上一篇學會了觀念，這篇我們來實作－你平常做事的方法，要怎麼教給 AI？
如果現在要我從空白頁開始，把「我平常怎麼做提案」完整寫成一份 SOP，我自己大概也很難一次寫清楚。很多工作做久之後，早就變成直覺。看到需求，我會自然知道哪裡怪怪的；資料不夠時，知道接下來要補什麼；做到一半發現方向不對，也知道應該退回哪一步重新思考。
所以我們不該是像以前舊時代那樣，硬逼自己努力回想、歸納總結，用純手刻的方式，寫下自己做事 SOP 的 Prompt。
我們不仿換個方式，把之前真實工作留下來的成果與過程資料交給「製作 skill」的 skill（繞口令？），讓它反過來研究我是怎麼工作的。
這次我預計會拿一份自己做過的「健康飲食 App 提案」當作訓練素材之一，萃取其中的工作思維方法，再把整理出來的方法變成一個可以重複使用的 My Proposal Skill。
你不一定像我一樣是設計師兼 PM，常常需要做企劃提案。你的日常工作可能是分析資料、寫企劃、做研究、準備業務簡報，或是 Review 團隊交來的成果。這篇真正要學的，也不是怎麼做健康飲食 App，而是怎麼把自己經常重複的一項工作，慢慢變成 AI 工作分身可以使用的能力。
先用一張圖來看這個方法的整體輪廓，幫助你理解核心概念：
建立工作分身時，我不建議一開始就想著「我要複製完整的自己」。這個範圍太大，也很難驗證到底有沒有成功。
比較容易開始的方法，是先挑一件工作中經常出現，而且你已經做過很多次的事情。對我來說，其中一項就是「做產品與企劃提案」。
表面上看起來，提案的成果只是一份簡報，實際工作卻遠比做簡報複雜。客戶最開始可能只給我品牌與產品資料、他自己認為需要解決的需求，再加上一些預算、時間或技術限制。
接下來資料夠不夠、需不需要做訪談、要研究哪些競品、真正的問題怎麼定義，以及最後該提出什麼方向，這些才是提案真正花時間的地方。
所以這次我要抽取的能力，可以先縮成一句話：
「收到一個產品需求之後，我通常怎麼一路研究、判斷，最後整理成一份提案？」
你的題目可以完全不同。分析師可能想整理「我怎麼從一份數據找到真正值得追的問題」；企劃可以整理「我怎麼從 Brief 發展成企劃案」；寫作者也可以整理「我怎麼從大量資料形成文章觀點」。
你要複製的不是我，因為每個人的工作性質都不盡相同。真正要找的是：你自己的工作裡，有哪一件事情已經做過很多次，也逐漸形成了一套自己的方法。
決定好要抽取哪一項能力之後，接著我會使用 Distilly。
《R森小叮嚀》
若你是中途看到這篇的朋友，可以先讀一下這篇，有對 Distilly 完整的介紹以及相關教學：
Day 15｜打造 AI 工作分身二部曲－實作如何讓分身開始「像我」說話和產出？看完覺得有收獲的話，請不吝幫我順手按個讚，你的支持是我繼續創作下去的動力
前面我們學 Skill 時，大部分是在使用別人已經整理好的能力。這一次方向反過來：我要開始把自己的方法做成 Skill。
但我不會一開始就直接叫 AI 幫我產生一份「My Proposal Skill」。
因為如果連「我到底怎麼做提案」都還沒有說清楚，直接叫 AI 寫 Skill，很容易得到一份看起來合理，實際上卻只是一般提案 SOP 的東西（每個人問 AI 得到的都差不多）。
所以我會先讓 Distilly 扮演研究者。
它現在的任務不是替我做提案，而是先研究：
「我平常到底是怎麼做產品提案的？」
我會先提供一些基本背景，讓它知道研究範圍。例如我是 PM 兼設計師，經常根據客戶提供的產品資料與需求，進一步研究問題、整理產品策略，最後形成企劃提案。
打開 Hermes Agent，使用之前裝好的的 Distilly Skill ：
(1) 下指令/distilly
(2) 輸入提示詞：
