文章

一位支持者問：怎麼用 AI 快速找到專科考題的解答？我的回答是：找答案很快，但詳解本身幫不了學習。這篇把教科書資料庫、間隔複習、口試模擬、詳解查核串成一套私人教練的做法。

增生療法義診我從 2023 年開始每年參加。今年（2026-10-03）Dr. David Wang（David C. Wang, DO，Virtuosity Physical Medicine 負責人，美國維吉尼亞州 Reston）講了一段 out-of-plane 進針法，整套方法只要背 三個角度、三個數字，我聽完就想把它做成一個隨時拿出來查的東西。 所以回來之後把錄音整理成筆記（用的是之前開源的 lecture-to-notes），再做成一個網頁，中英雙語、手機優先： 打開進針角度網頁 →中英雙語・手機可用・不用安裝 Out-of-plane 為什麼難？ 因為針在超音波上只是一個亮點，你看不到它從哪裡來，只能猜它會在多深的地方出現。 David Wang 醫師說，在美國大概 90–95% 的醫師只做 in-plane，原因很簡單：沒有人教 out-of-plane。但 out-of-plane 通常比較快、可以用更細的針，病人也比較不痛。他的解法是把「猜」拿掉，讓深度變成可以算的東西。 C.A.S.A.：先把三個方向變成一個 先把左右、前後兩個方向固定住，最後只剩深度要處理。 這是他和 Dr. Sean Hessler, ND 一起發展的四個步驟： Cord（對線）：針筒對齊探頭的線材與探頭中線，針就永遠在探頭正中間。 Align（貼靠）：針筒真的碰到探頭。探頭中線到側緣約 6 mm，10 cc 針筒半徑約 9 mm，所以入針點離超音波束固定是 約 1.5 cm。 Skin（淺插）：沿著探頭往下滑，針尖插進皮膚約 2 mm 先錨定，參考點才不會跑掉。 Angle（定角）：最後才調針和探頭的夾角，這個角度決定深度。 TriWANGulation：三個角度就夠了嗎？ 夠。距離固定 1.5 cm 之後，深度只看角度： 針和探頭的夾角 針走到探頭中線下方的深度 67.5° 0.6 cm 45° 1.5 cm 22.5° 3.6 cm 為什麼挑這三個角度？他的說法很實際：人很會判斷 0° 和 90°，45° 也不難，再把 45° 對半切成 22.5°、或是切在 45° 和 90° 中間的 67.5°，一般人都做得到。像 26.57° 這種「算得出來」的角度，沒有人能準確比出來。 ...

