Moon：「經過上次的說明，我總算對 PM 職能有點基本認識了！但是，基本認識了以後，只是了解而已，我的雙手還是沒法獲得解放阿~」

黛西：「沒關係！接下來我們可以先來循序漸進的認識一些 AI 工具，並了解他們可以如何應用！」

Moon：「黛西！我超期待的！但...要怎麼開始啊？面對那些聽起來很厲害的 AI 工具，我還是有點陌生，不知道該從哪裡下手耶！😳」

黛西：「沒問題！我們可以一起從簡單的大型語言模型來了解！」

黛西帶你回到現場~

你是不是也有 Moon 的困惑，覺得 AI 聽起來很棒，但一想到要開始用，就覺得有點不知如何開始，對 AI 工具感到陌生 ，甚至有點小小的焦慮呢？別擔心！這完全是正常的！

就像黛西當初一樣，一切的改變總是需要一個起點，對吧？ 今天，我們就來啟動我們的第一個AI助手：大型語言模型！

什麼是大型語言模型呢？
大型語言模型 (Large Language Models, LLMs) 是一種人工智慧，能夠理解、生成和處理人類語言，透過分析和學習大量資料來運作，這些資料可能來自書籍、文章、網頁等。

我們可以把 LLMs 想成是一個博學又擁有強大語言組織能力的機器人，但要注意的是，它們的回應都是來自於訓練資料，所以會依照提供資料的時間點或內容，就跟人類唸書一樣，讀完書後對他進行提問，回答的內容都是依據「記憶」來回答，有時可能會產生不準確或錯誤的資訊，也就是所謂的「幻覺」（hallucinations）。

我的第一個AI助手：與大型語言模型對話
現在最受歡迎、也最容易上手的 AI 工具，就是能和我們「對話」的大型語言模型（Large Language Models, LLMs） 了！你可以把它們想像成自己最有耐心、24小時待命的「協作夥伴」，隨時準備好回答你的問題、協助你處理任務，甚至是陪你腦力激盪。

大型語言模型的訓練與文字回應基礎
大型語言模型（LLMs）的生成和訓練是一個相當複雜的過程，為了能比較好的使用他，我們先初步了解一下他的原理，我們可以將他的訓練主要邏輯拆解成三個核心概念：預測、Transformer 架構 和 訓練資料 。

1. 核心邏輯：預測下一個詞

⭐LLM 的運作核心非常簡單，就是：根據前面出現的詞，預測下一個最有可能出現的詞是什麼。

舉例來說，當我們輸入了：「今天天氣真…」，模型會根據它所學過的龐大文本，可能會先判斷出「好」或「糟」是往下出現機率最高的詞。這個過程不斷重複，每次都根據當前已生成的文字，來預測下一個詞，最終形成一個完整的句子、段落，甚至是整篇文章。

2. 關鍵技術：Transformer 架構

Transformer 是由 Google 在 2017 年所提出的神經網路架構，它徹底改變了 LLM 的發展。在此之前，模型處理語言時需要依賴順序（例如：RNNs），但這會讓處理長篇文章變得非常困難且低效。

Transformer 的關鍵在於它的 「注意力機制」（Attention Mechanism） 。它讓模型在生成某個詞時，能同時考慮到輸入文本中所有其他詞的重要性，而不再是單純地依賴順序。

舉個例子，當我們閱讀一個長句：「我把書放在桌子上，然後它不見了。」在判斷「它」指的是什麼時，應該要能夠判斷這個「它」其實是前面提到的「書」這個詞。Transformer 做的就是類似的事，它能快速地在大量內容中，找出與當前詞語最相關的其他詞，這會讓模型能夠理解更複雜的上下文和更長的句子。

3. 訓練過程：從海量數據中學習

⭐LLM 的訓練過程可以分為兩大階段：

階段一：預訓練（Pre-training）
這是最耗時也最昂貴的階段。研究人員會將模型「餵食」數以兆計的文本資料，這些資料來自於網路、書籍、維基百科等。模型在這個過程中會學習語法、詞彙、事實知識和各種語言模式，就像一個嬰兒透過大量閱讀來學習一樣。

