AI（人工智慧）
讓機器做出需要人類智慧的事；1955 年達特茅斯計畫書第一次用這個詞，寫規則、自己學都算。
這份教材怎麼來的？整理自史旺基 2026 年 10 月的一場企業內部 AI 入門分享，改寫成可以自己讀、自己練的網頁版。教材設計成非工程背景也聽得懂，所以通篇用比喻和生活例子，不需要任何程式基礎。
四個關鍵詞＋Agent，一張圖
AI 助理怎麼幫你做事？LLM 是大腦，其他角色決定它「做什麼、怎麼做、拿得到什麼」。點圖上任一個角色，看它負責什麼。
你
Agent：會把事做完的同事
信箱
資料庫
系統
「迴圈」不是新名詞，是 Agent 一圈一圈做事的方式：想下一步、用工具去做、看結果，再決定要不要繼續。點上面任一個角色看細節。
LLM｜大腦 負責讀懂你的話、寫出回答。它讀過海量文字，一塊一塊猜出下一塊——是在「接話」，不是在「查資料」。（第二幕）
Prompt｜交辦 你這一次對 AI 說的話。像交辦給第一天上班的新同事：任務、背景、限制講清楚，它才做得對。（第三幕）
MCP｜接法 大腦再聰明，也拿不到你的行事曆、信箱或資料庫。MCP 是讓 AI 接上工具和資料的共同規格，可以先記成 AI 世界的 USB-C。（第四幕）
Skill｜手冊 告訴 AI「碰到這類事，照什麼步驟做、有哪些規矩」。不是每次都攤開全部，用得上才翻開那一章。（第五幕）
Agent｜會把事做完的同事 Agent 不是第五個零件：大腦＋工具＋迴圈就是 Agent。它會想下一步、用工具去做、看結果，再決定要不要繼續；Prompt 和 Skill 讓它做得對。（第六幕）
只記一句LLM 是大腦，其他角色決定它「做什麼、怎麼做、拿得到什麼」。
這份教材怎麼看：不用背，跟著故事走
不是英文縮寫大考。希望讀完能回答三個工作上的問題：什麼事可以交給 AI？怎麼交代它才做得對？做到哪一步一定要停下來給我確認？
一個故事、六幕
從 1950 年講到今天：歷史、LLM、Prompt、MCP、Skill、Agent。每一幕先遇到一個問題，再由一個新名詞解決。第三幕起，史旺姬（史旺基的原創虛擬角色，在這份教材裡是公司的實習生）會帶著工作上場；插畫裡戴白色笑臉大帽的老師，是史旺基的 CloneX 數位分身。
顏色就是名詞
LLM 藍、Prompt 青、MCP 綠、Skill 紅、Agent 深藍。看到顏色就知道在講誰；每段最後的「只記一句」重點帶，是只記一句時要帶走的話。
邊看邊動手
每幕都有小測驗：先選，再看解答，答錯就回到那一段重讀。另外還有接龍、抽籤、辦公桌模擬、翻牌與分類小遊戲。
小抄＋練習
學完看下面的名詞小抄（可以搜尋）、做三題實作練習，最後用 9 題自我檢核確認自己真的會了。
學完之後，你能做到這五件事：
- 1講得出四個關鍵詞＋Agent
- 2知道 AI 能接手哪些工作
- 3會檢查 AI 的結果
- 4挑出一件想交給 AI 的工作
- 5知道哪一步要人確認
閱讀進度、勾選紀錄只存在你這台裝置的瀏覽器裡。
一個故事，六幕
從 1950 年講到今天。第三幕起，實習生史旺姬會帶著一件件工作上場，跟著她一起練習交辦。
-
第一幕
AI 想變聰明：從人教到自己學
圖靈測試、ELIZA、專家系統到 AlphaGo：從「人把規則寫完」到「機器從資料學」。
開始閱讀 → -
第二幕
LLM：會說話的 AI 誕生了
文字接龍、Token、機率與溫度、三段訓練、AI 的辦公桌，以及為什麼「我確定」不算查證。
開始閱讀 → -
第三幕
Prompt：學會跟 AI 說話
把 AI 當成第一天上班的新同事：好交辦的六塊積木與八個小技巧。
開始閱讀 → -
第四幕
MCP：讓 AI 接上工具
AI 世界的 USB-C：工具怎麼接、權限怎麼給，以及藏在資料裡的假指令。
開始閱讀 → -
