從搜尋到任務處理
搜尋系統提供資料入口，聊天模型提供語言與推理介面；LLM 原生工作方法還需要處理任務脈絡、判斷標準與驗證程序。
Agentic Substrate Course
Course Summary
三日課程總整理：從 Chat 到 Agentic Workflow
這三天以五層模型整理 LLM 原生系統的基本構成：模型負責理解與生成，工具提供外部行動能力，Skill 保存可重用流程，Agent 協調人、工具與責任邊界。
本頁用途：把 Day 1/2/3 的課程內容整理成可回顧、可延伸的學習地圖。
System View
三天課程對應的系統觀
工具依能力定位
ChatGPT、Claude、AI Studio 或搜尋工具是不同系統入口。選擇時應先判斷任務需要的能力、資料新鮮度、風險程度與驗證方式。
流程保存專業脈絡
當工作方法被整理成工作流卡，步驟、輸入、輸出與檢查標準才容易被他人理解、測試與接續。
Five-Layer Cheat Sheet
五層模型速查
LLM
模型層：理解、推理、生成
模型可以處理語言、整理資料並產生方案，但仍需要工具、流程與驗證機制才能形成完整工作系統。
Tools
工具層：資料存取與外部行動
工具讓模型能查詢資料、讀取檔案、產生文件或呼叫外部服務。使用工具時要檢查來源、權限與輸出結果。
Skill
流程層：保存可重用工作方法
Skill / Workflow 將步驟、輸入、輸出與驗收標準整理成 AI 可以遵循的結構。
Agent
Agent 層：跨步驟與責任邊界的協調
Agent 的角色是維持目標與脈絡，協調工具、流程與人類覆核，並支援專業交接。
Interface
入口與環境：人在哪裡進入系統
聊天框、網頁、IDE、文件、repo 都是入口。介面會變，好的工作流會留下來。
Day Recap
Day 1 / Day 2 / Day 3 回顧
重新認識生成式 AI
- AI 可以從單一應用程式入口，延伸為工作系統的一部分。
- LLM 很會生成，但仍需要人類設定方向與驗證。
- 同一個任務可以從人工、聊天、工作流三種層次理解。
AI 工具的選擇與搭配
- 先判斷任務，再選工具。
- 公開輸出與高風險任務要加入第二模型或人工審查。
- 用一頁式網站任務練習從想法到可展示輸出。
整理自己的工作方法
- Prompt 是一次性對話，Skill 是可重用流程。
- 七問萃取法把隱性經驗變成可交接結構。
- 好的工作流卡要讓別人也能操作與檢查。
Beginner Principles
入門 10 原則
區分搜尋與任務處理
除了提問，也要提供任務、情境、限制與判斷標準。
一次只推進一層
先釐清意圖，再談工具、流程、輸出與驗證。
先定義系統邏輯
不要急著叫 AI 生內容，先說清楚這件事怎麼被判斷為成功。
文件作為外部記憶
將流程、決策與檢查標準寫入文件，可以降低重複溝通成本。
任務要切開
探索、寫作、查證、設計、審查不要全塞在同一個指令。
Context 是資產
保留背景、決策、限制與版本，AI 才能延續工作。
真實資料優先
能給範例、表格、log、原文，就不要只給抽象描述。
每次輸出都驗證
AI 很會講得合理，但合理不等於正確。
用精準術語溝通
任務、輸入、輸出、驗收標準、風險、責任人都要講清楚。
保留人類責任邊界
AI 可以協助整理、產出與檢查；工作目標、品質與最終判斷仍由人負責。
Pitfalls
常見問題
把 AI 當聊天工具只會得到零散回答，很難累積流程。
一次塞太多需求目標、資料、版面、審查混在一起，結果通常會失焦。
沒有驗證就相信完成要看來源、測試、差異、事實與人工判斷。
用假資料做真決策示意資料可以練習，但不能直接當成可交付成果。
忽略責任邊界AI 可以整理和提醒，但專業判斷仍由人負責。
沒有把好流程保存下來如果不寫成工作流卡，下次還是會從頭開始。
Next Paths
下一步學習路徑
Foundations
回到五層模型
用比較完整的架構語言理解 LLM、Tools、Skill、Agent 與 Interface。
Curriculum讀完整學習路徑
從 conversation 到 tools、skills、agents，逐步建立 AI-native 工作方法。
Workflow看 workflow 如何變 Skill
理解一個日常工作流程如何變成 AI 可以遵循與複用的結構。
後續會新增工具章節：ChatGPT、Claude、AI Studio，以及作為 Agent 概念的 Hermes。