之前做了心肺運動測試（cardiopulmonary exercise testing, CPET）自動判讀的工具，做得有點慢🤣，但也因為慢，有些事情想得比較清楚。這篇把整套做法攤開來講：AI 在哪裡、程式在哪裡、醫師在哪裡，還有為什麼這三個位置不能換。 先講清楚：它產出的是參考稿，不是自動判讀 無氧閾值（AT／VT1）、呼吸代償點（RCP／VT2）、peak 的時間點，由醫師標，程式不猜 AACVPR 風險分層的紅綠燈沒圈完，程式擋住不讓產生報告；真的判不出來才走頁內二次確認，而且會記進稽核 結論是照院內模板的六選一固定選單加一項「都不適用」，引擎只給建議、理由和出處，醫師可以覆寫 報告上每一個欄位都可以手動修改。機器負責把數字備妥，判讀的還是人 第一條原則：AI 不進醫院的電腦 跟醫院的資料對接，第一件要想的事情是病人安全。 我的做法是：用 AI 來設計程式，再用程式去跑醫院的資料，而不是把 AI 直接接到醫院的電腦裡面，讓它自己去讀。畢竟那台電腦裡有太多不該被讀到的東西。（病歷要貼給 AI 之前該先做什麼，之前在《病歷不能就這樣貼給 AI》寫過一篇。） 所以我給 AI 的，是「報告做完之後會產出哪些資料」這件事本身。CPET 儀器匯出時會同時吐出幾份表格檔，肺功能一份、體組成一份，都是能快速讀取的純文字或 CSV。把這些檔案的結構、我自己判讀過程的筆記、還有科內既有的報告模板一起給它，它就能把「這份報告到底是怎麼判讀出來的」重建成一支程式。 規則講清楚，電腦就有機會替我們跑完。這其實就是把我們平常在腦子裡做的資料判讀，外部化成一份看得見的東西。 一個插曲 一開始以為只能靠 OCR 讀 PDF 報告，操作者要手填 18 個欄位。後來發現儀器匯出時其實同時產生了一份純文字的 .xls，改成直讀之後，需要人工填的欄位剩 5 個。工具做慢一點的好處之一，就是有時間回頭看資料源。 每一條切點都要指得出出處 外部化的好處是，規則被攤開來看，就會發現有些地方需要對答案。 引擎裡每一條判讀切點，我都要求指得出來源：這條印在哪份報告模板的第幾節、那條出自教科書哪一版。科內五份報告模板（心肌梗塞、心衰竭、COPD、氣喘、心臟移植）是所有切點的唯一真相源。像是 AACVPR 的風險分層切點，有新舊兩版，過程中就要每條確認好是使用 2021 年第六版。 還有一條原則我覺得比切點本身更重要：算不出來的欄位就留白，不猜，也不預設為正常。空著的欄位人看得到，會去補；自動填成「正常」的欄位，沒有人會再看第二眼。 （規則先寫清楚再叫 AI 做，跟《先講清楚，再叫 AI 做：規格驅動開發》講的是同一件事，只是這次的規格是醫學上的切點。） 機器出的錯，常常很安靜 同一套匯出格式，不同單位吐出來的檔案，實測值跟預測值的欄位順序居然是相反的。程式一開始寫死讀第一欄，就把預測值當成了實測值。breathing reserve 從 −62% 變成 +41%，整份報告的結論會翻面。 這種錯不會跳出紅字，它會安安靜靜地產出一份看起來很正常的報告。所以人必須留在迴圈裡：判讀表單上每一個欄位都可以手動修改，機器只負責把數字備妥。 讓每一次判讀都留下紀錄 上面那件事讓我想到一個問題：安靜的錯，要怎麼被發現？ 靠人記得是不行的。所以我把整套系統加了一層稽核紀錄：每產生一份報告，就在本機留下一行，記錄這一次判讀的完整經過。 不只是記「人改了什麼」，我最後記了七件事： 人工修改：哪一欄、機器判什麼、人最後填什麼，還分成「改值／補填／清空」三種動作 資料來源與備援：這次的 MVV 是用實測還是 FEV1×35 推的？HR recovery 是機器給的還是我自己從原始表算的？肺功能檔的欄位順序判成哪一種？ 警示有沒有被理會：跳出來一百次都沒人動的警示，其實應該刪掉，這份紀錄就是刪它的依據 無氧閾值的判定：機器標的位置，跟我最後選的時間點差多少 留白的欄位：某一欄如果十份有九份都是空的，那是資料來源缺了，不是技師偷懶 解析失敗與不認得的檔案：以前這些只閃在畫面上，重整就消失了 當下的程式版本：這條我覺得最容易被忽略。沒有版本號，半年後回頭看那些修改紀錄，會不知道當時的規則長什麼樣，整份紀錄就等於作廢 紀錄留在本機，跟病人資料同一個等級，不進版本控制也不外傳。要拿出去討論的時候，另外有一個匯出指令，產生的摘要只有次數和比率，沒有病歷號、沒有姓名、也沒有任何生理數值。連警示文字裡技師手打的那一段都會被截掉，因為那裡可能出現人名。 ...

教科書、演講、論文三條產線各自寫過了，這篇講它們合起來是什麼：一個 AI 讀得動的知識庫。庫建好之後，門診遇到的病人狀況經過去識別化轉譯，就能拿來跟 AI 討論，把讀到的接到看到的病人身上。最後講用 AI 學習的那條界線：哪些可以外包、哪些不能，該記什麼、怎麼跟它一起維護筆記。

東西大到一句話交代不完，開工前要先寫好什麼？什麼時候不用寫、需求的三個必填零件、含糊一句對上清楚五句、一份可以直接複製的規格範本、改需求先改規格、用程式把這條擋成硬規則，還有為什麼錯的規格錯得很有權威。

備課的步驟跟沒有 AI 的時候一模一樣，差別是每一步多了一個會做事的同事。這篇把七個步驟攤開來講：對象、元素、排序、大綱、簡報、互動、回饋，每一步我做什麼、他做什麼。最後講上完課之後的事：錄音讓他聽、抓我講錯的地方、算語速、數贅字，然後把這堂課拆成下一場的零件。

