「Claude 最近感覺變差了？」
「GPT 好像沒以前強，是不是被降智了？」
最近在社群上，這類「AI 退步論」層出不窮。每次滑到這些討論，我都會停下來回想一下自己過去一年的使用經歷——因為實不相瞞，我也曾經有過一模一樣的挫折感。
後來才慢慢發現：不是 AI 退步了，而是我的用法，一直沒有跟著進化。
如果你也覺得手中的 AI 工具越來越難用，或許，我們可以先停下來檢查一下：你目前正停留在哪一個使用層級？你停在哪一層，決定了你看到的 AI 有多強。
📌 五層成長曲線：你正處在在哪個階段？
大多數人一開始接觸 AI，都是把它當成「比較聰明的搜尋引擎」。你問，它答，最後結果好不好用，往往得看當天的運氣。
Lv.1 隨興聊天：全靠運氣的「抽卡」模式
「最常見的誤區，就是把 AI 當成許願池，想到什麼問什麼。這種缺乏結構與脈絡的對話，與其說是操作，不如說是『碰運氣』。我們常在 AI 猜中心思時給予好評，卻在它雞同鴨講時氣到想退費。其實，AI 的表現之所以忽好忽壞，往往是因為我們正處在這種隨興聊天的低穩定狀態。」
Lv.2 結構化提問：掌握「咒語」的骨架
你開始意識到 AI 需要明確的指引。於是你學習設定角色、描述任務、指定格式（例如常見的 RTF 框架）。這是一個真實的進步，你開始能穩定導引 AI 的輸出品質。
為了省事，這階段的人通常會開始把那些測試成功的「精準咒語」收集起來，存放在記事本或 Google Keep 裡，需要時再複製貼上。但缺點是每次對話都得重複這個動作，有點像每天早上都要重新教同一個助理同一件事。
Lv.3 自訂指令集：將邏輯封裝進「系統層」
當你厭倦了頻繁翻找記事本，你會開始將常用的指令設定在系統層，建立一套可重複呼叫的「自訂指令集（Custom Instructions）」。
簡單來說，你是在 AI 的系統設定中預先埋好邏輯，例如定義：「當我輸入 /summary 時，代表請幫我摘要內容；輸入 /en 幫我把這篇文章翻譯成英文」。這種做法省去了複製貼上的繁瑣，讓效率大幅提升。但本質上，這依然屬於「手動觸發的重複組裝」，順序快了一點，但尚未跨越到真正的自動化處理。
Lv.4 系統設定（System Prompt）：從「設定角色」到「設計邊界」
你意識到 AI 最大的問題不是能力不足，而是「不穩定」。於是你開始固定它的角色、風格、行為邏輯。這一層，其實你可能已經在用了，只是各家平台的叫法不同：Claude 叫它「Projects」、ChatGPT 叫它「GPTs」或「Projects」、Gemini 則稱為「Gems」。核心都是同一件事：在對話開始前，預先告訴 AI 它是誰、該怎麼回應你。
但在這一層，真正的功夫不在於「寫得多」，而在於「設計得準」：
- 指令設計的藝術：高手不只會說「你是誰」，更會定義「你不能做什麼」。透過設定明確的「邊界限制」與「邏輯守則」，才能讓 AI 在長對話中不偏移。
- 先備資料的去蕪存菁：這是一個極其重要的環節。很多人會直接丟入幾萬字的原始文件，這會產生嚴重的「雜訊」。優化的方法是將資料結構化——先對原始資料進行摘要、提取核心觀點，再以高品質的「知識點」形式餵給 AI。
但也正是在這個階段，我們會遇到第一個技術瓶頸：「Token 焦慮」。當你的系統指令寫得越詳盡、資料塞得越滿，它佔用的上下文空間（Token）就越多。這意味著留給對話內容的空間縮小了。這也是為什麼，我們需要從單純的文字敘述，進化到更精簡、更具結構的溝通語言。
🚀 真正的分水嶺：當 AI 從「說」到「做」
當你開始在第四層深耕，你會發現自己正試圖把 AI 變成一個專業的助理。但即便指令寫得再精準、資料餵得再多，這依然只是一個「對話框」。你可能會感覺到，無論你怎麼設定，AI 還是像在「應答」，而不是在「執行」。
