我與何老師 Chengpin Ho 是前陣子在 Facebook 成為「臉友」，然後我上個星期三（11月5日）就到何老師所在的屏科大管院帶第一次的生成式 AI 工作坊。這場工作坊核心內容與我過去帶的初階訓練相去不遠，包括建立 AI 的「個人化」設定、學習「讓 AI 幫你寫指令」（Metaprompting），以及導入「專屬知識庫」 。這三段是我常對大學老師分享的主題。
所以，我這一篇要分享的是一個特別為屏科大老師們設計的橋段：如何整合「Project（專案）」、「GPTs（專家）」與「Agents（代理人）」，並以「出考題」 這樣的特定任務為例，說明為什麼這樣的工作流對大學老師很重要。
在工作坊中，當我展示完這些功能時，我也觀察到老師們的「疑惑」——這些疑惑非常有價值，因為它們指峮了學術界導入 AI 的核心痛點。
▮ 為什麼建立可複製的工作流對大學老師很重要？
我認為，大學老師的工作有其獨特性：我們有高度「重複性」的 流程（例如，每學期都要出題、都要找最新的文獻），但這些流程又必須應用在高度「客製化」的 資料 上（例如，不同課程的教材、不同領域的期刊）。
而 ChatGPT（付費版）現成就有幾個應用工具，恰好能解決這個矛盾。
1. 核心概念：「流程」與「資料」的解耦合 (Decoupling)
這是我在現場的核心展示 。
◌ GPTs 是「被動的專家」 ：我先建立了一個名為「考試囉」的 GPT 。這個 GPT 本身不儲存任何課程資料，它只是一個「流程專家」，它只懂如何出題（例如：詢問總分、題型、難度分配） 。
◌ Project 是「專案資料夾」 ：這才是存放「資料」的地方。我為「管理學」建立一個 Project，上傳該課的講義；我再為「國際企業管理」建立另一個 Project，上傳那門課的資料 。
◌ 「@」呼叫專家：當我要出「管理學」考卷時，我在「管理學 Project」中，用 @ 呼叫「考試囉」這個專家進來 。它會讀取當下的資料，執行出題流程。
這就是「解耦合」的作法！我不需要為十門課做十個出題機器人；我只需要一個「出題流程專家」，然後在十個不同的「資料專案」中重複聘用它。這對老師而言，是巨大的效率提升。
2. 進階應用：Agents（代理人）
如果說 GPTs 是「被動專家」，那 Agents 就是「半自主型」的員工 。我展示了我的個人 Agent，它被設定為「每天早上 8 點，自動幫我抓三篇最新的相關論文，並完成摘要與整理」 。
這對老師的意義是，我們的工作模式從「主動狩獵」（Hunting）資訊，轉變為「被動分析」（Analyzing）AI 餵來的資訊。
▮ 老師們的「疑惑」
在分享這個橋段時，老師們的提問反映了導入 AI 的焦慮：
◌ 疑惑一：「這太複雜了，GPT、Project、Agent 到底有何不同？」
我的反思是…這個疑惑很正常。我發現用「權限」與「自主性」來比喻最快：GPTs 是你打造的「工具人」（被動） ；Project 是你存放資料的「保險箱」（資料層） ；Agents 則是有鑰匙、會自己定時去開保險箱的「自動化秘書」（半自主） 。釐清這三者的定位，是從「玩 AI」走向「用 AI 管理工作」的第一步。
◌ 疑惑二：「AI 會不會讓學生作弊？我用 AI 出題，學生用 AI 回答，那怎麼辦？」
這絕對是所有老師最大的焦慮。我的回答是，這恰好是「專屬知識庫」的價值所在。
首先，現場考試是「Closebook」，AI 無法介入 。
但更深層的，我用 AI 出的考題，是基於我上傳的「專屬資料」（我的上課逐字稿、我指定的教材、我用的《陸王》字幕檔） 。學生的「通用版」AI 並沒有這些資料庫，因此回答的精準度（尤其是情境題）會很低 。
這也迫使教學轉型：不要再考「名詞解釋」，我改考「概念之間的邏輯推導」 。我會問學生：「你報告的第一點和第二點，過渡的邏輯是什麼？」這種問題，學生需要真正理解，也需要與同儕討論、辯論，才會得到新觀點。
◌ 疑惑三：「我的資料上傳到 Project，會不會外洩？」
這反映了對隱私的擔憂。我必須坦誠說明，個人版（Pro）與企業版（Enterprise）在隱私條款上的差異 。這永遠是一個「便利性」與「安全性」的權衡。我的建議是，高度機密的資料（如人事、財務）不應上傳，但教學材料（如講義、文獻）的風險則相對可控。
總結來說，為屏科大老師設計的這次初階課程，目的是展示 AI 如何從一個「聊天工具」轉變為一個可被管理的「知識工作系統」。透過「解耦合」流程與資料，並克服對作弊與隱私的焦慮，AI 才能真正成為大學老師的生產力放大器。
我們之後的兩次課程，將會逐步深入到知識管理與研究輔助兩大主題。