上一篇 《從零開始》 講的是怎麼裝、怎麼跑起來。
這篇講的是用得好，而這跟裝得起來，是完全不同的一件事。
我發現真正決定成效的不是你用哪個模型、不是你會不會寫程式，是你怎麼交代事情、怎麼設關卡。這篇的東西不綁特定工具，你用 ChatGPT 也適用（最後一節會講差在哪）。
三個心法
心法①：它像個很聰明、但記憶有限的新人
它知道很多，但它有一張有限的桌面。塞太多東西就會顧此失彼、會忘記你前面講什麼。
用交班來比喻最好懂：講重點、講清楚，別把整本病歷從頭念一遍。
所以你要主動幫它保持桌面乾淨：一個任務講清楚、講完就 /clear 重開，不要一路累積用不到的東西。
（為什麼會這樣、成本怎麼算，我在 AI Token 經濟學系列 寫了四篇，這裡先講結論。）
心法②：用機制管，不要只靠它自律
這是我覺得最多人做錯的一件事：大家都在 CLAUDE.md 裡寫規則，然後抱怨它不聽話。
問題是，那份檔案在官方的定位裡，是「參考資料」，不是「強制設定」。官方文件講得很白：
Claude treats them as context, not enforced configuration. （Claude 把它當成脈絡，不是被強制執行的設定。）
真正能管住它的機制有三層，強度差很多：
| 層級 | 是什麼 | 強度 | 適合放什麼 |
|---|---|---|---|
| ① hooks | 在它要動手的那一刻，由你的程式攔下來檢查 | ⭐⭐⭐ 程式性強制，模型無法忽略 | 「這件事絕對不准發生」 |
| ② permissions | settings.json 裡的 allow / deny / ask 清單 | ⭐⭐ 硬性擋下，但只認工具與指令樣式 | 「這類操作要先問我 / 永遠不准」 |
| ③ CLAUDE.md | 一份它每次開工都會讀的文字說明 | ⭐ 靠它自律，可能被忽略 | 「通常我們這樣做」的慣例與風格 |
① hooks：把規矩變成程式
hook 是掛在它生命週期上的一段程式。最常用的是 PreToolUse：它要動手之前先跑你的檢查，你的程式回傳「拒絕」，這個動作就執行不了。
關鍵差別在這裡：被 hook 擋下來的動作，不會回頭讓模型去想替代方案。它不是「勸退」，是「做不到」。
我自己就有一個 hook 在管筆記格式：不合規的寫入直接被打回，模型連寫進去的機會都沒有。這種事寫在 CLAUDE.md 裡是沒用的，因為對話一長它就會忘記。
② permissions：先設好白名單跟黑名單
settings.json 的 permissions 有三種：allow（不用問，直接做）、ask（每次問你）、deny（直接擋掉）。
給新手的實用配置：
deny放不可逆的東西：刪除、覆寫、對外送出。這一欄寧可多寫幾條allow放你已經看膩的安全操作：讀檔案、跑測試、查資料。把這些放進 allow，你才不會被問到麻痺，然後開始無腦按同意（這才是真正的風險）- 其餘留給預設的
ask
💡 新手最容易犯的錯，是覺得「一直要按同意好煩」就整個關掉。正確做法是反過來：把安全的事放進 allow 讓它自己做，把危險的事放進 deny 讓它永遠不能做，剩下才需要你判斷。你的注意力應該留給真正需要判斷的那幾次。
③ CLAUDE.md 擺最後
它有用，但它是三層裡最弱的一層，而且對話越長越容易被稀釋掉。所以它應該放的是「慣例」，不是「紅線」。紅線要往上面兩層放。
後面第 5 節會單獨講這份檔案該怎麼寫，因為大部分人（包括以前的我）都寫錯方向。
心法③：不要過度否決他，也不要過度信任他
這條最微妙，但我覺得最重要。
他現在的程度，大概是一個很厲害的研究生。 讀得快、記得多、什麼都會一點，交代下去真的做得出來。你不需要什麼都自己來，也不需要每一步都盯著他。
但他跟人一樣，不保證不犯錯。而且他犯錯的時候語氣跟做對的時候一模一樣，這才是真正麻煩的地方。
我看到兩種極端，兩種都做不好事：
- 過度否決：什麼都不敢交出去，每一句都自己重寫一遍。那你只是把他當成一個比較快的打字機，浪費了他真正的能力
