前幾天一直在講 SKILL、Workflow、AI 幻覺。

講到這裡，我覺得差不多要開始真的做一件事了。

那就從我最常叫 AI 做的事情開始：

找資料。

以前我的方式很簡單。

「幫我找一下 XXX。」

然後 AI 就開始回答。

看起來很快，很方便。

但現在回頭看，這大概也是最容易踩雷的一種用法。

因為「找資料」其實不是一個動作。

它至少可以拆成：

我要找什麼 → 去哪裡找 → 找到之後怎麼判斷 → 怎麼整理 → 哪些還需要確認。

以前我會直接問

例如：

幫我整理台灣半導體產業的發展。

這句話看起來沒有問題。

但仔細想想，其實裡面什麼都沒講清楚。

我要的是哪一段時間？

1970 年代到現在？

還是最近十年？

我要產業史？

科學園區？

公司發展？

技術演進？

政策？

海外擴廠？

土地、水電、人才？

還是全部都要？

如果我自己都沒有講清楚，那 AI 最後就只能自己猜。

然後它就會很努力地給我一份：

「看起來很完整的答案。」

至於是不是我要的，那是另外一回事。

現在我會先訂「搜尋規格」

現在如果我要讓 AI 幫忙找資料，我會先告訴它幾件事情。

這樣 AI 才知道：

不是「去 Google 一下」，而是按照我的規則找。

第二步：不要所有來源都當成一樣

這件事情我以前也常忽略。

AI 找到一篇新聞、一篇政府報告、一篇部落格，很容易全部混在一起寫。

但這三種資料的份量其實完全不一樣。

例如我要查科學園區成立時間，我可能優先看官方資料。

我要找產業統計，就看政府統計、年報或研究機構。

如果我要知道居民怎麼看徵收，新聞、訪談、地方資料可能反而比較重要。

所以「可靠來源」不是永遠只有一種。

而是要看：

我現在到底在回答什麼問題。

第三步：找到資料，不代表資料是真的

這就是 AI 最容易讓人放鬆警戒的地方。

它會告訴你：

「根據某某研究……」

「某某教授指出……」

「2023 年某篇論文發現……」

文字寫得非常順。

但我現在看到這種東西，第一件事情就是：

先去確認這篇真的存在。

尤其是論文。

我們這些常常要寫報告、寫研究的人，大概都遇過：

作者是真的。

研究領域也是真的。

期刊名稱看起來也是真的。

但是三個拼在一起之後——

整篇是假的。

這就是我前幾天說的「AI 生成的文獻」。

第四步：叫 AI 幫我列出「不知道」

我現在反而很喜歡叫 AI 多做一欄：

待查證。

例如：

• 不同來源數字不一致
• 找不到第一手資料
• 新聞有報導，但官方尚未公告
• 資料年份太舊
• AI 無法確認原始出處

以前會覺得這樣答案好像很不完整。

現在反而覺得：

知道哪裡不知道，比假裝全部知道好多了。

所以「找資料」本身就是一個 Skill

如果照昨天講的 Workflow 來看，其實「資料搜尋」完全可以自己拆成一個 Skill：

Input

先定義主題、時間、範圍、資料種類。

↓

Search

按照來源優先順序搜尋。

↓

Filter

排除不相關、過舊或來源不清楚的資料。

↓

Verify

確認關鍵數字、人物、論文、日期是否真的存在。

↓

Output

整理成表格、時間軸或摘要。

↓

Check

最後列出待查證與資料衝突。

以前我以為：

AI 幫我找資料 = 幫我省時間。

現在我反而覺得更準確的說法是：

AI 可以幫我加快找資料的流程，但我要先告訴它，我怎麼認定什麼叫「找到資料」。

不然找得越快，可能只是錯得越快。