我也曾在那裡卡關很久。直到我意識到：如果我們一直停留在「對話」的思維，我們就永遠在處理機率與隨機。要真正發揮 AI 的經濟價值，我們必須跨出對話框，進入一個全新的思維維度——那就是將 AI 當成一個「能力組件」來設計。
這就是我接下來要說的，從「優化提問」走向「工程化封裝」的終極階段。而我在這條探索路上發現的一個關鍵概念，就叫做 「Skill」。
Lv.5 打造能力系統（Skill System）
很多人以為 Skill 只是更長的 Prompt，但本質上，它是將 Prompt 進行了「工程化」與「系統化」的改造。相比於傳統 Prompt 往往是一次性的輸入且具備高度隨機性，Skill 更像是一個可重複運行的「系統」。你不需要每次都修改內容，而是可以持續優化它的邏輯，讓產出具備高度的可預測性。
一個完整的 Skill 並非一句話，而是由三個層次構成的封裝模組：
- 控制邏輯（Skill.md）—— 運作的大腦
不只是設定角色，更包含了 Trigger（何時啟動）、SOP（執行流程） 與 Output Spec（輸出規格）。它決定了 AI 在什麼場景下，該按什麼順序執行任務，以及最後交出來的東西長什麼樣。 - 知識依據（References）—— 判斷的準繩
這不再是亂塞資料，而是提供高品質的先備知識。它包含了執行任務時的「標準」、「範例」與「判準」。有了它，AI 才能在既有的專業框架內思考，而不是憑空臆測。 - 執行能力（Scripts / Tools）—— 行動的手腳
「這是 AI 的實戰選項。藉由 API 串接（如 MCP 標準協定）與自動化工具，我們為 AI 裝上『手腳』，讓它不再只是紙上談兵的顧問，而是能直接處理複雜數據、驅動業務流程的實幹家。」
用白話來說：Skill 是將「任務流程、知識依據與輸出規格」結構化後，形成一個可重複運作的能力模組。
在 Lv.2 到 Lv.4，你對 AI 說的是：「幫我寫一份報告。」
但在 Lv.5，你是在建立一個 「AI 能力模組」。它像是一個數位員工，只要觸發了特定情境，它就會按照你設計的 SOP，對照你提供的專業標準，輸出符合規格的成果。
💡 結語：從「操作工具」到「邏輯協作」
很多人學 AI，重心都放在「怎麼問」。但問得再好，你也只是讓輸出品質更穩定一些。
真正的差距，藏在一個動詞裡：從「讓 AI 說得好」，跨越到「讓 AI 開始做事」。 這個跨越，需要的不再只是提問技巧，而是一種 「建構者（Builder）」 的思維：你要開始設計結構、組織資料、串接工具。
如果你現在還停留在 Lv.2 或 Lv.3，這非常正常，完全不需要焦慮。事實上，每個層級都有它對應的主題與任務——如果今天你只是想做簡單的資料查詢或日常閒聊，隨手一問的 Lv.1 或 Lv.2 反而更直覺高效。
畢竟 AI 技術的更迭快得驚人，就像當初我也以為學到第四層已經是應用的天花板，沒樣子「Skill」概念的出現再次打破了我的認知。我們必須承認，今天所謂的「最高層級」，在明天可能就有更棒的解法橫空出世。重要的不是你現在在哪一層，而是你是否意識到：領先與落後的差距，往往就藏在那個「能判斷任務需求，並持續追尋更深層用法」的念頭裡。目前，願意走到第五層、打造系統的人，真的還不多。
我接下來想繼續和你聊幾件關鍵的事：
- 為什麼寫 Prompt 其實比較像「編譯」而不是「溝通」？（這就是解決 Token 焦慮的關鍵）
- 為什麼 Markdown 和 YAML 是 AI 最懂的「母語」？
- 以及，一個強大的 Skill 到底該怎麼從零開始設計？
但在那之前，我想留一個問題給你想一想：
你現在跟 AI 的關係，是在「聊天」——還是在「打造能力」？
這兩件事，看起來都是在對話框裡敲字。引走出去的方向，會很不一樣。
感謝你的閱讀，希望這篇文章能引起共鳴或幫助
從聊天到打造能力的五層進化