- 過度信任：跑完直接用、直接貼進報告。等到出事才發現那個數字是他湊出來的
正確的心態不是「要不要相信他」，而是問：這件事如果錯了，我怎麼會知道？
如果答案是「我不會知道」，那你要做的不是盯著他，而是建一個檢核站：
- 能寫成程式的，就寫成程式：分數、統計、日期，讓程式算，不要讓他心算
- 能查證的，就真的去查：引用是不是存在，打個 API 問一下，別靠他背
- 失敗要講出來：一項檢查沒跑成功，必須明講「這項沒跑」，絕對不能安靜跳過。因為一項沒跑的檢查，讀起來跟「檢查過了沒問題」長得一模一樣
- 不可逆的動作要有關卡：這就是心法②那三層在做的事
一句話：你不是在監工，你是在設計流程。人也會犯錯，我們在醫院靠的也不是「大家都很小心」，是靠 check list、雙人核對、機器警報。對他也一樣。
—
現在的 prompt 該怎麼下
如果你之前看過網路上的 AI 教學，你學到的大概是這幾招。它們在 2023 年有用，現在多半是白費力氣：
- ❌ 開頭要指派角色，像「你是一位擁有 20 年經驗的資深治療師…」
- ❌ 要寫落落長，把每個要求列成 1234
- ❌ 要手動把資料貼進去，還要加一句「只能照我給的內容回答」
官方現在強調的完全是另外三件事：
✅ 第一優先：給他一個能自己驗收的方法
這是官方 best practices 排第一的建議，原話是「給 Claude 一個它能自己跑的檢查：測試、build、一張可以比對的截圖」。
差別在哪？有驗收方法的任務，他會做完 → 自己跑檢查 → 看結果 → 沒過就自己修，一路迭代到通過。沒有的話，他只能做完就交，對錯要你自己看。
翻成非工程師的版本：
- ❌「幫我整理這些逐字稿」
- ✅「幫我整理這些逐字稿成 SOAP 格式。整理完自己檢查一遍：每一份都要有這四段、每一段都要有內容、沒有的標記出來給我」
多的那一句就是驗收標準。它讓「做完了」變成一件可以被檢查的事。
✅ 給具體的脈絡，不是給指令
官方給的對照很好用，四種給法：
| 給法 | ❌ 模糊 | ✅ 具體 |
|---|---|---|
| 界定範圍 | 「幫我寫測試」 | 「針對登出狀態這個邊界情況寫測試，不要用 mock」 |
| 指向來源 | 「這個為什麼這樣設計？」 | 「去看它的修改歷史，整理出它是怎麼變成這樣的」 |
| 參考既有模式 | 「加一個日曆元件」 | 「看首頁那些元件怎麼寫的，照同樣的模式做一個」 |
| 描述症狀 | 「修一下登入的 bug」 | 「使用者反應閒置後登入會失敗。先寫一個會失敗的測試重現它，再修」 |
看得出共同點嗎？都是在講「你要什麼、去哪裡看、怎樣算對」，而不是在幫他設定人格。
角色扮演現在幾乎沒必要了：他本來就知道 SOAP 怎麼寫。與其花力氣說「你是資深治療師」，不如說清楚「這份是要給誰看的、我要拿去做什麼」，那才是他判斷得上的資訊。
✅ 複雜的事：先探索、再計畫、才動手
官方把工作流拆成四段：探索 → 計畫 → 執行 → 收尾。重點是前兩段要跟第三段分開，不然你常常會得到一個「做得很好、但解錯問題」的東西。
實務上就一句話：複雜任務開頭加「先跟我講你打算怎麼做，不要動手」。
看完計畫你會發現他誤會了什麼。這時候修，比等他做完再修便宜太多。
—
四個可以馬上用的元技能
- ① 先做出能動的，再迭代：別等學會了才開始，先跑一個爛版本再改
- ② 不懂就問它：ELI5 / TL;DR：貼報錯加一句「用五歲小孩能懂的方式解釋」；面對一大坨長回覆，先叫它「給我 TL;DR」再決定要不要深入
- ③ 能丟就丟、能平行就平行：重複的事丟給它，而且可以同時開兩個視窗，一個在做事、另一個問問題，不用乾等
- ④ 需要算的東西，永遠別叫它心算：量表分數、統計、日期天數，一律叫它「寫個程式算給我」
第④點我覺得是最多人不知道、卻最容易出事的一條。它是語言模型，不是計算機。 算錯了還會講得很有自信。
一句話記住：文字交給它，數字叫它動手算。
—
