那天早上，我先做的不是打開模型，也不是追最新功能，而是先把家裡的節奏接住。蒸饅頭、照顧小悠悠、把父親的角色先放好，然後才回到 AI 工作流。這件事很小，卻很誠實：真正能長久運轉的系統，不是把所有力氣都丟進工具裡，而是先把人自己的位置放對。
先把資料分清楚，AI 才知道自己在看什麼
上午我花時間調整 Antigravity，也把工作方式重新整理成兩條線：一條是本地知識庫，一條是線上 Agent。這不是為了追求複雜，而是為了讓每一種資料有自己的位置。本地知識庫負責沉澱、回看、校準，線上 Agent 負責即時蒐集、快速應用，兩者不要混成一鍋。
我越來越相信，AI 的問題通常不是算力不夠，而是來源太亂。當你把可信內容、不確定內容、臨時蒐集內容全塞進同一個入口，模型再強也會被拖慢。先分層，再協作，這比一味追求更多功能更有用。
如果資料來源沒有先分層，後面的速度只是在放大混亂。
Notebook LM 的價值，不是幫你做一次，而是幫你把來源站穩
今天教學的重點放在 Notebook LM 的「來源思維」。很多人一開始都想把它當成內容生成器，但我更在意的是它如何幫你建立引用脈絡。先找來源，再討論大綱；先理解材料，再生成內容。這個順序一換，整個簡報流程就會安靜很多。
我帶學生走的流程很直白，也很實用：
- 先用 ChatGPT 討論大綱，確認要回答什麼問題。
- 再交給 Notebook LM 整理來源，讓內容有根。
- 接著解析成可編輯檔，方便細修與重組。
- 之後到 Canva 做視覺優化，處理呈現感。
- 最後再輸出成果，完成整份簡報。
這條路徑看起來比直接丟給 AI 多幾步，但實際上更快。因為你少了很多返工，也少了很多「它明明有產出，卻不是我要的東西」的挫折。
流程先對，工具才會開始幫忙
我自己觀察下來，AI 省下六到七成時間，通常不是因為某個單一功能特別神，而是因為前面的流程被拆對了。大部分時間浪費在反覆改方向、重整理、重對焦，不是在打字。流程清楚後，AI 才能把力氣用在對的地方。
所以我現在不太愛問「哪個工具最好」，我會先問「現在卡在哪一步」。如果卡在想法，就先討論；如果卡在資料，就先整理；如果卡在輸出，就先定格式。問題一旦切準，工具才有價值。
真正要管的，不是功能多寡，而是邊界
下午的教學把焦點拉回一個很現實的題目：數位防禦力。從帳號密碼掃描事件延伸出來，我們談的不是某個單點攻擊，而是日常習慣怎麼影響整體安全。密碼怎麼管、來源怎麼看、檔案怎麼收、AI 怎麼用，這些事彼此不分開。
很多人會把資安當成「出事才要處理」的事，但實際上，資安就是工作流本身。你平常怎麼處理陌生連結，怎麼保存登入資料，怎麼分辨可疑內容，最後都會回到你餵給 AI 的資料品質。
- 來源不明的內容，不要急著丟進核心知識庫。
- 會影響長期判斷的資料，要先經過整理與確認。
- 工作帳號、密碼管理、AI 使用習慣，最好分開思考。
我一直覺得，教學的本質不是把事情講得很滿，而是把混亂變成秩序。這句話在 AI 時代更明顯。因為 AI 會放大你的習慣，好的習慣會變成系統優勢，壞的習慣會變成長期風險。
你怎麼整理自己，AI 就怎麼放大你。
四千一百多天日記，最後要變成可以調用的判斷力
晚上我整理了 11 年、4100 多天的日記。這件事如果只看成資料整理，就太小看它了。真正重要的，不是我寫過多少，而是我能不能從裡面萃取出重複出現的判斷模式。哪些事我總是先看，哪些風險我總是先避，哪些選擇我會一再回到同一條路徑。
當 AI 幫我抽出核心教學哲學、常見決策傾向和日常判斷順序時，我突然更清楚一件事：這不是把文字變漂亮，而是把經驗變成可以交接的東西。文字本來只是紀錄，整理過後才開始像系統。
我很喜歡這個轉變。因為它代表一件很務實的事：你不必每次都從零開始想，只要把過去的判斷整理好，未來遇到類似情境時，就能少走一點冤枉路。對一個要長期帶人、長期教學、長期經營的人來說，這種累積比短期熱鬧更重要。
我現在更在意的，是能不能交棒，而不是能不能做完
那天整體帶給我的感受很清楚：技術進化很快，但真正有價值的，還是長期累積與系統化思考。當一個人開始把知識、流程、風險、輸出都收進自己的工作架構裡，他做的就不只是完成任務，而是在建立一套可以繼續長大的系統。
我不想只當一個很會操作工具的人。我更在意的是，這些工具能不能幫我把內容、教學、判斷與交付做成可重複運轉的結構。能交接，才算成熟；能回看，才算穩；能持續修正，才算真的有生命力。
如果你也在重新整理自己的 AI 工作流，先別急著加功能。先問自己三個問題：來源清不清楚？流程順不順？邊界有沒有守住？這三個問題答不清楚，後面做再多都只是表面熱鬧。
