AI 時代系統化學習模式｜第三講現場
當答案開始自動出現，
真正要學會的是：
如何調度它們。
第一講先建立學習的路徑，第二講讓材料長成可回收的知識系統；第三講把焦點拉到更前面：學習者如何設定任務、收窄問題、配置角色、切換表徵，並把每次有效的做法留下來。
SERIES CONTINUITY / 01 → 02 → 03
第一講畫出路徑；
第二講讓知識彼此看見；
第三講，開始讓人主動調度 AI。
這一講沒有把模型說成捷徑。從演算法比較、學習模式、Gem、NotebookLM、Canvas 與本機 skill 的實作裡，可以看見：工具越多，越需要一套能控制**材料、目標、角色與驗收**的學習編排方式。
SYSTEM 01 / FRAME THE TASK
不是把問題丟給 AI。
是先把此刻要解的事，框清楚。
同樣是問「哪些演算法相似」，可能得到一串分散的清單；但當目標被說清楚——例如研究所準備、特定校系、特定 pseudocode、要比較的結構與要驗收的題型——AI 才能從泛泛列舉，進入真正能幫助理解的比較。
EDITOR’S QUESTION / 03
當 AI 已經很聰明，
真正稀缺的是不是
把問題定得足夠準確的人？
第三講反覆提醒：資料塞得越多，並不必然更精準；「上述」指的是什麼、這次真正要找哪一種關係、哪一類考題更值得投入，都需要由學習者先完成界定。AI 能擴張搜尋，但不能替人決定當前問題的邊界。
SYSTEM 02–03 / ORCHESTRATE THE THINKING
一句提示，背後不是咒語。
而是一份學習規格。
當任務需要較嚴謹的推敲，可配置專家角色、指定目標、要求多回合思辨，必要時引入其他領域的顧問視角。這不是每一道基礎題都要使用的複雜流程，而是把 AI 的分析強度，配對到任務風險與後果。
SYSTEM 04 / RENDER THE STUCK POINT
卡住時，
不是硬撐。
換一條能操作的理解路徑。
第三講中的學習模式不急著給出整段答案，而是先問學習者卡在哪裡，再把大問題拆成可回應的下一步。遇到遞回、演算法、記憶體或任何無法用文字消化的關係時，還可以把材料轉為 HTML、學習卡、練習題、表格或音訊，讓理解從不同感知入口再次開始。
把模糊的卡點改寫成一個可推導的下一步。
把抽象流程轉成可觀察、可重跑的視覺操作。
將材料改造成可在通勤與零碎時間驗證的練習。
讓課堂與討論在不能看螢幕的情境仍可被回顧。
SYSTEM 05 / PACKAGE THE WORKFLOW
真正值得留下的，
不是某次答案。
是下一次還能載入的做法。
當角色設定、任務範圍、檢核問題與轉譯方式重複有效，它們就應成為 Gem、NotebookLM 專案、skill、memory 或自己的提示模板。模型可能更替，但學習者如何安排材料與判斷品質的能力，會留在自己的工作流裡。
LEARNING
ENVIRONMENT
教材、筆記、照片、錄音、題目與卡點，先被保留成可調用的學習材料。
SYSTEM 06 / HUMAN JUDGMENT
AI 可以擴張。
但什麼值得學、
學到多深，
仍由人負責。
第三講沒有把人交給工具。它反而把人的位置推到更高處：人決定優先順序、判讀考題價值、辨識來源是否可信、判斷何時夠好；AI 則協助擷取、比較、拆解、轉譯、回收與重複執行。這正是前三講逐步建立的協作關係。