上一篇，我先把 MVP 的範圍收斂下來，也列出了第一版需要的功能。
我的產品流程大概是：
和 ChatGPT 練習 → 產生適合自己的英文 → 切成 chunks → Shadowing
一開始，我其實想先做前面的 AI 功能：讓使用者跟 ChatGPT 練習，再把對話整理成可以拿來練習的英文。
但列出 Requirement，只代表我知道「要做什麼」，還不代表我已經知道它實際應該怎麼運作。
像「把英文自動切成適合練習的 chunk」看起來已經是一條 Requirement，但真的要開始實作，還是得先回答：什麼叫做適合練習？切在哪裡才算切得好？最後要產生什麼樣的結果？
我不打算一次把整份 spec 寫到完美，而是先挑一個最直接影響練習體驗、定義又最模糊的功能來釐清。所以，我把順序調了一下：先從 chunking 開始。
原因很簡單：它會直接影響練習品質。
如果系統產生了一句很自然的英文，卻把它切成一些奇怪的片段，使用者就算每一段都跟著念了很多次，最後還是不一定能自然地把整句話說出來。
而且 chunking 聽起來很簡單。
不就是「切」嗎？
我原本對 chunking 真的沒有想太多。
可能按照標點符號切，句子太長的話再切小一點。看起來應該寫幾條規則就可以開始做了。
但真的準備實作時，第一個問題就出現了：
到底切在哪裡，才叫做切得好？
我先拿了幾個自己以前真的遇過的英文情境，試著人工切一次。
其中一句是：
I'm here to / renew my health card.
如果按照自然語流來看，我其實不應該在 to 後面停下來。
但我發現自己會想這樣切，是有原因的。
因為對正在學英文的我來說：
I'm here to + ______
本身就是一個很好用的句型（pattern）。
今天可以是：
I'm here to renew my health card.
下次也可以變成：
I'm here to pick up my package.
或是：
I'm here to ask about my application.
所以我把 I'm here to 單獨切出來，不是因為這是自然說話時應該停頓的位置，而是因為我想把它當成一個可以重複使用的句型學起來。
為了確認這樣切是否合理，我開始查英文口說和 Shadowing 的資料，這才遇到一個概念：thought groups（意群）。
Iowa State University 的英語口語教材 把 thought group 定義為一段能形成完整訊息的語流，通常具有語法與語意上的完整性，前後可能有停頓，也會有一個突出的重音和相應的語調輪廓。教材也特別提醒，句子並沒有唯一、固定的切法；說話速度、語意和情境都可能改變分組方式。
如果把剛才的句子視為一個 thought group，練習時會整句連起來，而不是切在 to 後面：
I'm here to renew my health card.
這跟我一開始手動切的位置不一樣。
這時我才發現，我原本說的「chunk」其實混在一起了兩件不同的事情。
如果目的是降低剛開始練習的負擔，我可能希望 chunk 小一點：
I'm here to / renew my health card.
但最後真的要說出口時，我希望自己可以自然地說：
I'm here to renew my health card.
也就是說，chunk 可能本來就有大小之分。
小的 learning chunks 可以幫助我拆解句子、模仿，甚至注意到可以重複使用的句型。
大的 thought groups 則比較接近真正說話時的節奏。
所以我現在的假設是，練習可以分成三層：
small chunks → larger thought groups → full sentence
先拆開練，再慢慢合起來。
不過，我現在還不打算把三層全部塞進 MVP。
接下來，我想先拿幾個真實句子繼續測試，把「什麼叫切得好」整理成第一版 spec。等預期的輸入、輸出和判斷標準比較清楚之後，再開始做 prototype。
我今天幾乎沒寫程式，卻把「切得好」拆成了兩個不同目標。
如果我一開始看到「自動切句」這個需求，就直接開始想：
要寫規則嗎？要用 NLP 嗎？還是乾脆丟給 LLM？
我可能很快就能做出一個會動的版本。
但我甚至還不知道自己希望它產生什麼樣的結果。
我今天實際做的是：
需求 → 找真實例子 → 自己先做一次 → 問自己為什麼這樣做 → 發現原本藏在裡面的不同目標
做到這裡，我才知道接下來要問什麼：
哪些地方可以用簡單的規則？哪些真的需要理解語意？AI 到底需不需要出場？
這次我沒有先選模型，也沒有先寫程式。我先把「切得好」拆成兩個目標：適合學習，以及接近自然語流。接下來，才能判斷哪些地方用規則就夠了，哪些地方真的需要 AI。
iThome鐵人賽
看影片追技術