§ 寫作
把學到的，
寫成別人用得上的方法。
以連載與專文記錄 AI 工具、方法與學習過程，寫給正在摸索的研究者、工程師與團隊。
從哪裡讀起
入門30 篇・iThome 鐵人賽
觀察 AI，也觀察自己：
30 天重新學會如何學習
寫給非電資背景的人：從模型怎麼運作，一路走到自己動手用 AI 做事。
專文
觀察 AI，也觀察自己：30 天重新學會如何學習
一個寫給非電資背景學習者的 30 天 AI 學習系列。以 AI Engineering 為骨架，從 Transformer、Prompt 與 Context Engineering，走到 API、MCP、Skill 與個人學習工具實作；主角不只是 AI，更是我們如何重新培養提問、拆解、判斷與持續學習的能力。
第一部一個非資工背景者如何開始理解 AI
- Day 01AI 賦能的時代，我們究竟該學 AI，還是學會如何學習？學習一個新的知識不是一件非常容易的事，因為知識本來的樣子是一張網，每個概念都跟其他概念互相牽連，沒有固定的起點，也沒有固定的終點。
- Day 02AI 不是在讀文字：Transformer 如何一路猜出下一個 Token？拆解文字如何進入、通過並離開 Transformer
- Day 03從 GPT-1 到 GPT-3：模型只是越做越大嗎？理解規模、資料與 Context 如何改變任務適應
- Day 04AI 的內心戲：Chain-of-Thought 與 Reasoning Model 有什麼關係？分辨思維鏈提示與推理模型，檢視可見推理的限制
- Day 05我開始聽不懂了：用類比建立 AI 專有名詞的鷹架以大掃除類比整理 Agentic AI 的核心名詞與關係
第二部從接龍走向做事
- Day 06從會說到會做：Function Calling 如何讓 AI 開始使用工具？從使用者與開發者視角理解 AI 如何選擇、呼叫並執行工具
- Day 07AI 都能幫我寫格式了，我還需要懂 Markdown、JSON 和 HTML 嗎？從初學者視角理解不同格式的用途，以及何時交給 AI 處理
- Day 08Prompt Engineering I：如何用自然語言交代工作？用 CO-STAR 將情境、目標、限制與輸出要求說清楚
- Day 09Prompt Engineering II：好的 Prompt 為什麼需要迭代？從生成結果的落差學習驗收、迭代與驗證
- Day 10當 Prompt 開始挑戰規則：Jailbreak 到底是在「越」什麼獄？從越獄案例理解模型安全、Red Team 與多層防護
- Day 11當資料裡也藏著指令：Prompt Injection 為什麼比 Jailbreak 更麻煩？從網頁、文件與外部資料理解 Prompt Injection 的風險與防護
- Day 12Context Engineering I：Context 如何被堆疊？看見系統規則、對話、記憶與工具結果如何組成模型的工作桌
- Day 13Context Engineering II：替 AI 的工作桌減壓從 Context Pollution 與 Subagents 理解如何保留真正需要的資訊
第三部進入不同的 AI 生態
- Day 14OpenAI工作流：ChatGPT, GPTs, Codex, GPT Live從日常任務理解 OpenAI 工具如何分工
- Day 15Google：先試模型，再把資料變成自己的知識工作區用 AI Studio 與 NotebookLM 建立自己的知識工作流程
- Day 16Claude：從設計初稿到 Claude Code，讓 AI 成為工作夥伴從 Claude 的產品生態系理解 AI 如何參與工作
- Day 17Ollama：把模型帶回自己的電腦，哪些工作值得留在本機？理解本機模型的硬體限制、適用工作與取捨
- Day 18API Key：從使用 AI 產品，到自己串接 AI 能力認識 API Key、Token 成本與免費模型，並完成第一個對話式練習