的發展有什麼預測。就像在上昇的情況下，就像Anthropic的CEO Dario說的所有的程式碼都將由AI生成。在這個最佳的路徑，agent將變的越來越強的情況下，答案就不一樣，是否需要學寫程式的答案就是否定的，學程式就是浪費時間。

Amjad知道不同人會有不同的看法，但看到agent的進展後，他改變了答案，一年前他認為每個人都該學點程式，但現在會說要學如何思考、如何清晰地溝通，就像跟人類溝通一樣跟機械溝通。

而 Amjad Masad在X上也補充說道，他理解所有的應對，得出這個結論非常困難。但就他之前在OSS WORK、Codecademy（知名線上學習程式網站）及Replit的工作的經驗，他比任何人更普及化了學習寫程式。

但對我而言，並不是說不要學寫程式（好饒口）只是學程式的內容跟方式跟以前不一樣，現在正是這個轉捩點，但我還不確定Coding 2.0將會是什麼樣子？

生成式AI整合到教學的心得

謝謝 Inside Possible的邀請，讓我有機會跟大家整理分享過去兩年試著將生成式AI整合到教學的心得。

以下是用AI整理逐字稿後，字有點多的概要

#如何與AI一起學習

AI領域有一篇開創的論文「Attention is all you need」，但在生成式AI出現兩年之後，我們不禁要反問：「Is Attention still all you need?」我們使用AI的方式是否仍與過去相同？提問的方式、應用的情境是否有所演進？AI的角色更偏向自動化的「替代」，還是輔助性的「增強」？

替代指的是讓AI自動完成某些工作，但對學生的學習而言，這是好的應用方式嗎？自動化真的能減輕學生負擔嗎？還是只是拿來快速生成某些作品？

增強指的是利用AI作為輔助工具，提升我們原本的能力幫助我們思考作的更好。就像你騎電動腳踏車，你還是需要自己踩，但是AI可你讓騎的更遠更輕鬆。

為了更好地應用AI，我習慣從最根本的學習理論出發——人類是如何學習的？學習大致可分為「編碼」（吸收新知）、「儲存」（長期記憶）和「提取」（回憶應用）三個階段。

我曾有過這樣的經驗：第一次去某個不熟的學校開會，同事簡單指點路線後順利抵達（編碼、儲存）；但第二次要去時，卻怎麼也想不起確切位置和學校名稱（提取失敗），最後還是得依靠手機備忘錄和地圖才找到（後設認知——知道如何尋求外部輔助）。

有效的學習不僅是吸收，更在於能否在需要時成功提取。另外「後設認知」包含了解自己如何學習、監控學習狀態、知道如何解決學習困難，也是相當重要的能力。接下來我分享的AI應用案例，都會嘗試連結到這些學習原理。

#AI的應用情境

1.像小學三年級生一樣解釋概念（輔助編碼）：請AI扮演小學三年級學生，用他們能懂的語言、動漫人物或童話故事舉例，解釋較難的概念（例如國中課本內容）。這有助於降低知識門檻，讓學生更容易吸收（編碼）。我測試過，三年級大概是個不錯的平衡點，再往下可能表達就太簡略了。

2.費曼學習法：教AI學會（提取）：讓學生扮演老師，將AI設定為需要學習的小學三年級學生，學生必須用簡單易懂的方式向AI解釋概念，直到AI「聽懂」。這是一個很棒的「提取練習」，迫使學生從腦中提取、重組並輸出知識。研究證明，不斷提取比單純記憶更能鞏固學習。AI在此過程中還可以判斷學生解釋得是否清晰、正確，並進行反問。

3.蘇格拉底式家教（深度提問）：利用現有的蘇格拉底式家教提示（Prompt），AI不僅針對單一問題提問，更能圍繞整個主題、學習脈絡進行深入探討，甚至引導學生思考知識與自身生活的連結（例如：「這個概念跟你生活有什麼關係？」）。這能培養學生的好奇心、持續思考與探索的學習態度，讓學習變得更有意義。

4.扮演歷史人物（情境思考）：讓AI扮演特定的歷史人物（例如甘迺迪總統在他遇刺當天），學生可以與之對話，更身歷其境地理解歷史事件和人物的決策。這有助於將歷史知識與情境連結，而不只是死記硬背。