我是 UX/UI 設計師兼產品經理，經常根據客戶提供的資料或需求，研究問題，找洞見、形成產品策略，最後具說服力的提案。
我想要你幫我萃取出我的思考方式與做事方法成一個技能
這樣就會把範圍限制在自己的主要工作範籌中，不會離題。
接下來，是我所分享的這套方法最實用的地方。
我不打算先花幾個小時，把自己的工作方法整理成一套漂亮的材料，再交給 AI。因為如果都整理到這麼完整，其實也差不多等於自己做苦工手刻，把 SOP 寫完了。
基本上我只提供過去做過案子的資料，做為訓練素材，讓它分析我在做產品／服務類型的提案時的思考方式、決策和工作脈絡，以及我判斷好壞的標準。
也就是說，我會直接提供兩類原本工作就已經留下來的資料。
這次就是健康飲食 App 最後完成的提案。
它可以讓 Distilly 看見這個專案最後走到了哪裡，包括我們最後怎麼定義問題、做過哪些研究、提出什麼策略，以及產品方向怎麼形成。
這些紀錄有時候比最後的簡報更有價值。
因為簡報通常只會留下「最後決定了什麼」，卻很少完整記錄「為什麼最後決定這樣做」。
例如一開始客戶可能希望增加更多健康管理功能，但幾次討論後，我們發現真正影響使用者持續使用的原因，可能是每天記錄飲食太麻煩。某個功能原本一度被列為重點，後來因為研究結果不支持，又被拿掉；一次使用者訪談，也可能讓整個問題定義重新調整。
這些「原本想做 A，後來為什麼改成 B」的痕跡，很多都留在會議紀錄裡。
我們平常在做案子的時候，都能都沒時間整理自己的思考脈絡，但每次重要會議，一定會有會議紀錄。
所以我會把最後的提案簡報，以及這段期間跟專案相關的重要會議紀錄，一起交給 Distilly。
一份資料讓它看到最後做出了什麼，另一份讓它看到中間是怎麼走到這裡的。
接續上個步驟，Distilly 可能會想問一些你工作時的風格，例如他可能會問你：「請用一句話描述你的性格與工作風格；可包含 MBTI、決策習慣、溝通方式、重視原則或他人對你的印象」
此時我們不直接回答，而是指示它：
我直接給你我提案相關的簡報及會議紀錄等相關資料，你去深入分析我的提案模式
這對讀者來說，這也是一個比較容易開始的方法。你不需要先整理自己的方法論，只要找一個自己覺得做得不錯的案子，再把最後成果和這段期間的重要會議紀錄找出來，就已經有一套可以開始分析的材料。
《R森小叮嚀》
真實資料先去識別化，再交給 AI。
這裡要特別提醒一下：會議紀錄、提案簡報、研究資料通常都會包含大量真實的商業資訊，在交給任何 AI 工具之前，記得先做好去識別化。除了客戶名稱、公司名稱與人名之外，也要檢查有沒有尚未公開的產品資訊、營收與成本數字、報價、內部決策、帳號資料、客戶名單，或其他可能屬於公司與客戶營業秘密的內容。
不要為了訓練自己的 AI 工作分身，反而不小心把公司的機密一起拿去送給各廠大語言模型當佛心教材。實際使用前，也要先確認公司內部的資訊安全規範，以及這類資料是否允許提供給你使用的 AI 服務。拿不準的內容，就先刪掉、模糊化，或改寫成不影響工作方法判讀的假資料，再交給 Distilly。
把資料交進去之後，我們要讓 Distilly 從最後的提案報告檔案與會議紀錄之間，拼出「我當初是怎麼做決策的」。
例如它可能從最後的提案裡看到，我們把「飲食紀錄太麻煩」列成重要問題。但回頭去看前面的會議紀錄，就會發現這個答案並不是一開始就存在。
一開始，客戶可能認為自己需要的是更多 AI 健康建議功能。經過討論、研究與使用者訪談後，我們才逐漸發現，真正阻礙使用者持續使用產品的問題，可能發生得更早：光是每天把吃過的東西記錄下來，就已經很累了。
當問題定義改變，後面的產品方向自然也會跟著改。
從這段過程裡，Distilly 就可能幫我們整理出一條工作原則：