第五幕
Skill：把經驗寫成一本手冊
新人工作手冊：用得上才翻開的漸進式揭露，與 Prompt、MCP 的分工。
開始閱讀 → -
第六幕
Agent：大腦＋工具＋迴圈
想、做、看、判斷的工作迴圈；AI 紅綠燈，以及挑出第一件交給 AI 的工作。
開始閱讀 →
八個最常見的誤會：你以為 vs. 其實是
先看正面那句「你以為」，自己說說錯在哪，再點一下翻到背面對答案。提示：八句全都是誤會。遇到 AI 表現怪怪的，先想想是不是踩到其中一個。
LLM你以為
「AI 會記得我上次講過的話」
錯在哪？翻面看答案 ↻
LLM
你以為：「AI 會記得我上次講過的話」
其實是
模型本身不記得；是 App 每次把整段對話重送給它。開新對話就從零開始（除非 App 另外開了「記憶」功能）。
LLM你以為
「AI 什麼都查得到，而且是最新的」
錯在哪？翻面看答案 ↻
LLM
你以為：「AI 什麼都查得到，而且是最新的」
其實是
沒接工具時，它只靠訓練時讀的書，停在知識截止日。要最新或內部資料，要靠 RAG 或 MCP 工具。
Prompt你以為
「要背神奇咒語，寫越長越好」
錯在哪？翻面看答案 ↻
Prompt
你以為：「要背神奇咒語，寫越長越好」
其實是
重點是把任務、背景、限制講清楚，不是字數。跟任務無關的話反而會讓它分心。
MCP你以為
「MCP 是一個 AI 產品」
錯在哪？翻面看答案 ↻
MCP
你以為：「MCP 是一個 AI 產品」
其實是
MCP 是一套像 USB-C 的接法規格，不是 App。你用的是支援 MCP 的 App，例如 Claude Code。
MCP你以為
「AI 用的每一個工具都是 MCP」
錯在哪？翻面看答案 ↻
MCP
你以為：「AI 用的每一個工具都是 MCP」
其實是
MCP 只是「接外部系統」的那套接法。Claude Code 本身就內建讀檔、改檔、執行指令等工具；要碰行事曆、信箱這類外部系統，才需要 MCP。
Skill你以為
「Skill 就是存起來的長 Prompt；寫了它，AI 就被訓練變聰明了」
錯在哪？翻面看答案 ↻
Skill
你以為：「Skill 就是存起來的長 Prompt；寫了它，AI 就被訓練變聰明了」
其實是
Skill 比一段 Prompt 多三件事，而且不會改到模型本身：① 用得上才載入全文 ② 可以附範本、資料、小程式 ③ 寫一次大家共用。
Agent你以為
「交給 Agent 就不用管了」
錯在哪？翻面看答案 ↻
Agent
你以為：「交給 Agent 就不用管了」
其實是
它會誤解目標，也會被錯誤資料或假交辦帶偏。重要動作要你確認，結果要你驗收。
Agent你以為
「會自動跑的東西都叫 Agent」
錯在哪？翻面看答案 ↻
Agent
你以為：「會自動跑的東西都叫 Agent」
其實是
照固定步驟跑的叫流程自動化（Workflow），中間用了 LLM 也一樣。Agent 是 LLM 每一步自己決定下一步、用哪個工具。
出處：Anthropic〈Building effective agents〉(2024-12-19)；Claude Docs〈Agent Skills overview〉；Claude Code Docs〈Overview〉。
名詞小抄：一句話＋一個比喻
⭐＝必記的四個關鍵詞＋Agent；其他是配角，聽過、知道回哪裡查就好。可以搜尋，也可以只看某一幕。
圖靈測試
隔著文字聊天，猜不出哪個是機器，就算機器過關。
專家系統
把專家的經驗寫成一條條「如果…就…」規則交給電腦。
AI 寒冬
AI 經費和熱度大退潮的時期：1973 年 Lighthill 報告後一次、1980 年代末專家系統退燒又一次。
機器學習
不寫規則，讓電腦從大量資料自己找出規律。
深度學習
