前面二十五天，我們花了很多時間理解 AI：它如何運作、有哪些工具、怎麼替 Agent 加上規則與能力，以及人在使用這些工具時，應該保留什麼判斷。
工具與使用哲學說完之後，下一個問題是：這些東西要怎麼真正進入生活？
最近剛好是畢業求職季。對許多剛離開學校的人來說，第一個難題可能還不是履歷怎麼寫，而是根本不知道真實職場有哪些工作，也不知道自己學過的東西可以往哪裡走。所以接下來，我想用一個很實際的案例——求職，來看看 AI 可以如何參與這段過程。我也想分享自己近期找工作時，怎麼使用 AI 探索方向、理解陌生職業、整理過去經驗，再把 AI 提供的答案帶回真實職缺裡檢查。
這不是一套保證找到工作的標準答案，也不是讓 AI 坐在水晶球後面，輸入生日、星座和履歷，三秒鐘後宣布：「你命中注定要當產品經理。」雖然有時候任何東西的盡頭都是玄學。我真正想示範的是：當一個人還不知道有哪些路，AI 能不能先陪他把地圖攤開？
整套流程也適合套用在其他應用上，先利用AI拓展思路、確定方向、搜尋已建立好的模塊、因應需求客製化更改、使用、紀錄、觀察、面對自己的缺點修正，當把應用的場景以及專有名詞抽掉，其實整個邏輯沒有太大的差異。而AI正是可以短時間幫你補回應用的場景以及專有名詞的強力客製化家教。
很多人準備找工作時，第一個動作就是更新履歷：換一個版型、把英文修漂亮，再把「協助專案」改成「推動跨部門合作」。
加上 AI 之後，這件事更快了。原本平凡的一句話，三十秒後可能變成：
Spearheaded cross-functional strategic initiatives.
看起來像是公司沒有你就會立刻停止自轉。
可是，在忙著把履歷變厲害以前，有一個更基本的問題還沒有回答：
你到底要把這份履歷投去哪裡？
如果連方向都不清楚，就開始調整每個動詞，有點像產品需求還沒確定，工程師已經在做效能最佳化。履歷當然重要，但它不一定是求職的第一步。更前面的問題可能是：我看得見哪些選擇？那些工作真正是在做什麼？
我自己的第一份工作，是學長介紹的一份印尼礦業相關工作。
當時覺得好像滿有趣的，於是就去了，體驗了一整年驚奇且驚嚇的旅程。今天回頭看，我不會說那是錯誤決定。人生沒有附解答，沒有人能證明另一條路一定比較好；如果重新來一次，我也可能還是做出相同選擇。
如果能回頭，我現在更在意的是：當時的我究竟看得到多少選項？
很多人生選擇並不是看完所有可能，再冷靜地挑出最佳答案。比較常見的情況是，A 剛好出現在眼前，B 聽朋友提過，C 是路邊的阿伯說你根骨奇佳是個練武奇才，而 D、E、F 根本不知道存在。
我們最後選的，往往不是全世界最適合的路，而是當時看得見的其中一條。如果那時候有現在的 AI，我不知道自己會不會選得不同；但它至少可能讓資訊有限的我，多看見幾種可能，也更清楚自己正在選什麼。
對剛畢業的學生來說，「你想做什麼」有時候是一個很殘酷的問題。不是因為沒有想法，而是剛從有標準答案的教育世界，走進沒有標準答案的社會，甚至不知道那些職稱每天在做什麼。
即使已經有一點工作經驗，也可能只知道自己不喜歡現在的位置，卻不知道原本的能力還可以移到哪些地方。
以前要理解一個陌生職業，通常得先認識從業者、讀很多文章，再慢慢看懂職缺裡的技術名詞。現在 AI 可以先降低第一次理解的成本。
例如，一位地球科學背景的人不必一開始就問：「我適合什麼工作？」可以先問自己是否想留在原本的專業領域。如果想留下來，可以探索環境資料、遙測、災害分析或科學程式等方向；如果想走出去，也能進一步了解資料分析、AI 工程、技術產品經理、解決方案工程師或其他產品與技術工作。
這些名稱不是 AI 頒發的轉職許可證，也不是看到「資料」兩個字就能無痛轉換。它們只是候選方向。AI 的第一個任務不是宣布哪個最適合，而是幫我們回答：這些工作到底是什麼？我原本的經驗可能接得上哪裡？中間又缺了什麼？
職稱很容易讓人產生漂亮的想像。
「我喜歡 AI，所以想當 AI 工程師」聽起來很合理。但喜歡研究新模型，和願意長時間除錯、維護別人的程式、處理部署失敗、權限設定與環境問題，可能是兩件不同的事。
產品經理也不只是想創意、畫藍圖和優雅地決定方向。真實的一天可能包含追進度、釐清模糊需求、協調不同部門，然後在第三次會議中再次回答：「所以到底什麼時候可以上線？」
