點樣學 AI 最快？用 Output 建立真正 AI 能力

收藏咗幾十條 Prompt 教學、睇過唔同 AI 工具示範，但到老闆叫你用 AI 寫一份 Proposal、分析一堆資料或者設計 Workflow，就突然唔知點開始？呢個情況好常見，因為「睇得明」同「自己做得到」係兩件事。

學 AI 最快嘅方向，唔係再儲更多教學，而係盡快做出一個可被檢查嘅 Output，再用回饋同修正建立判斷力。你唔需要等到完全識晒先開始；第一版有問題，正正就係學習材料。

文章目錄

1. 點解睇教學會產生「我識咗」嘅錯覺？
2. Output-first 學習係咩？
3. 用一份 Proposal 練 AI 能力
4. 最重要係建立 Feedback Loop
5. 由輸出反推真正要學嘅內容
6. 七日 AI 實戰練習
7. 常見問題

點解睇教學會產生「我識咗」嘅錯覺？

教學片通常已經幫你做晒最難嘅決定：揀咩工具、輸入咩資料、Prompt 點寫、結果應該長成點。你跟住做時覺得順暢，係因為路線已經有人鋪好；到真實工作冇標準答案，就要自己定義問題、揀資料、判斷結果。

所以「我睇得明呢條片」唔等於「我可以獨立完成同類任務」。判斷自己有冇學識，最好問：

• 冇示範步驟時，我可唔可以由零開始？
• AI 交出一個似樣答案，我知唔知邊度可能有問題？
• 我可唔可以解釋點解保留某一部分、刪走另一部分？
• 換一個情境，我識唔識調整做法？

Output-first 學習係咩？

Output-first 唔係完全唔學理論，而係將大部分時間放喺完成真實產出、接受檢查同修改。影片用「約 30% Input、70% Output」作為參考，重點唔係精確比例，而係避免學習時間全部變成被動吸收。

可以將一次練習拆成四步：

1. 揀真實任務： 最好係本星期真係要交付嘅電郵、Proposal、報告或分析。
2. 先做第一版： 用現有知識同 AI 做一個未必完美、但完整嘅版本。
3. 暴露問題： 找出一個不能使用嘅地方，講明係事實、邏輯、語氣、格式定背景不足。
4. 完成第二版： 補資料、改 Prompt、調整流程，並解釋點解新版本較好。

用一份 Proposal 練 AI 能力

假設你要為一間本地零售店寫一份數碼推廣 Proposal。最被動嘅做法係叫 AI「幫我寫完整 Proposal」，然後將答案當成自己已經學識。較有效嘅練習方式係：

第一步：先定義合格標準

寫低 Proposal 必須包含嘅內容，例如客戶問題、目標受眾、策略假設、執行步驟、預算、指標、風險同時間表。呢份 Checklist 之後用嚟評核 AI，而唔係只睇文字順唔順。

第二步：先交自己嘅粗略方向

就算得五個 Bullet points 都可以。你可以先講自己認為最大問題係回頭客不足，想用 WhatsApp 名單同短片內容改善，再叫 AI 提出反對理由、缺漏資料同替代方案。

第三步：要求 AI 挑戰，而唔係代寫

例如問：「呢個策略建基於咩未證實假設？如果預算只有一半，應該刪邊部分？邊三項資料會令建議改變？」你仍然係決策者，AI 就變成陪練。

最重要係建立 Feedback Loop

AI 可以令你快啲出第一版，但速度唔等於理解。Anthropic 一項隨機對照研究要求參加者學習一個新程式庫；使用 AI 嘅組別完成工作較快，但之後概念測驗平均低 17%。研究同時觀察到，較能掌握知識嘅參加者會追問原因、要求解釋，或者先獨立思考再用 AI 協助。查看 Anthropic 原始研究

雖然研究場景係程式學習，對一般 AI 學習仍有一個實用提醒：如果你只收答案、唔需要判斷同解釋，完成任務未必代表能力留咗喺你身上。

一個簡單 Feedback Loop 可以係：

1. 自己指出第一版最大問題。
2. 叫 AI 解釋問題成因，而唔只係重寫。
3. 搵同事、客戶或真實數據提供外部回饋。
4. 修改第二版，再寫低改咗乜同原因。
5. 將重複出現嘅規則整理成 Checklist 或模板。

由輸出反推真正要學嘅內容

真實 Output 會好快暴露學習缺口，而且通常比「學晒所有 AI 功能」更具體：

• 答案太空泛： 你可能欠缺 Context，要補充公司、受眾、目標、限制同成功標準。
• 數字或資料出錯： 要學識要求來源、回到原始文件核對，或者用搜尋／檢索資料支援答案。
• 每次格式唔同： 要定義固定欄位、例子、模板或 Structured Output。
• 內容似啱但不能落地： 要補充實際預算、人手、時限同審批流程。
• 你自己講唔出原因： 要叫 AI 解釋，並用自己說話重述一次。

呢種做法令學習由「今個月要學 RAG、Agent、Automation」變成「因為我份報告成日引用錯資料，所以先學來源驗證或 RAG」。目的清楚，亦更容易知道學完有冇用。

七日 AI 實戰練習

未來七日只揀一件真實工作：

1. 寫低收件人、目的、限制同合格標準。
2. 用 AI 做第一版，但唔好直接交付。
3. 圈出一個最不能使用嘅地方。
4. 寫低點解有問題，以及欠缺咩資料。
5. 補 Context 或換一個提問方式，完成第二版。
6. 交畀真實對象或有經驗同事提供回饋。
7. 比較兩版，寫三句說明第二版點解更好。

七日後你得到嘅唔只係一段 Prompt，而係一套自己驗證過嘅做法。下次處理相似任務時，就可以將 Checklist、背景資料同輸出格式重用。

常見問題

初學者係咪完全唔應該睇教學？

唔係。教學可以提供基本概念同示範，但每睇完一個重點，最好即刻放入自己嘅真實任務試一次。冇 Output，就難以知道自己係理解定只係覺得熟悉。

AI 幫我做晒份功課，算唔算學習？

如果你不能解釋內容、驗證事實或面對追問，通常只係完成咗交付，未必建立到能力。可以改為自己先列方向，再叫 AI 挑戰、補漏同解釋。

30% Input、70% Output 一定要跟嗎？

唔需要當成硬性公式。新領域可能要較多 Input，有經驗後可以增加 Output。真正原則係每一段學習都要盡快落到可檢查嘅作品。

點判斷第二版真係有改善？

預先定義標準，例如資料準確、論點完整、符合語氣、可執行、能在指定時間內完成。最好再加真人回饋或實際結果，而唔係只問 AI 自己有冇進步。

總結：唔好再等學識先開始

AI 更新速度快到冇人可以先「學晒」再工作。最有效嘅做法係用真實任務產生 Output，讓問題出現，再透過查證、回饋同修正建立能力。今日就揀一件本星期要交付嘅工作，做一個不完美第一版；能夠指出佢點解未夠好，已經係真正學習嘅開始。