為什麼它會越聊越笨
有沒有覺得聊到後來，它好像變笨了、開始忘記你前面講的東西？
真相是：它其實沒有記憶。每次你按下 Enter，它是把「第一句到現在」整段重讀一遍，才回答你。
不是它記得，是每次都重看一次。所以對話越長，每一句都越慢、越貴，而且它的注意力總量固定，廢話會稀釋掉重點。（有研究把關鍵資訊埋在長內容的中間，回想率掉到只剩兩成左右。細節跟數據我寫在 AI Token 經濟學（一）。）
一句話：不是它壞掉，是你把重點埋掉了。
🙋 先澄清一個新手最常見的焦慮：「開新對話會不會把我之前的東西弄不見？」 不會。 舊對話還在、檔案也都還在。開新的只是給它一張乾淨的桌子，不是刪東西。
三個零成本的動作：
- 換話題就開新對話（
/clear） - 別無腦把整份 PDF 貼進去：貼進去之後每一輪都會重算一次，貼一次痛整場。讓它自己去讀檔案就好
- 問題講清楚、講短：省額度的同時，答得還更準
幫它保持桌面乾淨，不是為了省錢，是為了讓它一直保持在最聰明的狀態。
—
CLAUDE.md 該怎麼寫（多數人寫錯方向）
CLAUDE.md 是一份放在資料夾裡的說明書，它每次開工都會先讀。白話講：每次都要重講一次的話，寫進去就不用再講了。
先講最反直覺的一件事：它不是越詳細越好，是越短越有效。
官方的建議很明確：
目標是每份 CLAUDE.md 控制在 200 行以內。更長的檔案吃掉更多 context，而且降低遵守度。
臃腫的 CLAUDE.md 會讓 Claude 忽略你真正的指令。
還有一句我覺得每個人都該記住的診斷：
如果你明明寫了規則，它卻一直照做不誤，那通常是這份檔案太長，規則被淹沒了。
所以「它做錯一件事，我就加一行」這個做法，短期有效，長期會把檔案養成一份沒人（包括它）看得完的說明書，然後所有規則一起失效。
該怎麼做：主檔當路由器，細節放外面
正確的結構是：主檔只留「什麼情況去看哪份文件」，細節拆到各自的檔案，用到才載入。
官方提供了兩個現成機制：
@引用：在 CLAUDE.md 裡寫@docs/note-rules.md，把細節放到那份檔案.claude/rules/：把規則拆成多個檔案，甚至可以綁定特定路徑，只有在動到那類檔案時才載入。不相干的時候完全不佔位置
我自己那份現在是 93 行。它幾乎不含任何細節，只有一張表寫著「要建筆記 → 去看格式規則那份；要派子代理 → 去看派工協定那份」。真正的內容全在外面七、八個檔案裡，加起來好幾百行，但它們只在用得到的時候才會被讀進來。
那該寫什麼、不該寫什麼
| ✅ 寫進去 | ❌ 不要寫 |
|---|---|
| 他猜不到的指令（怎麼跑測試、怎麼部署） | 通用常識（「請寫乾淨的程式碼」） |
| 跟預設不一樣的慣例（「回我繁體中文」） | 他讀一下就知道的東西（資料夾結構） |
| 你踩過的坑（「這個資料夾別碰」） | 長篇教學（放連結就好） |
| 為什麼要這樣做（背後的理由） | 常常變動的資訊 |
還有兩個實用細節：
- 第一版不要用手寫：在資料夾裡打
/init，它會自己看一遍你的東西生一份草稿，你只要改 - 定期打
/doctor：它會幫你檢查 CLAUDE.md，主動建議刪掉那些「它自己看程式碼就能知道」的段落，只留下真正的坑跟慣例
一句收尾：規則不是越多越好，是越少越好，前提是短的那幾條真的被遵守。
—
這些心法，我實際怎麼用在醫學上
上面講的都還是通則。但我想講一下，當這些原則真的落到臨床跟研究上時，長什麼樣子。因為醫學內容的容錯率，跟「幫我寫一封信」完全不是同一個等級。
① 證據等級不能用問的，要用算的。
我的論文評讀工具會產出 GRADE 證據等級。但那個等級不是問模型「你覺得這篇是幾級」。模型只負責判斷五個面向各自嚴不嚴重，最後那個等級是由一支程式，照 GRADE 的規則重新算一次。模型自己講的等級只當參考，兩邊不一致時會直接警告我。
這就是心法③跟元技能④的合體：模型負責語意判斷，程式負責邏輯跟算數。
② 參考文獻要真的去打 API 確認。