謝謝花蓮慈濟研究部的邀約，九月八號中午在協力樓和氣會議室講了一場 AI agent。中午時段還來了九十位左右，研究部、醫師、醫事人員、行政同仁都有，課前問卷收了 89 份，最擔心的三件事是「它講錯而我沒發現」、「個資會不會外洩」、「用了 AI 論文裡要怎麼寫」。所以這場就繞著這三件事排。 這篇把當天講的內容整理成文字版，給來聽的人回看，也給沒來的人一份完整版。課堂上有幾段因為時間被壓短了，這裡補完整。 AI agent 到底是什麼 用 AI 有三個層次。第一層是聊天框，把問題或論文貼給它，它回答你，資料要自己收集好、自己貼。第二層是 NotebookLM 這類，可以把一疊資料丟給它，它從固定的來源找答案。第三層才是 agent：它有手，可以開你電腦裡的檔案、跑程式、上網查、把結果存回你的資料夾。聊天框只能給你答案，agent 可以把事情做完。 它住在你的電腦上，只拿得到你給它的那個資料夾，每一個動作都可以要求它先問過你再做。所以「怕它控制我的電腦」這件事，答案是權限是你給的，可以只給一個資料夾。 整場最重要的一句話：AI 是人，它操作的是電腦。把它當一個人相處，很多規矩自己就推得出來。 跟它合作的四個原則 後面每一條規矩都從這四條來，記住這四件事，細節忘了也推得回來。 一、AI 是人，它操作的是電腦。 人接得住模糊、需要判斷的事，但慢、要花錢、每次講的話都不太一樣。程式是電腦，快、不花錢、給 A 永遠出 A，但只做你寫死的那件事。所以模糊的交給它，重複而確定的，叫它寫成程式再交給電腦跑。課前有人問「每個月統計醫院發表篇數」，這就是典型：叫 AI 寫一次程式，以後每個月都是電腦在跑，不要每個月叫 AI 算一次，它會算錯、算很久、又花錢。當天這題現場投票，四十一個人全部選對。 二、生成便宜，修補昂貴。 以前寫程式很貴，所以壞了就修補。現在生成很快，重做常常比修補簡單。所以計畫書比以前更重要：先寫清楚，再開工。工程界叫這個 SDD（Spec Driven Development），把這個字記下來回去問你的 AI 就好。 三、它會漂，但有錨就拉得回來。 每一步 95 分，做十步之後 0.95 的十次方剩 60 分。所以要有一份寫下來的計畫書，叫它每一步回去對「這一步對得上第幾條」。寫下來的那份就是錨。 四、AI 不碰原始資料，程式才碰。 在你自己的電腦上，用 AI 設計程式、寫程式、用假資料測程式；在醫院的電腦上，用程式跑病歷資料，AI 不在場。程式是在本機運算的，不會把東西送出去。這條在醫院一定要講。相關的法規我之前查過一輪，寫在這篇。 學術工作上，它已經能走完哪幾步 每一件事都用同樣的三拍講：我原本怎麼做、現在交出去哪幾步、我還留著哪一步。留著的會越來越少，因為連判斷都拆得開。 一、每個月追新文獻 原本：訂期刊通知信、掃標題、存進待讀清單。待讀清單越積越長，最後沒有人讀。 交出去：它每天掃新文獻，照我的興趣排序，放上一個網頁。「我的興趣」是一份寫下來的檔案，不是它猜的，所以排序會跟著我的興趣改。 我留著：勾哪幾篇真的要讀。一週看一次，五分鐘。工具是論文雷達。 二、抓回全文 原本：一篇一篇進圖書館系統點。 交出去：勾好之後它自己去抓，走四層階梯，只走合法的路：①免費全文（Unpaywall、PubMed Central）②出版社授權的文字探勘 API，用自己申請的金鑰 ③醫院館藏，走圖書館的遠端認證，嚴格限速 ④程式驗抓到的是不是「那一篇」，比 DOI、比標題，不是就退件。 這裡要特別講一下，也是圖書館同仁最擔心的事：用 AI 大量下載文獻，違反圖書館跟出版商簽的合約，會讓全院的 IP 被封。所以每一層都有節流，一次一篇、間隔幾秒、被拒就退避。工具是我自己寫的，程式碼公開在 paper-fetch，節流那一段請照抄。 ...