預訓練的目標，就是讓模型能精準地完成「預測下一個詞」的任務。

階段二：微調（Fine-tuning）
預訓練完成後，模型雖然學會了語言，但還不擅長應對特定的任務，例如：回答問題、寫詩或遵循指令。

微調就是讓模型在更小、更專業的資料集上進行訓練。這一步通常會使用標註過的對話資料，讓模型學會如何以更有用、更安全的對話方式回應人類。這個過程也稱為人類回饋強化學習（RLHF, Reinforcement Learning from Human Feedback） ，是讓模型變得更像「對話助理」的關鍵。

舉例來說，很多工程師夥伴，在開發時會常使用 Claude，這是因為 Claude 在針對產出 Code 的這部分能力有被微調過，所以產出的程式碼，會比較符合工程師所需要的內容。

總結來說，LLMs 的核心邏輯是透過 Transformer 架構 ，從海量的預訓練資料 中學習如何預測下一個詞 ，最後再透過微調來讓它能應對更複雜的指令。

如何與大型語言模型進行有效的對話
與LLMs對話，就像是與一個很聰明，但需要你清晰引導的同事溝通。關鍵在於**「有效地提問」** 。這聽起來可能很簡單，但要怎麼讓 AI 看得懂，這也是一門學問。

1. 開門見山，明確指令： 別拐彎抹角！直接告訴AI你想要它做什麼。例如：「幫我總結這段文字」、「撰寫一份關於新功能的社群貼文」。越具體、越直接，AI 越能精準理解你的意圖。
2. 提供足夠的背景資訊： AI 不是萬能的，它需要上下文來理解你的意圖。例如：如果你想讓它寫產品介紹，請提供產品的名稱、主要功能、目標客群、獨特賣點等資訊。提供越詳細的資訊和期待的產出規格，AI 的提供的回覆就會越精準、越符合我們的期待。
3. 設定角色與語氣： 若想讓 AI 產出符合你需求的內容，可以明確告訴它：「作為一位資深產品經理，用輕鬆幽默的語氣撰寫XXX。」或是「作為專業行銷人員的身份，列出針對Z世代的產品亮點。」這種「角色扮演」能讓 AI 的回答更貼近情境。
4. 給予範例（如果需要）： 如果你有特定的格式或風格要求（例如：一份標準的PRD格式或某種寫作風格），可以提供一兩個範例，這樣做可以大大提升 AI 的理解力，讓產出的內容更能符合預期。
5. 迭代優化： AI 不是一次就能完美理解我們！如果第一次的結果不滿意，你可以繼續追問、要求它進一步做修改，譬如：「請再精簡一些，控制在100字以內」、「用更活潑的語氣」、「加入更多數據分析的觀點」。每一次的互動，都會讓它的回應更接近我們的「理想型」！

常見大型語言模型比較

現在市面上很多不同的大型語言模型，以下整理了幾個常用的推薦工具：Google Gemini ,ChatGPT ,Claude ,Perplexity。這些工具各有千秋，選擇適合自己的，就是最好的「神隊友」！

表格一：四款大型語言模型比較

表格二：四款大型語言模型之免費、付費與適合升級對象整理

⭐⭐簡要總結 ⭐⭐

• ChatGPT： 應用最廣，對話與創作靈活，外掛生態系完整，適合想探索各種 AI 應用的使用者。
• Gemini： 擁有最龐大的上下文處理能力，最適合與 Google 工具鏈結合、快速搜尋與教育應用，是處理大量學術資料和正式文件的強大助手。。
• Claude： 寫作風格溫暖且富有情感，能將複雜資訊視覺化，適合內容創作、深度研究以及程式開發協作。
• Perplexity： 專注於提供有來源引證的準確資訊，能快速找到並整理網路資料，是學術研究和資訊查詢的可靠工具。

Moon：「哇！原來跟 AI 說話也是有技巧的耶！而且還有這麼多不一樣的 AI 助手可以選，感覺好像在玩遊戲，可以用不同的指令去探索它們的能力！我迫不及待想試試看了！🤩」

黛西：「沒錯！這就是打破框架的開始！透過不斷的嘗試、學習，並且內化為自己的知識，就能突破以往的工作框架，達到工作上的成長與成就感！準備好讓你的AI助手上線了嗎？Let's AI！Go！🚀