去年底開始在生活中面對 AI 的知識焦慮，我感覺身邊許多人（包含我）都被工作、社群、同儕「推著」走上一條新的學習之路。
半年過去了，我還記得自己剛起步的迷惘和焦慮，在自己的知識渠道上看到各式各樣的 AI 新知、課程、工具，資訊很多，但卻不知道自己要去哪裡，所以越看越心慌。
這篇文章並非「武力展示」或是「工具大全」，而是想分享自己從零開始摸索的過程。
如果我回到半年前的自己，要踏上與 AI 協作之路，我會先問自己兩個問題：
- 我該如何建立自己的 AI 理解地圖 ? (mental model of AI landscape)
- 我要怎麼開始累積經驗？
建立能安放新名詞的地圖
我還記得自己半年前很常被許多新的「詞彙」給淹沒：MCP、Skill、Harness Engineering、Claude Cowork，總是覺得「我又多了好多東西不懂」。
我覺得初學者最需要的不是追上每個新名詞，而是要建立一張能安放新名詞的理解地圖。
當我能把新名詞放回某個分類，它就不再是一個全新的未知，而是某個已知概念的變體。
舉例來說，過去常會看到有人分享 :
AGENTS.md這樣設計，效率提升 200%!- GitHub 排行衝上第一的專案竟然只是
CLAUDE.md?!
剛開始會覺得：天啊！這到底是什麼東西？這兩個東西我都不知道。
但當我了解這兩個檔案本質上都是 “Instruction File”，也就是 AI Session 開始執行時，會自動去閱讀的文件。只是不同的工具會有不同的檔案命名規範 (Codex 用的是 AGENTS.md、Claude 則是 CLAUDE.md)，其實是同一回事。
一開始建立自己的地圖時，我是看 Youtube 上的 AI Agents Full Course 2026 : Master Agentic AI (2Hours)，教材用 Excalidraw 繪製，講解的也很清楚，我非常推薦。
看完影片後，焦慮感消退了不少，我沒有突然懂了所有東西，只是面對網路上的新名詞，我終於能分類了！
從 Pair Programming 開始累積手感
如果說前一節處理的是：我怎麼看懂 AI 世界？
接下來要討論的就是：我怎麼開始和 AI 累積合作經驗？
記得自己剛開始要嘗試 hands-on 時，一直有種感覺：
「我到底要怎麼走到那裡呀？」
在我視線的遠方已經是「炫砲大亂鬥」，當初社群上都在風行養龍蝦、透過 Vibe Coding 打造出一個又一個 App、分享如何以 Multi-Agent 架構組合出一個團隊。
每個 Case 看起來都好厲害，但我這個新手該如何開始呢？我應該選定一個 Case 直接複製出來嗎？
其實我覺得這個問題的答案並不是「我要用什麼工具？」或「我要做出什麼東西？」，準確的說：我們是在練習一種新的工作分配方式。
什麼類型的工作我希望由我判斷？哪些工作我願意交給 AI ? 哪些工作要等我能驗證後，才敢委派？
在現實生活中，當我們要外包工作給新的協作者時，不會一開始就交付大量、重要性高的任務，而是會先「確認」這個人是否可靠、什麼樣的合作方式是安全且有效率的。
同樣的，在踏上與 AI 協作之路的初期，先「驗證」如何協作是非常重要的。
我在 如何讓 AI 協作越用越順 這篇部落格讀到 :
一開始跟 AI 協作，大部分人的模式是 pair programming: 短任務、快速回饋、全程盯著。這對快速迭代和原型開發很好用。
Multi-Agent 或是直接建立一個 AI Agent 或許是更成熟的做法，但並不一定是初學者最好的學習起點。
而 Pair Programming 也許不是最終形態，卻是很好的 Learning Practice。
舉例來說，我可能學到了 MCP，但我不知道它到底對 AI 來說有什麼影響，在 Pair Programming 階段我可以快速驗證加入 MCP 前後的差異。
換句話說：
以學習為目的時，Pair Programming 的價值不只是完成任務，而是讓使用者能「觀察差異」。
那麼當我們開始進行 Pair Programming 時，究竟該觀察什麼呢？
Context 是 AI 協作的基礎建設
Context，不只是 Prompt 裡的一段背景說明，而是 AI 執行任務時需要理解的整體工作脈絡。