三個週二晚上，每堂一小時再加討論。謝謝奇美麻醉部的鄧醫師邀約，讓我來把一整套課從頭講到尾。 這篇想講三件事：這三堂為什麼這樣排、大家學到了什麼，還有我自己最感恩的一件事。 為什麼拆成三堂、每週一堂 醫學生時代去上過 AMEE 的 ESME（Essential Skills in Medical Education），裡面講到醫學的學習是螺旋式的：同一件事，基礎的時候碰一次，進階再碰一次，一圈一圈繞上去，越繞越熟。 學 AI agent 對醫師來說也是踏進一個陌生的領域，所以這次照同樣的方式排。有些東西三堂都會講到，每次多講深一層，看過三次就不陌生了。 中間刻意隔一週，讓大家回去能夠試作看看，有時做過才知道哪邊會遇到問題、往更深的地方走。 每堂都有課前單、回家作業、課後單，因為也是第二次講這個題目，希望能貼合大家的程度。用的太久太自然，會忘記第一次接觸的人卡在哪裡，這種知識的詛咒只能靠問卷來對齊，第二堂、第三堂的內容都是從上一堂的問卷長出來的。 三堂串起來的一句話：AI 是人 這句話是整套課的脊椎。把 AI 當成一個人：記憶力有限，聊久了會忘記前面講的；現在的個性是會字面解讀你的意思；會犯錯，要核對。把它當人相處，就不會覺得很難，也不會太相信它。 三堂就是繞著這個人轉三圈。 第一堂｜會用 怎麼開機、怎麼交代第一句話。三層框架（聊天框、給它檔案、整個資料夾交給它），現場帶著大家打開終端機、整理一個亂資料夾、把 WHO 手術安全查核表轉成筆記。也講了它的記憶是怎麼運作的、為什麼要常常清空對話、怎麼知道它在唬你。 第二堂｜用得對 讓它做出來的東西變成你要的東西。跟人講話一樣，要給背景、講要的樣子、畫界線、說怎麼驗收。這堂也講了醫療端的法規：授權範圍、去識別化的門檻、地端跟雲端的差別、衛福部的生成式 AI 指引講了什麼、沒講什麼。然後把自己開發的工具拆給大家看：排班系統從碎碎唸十分鐘到成品的過程，教科書變筆記的工具（textbook-to-note）裡面到底怎麼運作。 第三堂｜信得過 怎麼知道它有沒有唬你。主題是 SDD（Spec Driven Development），學習用工程師的角度把東西設計好、維護好。AI 幫你從 0 到 1 很快，1 到 100 要靠規格跟維護。講規格怎麼寫、環境怎麼蓋、怎麼驗收，還有幻覺跟安全性的事。最後再繞到我自己覺得AI時代怎麼學習。 大家有開始實作 CLI 課前跟課後都問了同一題：用終端機跟 AI 一起做事，信心幾分（1 到 5）。課前平均 2.0 分，課後進步到 3.5 分。看起來逐漸入門了～大家應該都有順利做出想要的筆記，還有人自製臨床/讀書/研究工具等。我想最重要的是，產生一個跟AI互動的默契，能在互動中成長出自己的系統。 最感恩的一件事 課排在晚上八點半到九點半，討論常常到快十點。這個時間大家下了班、吃完飯、還要開電腦，第一堂線上四十幾位，第二堂、第三堂還有三十五位。中間當然有人覺得太難或有別的事離開，但留到最後的人這麼多很讓人開心！ 後記 那當然這三堂都大量用 AI 來備課，逐字稿回放、問卷分析、投影片改版也都靠它，這個流程蠻好玩的，下一篇單獨寫～ 很喜歡這樣看到大家長出不同的東西，分享這種像在玩電玩的快樂😁 如果有單位想開類似的課，或是三五好友揪一揪，也歡迎來問我喔～