「客戶提出的功能需求先視為假設。在理解真正的 User Problem 之前，不急著直接進入功能設計。」
另一段會議紀錄可能又透露出，我面對資訊不足時，不會每次都照固定流程做一輪訪談、市場分析、競品研究，而是會先判斷：
「目前到底缺哪一種資訊？」
不知道使用者為什麼不使用，可能要做訪談；不知道市場上已經有哪些解法，才需要研究競品；如果產品本身已經累積大量使用數據，也可能先從數據裡找線索。
這又可以整理成另一條方法：
「先判斷缺口，再選擇研究方式。」
這些東西，就是我真正希望分身學會的地方。
因為健康飲食 App 只是這一次的專案，但「不要過早接受客戶提出的解法」、「先判斷缺什麼資訊，再決定研究方式」這些做事時的思維判斷，換到其他產品提案裡仍然可能成立。
做到這裡，Distilly 幫我們處理的是「研究我以前怎麼工作」。
接著要做的事情，是把研究結果再往前推一步，轉換成：
「以後我的 AI 工作分身遇到提案任務時，應該怎麼工作？」
這就是這篇想要建立出的個人化的 My Proposal Skill。
也就是說，創造一個 Skill 給我的 AI 分身，留下那些換了專案還可以使用的規則、步驟與判斷方式。
比如說，這個 Proposal Skill 裡可能會逐漸形成幾類內隱知識。
如果客戶說：「我們想增加一個 AI 飲食建議功能」，不能立刻把「客戶認為使用者會想要的」當成需求本身。
先問它到底想解決什麼問題，也就是QBQ（問題背後的問題，這在 UX 領域，又被稱為使用者洞察）
使用者真的是缺建議嗎？還是他們真正的問題是「輸入自己吃了什麼太麻煩」，才導致根本「沒有足夠的 input 資料讓 AI 給出建議」？
把解法方案，跟 User Problem 拆開，是提案開始前很重要的一步。
不是每一次提案都一定要「訪談五個人＋看十個競品＋做一份詳盡的市場分析」。
比較好的方式，是判斷這個案子可用的資源成本是多少，並看看目前哪一塊資訊明顯不足，再決定要用什麼方法補。
在專案管理領域中，完成的定義 (DoD) 很重要。同樣地，提案也是，必須要有相對應的檢查標準，才能夠判斷這個提案的好壞。
這些判斷的標準被整理進 Skill 之後，我的 AI 工作分身才開始真正長出一項屬於我本人才有的能力。
它學到的不再只是「我都怎麼表達、敘事」，而是我面在做提案這個情境時，通常會怎麼思考，進而幫我做出初步的雛形，然後我真人再來更優化這個基礎提案。
當我們的 My Proposal Skill 做出來之後，就該換題目測試。
這次不能再拿健康飲食 App 給它做，否則很難知道它究竟學會了方法，還是只是記得原本案例。
所以我會故意挑一個內容差很多的題目，例如：二手遊戲片交換
假設現在有一個潛在客戶發現，很多玩家買完 Switch 2 或 PS5 的實體遊戲片後，破關就一直放在家裡；另一方面，也有玩家很想玩新的遊戲，卻不想每次都花一千多元買新品。
我因此想到一個產品概念：做一個「二手遊戲片交換 App」。
甚至，我還已經想好一些功能，包括遊戲片上架、玩家配對、交換邀請、會員評價，以及一套點數機制，希望直接用我的 AI 分身，用我的思維方式、做提案的方式，幫忙將整個提案規劃完整：
(1) 開一個新的對話
(2) 下指令colleague-my-proposal
(3) 輸入提示詞：
假設今天我要做一個二手遊戲片交換的 App，幫我想提案。
(目前想到的可能有一些功能，包括遊戲片上架、玩家配對、交換邀請、會員評價，以及一套點數機制)
這個驗證步驟，我真正想看的，並不是我的分身能不能列出要實作的東西，比如交換頁、會員中心要怎麼設計。
我希望的是它擁我所教過他的「像我」做之前案子的技能，甚至是重新定義問題的思維能力。
