AI 應用規劃師 Vicky 玲玲訪談：AI 分身怎麼用？人要學會當導演

「大家都說自己會用 AI，那到底怎樣才算會？」

我和 Vicky 玲玲的認識，就是從 iPAS AI 應用規劃師開始，她看到我考上後，因為自己也有這個共同身分而來找我交流，後來邀請我加入獲證交流社群，才有了這場訪談。

所以這次不只聊 AI 分身，更聊到為什麼去考 AI 應用規劃師、官方備考資源怎麼找、我如何用 AI 分析考古題並做成 AITerms.tw，以及考過之後，怎麼把這些知識用在工作與生活，Vicky 也從媽媽的角度，追問孩子在 AI 時代該怎麼學。

我在 Vicky Mommy 玲玲的 AI 應用交流分享會，聊了這個問題，影片後段也有介紹我的知識衛星課程與優惠資訊，這篇保留分享內容，不沿用當時的折扣或期限。

已經在教 AI，為什麼還去考 AI 應用規劃師？

Vicky 問起我為什麼考 iPAS，我先反問她：妳會用 AI 嗎？她的反應很真實，自己確實有在用，卻又很難直接說用得好不好，這也是我身為講師遇到的問題，大家都可以說自己會用 AI，但客戶、學員或合作單位要用什麼來判斷？

以前做導演、做設計，我可以拿合作案例、作品與得獎紀錄說明能力，換到 AI 教學，除了展示實際成果，我也希望有一個外部評量可以對照，這是我去考 AI 應用規劃師的原因，不是為了再多背一個工具名稱。

我在臺灣從事演講與教學，因此特別看重經濟部產業人才能力鑑定的官方背景，初級通過後，我覺得它對自己的挑戰還不夠，也希望再用中級檢驗程度，這是我個人的選擇，不代表其他 AI 證照沒有價值，或每位考生都該直接追求中級。

我在訪談裡提到，自己先考初級，後來再挑戰中級，中級的難度讓我印象很深，另一個推力則是：既然我做了一個備考網站，總不能只告訴別人這套方法好用，自己卻不去考，親自應試也是檢驗學習方法的一部分。

這張證書的正式定位是經濟部產業人才能力鑑定，不是 AI 講師執照，也不能取代作品與實務經驗，對我來說，它多提供一個說明自己學過什麼、接受過什麼評量的依據，而不是取得後就能宣稱所有 AI 工作都會做。

準備 AI 應用規劃師，資料應該先去哪裡找？

聊到學新工具時，我提到先找原廠文件、既有方案與別人已經做過的研究，Vicky 馬上把這個道理接回社群最常見的問題：考 AI 應用規劃師，到底要看哪些資源？她的回答是先去看官方，官方已經提供學習指引，不必一開始就在網路上找一大堆互相矛盾的筆記。

iPAS 官方學習資源頁列有初級、中級各科學習指引、勘誤表與歷屆公開試題，備考時先確認自己報考的級等與科目，再對照當年度評鑑範圍，遇到筆記或 AI 解釋有疑義，也要回到這些來源查核。

這不是說其他人的整理沒有價值，而是要先分清楚來源的用途，官方資料界定考試範圍，別人的筆記幫你理解，AI 可以整理、比較與解釋，卻不能自己決定哪些內容一定會考，官方學習指引也明示它不是正式題庫，不保證考試通過。

為什麼把自己的備考問題做成 AITerms.tw？

我原本是為了自己的初級考試找資源，沒有找到符合自己需求的備考工具，才開始用 AI 製作網站，後來準備中級，也沿用這個思路繼續整理，AITerms.tw 的 iPAS 備考專區就是從這個需求長出來的。

Vicky 在訪談裡特別請我分享網站，我展示的不只是題目列表，而是把考古題背後的核心命題整理出來，再把相關歷屆題目對回去，讓考生看到同一個觀念在哪些題目出現過，不必把每一道換了敘述的題目都當成全新的知識。

例如我展示中級科目一的整理時，就指著主題旁邊對應的題目與出題情況說明，哪些概念重複出現，哪些相對少見，網站裡的統計與整理交給 AI 處理，而我先決定要用這些資料回答什麼問題：時間有限時，應該先把哪些觀念弄懂？

這也是一個 AI 應用規劃的實例，需求是準備考試，資料是評鑑範圍與公開考題，處理方式是歸類、對照與解析，成果是能拿來安排複習的網站，會不會親手寫完每一行程式，和能不能把這個需求說清楚，是不同的能力。