5.提供有效回饋（自動化與教師角色的權衡）： AI確實能快速批改作業並提供立即回饋，這對學生學習很有幫助，也解決了老師難以及時給予個別化回饋的困境。但我也對此有所保留。因為過度依賴AI批改，是否會讓老師失去深入了解學生個別狀況與思考脈絡的機會？自動化雖然高效，但情感連結和老師對學生的細微觀察似乎難以取代。界線在哪裡，我還沒有答案。

6.提取練習工具（低風險測驗）：將AI作為課堂結束前5-10分鐘的低風險提取練習工具，不計分、無壓力。透過與AI討論當天所學、為何而學，類似蘇格拉底式提問，但更聚焦於回憶與鞏固。這能有效幫助學生檢視學習成效。

7.批判性思考練習（情境思辨）：透過童話故事改編為思辨情境，例如「睡美人被王子親吻算不算性騷擾？」、「小紅帽反殺大野狼是否防衛過當？」，讓學生先思考並寫下看法，再利用AI作為法律教練，精煉學生的論點，檢視其推論是否完整、思考是否周全。AI會挑戰學生的想法，引導他們從不同角度思考。

#關於PromptEngineering的省思

隨著AI越來越聰明甚至還有記憶功能，越來越懂得Context和反問，我們還需要像過去一樣，教孩子複雜的提示架構嗎？例如角色扮演、思考鏈（Chain of Thought）等技巧？。

或許比起教條式的提示規則，更重要的是培養孩子的好奇心、探索心態，以及如何清晰地描述問題。更重要的是我們要引導孩子思考如何「定位」AI——它是工具、軟體、夥伴、助理甚至老師？

#真正重要的事情

-情感連結是關鍵：無論工具多新穎，學生的學習動機往往源於老師的關心與肯定。孩子學習的動力，很多時候來自於感覺被關心、被看見。老師或家長的陪伴與支持，比AI工具本身更重要。如果缺乏情感連結，即使AI再厲害，孩子也可能缺乏學習動機。

-AI降低學習門檻，但人類付出才是關鍵： AI確實可以降低學習的門檻，。但我的觀察是，學生若沒有被要求進行刻意的提取練習或應用，光靠與AI對話，長期記憶效果有限。大腦需要知道「這個知識很重要」，需要透過實際運用和克服困難才能有效學習，才會真正去記憶和理解。單純降低難度，不代表能確保深度學習。我們要重新思考「學會」的定義，它不只是知道答案，更包含過程中的思考與成長。

-孩子比我們想像的更好，但也需要引導：許多人擔心孩子會用AI作弊。研究顯示，作弊比例在AI出現前後並無顯著增加（因為網路時代本就很高了）。我發現孩子多半知道作弊不對，被提醒後也願意修正。但他們也較少主動探索AI的多元應用。因此老師的角色不是禁止，而是引導——如何負責任地使用、了解界限、辨識風險。

#我們該如何教孩子使用AI

心態：強調學生才是學習的主導者和最終負責人。AI是強大的工具或夥伴，但做決策、判斷是非的仍是自己。

界線：與孩子深入討論AI能做什麼、不能做什麼，哪些學習任務適合AI輔助，哪些思考或創造必須由自己完成，以及過度依賴（學習外包）的潛在風險。

基本提問能力：雖然複雜的提示工程可能不再是重點，但教導孩子如何清晰、具體地描述自己的問題或需求，仍然非常重要。

解決問題：將AI融入實際的專案或問題解決過程中，讓學生在「做中學」，體會AI如何輔助他們達成目標，而不僅是為了使用AI而使用。讓AI輔助除錯、解釋概念或提供建議，而不是直接給出完整程式碼。從「由上而下」（專案導向）切入，可能比傳統「由下而上」（學語法）更能維持學習動機。

#結語

生成式AI的進步日新月異，但它真能改變教育系統嗎？使用AI的人會取代不使用AI的人，這定律在孩子身上也適用嗎？過早或過度導入AI，會不會反而阻礙了孩子核心能力的發展？

