最近的一年多裡，因為工作和研究的關係，我幾乎每天都在使用各種大型語言模型（LLM）。

從 GPT、Claude、Gemini，到各種本地模型，我發現了一個很有趣的現象：

很多人覺得 AI 不好用。

但問題往往不在 AI。

而在於問題本身。

當我們問 AI：

我該不該換工作？

AI 可以回答。

但這真的是問題嗎？

還是其實混合了許多不同層面的事情？

例如：

• 薪資是否滿意
• 工作內容是否有成長
• 家庭因素
• 地點因素
• 未來規劃
• 生活品質

如果這些因素全部被壓縮成一句：

我該不該換工作？

那麼不論 AI 多強，它都只能回答一個模糊的問題。

Google 時代與 AI 時代的差異

過去 Google 時代，我們重視的是搜尋能力。

因為搜尋引擎的工作是：

幫你找到答案。

但 AI 時代有一個新的現象。

AI 不會像搜尋引擎一樣告訴你：

查無結果。

相反地，它幾乎總能給你一個看起來合理的答案。

於是問題來了。

如果問題本身不清楚呢？

如果問題定義錯誤呢？

如果真正需要討論的是 A，但使用者問的是 B 呢？

AI 仍然會回答。

而且回答得還不錯。

這讓「問題定義能力」開始變得比「答案取得能力」更加重要。

我開始思考一個問題

如果現在有許多工具專門幫助人們獲得答案，

那有沒有工具可以幫助人們定義問題？

於是我做了一個小實驗。

Problem Explorer

Problem Explorer 並不是一個回答問題的 AI。

它的目標恰好相反。

它會在回答之前先問問題。

核心概念很簡單：

在尋找答案之前，先確認自己是否真的理解問題。

六個觀察維度

在測試過程中，我將問題清晰度拆分成六個面向。

1. Problem Boundary（問題邊界）

問題是否具體？

例如：

一切都很糟

其實很難分析。

但：

最近三個月工作內容完全沒有變化

就開始具有可討論性。

2. Goal Clarity（目標清晰度）

你希望什麼改變？

很多人知道自己不喜歡什麼。

卻不知道自己想要什麼。

3. Agency（可行動性）

哪些事情是自己能決定的？

哪些事情無法控制？

4. Emotional Attachment（情緒附著）

情緒是否正在影響問題描述？

5. Attribution Direction（歸因方向）

問題是否完全被歸因於外部因素？

6. Avoidance Signal（迴避訊號）

是否有刻意避開討論的部分？

不給建議，只整理問題

這是我在設計時最堅持的一件事。

Problem Explorer 不提供建議。

它不試圖告訴使用者：

你應該怎麼做。

它只做一件事：

幫助使用者把自己的問題描述清楚。

最後輸出的內容包含：

• 問題本身
• 目前情況
• 已提到的選項
• 尚未釐清的部分

換句話說，它更像一面鏡子，而不是顧問。

有趣的是，它和我之前研究的方向剛好相反

我過去一直在研究 AI 的長期一致性與語意穩定性。

例如：

• STME
• RSTA
• OSD

這些研究的核心問題通常是：

如何避免 AI 過早偏離原本的語意方向？

但 Problem Explorer 則是在處理另一個問題：

如何避免人類過早跳到結論？

某種程度上，它們是鏡像關係。

結語

我越來越覺得，AI 時代最重要的能力之一，可能不是提問技巧（Prompt Engineering）。

而是更前面的能力：

問題定義能力（Problem Definition）。

因為 AI 可以幫助我們取得答案。

但它無法保證我們問的是正確的問題。

如果問題本身是模糊的，

那麼再好的答案，也只是對模糊問題的精緻回應。

你認為 AI 時代最重要的能力是什麼？

Prompt Engineering？

Critical Thinking？

還是 Problem Definition？

歡迎交流你的看法。

Project

Problem Explorer (PE)

GitHub：
https://github.com/richchang0721-boop/Problem-Explorer-PE-

Demo：
https://richchang0721-boop.github.io/Problem-Explorer-PE-/

Author:
Mao Lin Chang
PIDA Lab