考古題怎麼讀，才不會只是一直刷題？

我在分享裡用一個比較極端的問題提醒大家：如果理解比較少的題目就能掌握同樣的考點，為什麼一定要把時間花在更多題目上？重點不是少做題本身，而是找出題目背後反覆被考的觀念，Vicky 也接著說，理解出題的核心思維，才有機會不用靠大量重複練習。

我當時把展示的科目一整理稱為七個核心命題，這是網站對當時材料的教學歸納，不是官方公告只有七個考點，也不是說其他內容全部可以不讀，真正有用的是歸類後的關係：表面上不同的題目，可能都在測同一個判斷。

備考時可以先從官方範圍找出主題，再把相關歷屆題目放在一起，看正確答案依賴哪個條件、錯誤選項把哪些概念混在一起，最後用另一道不同情境的題目檢查自己，這是把訪談方法整理成的練習順序，不是影片裡逐題完成的一次新測驗。

如果只記得某題選 B，題目換個情境就可能失效，能說明其他選項為什麼不適合，才比較接近理解，AI 在這裡可以幫忙整理與對照，但生成的分類和解釋仍要回查題目與資料來源，不能因為表格很完整就認定全部正確。

為什麼我會用《模仿遊戲》談考題與陷阱？

我在訪談裡提到《模仿遊戲》，想說明的不是用更快的速度把所有可能都試一次，而是先找出能縮小問題的線索，這是我借電影談解題的比喻，不是把電影情節當成密碼學史的精確教材。

回到考古題，我的觀察是，出題者會反覆挑選重要、能測出理解差異的觀念，也容易用相近概念設計干擾選項，所以與其只問 AI 再出更多題，不如問它：這些題目反覆考的是什麼？容易混淆的地方在哪裡？題幹改了哪個條件，答案就會不同？

我在現場把這件事說成理解考官的出題偏好，整理成備考方法時，要以公開題目支持的規律為準，不能假裝知道個別命題者在想什麼，也不能把歷史高頻寫成下一次必考，分析的作用是安排學習優先順序，不是保證押題命中。

五天備考、70 分過關，能直接照抄嗎？

我在影片裡分享，自己準備中級約五天，以 70 分低標過關，也坦白當時不會寫 Python，面對程式題會有壓力，這些是我的個人備考自述，不是每個初學者都能複製的時間表，我在應試前已經有 AI 教學與實際使用的累積，不能把它當成零基礎五天速成。

當時我用遊戲解任務的心態準備：目標是通過考試，資源是有限的時間，先判斷哪些內容較有把握、哪些需要投入很多時間，再決定複習順序，我並不是因為討厭學習才這樣做，而是不想在期限前無差別地追求所有題目都會。

實際的取捨是，我當時看不懂 Python 程式題，決定不把短期備考時間優先用來攻克它，而是把時間轉向其他比較有機會掌握的內容，這個決定有風險，也依賴我原本的知識累積，不是推薦所有考生放棄程式閱讀。

影片裡也有用「假設程式題占 25%，剩下還有 75%」說明取捨，這是當時的估算思路，不能當成每科、每一梯次固定的配分，更不能直接推論成放棄程式題就會過，若只準備剩餘部分，容錯空間也會很小，考生仍須依自己的弱項與實際考試範圍安排。

依 115 年度官方考試資訊，中級科目一「人工智慧技術應用與規劃」加科目二「大數據處理分析與應用」，兩科都達 70 分可取得數據分析證書，科目一加科目三「機器學習技術與應用」，兩科都達 70 分可取得機器學習證書，所以不能把我口述的 70 分過關，解讀為只要任一科考到 70 分就能獲證。

初級的獲證條件又不同，同時報考同一級等所有科目時，平均須達 70 分且每科不得低於 60 分，非同時報考則每科都須達 70 分，準備前先看清楚自己的級等、科目與當年度簡章，會比照抄別人的取捨更可靠。

懂 AI 名詞之後，怎麼變成真正的應用規劃？

考古題分析能做出來，並不是因為我的 AI 比別人的特別聰明，而是我先想到要分析核心命題、出現情況與容易混淆的地方，再把這個任務交給它，如果我只要求整理全部題目，它很可能只會交出一份更長的題目清單。

訪談也談到 AI Agent 與 A2A，也就是 Agent to Agent 的協作方向，對應用規劃者而言，值得問的是哪些工作要交接、交接需要什麼資料、什麼時候停止，而不只是再記住一個縮寫，我當時討論讓分身彼此交換資訊的構想，也提到來回對話可能失控的問題，這是研究中的方向，不是現場已驗證的完整服務。