未來我們究竟要培養孩子哪些「不會被AI輕易取代」的能力？是提問能力、學習如何學習的能力、批判性思考、同理心、創造力，還是與AI協作的能力？

我沒有標準答案，甚至也不確定自己的做法是否完全正確。但我相信，持續觀察孩子、陪伴他們、與他們一同探索，並不斷反思與調整，或許才是身為教育者，在AI時代最重要的課題。

【Vibe Coding 或是Vibe Prompting？】

自去年開始，我開始嘗試教孩子一門結合 Python 與 AI 的課程。一開始叫做「AI Assisted Python Programming」，但現在或許叫做「Vibe Coding」會是更貼切的名稱。這門課的想法是運用 Python 作為基礎程並結合 AI 作為教學助力，幫助小學生學習基礎的程式學習。

在最初的設計中，我採取的是「由下而上」的教學設計。透過一個實作專案，我一步步引導學生認識變數、資料型別、if-else跟函式等基本概念。當時我們設定的目標是建構一個簡易的線上訂購網站。雖然最終並未完整實作出來，但這個過程讓學生有機會從目標出發，理解每一項功能背後所需的知識與技能，並逐步補足所需的知識。

當學生遇到困難時，我會先請他們透過 AI 尋求協助。他們可以請 AI 解釋概念，甚至產出程式碼。但我給了他們一個額外的挑戰：他們必須能向我清楚說明這段程式碼的意義與邏輯。為了完成這個挑戰，他們必須學會如何有效地與 AI 對話，從而深化對程式內容的理解。這樣的好處是學生不用花費很多時間查資料獲等待老師解決問題，只要有問題AI都可以回答。然而在實際執行的過程中，我發現即使這樣循序漸進地引導，還是有部分學生容易卡關。

因此今年我嘗試轉向「由上而下」的教學方式，靈感來自 Vercel CEO Guillermo Rauch 的訪談。我從中學到人類的價值在於抽象與高階的思考，我們應該訓練孩子更清楚地表達需求，善用 AI 將想法實現，而不是拘泥於每一行程式碼的細節。

因此這學期我決定從「品味」開始，帶領學生探索「什麼是好的作品」。我們從一塊巧克力開始討論，學習如何描述一個「好吃」的巧克力，進而將這樣的能力轉移到數位創作上。我們的主題是「貪食蛇」遊戲設計。我會讓學生先用 AI 生成一個基礎版本，再引導他們去玩網路上的不同版本，學習觀察與評比：什麼樣的遊戲更美觀？速度更流暢？玩法更有趣或更具挑戰性？

接下來，學生需要根據自己的體驗，提出對「好遊戲」的定義與規格，並運用 AI 進行修正與調整，完成屬於他們自己的版本。對我來說這樣的過程可稱為「Vibe Coding」：從描述目標開始->進行生成->再進入反覆的修改與調整。但因為課程還沒告一段落，還無法做出很精確的結論。

這樣的過程也讓我思考孩子們在這當中究竟學到的是什麼？他們學到的是「Coding」本身，還是「Prompting」——要學的是程式語法跟抽象邏輯還是如何與 AI 對話、如何精準表達需求？

當 AI 越來越強大，我們是否還需要要求孩子學會撰寫每一行程式碼？還是更應該培養他們具備整合工具、協作創造的能力？

我沒有答案，但我認為這是我們教學者必須共同面對的重要議題。我們需要更細緻地去辨識，什麼情境下，孩子應該自己動手做「Vibe Coding」什麼時候，他們可以透過 AI 進行「Vibe Tutoring」，與AI對話理解背後的原理與邏輯。

而我自己也不是程式特別強的老師，我也像許多老師一樣，只是「擲筊型」的使用者，程式能跑就好，出了錯就再問一次AI。但或許也因如此，我更能理解學生使用AI可能的心態跟遇到的困難，也因為如此我意識到自己的不足，我開始回頭補起自己的基礎知識，重新學習 React。雖然過程中時常感到力不從心，因為要補的洞實在太多了。但也讓我從自身經驗反思或許未來就是這種人+AI的單人團隊（？）先找出問題，在解決問題的過程中補足所需知識的學習路徑。