例如，它應該要會問：使用者真的有「交換」遊戲片的需求嗎？還是大部分玩家其實比較習慣直接賣掉，再拿錢去買下一片？陌生人交換實體遊戲時，最大的阻力是什麼？遊戲片保存狀況、運費、信任問題，還是兩片遊戲價值不對等？
這些問題出現後，接下來還有哪些是假設，需要真的訪談過玩家、或研究目前遊戲社團裡大家怎麼交易，再重新判斷：
「交換」到底是不是這個產品真正值得解的問題？
如果分身換了一個新的題目之後，還是知道要先確認問題、找出資訊缺口、決定研究方式，再從證據形成策略，就表示前面萃取出來的工作方法，真的開始具備可重複使用性。
反過來，如果它只是把健康飲食 App（前面用來訓練分身學會我提案技能的素材）裡的內容原封不動搬過來，硬要這個新專案也照一模一樣的步驟執行（也就是過度擬合），那就代表這個 Skill 還沒有真正掌握方法背後的思考脈絡。
以這個案例來看，我的分身的確有學到我做提案的方法，以下是提案的說服敘事頁，我放二張上來給大家們感受一下。
第一次測試，幾乎不可能完全符合自己的做法。
這其實很正常，而且這些「不像我的地方」，反而是接下來最有價值的訓練資料。
例如分身看到客戶已經提出「點數機制」，可能很快就開始幫忙設計：完成一次交換拿多少點、累積多少點可以換優惠、會員等級怎麼分。
但如果是我，我可能會先停下來問：揪豆麻逮… 為什麼需要點數？
它到底要解決交換價值不對等、增加交易頻率，還是只是因為客戶覺得平台好像都應該有點數？
目前如果連交易最大的障礙是什麼都還不知道，現在花時間設計點數規則，其實太早了。
這時候，我不會只告訴分身：「這段不好，重做。」
我會把真正的原因講清楚：
「現在還沒有證據證明點數是一個必要的解法，先把它視為客戶提出的 Solution 假設。應該先確認交換機制真正卡住的地方，再判斷要不要用點數處理。」
然後要求 AI 分身學會我的思考方式，更新這個 My Proposal Skill。
下一次再遇到類似狀況，它才有機會知道：客戶提出某個功能時，先問這個功能究竟在解什麼問題，而不是直接把它當成已經確認過的需求。
這是建立自己用的工作分身很重要的一部分：
每一次你心裡出現「哼哼！是我的話才不會這樣做咧！」的時候，其實都代表還有一部分工作經驗沒有被說清楚。
把後面的「為什麼」做為重要的回饋，Skill 才會慢慢從一套「像一般專家」的提案流程，長成比較接近「像你」的提案方法。
看到這裡，你可能會想：那豈不是要先準備五份、十份提案，再整理好幾年的會議紀錄，才能讓 AI 分身完整地學會自己的思維工作方法？
其實，我反而不建議一開始把目標設這麼高，這會造成摩擦力飆升，讓我們受困於「完美主義」之中。
只要找一個你自己滿意、也足以代表你的作品，再把這個專案重要的會議紀錄挖出來（甚至沒有也可暫時略過），就可以開始了。
別想太多，先試著把本篇教學的步驟完整走過一次就好。
等下一次又完成一個有代表性的案子，記得再把新的成果與討論紀錄補進來就好。
每個人的職業及專業類型不同，我的例子最後得到的是做提案用的 Skill，但你做的很可能完全不同。
如果你是數據分析師，可以慢慢建立自己的 Analysis Skill；如果是每天都在寫企劃的行銷人，可以建立 Planning Skill；如果大部分時間是在 Review 團隊產出的小主管，也可以把多年累積的判斷標準整理成自己風格的 Team Review Skill。
找一件自己常做的工作 → 找出成果與過程資料 → 萃取工作方法 → 做成 Skill 放進你的AI 工作分身 → 換一個新題目測試 → 調教你的分身。
像這樣做完第一個 Skill 之後，後面可以再陸續打造其他你常會用到的、不同工作類型 Skill。
於是，你的分身就會再往前走幾步，漸漸地擁有你風格的各種工作能力 Skill 了。
iThome鐵人賽
看影片追技術
看更多