所以理解一份工作時，我會想看三個面向：它最好的一面是什麼？一個普通的星期二通常在做什麼？最糟的情況又可能長什麼樣子？
最好的一面解釋它為什麼吸引人，普通的一天呈現多數時間如何度過，最糟的情況則提醒我們可能付出什麼代價。還可以追問：最無聊的三成是什麼？新人最常誤會什麼？如果我討厭頻繁溝通，哪一部分可能最痛苦？這不是要 AI 編職場鬼故事，而是確認自己能不能接受它普通，甚至不太順利的日子。
這些問題通常比：
這個職業平均薪水多少？
更接近「我到底願不願意過這種生活」。
當然，薪水很重要。最近甚至有人請 AI 把陶淵明「不為五斗米折腰」的五斗米加上潛在獎金換算成現代薪資，得到月薪超過二十萬元的趣味答案，如果你遇到了這個月薪，我想任何的煩惱都不是煩惱，看要折腰還是下腰都可以。這則新聞
這個梗好笑的地方，也剛好說明了薪資數字在現代的誘惑。只知道月薪多少，還是不知道陶淵明為什麼不願意折腰；只知道一份工作的平均薪資，也不代表我們理解它每天交換掉的是時間、壓力、自由，還是自己在意的生活。
哈佛成人發展研究從 1938 年開始長期追蹤參與者的健康與生活，其中反覆出現的一個訊號是：良好而穩定的人際關係，與幸福感、健康和長壽密切相關。這不是在替我們選工作，也不表示薪水不重要，而是提醒我們：這份工作是否讓人長期沒有時間陪伴家人？下班後還剩多少心力與朋友相處？工作場所裡能不能建立值得信任的關係？
薪水是重要條件，卻不是生活的完整報價。一份工作交換掉的，還可能包括維持關係、照顧自己，以及過想要生活的時間與力氣。
如果今天就想開始，不必先寫好履歷，也不用假裝自己已經有一份完整的職涯藍圖。第一輪只要告訴 AI：自己的科系、做過的一兩件事，以及目前是否想留在原本領域。
如果連最後一題也不知道，回答「我不確定」完全可以。對一個還沒看過多少真實工作的學生來說，不確定並不是缺乏企圖心，而是現在掌握的資訊還不夠。
例如，我可以這樣開始：
我剛從地球科學相關科系畢業，還沒有正式工作經驗，只做過課程專題和研究資料整理。我不確定是否要留在原本領域，也不知道科技業有哪些工作。請先不要替我推薦職業或做決定，一次只問我一個問題，幫我把可能的方向慢慢展開。
AI 接下來不該立刻端出十個職稱，而是先追問具體經驗：專題裡做過哪些事情？比較喜歡分析資料、理解自然現象、寫程式，還是向別人解釋結果？哪些工作做完有成就感？哪些事情只做半小時就想逃離現場？對工作地點、收入與生活方式，有沒有目前不能接受的條件？
沒有正式工作經驗也沒關係。課程、專題、實驗室、社團、打工和志工經驗，都可以先提供線索。這些線索還不是能力證明，只是讓下一個問題不必完全靠猜。
第一輪探索的成果也不用是一個「正確職業」。只要先留下三種值得理解的方向就夠了：一個留在原專業附近、一個使用部分既有能力的相鄰方向，以及一個過去很少接觸、但願意進一步了解的新方向。
這時候，Day 24 的提醒就很實用。過去的科系、專題與工作都是重要證據，卻不必成為提前刪除其他機會的理由。可以先把「我應該只能做這個」放到旁邊，心平氣和地理解每個方向。
不過，放下舊答案並不等於偷偷換成另一個新答案。如果我早已認定自己一定要當 AI 工程師，接著只問：「地球科學背景轉 AI 工程是不是很有優勢？」那就很容易掉回 Day 25 的問題。我表面上在探索，其實只是希望 AI 穿上啦啦隊服，替已經做好的決定加油。
比較好的問法，是同時保留幾種可能，也允許不喜歡的答案出現：這個方向為什麼值得了解？為什麼可能不適合我？還缺少哪些資訊？什麼證據會讓我繼續或停下來？目前的目標只是打開地圖，不是請 AI 替我選。
接著，挑出幾個看不懂的職稱，一個一個問到自己能用白話解釋。某個工作主要替誰解決什麼問題？一天常見的任務有哪些？不同公司裡的同一個職稱會差多少？哪些能力可以從原本經驗帶過去？哪些缺口是真的要補，不能只換個名詞就假裝已經會了？
判斷自己是否理解的標準，不是 AI 已經寫了三千字，而是關掉對話後，我能不能不用照著它的句子，向另一個人說明這份工作在做什麼。
完成這一輪後，桌上應該留下的不是職涯判決書，而是三張暫時的職業卡片。每張卡片至少寫下：這份工作主要解決什麼問題、平常可能做什麼、最辛苦或無聊的部分、自己目前接得上的經驗、仍然缺少的資訊，以及下一步要搜尋什麼職稱或職缺來查證。