另一個例子是費曼學習法，我在分享裡說，知道這種方法存在，才會想到請 AI 用它協助解釋概念，讀者可以進一步用自己的話講一次，再請 AI 指出含糊或理解錯誤的部分，這個練習是本文延伸，不是念出方法名稱就保證 AI 答對，也不表示直接要求白話解釋一定無效。

這和 AI 應用規劃師中級官方能力指標所談的需求分析、技術可行性評估與資源配置可以對照：先理解要解決的問題，再決定技術怎麼用，考試提供知識與評量的範圍，能否做出成果，還要把這些觀念放進真實任務。

知道 AI 能開發，為什麼有時反而不要自己做？

除了備考網站，我也分享自己開發工具的習慣：先找有沒有人已經解決同一個問題，有合適的現成方案就拿來評估，不因為 AI 能寫程式，就先花時間重做一套，影片裡連這個先搜尋的工作規則，我原本想自己寫，搜尋後才發現已經有人做過類似的方法。

會議助手是另一個故事，我曾經卡關，也詢問過外部開發的可能性，後來因為成本與當時的技術條件，先把專案放著，等模型能力更新，再重新檢查原本的問題，才找到新的解法，這是我的開發經驗，不是說所有卡關都只要等更新就會解決。

Vicky 也提到，把七、八十分的結果再修好一點，有時要花很多時間，工具改版後卻可能直接跨過那道門檻，對應用規劃來說，自己做、用現成方案或暫時不做，都需要判斷，已經投入很多時間，不代表就應該繼續投入。

我還分享了一個和自己分心有關的需求：看到有趣的新技術就想研究，待辦卻越堆越多，因此我希望分身不只提醒行程，也能提醒我回到原本重要的工作，Vicky 聽完說，她也有做完才發現根本不值得做的經驗，這裡談的是個人需求與系統設計，不是所有 AI 都內建電腦監看功能。

從 AI 考試聊到孩子教育，哪些觀念值得帶走？

Vicky 不只是 AI 應用規劃師，也是一位媽媽，所以這場最後談到的不是另一份工具清單，而是孩子怎麼使用 AI、家長與老師該站在哪個位置，她分享自己會讓孩子先看她如何和 AI 對話、如何問到想要的答案，也會了解孩子使用的過程，發現方向有問題時再介入。

我則把備考時接觸的無監督學習，拿來比喻給孩子探索空間的教育想法：成人不一定知道未來最好的道路，不能只把自己現在相信的答案交給孩子，應該提供資源與清楚界線，容許孩子在其中嘗試，這是我在訪談提出的教育觀點。

不過，教育比喻和技術定義要分清楚，無監督學習是從沒有預先標籤的資料中找出結構或規律，不是完全沒有設計、目標或限制，對抗式訓練也是另一種技術機制，不能把它們混寫成現代 AI 變聰明的單一路徑，更不能據此宣稱科學已證明孩子不需要教導。

我也在這段談到，自己很愛學習，卻很討厭考試，離開學校、不再被考試追著走之後，才重新感到學習的樂趣，所以備考時追求有限時間內通過，和生活中持續探索新知，並不矛盾，考試是當下要完成的一個任務，不該成為衡量所有學習價值的唯一方式。

回到 AI 分身與課程，我期待的是學完後真的解決一個問題，而不是多記幾個名詞卻更焦慮，下面保留訪談中分身、工作流程與生活應用的補充，讓想從備考跨到實作的人，能接著思考自己的第一件工作。

AI 分身和會模仿你說話的聊天機器人差在哪？

很多人聽到 AI 分身，第一個想到的是聲音、臉、語氣，它講話像你，回覆像你，甚至可以用你的口吻寫社群貼文，這些都可以是分身的一部分，但會模仿你，不代表會替你工作。

一個聊天機器人，如果每次都要你重新貼資料、交代背景、告訴它下一步，最後你還是整個流程的操作者，真正值得追求的，是讓 AI 接住一件有起點、有成果、能檢查的工作。

例如寫文章，常見的用法是貼逐字稿、請它摘要、寫大綱、寫正文、改標題，接著自己查資料、補連結、調格式、上傳 WordPress，AI 做了幾段文字工作，流程卻沒有接起來。

可以把這件事設計成另一種流程：先讀品牌寫作規範，確認素材來源，取得逐字稿，整理可用觀點，查證不能亂講的地方，再產出草稿，檢查標題、連結、圖片與用語，最後存到指定位置交人審核，這是流程設計範例，能自動執行到哪一步，仍取決於工具、權限與實際驗證。

