前面幾篇，我們花了不少時間讓 AI 開始認識自己：它知道我的工作背景、知道我在意什麼，也慢慢抓得到我寫文章、做簡報、整理資訊時習慣的表達方式。
到目前為止，確實已經有一點「分身」的感覺了，對吧？
但當我們用了這個分身一段時間後，會發現一個問題：
假設把一份與之前完全不同領域的客戶的 Brief 丟給分身，請它幫我開始做提案，你會發現，它雖然會寫出很像我們會寫的文字，卻不懂得用我平常做提案的方式處理這份工作。
比如說，它可能太快開始想解法；也可能會客戶說想做什麼，它就直接照著往下做；甚至整理出一份看起來很完整的提案，但中間漏掉了幾個我平常一定會先確認的問題假設。
恩…到目前為止，表達語氣像我，也只能讓分身的產出「看起來像我」，但腦子靈魂還不像我，能為我代勞的事仍然有限。
如果希望它真的開始分擔我的工作，它還得學會另一件事：
我平常到底是怎麼工作的？
工作做久之後，你會發現，那些厲害的人，其實不見得會照著各種書上的 SOP 一步一步想：
如果這時候問他：「你怎麼知道的？」
很可能只得到一句：「就經驗啊。」
但「經驗」其實不是什麼神祕的第六感。
它通常是很多次專案累積下來的判斷：什麼時候資料還不夠、哪裡看起來怪怪的、哪些方向表面合理但其實不值得做，以及什麼情況應該先停下來補研究，還不能急著往解法衝。
麻煩在於，這些東西通常沒有被寫下來。
它們不一定出現在公司的 SOP，也很少有人會特地做成一份「我的判斷原則」word 檔。更多時候，它只是藏在每天開會、看資料、改提案、否決某個方向時的一個個小決定裡。
所以如果真的想打造 AI 工作分身，我接下來想做的事情，就是把這些已經變成直覺的判斷，一點一點挖出來。
很多專案剛開始時，拿到的資訊其實都不完整。
客戶很少會先幫你把市場研究、使用者訪談、競品分析全部做好，再交給你一份整理得乾乾淨淨的問題定義。
現實比較常見的情況是：他給你品牌資料、產品資訊、一個他認為需要解決的需求，再加上時間、預算、技術或組織限制。
剩下的，要靠做這份工作的人自己補出來。
假設今天做的是 App 或網站改版，客戶可能直接說：「我們想增加一個 AI 功能。」
但這句話距離真正能開始設計，其實還很遠。
現在的使用者到底遇到什麼問題？現有流程卡在哪裡？真的有人需要這個功能嗎？還是現在最需要解決的問題，其實跟 AI 完全無關？
這時候可能要先看既有產品數據、走一次目前的使用流程、研究競品，甚至安排使用者訪談，才能慢慢找到問題在哪裡。
如果今天換成創意提案，要補的東西又不一樣。
我可能會先看看競爭對手最近都在講什麼、同產業習慣用哪些創意手法、是不是每個品牌都在說差不多的話，以及哪些視覺或敘事方式已經被用到快沒有辨識度了。
所以 AI 如果只是把客戶提供的資料整理得漂漂亮亮，其實還離「會工作」有一段距離。
它得慢慢學會判斷：
目前手上的材料夠不夠？如果不夠，下一步應該補什麼？
這看起來只是多問幾個問題，背後其實藏著不少專業判斷。
如果要找一個比較直覺的比喻，我會把這類工作想成調酒。
客戶一開始給你的，比較像桌上的一批原料：品牌資料、產品資訊、需求和限制條件。
但他通常不會把完整酒譜一起交給你。
你得自己判斷這次想調出什麼味道，哪一個材料應該是主味、哪些只需要一點點、桌上的東西夠不夠，還缺不缺其他材料。
接下來才會用到自己以前累積的技法。
例如做創意提案時，我們可能會使用「焦慮說服」。先讓人看見某件事情如果消失、停止運作，生活會出現什麼缺口，再從這個缺口凸顯原本容易被忽略的價值。
另一種常見做法是「對比反差」，利用兩個狀態、兩種角色、兩個世界或兩種觀點之間的差異，把核心訊息拉得更明顯。
可是會這些方法，只代表工具箱裡有工具。
真正比較難的，是判斷這一次到底適不適合拿出來用。
同一桌材料，不同的調酒師最後會調出完全不同的東西。差異通常不在於誰背了比較多酒譜，而是他知不知道這杯酒現在缺什麼，以及這個時候該用哪一種技法。
工作其實也是一樣。
大多數人的工作資料庫，存的都是最後成果，像是以前做過的簡報、企劃案、App、研究報告、客戶提案，一個案子一個資料夾，做久了之後可以堆出非常驚人的數量。
這些東西當然有價值。可是如果只是把檔案全部丟給 AI，它最容易學到的，其實是「你最後做了什麼」。
至於「你為什麼這樣做」，未必看得出來。
假設我以前做過一個健康飲食 App 的改版提案，最後決定暫時不要增加更多功能，先把飲食紀錄流程做好。如果 AI 只看到最後那份簡報，它可能會記住：「這個 Case 最後選擇優化飲食紀錄。」