一層層找特徵（人工神經網路）：先看線條、再看耳朵、最後認出貓臉；2012 年起爆紅。
生成式 AI／多模態
會產生新內容（文字、圖片）的 AI，LLM 是負責文字的那一種；多模態＝同一個模型能讀文字、看圖、聽聲音。
ELIZA 效應
把「講得像懂」當成「真的懂」。
Transformer
2017 年的模型架構，能平行訓練才放得大；GPT 的 T。
⭐ LLM
讀過海量文字，一塊一塊（Token）猜出回答。
參數
模型裡被訓練出來的數字。
Token
AI 讀字的單位，也是計費單位。
三段訓練
預訓練 → 指令微調 → 人類回饋（RLHF）：人排名次，用排名訓練出打分的 AI 裁判，模型再照裁判的分數反覆練。
推理模型
回答前先寫一段思考草稿再作答。
Temperature
控制回答穩定或多變的設定（不是模型裡的參數）。
引擎與 App
LLM 是引擎；ChatGPT、Gemini 是 App。
幻覺
很有自信地講出錯誤或不存在的內容。
知識截止日
訓練資料停在哪天，知識就停在哪天。
Context window
AI 一次能讀進來的量。
RAG
先找出相關段落（用意思或關鍵字找），再根據段落回答。
⭐ Prompt
你這一次交代 AI 的話。
6 塊積木
角色、任務、背景、限制、格式、範例；先放任務＋背景＋限制，不對再補。
System prompt
App 事先寫給 AI 的固定規則。
Tool use
AI 寫工單、程式去執行；工具可能是內建的，也可能是 MCP 接上的。
⭐ MCP
AI 連接工具和資料的共同標準（三個角色：Host、Client、Server）。
MCP Server
接上一個系統的轉接線，提供一組工具（例：行事曆 Server 的查空檔）。
Jira／Confluence
給技術背景的讀者：Jira 用來開工作單、追進度；Confluence 用來放團隊共用文件。MCP Server 可以把它們接給 AI。
Prompt Injection
外部資料裡藏指令，騙 AI 照做。
致命三角
私人資料、不可信內容、能往外送，三樣不要同時給 AI。
最小權限
工具只給必要權限，高影響動作要人確認。
⭐ Skill
一個資料夾＋SKILL.md，寫下工作怎麼做。
description
SKILL.md 裡告訴 AI「何時該用我」的那段。
Markdown（.md）
用 # 當標題、- 當條列的純文字寫法，SKILL.md 就是這樣寫的，記事本就能開。
CLAUDE.md
Claude Code 每次開工都先讀的固定規矩；Skill 則是用得上才翻開全文。
漸進式揭露
先看名稱說明，用得上才讀全文。
觸發率
該用某支 Skill 時，AI 真的想到要用它的比例。
Claude Code
Anthropic 的 AI 助理程式（終端機、VS Code 或桌面 App）；打 /mcp 看接了哪些 Server、/skills 看 Skill 清單。
Plan 模式
Claude Code 只讀資料、先交計畫、不改檔案的模式，看過再讓它動手。
Chatbot
你問一句、它答一句的聊天程式。
Workflow
照事先寫好的路徑跑；中間可以有 LLM，但下一步不由它決定。
⭐ Agent／Agentic
LLM 在迴圈裡用工具，直到完成目標（迴圈由 App 轉）。
現在換你動手：用 AI 聊天工具練習三題
新手先做 ①③，想挑戰再做 ②；每題約 10 分鐘。做完記得檢查結果。
先守住一條線：只用你有權限使用的 AI 工具和測試資料，不貼個資、密碼、還沒公開的數字。
入門
① 找資訊
問它：「MCP 是哪一年、由哪家公司發表的？請附上原始出處連結。」
檢查：有附出處嗎？點得開嗎？追問「請貼出你引用的那一段原文」。
怎樣算合格