AI 生的引用有多不可靠已經是老生常談了。所以在做任何語意比對之前，每一筆參考文獻的 DOI 都會真的送去 CrossRef 問一次「這篇存在嗎」。這擋掉的不只是憑空捏造的 DOI，還有更陰險的「DOI 是真的、但對應到另一篇論文」。
③ 沒查到，不能寫成「沒有問題」。
這條是我覺得最重要、也最少人講的。工具跑的每一項查核，如果失敗了（網路掛了、資料庫查不到），必須明講「這項沒跑成功」，絕對不能安靜地跳過。因為一項沒跑的檢查，讀起來會跟「檢查過了、沒發現問題」一模一樣。
④ 更新舊筆記時，寧可漏掉，不要改壞。
我另一個工具是把新素材併進既有筆記。設計時我想通一件事：漏掉新內容是可回復的（你之後還會再看到那份素材），但安靜地改掉舊筆記裡原本就對的東西是不可回復的，因為你不會再去查證那一條了。
所以它的原則是「新增很便宜，改動很昂貴」：新舊講法衝突時，它不會直接覆蓋，而是把兩種說法並排標出來，等我自己裁決。
—
用 ChatGPT 或其他工具的人，這套適用嗎？
大部分適用，換個名字而已。
完全通用的：三個心法、四個元技能、prompt 的下法（給驗收標準、給具體脈絡、先計畫再動手）、保持對話乾淨。這些是語言模型本身的特性決定的，不是哪家產品的設計，所以到哪都一樣。
名字不同、東西一樣的：
| 這篇講的 | 其他工具對應的東西 |
|---|---|
CLAUDE.md | ChatGPT 的自訂指令／Projects 說明、Gemini 的 Gems、Cursor 的 rules |
| skill | 各家的自訂 GPT、prompt 模板、workflow |
| MCP | 各家的外掛／connector（MCP 現在也被其他家採用了） |
目前只有 agent 型工具才有的：hooks 與 permissions 那一層。因為只有「會自己動手改你電腦裡的東西」的工具，才需要在執行的那一刻設關卡。網頁版的聊天機器人不會動你的檔案，自然也不需要。
所以如果你現在用的是網頁版，這篇的心法你照樣拿得走；等哪天你開始用會自己動手的工具，再回來看心法②那三層。
—
最後，也是最容易被跳過的：安全
前面講的三層機制（hook / permissions / CLAUDE.md）是在管「它會做什麼」。這一節要講的是另一個方向：它碰得到什麼。
先講最基本的那條線
這是雲端工具，你打進去的東西會送出去給科技公司。
- ❌ 涉及病人資訊 → 先用假資料或去識別化資料練習
- ✅ 不涉及病人資訊的操作 → 放心用：格式轉換、寫衛教信、整理公開資料、把重複流程自動化
先用假資料練手感，等你判斷得出什麼能送、什麼不能送，再碰真的。
但真正該擔心的，其實不是「我打了什麼進去」
當你開始用會自己動手的 agent，風險就換了一種形狀。它能讀你的檔案、能執行指令、又能連網，這三件事湊在一起，代表你電腦裡任何一個沒鎖好的東西，它都有機會讀到、甚至送出去。
這件事我不是講理論，是我自己真的回頭盤過一遍：把散落在各處的金鑰、token、密碼全部找出來，重新上鎖或作廢。
結果找到四個問題，每一個我原本都覺得「應該還好」：
- 一把沒上鎖的萬能鑰匙
- 順手貼進對話裡的密碼
- 筆記裡躺著兩個早就忘記的金鑰
- 明文擺著的密鑰，配上沒有護欄的 AI
完整的過程、我怎麼掃、怎麼補，還有留下來的幾個習慣，寫在這篇：
如果你打算讓 AI 碰到工作上的東西，我會建議在那之前先讀一次。這是那種出事之後才做就來不及的檢查。
還有一件事我想講白
這些工具產出的是素材，不是結論。證據等級是幫你快速定位，不是替你決定要不要照著做。最後是你自己的名字掛在那個臨床判斷上，你還是得自己讀那篇論文。
—
寫到這裡，其實可以把開頭那句收回來：難的從來不是「怎麼問」，是「怎麼設計流程」。 prompt 你就當在跟一個聰明的同事講話，講人話、講清楚你要什麼、講清楚怎樣算做完就好；真正要花力氣的是把紅線放進機制裡、把該算的交給程式、還有在會出錯的地方設一個你看得到的檢核站。
你不需要先學會，你只需要會問 😊
—