前面介紹 Agent 時，我們看過它可以使用網路搜尋。到了職涯探索，這項能力就很實用：除了詢問模型對某個職業的理解，也可以請它真的去找最近的職缺、從業者文章與公開討論。
例如，可以請 Agent 整理真實職缺裡反覆出現的工作、從業者認為有成就感的部分，以及常見的抱怨。說法互相衝突時，看看差異是否來自公司規模、產業、資歷或個人偏好。
搜尋得到不等於事情就是真的。公司官網通常展示最好的一面，匿名論壇容易聚集特別不滿的經驗，職涯文章也可能只談少數成功案例。因此要保留來源、日期與不同說法，交叉看看職缺、公司資料和從業者分享。
不是用三篇文章替一個職業定罪，而是替原本只有職稱的想像，補上可以追查的現實材料。
理解幾個方向之後，才開始比較。但我不太建議讓 AI 算出「AI 工程師適合度 92%、技術產品經理 87%」這種排名。
數字看起來很精準，卻不表示背後真的有可靠量尺。那個 92 分有時候不是來自資料，比較像是從宇宙接收的職涯神諭。
比起選出冠軍，更有用的是把取捨攤開：工作內容、技術深度、人際互動、學習曲線、壓力來源、轉換成本，以及與現有能力的距離。這些條件沒有統一答案，因為每個人願意交換的東西不同。
這時可以讓 AI 改當提問者：哪類工作讓我想繼續了解？哪些日常光想到就累？我追求的是高薪、穩定、自主，還是累積特定能力？又能接受多少風險？
職涯不能只問「我會什麼」，還要問「我想過什麼樣的生活」。有些工作做得到，不代表想每天做；有些工作薪水很好，也不代表願意用目前的生活去交換。
比較完幾個方向後，最後得到的不該是一個「正確職業」，而是兩三個值得繼續驗證的職涯假設。例如，AI 工程可能接得上資料與模型經驗，但還要確認軟體工程基礎，以及自己是否真的喜歡維護與除錯；技術產品經理可能運用跨領域溝通能力，卻也需要驗證自己能否接受大量協調與模糊問題。
假設的意思是：目前看來值得探索，但仍可能被新證據推翻。
AI 對職業的描述只能作為起點，相同職稱在不同公司也可能完全不同。第一輪可以先找三份真實職缺，看看 AI 描述的日常與市場要求是否一致；若仍然有興趣，可以用Linkedin找一位從業者詢問是否願意Coffee chat，或者去大大帶我飛找資深的專家聊聊、上一門入門課，或做一個接近真實工作的迷你專案。
這些都是小規模測試。做完以後發現很喜歡，是證據；做到第二天就非常討厭除錯環境，也同樣是證據。負面結果不是浪費時間，而是用比較低的成本排除一條不適合自己的路。
AI 能降低理解與試走的成本，卻不能替代現實。職缺、作品、從業者經驗與自己的實際感受，才會逐步修正那張地圖。
這個過程可能不只進行一輪，也可能持續好幾天，甚至數十天。某個方向出現、消失，後來又被重新考慮，都很正常；畢竟我們不是在替一道題目找標準答案，而是在探索一段還沒有走過的人生。
如果當年有現在這些工具，我不知道最後是否仍會前往印尼從事礦業相關工作。也許會，也許不會，這個問題永遠沒有辦法驗證。
最大的差別可能不是 AI 幫我找到「正確人生」，而是我會更清楚自己正在選什麼，也知道還有哪些暫時沒有走的路。
所以，準備求職時，我的第一個動作不會是請 AI 優化履歷，而是先請它幫忙把地圖打開。先擴展選項、理解工作、比較取捨，再形成幾個假設，帶回現實世界驗證。
資訊更多不保證選得更好，但有機會讓選擇更有意識。
AI 不一定能替你找到最好的人生，但它可以讓你在決定以前，多看幾條原本不知道存在的路。
走完 Day 26，我們有了兩三個值得驗證的方向。下一個問題是：我要怎麼證明自己可以？
這時才輪到履歷。但下一篇不會直接請 AI 生成履歷，而是先處理一件更根本的事：我們可能忘了自己做過什麼。
做過哪些專案？當時解決什麼問題？為什麼那樣判斷？遇過什麼錯誤？最後產生什麼結果？哪些經驗能帶往新的方向？如果這些材料沒有先被問出來，AI 也只能把「負責資料分析與專案執行」改寫成一串更華麗、內容卻同樣模糊的句子。
明天 Day 27，我們要把 Day 21 看過的 grill-me 方法改成求職版本，讓 AI 一題一題，把那些連自己都快忘記的經驗問回來。
先不考慮履歷怎麼寫，你真正理解哪些工作？又有哪些方向，只因沒有人解釋，所以一直沒出現在選項裡？
留下一句話：
先別急著請 AI 替你選路。先讓它幫你看見，原來地圖上還有其他路。
iThome鐵人賽
看影片追技術