與 AI 協作的過程中，「資料夾結構」和「文件組織方式」開始扮演 Infrastructure 的角色。
每次啟動新的 Session，都像是一個新人要 onboarding，而你的 Instruction File 就是「新同事第一天入職手冊」，可能包含：縮寫對照表、專案代號、如何閱讀文件的指引…
這些文件其實都在做同一件事：
將腦中的工作脈絡 Externalize，讓未來的自己、同事，甚至 AI 可以接續理解。
一開始，我覺得 Context 只是補齊背景資料，但後來發現還包含另外一個重點：把我期待的協作方式寫清楚。
AI 不只需要知道「這個專案是什麼」，也需要知道「我希望你怎麼和我一起做事」。
把協作偏好寫成行為合約
剛開始提供 Context 時，還是停留在過去 Prompt Engineering 的框架：
“請扮演 XX 角色，協助我進行 XX 任務”
其實 Instruction File 不只是提供 Context，同時也是一份行為合約，例如：
- 我喜歡 Step by Step 進行，每一步驟都要經過我明確同意後才執行。
- 不確定的時候直接說不知道，不要很有自信地亂猜。
- 請在出錯時先說明原因，不要直接重試。
行為合約會根據使用者的個性和領域有很大的不同，我喜歡每一個步驟都先看看 AI 怎麼說，然後討論沒問題後再開始執行。
但也有些使用者喜歡直接請 AI 做到底，根據成品再回過頭來調整，這兩者的行為合約就會長得完全不一樣。
入門階段最值得累積的不一定是某個作品，而是你和 AI 協作時的偏好、邊界與品味。
一旦建立這些，協作方式就能跨任務複用，成為一套可遷移的工作習慣。
從期待落差迭代 Instruction File
當我們開始把 Instruction File 視為一份會持續演化的協作設定後，要特別注意一點：盡量讓 AI Session 來協助修正。
概念非常像是 Agile 中的快速迭代，只是「執行」外包給 AI，而使用者專注在「指出差異」和「驗證效果」。
具體來說，每一次你和 AI Session 對話時冒出的「欸！你怎麼這樣做？」的瞬間，其實可能代表有一條規則需要被寫下來。
引用前面提到的 AI Agents Full Course 2026 : Master Agentic AI (2Hours) 中清楚的流程圖：
- Session 啟動時，AI Session 讀取既有的 Instruction File (規則) 開始進行工作。
- 使用者開始「觀察」工作過程中，是否有任何行為不符合行為合約。(不一定是任務沒有達成，有時候是以使用者非預期的方式完成。)
- 使用者提出「方向修正」: 我自己會說「我注意到你沒有按照我們的規則進行檔案讀取，請你從 Instruction file 出發，檢視是哪裡誤導你，並且進行修正。」
- AI 檢測後修正既有的 Instruction file。
- 使用者啟動新一輪乾淨的 Session，驗證修正後的 Instruction file 是否有效。
從這個流程中可以留意一件事：我們並不是要一次把規則寫到完美，而是透過一次次互動，把每一個「我以為你懂」的地方釐清，並轉換成具體的規則，
當這些規則逐漸穩定下來，AI 就不只是一次性的工具，會慢慢變成你更可靠的協作者。
如果回到起點
現在如果回到半年前，我想和當時的自己分享：追不上每一個新工具是正常的，也不需要把目標放在做出很厲害的 AI Agent 應用。
先建立一張能安放新名詞的理解地圖，讓自己看到新東西時不再陷入茫然與迷惘。
接著，從 Pair Programming 開始，理解 AI 需要什麼樣的 Context、摸索讓你感到自在的協作方式，並在過程中把每一次的期待落差更新回 Instuction File。
這樣的起步看起來不炫，但是一種很好的 Learning Practice。
如果你也正在學習 AI 協作，希望這篇文章可以幫上你，一起加油！
謝謝你的閱讀，我們下次見。
About Byte & Ink
我會定期在部落格分享不同主題的文章，目前包含：
- 職涯心得
- 個人成長
- 筆記軟體 - Obsidian 教學
- 技術相關 (
K8S,DevOps,軟體測試…)
如果你覺得內容有幫助，歡迎你點此訂閱我的文章，你的訂閱會帶給我更多動力，持續分享有意義的內容！