前言

現在 AI 工具真的滿山滿谷，
但我觀察下來，大家用的模型其實都差不多（不外乎 ChatGPT、Claude、Gemini 那幾家），
用出來的效果卻天差地遠 🫠

想了一陣子之後，我覺得差距不在「用什麼」，而在「怎麼用」。

於是就想把我自己對 AI 使用方式的理解整理成筆記，
我目前大致把它分成三個層級 XD

模型大家都拿得到，差距在使用的層級。

Level 1：對話網頁（只有大腦，沒有手腳）

就是大家最熟悉的那種：開個 ChatGPT 網頁，打字、送出、看回答。

這一層的本質是：模型只有大腦，沒有手腳。
它能推理、能給建議，但它碰不到真實世界：
不能讀檔案、不能跑程式、不能幫忙改任何東西。

配上好的 prompt（角色、任務、限制、輸出格式講清楚），
確實能問得更專業，但再怎麼問，它仍然只能「聊」。

實際要動手的部分還是自己來：複製它的程式碼、自己貼上、自己跑、
錯了再貼回去問（這個循環大家應該都很熟XD）。

Level 2：AI agent（大腦加上手腳）

這一層的代表就是 Claude Code 這類 coding agent：
模型還是那個模型，但它多了「手腳」，
能讀寫檔案、執行指令、實際改動真實環境。

差別有多大？
Level 1 是「它告訴我怎麼做」，Level 2 是「它直接做完給我看結果」。

這層還有一個好用的概念是 skill：
把一套專業流程（步驟、規則、常踩的坑）包成可以重複使用的說明書，
之後遇到同類任務，一句話就能讓 agent 照整套流程跑。

用到這層之後就回不去了，
因為「思考」跟「動手」之間的搬運成本直接消失。

Level 3：Multi-agent（從操作變成派工與驗收）

再上去一層，就是一個人同時指揮多個 agent。

我自己平常的工作方式就在這層：
依照任務種類派給不同的 agent，它們各自有自己負責的知識體系，
需要時可以互相參照。

會這樣做而不是讓一個 agent 包山包海，最大的原因有兩個：

1. 上下文限制：agent 的記憶（context）有限，什麼都塞給同一個，它遲早會「失憶」或抓錯重點
2. 品質管控：產出者不自驗，重要的產出交給另一個獨立的 agent 查核，比讓原作者自己說「我檢查過了」可靠得多

到了這層，重點已經從「操作」變成「派工與驗收」：
下指令誰都會，真正的核心能力是驗收，
知道要驗什麼、拿什麼當基準、什麼情況該打回去重做。

小結

把三層排在一起看：

層級越高，人的角色越像 QA 與指揮官，
花在「打字問問題」的時間越少，花在「驗收與把關」的時間越多。

另外補充，這篇講的是「使用者跟 AI 的關係」分層，
至於單一個 agent 的內部（prompt、context、harness）怎麼分層優化，
我另外寫了一篇：【AI Agent 觀念理解 #2】prompt、context、harness：單一 agent 的三層工程。

一樣，我盡力整理、但不能保證理解都正確，
有不同看法很歡迎跟我聊聊！