但真正值得留下來的，其實是中間那一串判斷：
這些東西，未來遇到完全不同的專案時，才有可能再次派上用場。
如果沿用剛剛調酒的比喻，我想保存的就不能只有「以前調過哪些酒」。
我還得留下：當初為什麼這樣調。
開始拆自己的工作之後，我覺得有一個分類很重要。
一類是這次專案才有的資訊，例如這個品牌的背景、這次專案有哪些商業限制，或當時市場上有哪些競爭對手。這類資訊換了下一個 Case，很可能就不適用了。
另一類則是可以帶去下一個專案的方法。
例如：
有意識到後面這一類，才有機會慢慢整理成自己的技能「資源」。這個差異對 AI 工作分身很重要，我不希望它最後只變成一個很會翻我舊資料的搜尋工具，只知道我以前做過什麼。
我更希望它逐漸知道：
遇到這一類問題時，R森通常會怎麼判斷？有哪些方法可以拿出來用？又有哪些坑以前已經踩過，不需要再踩一次？
Case 會過期，方法才有機會繼續累積。
這裡還有一個很容易踩到的坑：
AI 很會整理，你丟幾份你曾做過的案例給它，它很快就可以分析出一套「五大步驟」「七大原則」，看起來條理清楚，甚至比自己原本的想法還完整。
但寫得有道理，不代表那真的是你的工作方法。也不代表這套方法換一個專案還能用。
所以我覺得最簡單的驗證方式就是：用一個全新的題目，請它試做看看
假設我先拿了去年做過的「健康飲食 App」的產品提案給 AI，請它從裡面整理出我的提案方法。
接下來，就要想一個完全不同的 App 或網站需求，用這個 skill 做做看。如果它只是把健康飲食 App 那套內容換幾個名詞再講一次，那它記住的還是 Case。換了測驗它的題目之後，依然能做出類似層次的判斷，原本整理下來的東西才比較接近可以重複使用的方法。
能跨 Case 使用，才比較像能力。
測試的時候一定會遇到 AI 做出一些「我根本不會這樣做」的判斷。
以前碰到這種情況，我可能只會叫它重做。但現在，我發現這種時刻最有價值，因為它常常會逼我發現，原來腦中還藏著一條從來沒有講清楚的規則。
例如告訴你的 AI 工作分身客戶的需求是「增加一個 AI 飲食建議功能。」，他很可能馬上開始歸納需求後，就規劃了各種功能頁面、使用流程等等。
但我看到可能第一個反應是：「等一下，這不像我做事的方式。我不會直接照客戶說的原始需求，就這麼快開始設計與實作功能。」
為什麼？因為客戶現在提出的是 Solution，我還不知道背後真正的使用者洞察是什麼。如果連使用者是不是真的有這個問題都還沒確認，這時候就開始實作功能，很可能太早進入解法。
創意提案也一樣，當你的工作分身想出一句看似很酷、視覺上也很好發揮的概念，但我也許還是會把它打掉。
如果原因只是「我」不喜歡，那對訓練 AI 分身幾乎沒有幫助。
但如果我能說清楚：
「你現在的核心創意，換成任何一個競爭對手都能成立，所以品牌專屬性太低。」
這樣一來，它就變成了一條可以留下來的判斷原則。當分身每做錯一次，我就有機會多挖出一條以前藏在腦中的規則。久了之後，那些原本只能靠「經驗」感覺出來的東西，才會慢慢變成能說清楚、能測試，也能交給 AI 分身使用的方法。
把前面這些事情串起來，大概會變成這樣：
完成一次真實工作
→ 留下代表作品
→ 從作品裡拆出自己的判斷與做法
→ 把能跨專案使用的部分整理成技能資源
→ 拿新的工作測試
→ 找出 AI 哪裡不像自己
→ 把新的判斷補回去
→ 再測一次
這也讓我重新理解「AI 工作分身」這件事，我們不應該是覺得只花幾個小時，把 USER.md、memory.md、skills 等用幾份範例全部塞進去，就認為這個分身已設定完成。
它比較像是一個持續累積的循環：未來每做完一個專案，都多留下幾塊訓練材料，並倒逼我們思考、回饋調教自己的 AI 工作分身。
做過的案子越多，留下來的「為什麼」越多，AI 犯錯之後被修正的次數越多，這個 AI 分身才有可能慢慢接近我們真正的工作方式。
那麼，傳統的 Prompt 到底還有用處嗎？
當然有用，它是一切的基礎。好的 Prompt 可以讓 AI 的輸出更穩定，也可以把很多要求一次交代清楚。
不過 Prompt 很多時候是一次性的指令，較難累積迭代。真正更有價值的是一個人工作上一路累積下來的判斷與工作方式：你知道什麼時候資料還不夠，也知道哪些方法以前試過有效，哪些坑已經踩過一次，下次看到最好繞開。
以前，這些東西大多只能留在人的腦袋裡。現在，我們可以試著把它們慢慢挖出來，變成自己專屬的「腦力資源」。
iThome鐵人賽
看影片追技術