你省下的不只是打一段話，而是反覆交代背景、搬資料和切換工具的操作，想先看整體架構，可以搭配閱讀從聊天到交付工作：AI 分身的四個零件。

用了 AI，人為什麼還要學會當導演？

分享裡我用「導演」比喻人的角色，導演不一定自己扛攝影機、畫分鏡、剪輯，真正負責的是方向、標準與取捨。

企業導入 AI 也一樣，很多人一開始就問，是不是要學 n8n、API 或寫程式，但如果你的目標是讓 AI 接手工作，更需要先說清楚：工作從哪裡開始、需要哪些資料、正常流程怎麼跑、什麼結果算合格、哪些地方一定要回來問人。

你可以把 AI 想成一個學得很快的新同事，它不知道你的公司怎麼做事，也不知道哪些話不能對外說、哪些承諾不能隨便答應，只丟一句「幫我寫信」，它能寫出一封信，卻未必知道該不該寄、哪些價格不能自己決定。

人的角色沒有消失，而是把工作定義清楚，再判斷 AI 交出來的東西能不能用。

為什麼做了一排 GPTs，工作還是要自己搬？

早期很多人為不同任務各做一個 GPT，一個想故事、一個寫文案、一個做分鏡、一個整理素材，聽起來很完整，實際用起來卻常常很累。

當這些 GPT 沒有串成流程，你就得把上一段的輸出搬到下一段，重新補背景，最後在不同機器人之間複製貼上，AI 分身要解決的正是這種斷掉的交接。

Skill 可以理解成 AI 工作手冊，用來留下反覆要做的方法，不是把提示詞寫長而已，一份能用的工作手冊，至少要讓執行者知道以下幾件事。

• 什麼時候使用這個流程。
• 開始前要讀哪些資料。
• 各步驟要照什麼順序執行。
• 遇到哪些錯誤必須停下來。
• 做完後用什麼標準驗收。

以影片轉文章為例，取得完整逐字稿只是前面一段工作，後面還有選題、引用查核、品牌語氣、圖片、上稿與回讀，將這些要求留下來，才能避免每次從一句「幫我寫文章」重新開始。

若你正在處理公開 YouTube 素材，可以參考NotebookLM 逐字稿匯入與匯出教學，那篇另有實測條件與限制，不代表所有影片都能成功匯入。

第一個 AI 分身，該從哪種小工作開始？

很多人一聽到 AI 分身，就想做一個全自動員工，最好會回信、排程、做簡報、經營社群、回覆客戶，半夜還能自己幫公司賺錢，但流程還沒穩、資料還沒整理、驗收也沒寫清楚時，越自動只會越快出錯。

先從一件小事開始，讓 AI 碰到真正的工作資料與工具，接 Gmail、日曆或其他服務之前，先確認目前功能與授權範圍，不要把一次連線成功當成整套工作流已經完成。

Vicky 在分享中舉了學校活動行事曆的例子：把通知拍下來，請 AI 協助整理並新增行程，若要從較低風險的版本開始，可以先讓它列出日期、時間、地點，自己確認後再建立行程，這裡的待確認清單是本文建議的檢查步驟，不是日曆服務的原生草稿功能。

收到制式詢問信，也可以先讓 AI 按規則整理回覆草稿，不要一開始就授權它直接寄出，第一條小流程跑通後，你才知道缺的是資料、規則、工具，還是自己的驗收標準。

AI 做錯時，為什麼不要每次都自己改完？

AI 做錯時，很多人的第一個反應是「算了，我自己改比較快」，當下可能真的比較快，但如果你沒有留下修正依據，下次遇到相同情況，就可能再救一次。

比較有用的做法，是把錯誤講清楚：哪裡不符合要求、為什麼不能這樣做、正確判斷標準是什麼，以及哪條規則需要更新，再讓 AI 重做，由你重新驗收。

這和訓練模型是兩件事，在這裡累積的是外部筆記、Skill 與驗收規則，不是只罵它一次，它就會永久學會，下次執行時還得確實讀到新版規則。

把有效修法留下來，比把每個失敗猜測都塞回去更重要，如果每週都會做同一種工作，今天花時間釐清錯誤，才有機會減少下一次的重工。

知識庫該先放哪些資料，才不會讓 AI 拿錯？

很多人聽到知識庫，就想把 Google Drive、Notion、Obsidian 和公司文件全部丟進去，但資料越多，不代表 AI 越懂你，裡面如果有過期報價、舊版簡報與失效流程，反而容易拿錯依據。