連結點得開，內容和回答一致（可以對照第四幕）。進階：再問「USB-C 比喻是誰提的？」看它會不會亂編。
挑戰
② 讀文件
把這段虛構公告貼給它，問：「列出文中的日期、負責單位、待辦。」
各位好：新版請假系統 11/2（一）上線，舊系統 10/30（五）17:00 關閉。請各課課長於 10/23（五）前確認代理人設定，操作問題請洽資訊服務台。人資處
怎樣算合格
沒漏、沒多編：3 個日期（11/2、10/30 17:00、10/23）、3 個單位（人資處、各課課長、資訊服務台）都和原文一致。
入門
③ 整理產出
把這段虛構筆記貼給它，整理成表格（事項／負責人／期限），沒寫到的填「待確認」：
小芳說新版請假頁面下週三上線；阿哲週五前把測試報告寄給小芳；客服 FAQ 要改版，負責人還沒定。
怎樣算合格
阿哲／週五寄測試報告；FAQ 改版的負責人、期限都寫「待確認」。請假頁面的負責人寫小芳或待確認都算對，說得出理由就好。
做完用這 5 格記下一個例子：
1我問了什麼2它回了什麼3哪裡有幫助、哪裡不如預期4我怎麼發現5哪一步要人確認
自我檢核：我真的會了嗎？
不看教材，你能做到這 9 件事嗎？做得到就打勾；不確定就打開參考答案對照，意思對就算過，不用一字不差。說不出來，就回到旁邊標的那一幕重讀。
-
回去看 → LLM 、Context window
參考答案
LLM 讀過大量文字，看前面的字，一塊一塊（Token）猜出最可能的下一塊，是在「接話」不是「查資料」。模型本身不記得對話，App 每次把整段重送；聊太久桌子會滿、舊內容會被擠掉或摘要，所以要先請它摘要結論，再開新對話繼續。 -
參考答案
它挑最順的字，不是最對的字，不會自己查證；線索不夠或超過知識截止日時，就會很有自信地編。查證：自己點開原始出處，核對數字、人名、日期；問它「你確定嗎」不算查證。 -
回去看 → 好 Prompt 的積木
參考答案
例（虛構示範）：「幫我寫會議通知」→「幫我寫一封會議通知（任務）。對象是部門同事，會議是下週三下午的季度檢討（背景）。150 字內，不要自己加議程（限制）。」 -
回去看 → Prompt／Skill／MCP 對照
參考答案
MCP 讓 AI 接上系統、拿得到資料、動得了手（做得到）；Skill 是寫好的工作手冊，告訴它步驟和規則（怎麼做）。AI 平常只看得到每支 Skill 的名稱和說明（description），說明沒寫到你平常會講的字，步驟寫得再好也不會被打開。 -
回去看 → Agent 的工作迴圈
參考答案
多了工具和迴圈，會自己拆步驟、用工具、看結果，直到完成。聊天機器人只回你一句話；Workflow 的下一步由程式事先排好，每次都一樣；Agent 的下一步由 LLM 自己決定。 -
參考答案
任選兩個：寄信或轉寄給外部、寄出會議邀請、送出申請單、刪除或修改資料、對客戶承諾金額或時程、付款。 -
回去看 → MCP Server
參考答案
任選 3 類：查行事曆空檔、查信與擬草稿、讀寫資料夾裡的檔案、查內部規章。工具若設計成用你的身分去查，你看不到的它也看不到，AI 就不會因此看到比你更多的東西。 -
回去看 → 提示注入與致命三角
參考答案
外部資料（信件、網頁）裡藏著寫給 AI 的指令，騙它照做。目前沒有百分之百的防護方法，所以寄出、轉寄前一定自己看收件人和內容；看到「AI 請……」這類句子要提高警覺。 -
回去看 → 選題三問
參考答案
例：整理每週會議紀錄＝頻率 4 × 耗時 4 × 規則明確 4＝64 分，適合。規則明確低於 3 分，代表多半要人判斷，先別挑。
0／9 題
讀完六幕，想再往下學？
每一幕結尾都整理了「延伸學習」：AI 公司自己出的入門資料，加上站上的進階文章。想一次打好底，先從這門官方免費課開始。