這個題目是訂閱區的歐陽醫師許願的。他說得很準：認真看 AI 運行的資料夾，好像都才幾十 MB，但是電腦容量就是被吃掉一大半。 這件事我自己也遇到很多次了。我的 C 槽 953 GB，過去一個多月每隔幾週就快滿一次，每次都是跟 Claude 說「幫我清理」，清完過陣子又滿回來。這次我們不清了，改成把一個多月來每一次清理的對話全部翻出來對帳，算清楚是誰一直長回來。 查出來四層，照體積排序。其中一層是我們自己開源出去的工具，這個下面會老實講。 一、雲端同步：檔案被讀一次，就永久回到你的電腦 這台電腦的 OneDrive 雲端有大約 400 GB。檔案設成「僅雲端」之後，檔名在、圖示在，不佔空間。但只要有任何程式打開那個檔案，同步軟體就會把它下載回本機，而且除非你自己把它釋放回雲端，它就會一直佔著空間。 八月十七號那次大掃除清出 382 GB。四天後回頭看少了 56 GB，其中課本 PDF 那幾個資料夾自己回到本機 45 GB。 這件事的怪，怪在因果被切斷了。吃掉容量的那個動作，跟長出來的那些檔案，看起來完全沒關係。你翻遍 AI 的資料夾，當然只有幾十 MB。 我們怎麼把它抓出來的 這一段是這篇最想分享的：不是我自己會查，是我跟 Claude 一起把範圍縮小的過程。 第一步，先問清楚機制。 我請他上網查「OneDrive 在什麼情況下會自動把僅雲端的檔案下載回本機」。查回來的答案是：只要有程式開啟那個檔案就會，不必真的讀內容。這一句話後來就是破案關鍵。 第二步，一個一個排除。 每關掉一個嫌疑犯就重新量一次本機佔用： Windows 搜尋索引：停掉六分鐘，佔用沒變化 檔案總管縮圖、防毒掃描、Google Drive、iCloud、Synology Drive：都排除 OneDrive 自己重抓：手動把二十個檔案標成「釋放空間」，六分鐘內一個都沒有被抓回來 排到這裡，OneDrive 本身的嫌疑就洗清了。它只是執行者，不是發動者。 第三步，我提了一句話，方向就轉了。 當下我們一直在找「現在正在跑的東西」，可是我想到：這些下載搞不好是幾個小時前下的指令留下來的，那支程式可能還活著，只是沒人注意。 我把這句話丟給他，他回頭去翻還在執行中的舊程序，當場抓到兩支： 下午五點二十某個 AI session 下的 find 指令，尾巴接了 head，本來只要前二十筆。head 拿夠了自己結束，前面的 find 卻沒有跟著死，一路跑了五個小時，回抓 19 GB 抓它的同時，另一個 session 又下了一支掃全機的 find，三分鐘再吃掉 6 GB 兩支都殺掉之後，回抓當場歸零。 ...

上週幫一群麻醉科的醫師朋友上了一堂 AI agent 上手課。課後回饋很有意思：「權限框與 auto mode」同時出現在兩張名單的前段，投「最有收穫」的人很多，投「沒聽懂」的人也很多。代表這東西重要，但一堂課的節奏講不完。這篇把它一次講完整。 還沒裝起來的朋友，可以先看從零開始用 AI agent那篇，裝好再回來。 權限框是什麼：它動手之前，先舉手 第一次叫 Claude Code 或 Codex 整理資料夾，最不習慣的就是它一直跳框問你「可以嗎？」。 這個框其實是整套系統最重要的安全設計：AI agent 要動你電腦裡的東西之前，必須先讓你點頭。框裡通常有三個部分： 它想跑的指令：一行終端機指令，像 ls、mkdir、rm 它自己的白話解釋：指令下面那一兩行，說明它想做什麼、為什麼 你的選項：同意這次、同意以後都不用問、拒絕 你不需要會終端機指令。你只需要看得懂那行白話解釋，然後判斷「合理嗎」。看不懂的時候有兩招： 看不懂它想幹嘛的兩招 直接回它：「用五歲小孩能懂的方式解釋你現在要做什麼」（英文縮寫叫 ELI5，Explain Like I’m 5，AI 都看得懂） 把那行指令複製，貼給網頁版的 AI 問「這個指令會做什麼？有風險嗎？」 四種模式：按 Shift+Tab 切換 每一步都問你，等它做完一件事你可能按了二十次同意。所以 Claude Code 提供好幾種模式，按 Shift+Tab 就能輪流切換，畫面上會顯示目前在哪個模式。日常用得到的是這四個： 模式 它會怎樣 什麼時候用 default（預設） 每個會改到東西的動作都先問你 剛開始建立信任的階段 plan mode 只能讀、不能寫，先研究再給你一份計畫 想先看它打算怎麼做；要碰重要資料的第一步 accept edits 檔案編輯自動放行，跑指令仍會問 改稿、寫筆記這類編輯密集的工作 auto mode 系統自動判斷每條指令危不危險：安全的直接放行，危險的攔下來問你 日常主力 （Claude Code 其實還有更多模式，像給無人值守環境用的 bypass permissions，那些跟日常上手無關，先不用管。） auto mode 為什麼反而比較安全：警報疲勞 臨床的人對 alarm fatigue 都不陌生：monitor 什麼都叫，叫久了大家聽到聲音只是伸手把它按掉。權限框也一樣。當每一個框都要你同意，你很快就會停止閱讀，變成反射性按同意。這時候「每步都問」給你的不是安全，是安全感。 ...