不要先問要整理幾年的資料，先問想讓 AI 接手哪一件工作，以及完成這件事必須讀什麼，像帶新人一樣，先給他眼前工作用得到的內容。

• 回覆客戶：產品說明、常見問題、價格邊界與不能承諾的內容。
• 寫文章：品牌語氣、文章範例、SEO 與引用規範、上稿流程。
• 整理會議：專案背景、成員、決策格式、待辦追蹤方式，以及哪些問題需要主管判斷。

先整理一件工作需要的資料，標清楚正本和更新狀態，讓它跑通，再逐步擴大，這比先搬完整間公司的檔案更容易發現問題。

MCP、API、Skill 是怎麼分工的？

這些名詞容易讓初學者退縮，以為沒有工程背景就不能開始，可以先從它們在工作中的角色理解。

• Skill 是工作方法，告訴 AI 何時做、怎麼做、做到什麼標準。
• MCP 是連接工具與資料的標準協定，讓相容的 AI 應用能使用外部服務。
• API 是軟體提供給外部程式的介面，實際能讀取或修改什麼，取決於該服務與帳號權限。

不是每條工作流都要三者全用上，重點是 AI 能讀到資料、按流程操作、把結果存到正確位置，也知道哪些動作沒有授權不能做。

例如對外 email，可以讓 AI 研究對方、整理重點、寫客製內容並存進 Gmail 草稿，但正式送出仍由人確認，越靠近金錢、客戶關係、公開發布、法律與人事決策，越不能一次放大所有權限。

媽媽、主管、創作者，可以從哪件事開始？

Vicky 的分享面向媽媽與初學者，因此也把問題拉回生活，以下是依分享觀點整理的起步範例，不是已替每一種職業完成的自動化系統。

• 媽媽：整理學校通知、活動訊息與家庭約定，由人確認時間與是否參加，再建立行程。
• 主管：從會議文字整理決議、負責人、期限與未決問題，由人判斷優先順序與資源分配。
• 內容創作者：從一份 Podcast 或 YouTube 素材整理文章，再拆成不同平台的文案與腳本，由人決定選題、公開主張與發布。
• 一人公司：根據客戶需求與過去案例，整理缺漏問題和報價草案，由人決定價格、承諾範圍與是否接案。

這些工作不一定華麗，但做完後都能檢查，如果連自己都不知道什麼結果算合格，就先不要急著交給 AI 自動執行。

總結

這場從 AI 應用規劃師出發的對談，讓我想留下的判斷是：先知道自己為什麼考、用官方資料確認範圍，再把考古題轉成能理解與驗證的觀念，考過之後，也要把需求分析、資源取捨與成果檢查用在真實問題上，分身與課程是協助實作的方法，不是取代這些判斷的答案。

先選一件重複出現的小工作，寫清楚起點、必要資料、處理步驟、驗收標準與授權範圍，讓 AI 跑一次，找到缺漏，再修正規則。

第一次跑出問題，不必急著換一套工具，先看是資料不足、規則模糊，還是你沒有說清楚要什麼，AI 分身的價值，是讓同一件工作下次能沿用這些已確認的方法，而不是每次都重新對話。

聊天工具能讓你寫得更快，AI 分身則要把一件可以驗收的工作接走，讓你把時間留給真正需要人判斷的地方。

---

推薦閱讀

真正的 AI 分身怎麼做？從聊天到交付工作！四個零件讓 AI 替你工作

NotebookLM 可以抓無字幕 YouTube 逐字稿嗎？實測免費匯出

我已經會 Claude 還需要學 Hermes Agent 嗎？v0.20改版功能

---

參考資料

Vicky Mommy 玲玲：【AI 應用交流分享會】AI 分身是什麼？林思翰 Hans：別再只跟 AI 聊天，讓 AI 真正接手你的工作，本文依完整分享與逐字稿整理，影片包含講師課程介紹，文中應用範例與流程建議不作為所有工具都已完成實測的保證。

iPAS 官方學習資源：學習指引、勘誤表與歷屆公開試題。

iPAS 官方考試資訊與 115 年度能力鑑定簡章，用於核對能力指標、科目與獲證條件，備考自述不等於官方通過保證。

AITerms.tw AI 應用規劃師備考專區，為訪談介紹的個人教學整理平台，非官方考試網站。

IBM：無監督學習的定義，用於區分技術概念與本文教育比喻。

常見問題 FAQ