你會用 AI，但你會教 AI 嗎？— 用 Agent 與 Skill 打造你的 AI 工作團隊

從「會用 AI」到「教 AI」：這場 Meetup 講了什麼

2026 年 6 月，WordPress 彩虹小聚在臺北可能存在的遊樂園 CollaPlay 舉辦了本年度技術含量最高的一場 Meetup。主題直白到有點刺痛：「你會用 AI，但你會教 AI 嗎？」

講師賴俊吾（Codotx 負責人）帶著他每天親自跑流程、踩地雷之後總結出來的實戰心法，從 LLM 運作原理一路講到 Multi-Agent Framework，把「AI 工作團隊」這個概念拆解成可以直接落地的架構。

Part 1｜AI 的本質：猜下一個字的數學機器

要教好 AI，首先要懂 AI 的「個性」。

賴俊吾用了一個清楚的模型說明 LLM 的運作邏輯：輸入文字被切分成 Token，經過數億次數學計算，輸出「最可能的下一個字」。這個機制解釋了 AI 為什麼有時候聽起來很流暢卻完全錯誤。訓練過程中，數 TB 級的文本、反覆預測、加上人類反饋微調（RLHF），也順帶造就了 AI 愛拍馬屁的個性——讓人類說「讚」的回答，往往比「準確但難聽的回答」更容易在訓練中得高分。

Part 2｜學會不信任 AI 的五種壞習慣

賴俊吾整理了 LLM 最常見的五個弱點，每一個都是設計 AI 工作流時的地雷。

幻覺（Hallucination）

永遠要懷疑 AI 給的答案。 它不會因為不確定而說「我不知道」，而是用極度自信的語氣說出錯誤的事。

馬屁精效應

用誘導式問法（「這樣做是對的吧？」），AI 會傾向同意你。提問方式直接影響輸出品質。

金魚腦

關掉視窗，記憶歸零。長期工作流程需要外部 Memory 機制，不能靠 Context 撐著。

注意力不集中

超長任務只記得頭和尾，中間會「飄走」。複雜任務必須拆解，不能塞進一個 Prompt 裡。

莫名自信

AI 不會主動說「我只有六成把握」。驗證輸出的責任，永遠在人這邊。

Part 3｜影響 AI 輸出的三種手段

知道 AI 的壞習慣之後，怎麼調教它？賴俊吾整理了三個層次：微調模型（Fine-tuning）、RAG 檢索增強生成、以及透過 AI 工具約束輸出。

在日常工作場景中，最務實的做法是：給 AI 明確的角色設定、提供背景知識與範例、要求結構化輸出格式。

但痛點在這裡：「這些我懂，但每次都要重講，超麻煩。」這就是 Agent 與 Skill 出現的原因。

Part 4｜讓 AI 有記憶、有個性、有 SOP

賴俊吾介紹了他實際在用的三個核心檔案架構：

AGENTS.md — 給 AI 的基本原則

放角色設定、語言規範、格式要求。不要放會頻繁變動的資料（那是 Memory 的工作）。載入順序有優先級：個人原則 → 專案共有原則 → 專案私有原則。若有衝突，AI 會「丟骰子決定」，所以規則要寫清楚，不要有歧義。

MEMORY.md — AI 自己的筆記本

三個關鍵特性：做事過程中自動寫入、用目錄索引管理條目、類似情境時自動讀取。這解決了「金魚腦」問題：AI 不是真的忘了，是沒有地方存。

SKILL.md — 把流程變成固定關卡

一個完整的 Skill 流程範例：`/plan → /todo --tdd → /review → /verify → /submit-review`。Skill 的本質是：把你的工作邏輯編譯進 AI，讓它用你的方式跑流程。

Part 5｜Agent Framework：讓 AI 組成工作團隊

最後一個層次，也是讓現場最安靜的一段。賴俊吾介紹了三種 Agent 架構：Sub-Agent（快速聚焦、做完回報的工人）、Agent Teams（互相挑戰、自己協調的隊友）、Dynamic Workflow（跨部門發掘洞見、彙整報告）。

他分享了一個實際案例：用 Claude Code 跑了 23 個 Agent、約 22 分鐘，產出 9 個商業提案，最終只有 1 個通過對抗驗證活下來。

這個數字讓現場安靜了一秒——不是因為失敗率高，而是大家意識到：能用 22 分鐘驗證 9 個提案，本身就是一種新的工作能力。

結語只有一句話：「能一次打十個之前，先把一個搞定就好。」

為什麼「教 AI」比「用 AI」更重要

這場 Meetup 最核心的命題不是工具選擇，也不是 Prompt 技巧，而是一個認知升級：「會用 AI」已經是最低門檻，「教 AI 用你的方式做事」才是真正的護城河。

當所有人都在學同樣的工具，差距來自你有沒有把自己的判斷力、工作邏輯、品質標準，系統性地注入進去——讓 AI 不只是你的助手，而是能接手任務、照你的規則跑的工作夥伴。

WordPress 彩虹小聚下次見。