哈爸筆記：在帶領都蘭 AI 慢活共創營與日常技術探索中，我一直在思考：怎樣才是最省 tokens、最不累、也最符合人類大腦認知的人機協作學習法？今天把我們如何將零散的 AIQA 對話，一鍵萃取並沉澱為系統化「研究筆記」的過程與背後的心法寫下來。這是一套「先碎步前進、後架構合龍」的兩階段輕量級學習法。

🚀 痛點：大架構的「違反人性」與 Agentic AI 的 Tokens 消耗#

  • 不大不小的尷尬主題：當我們面對一個不大不小的學習主題時（例如這次我想摸熟 Google Apps Script 串接 Gemini API 與 Google Workspace 元件的權限機制），如果一開始就擺出大陣仗，用「寫一本書」或「寫一份超大文檔」的方法論去套它，通常會覺得極度沉重與麻煩。
  • 一開始就展開架構是違反人性的：人類的大腦在面對未知時，很難一開始就想清楚完美的 Top-down 目錄與邏輯結構。強行展開大綱，只會帶來科技焦慮與寫作阻力。
  • Agentic AI 的高昂代價：當然，我們可以丟個指令，讓 Agentic AI 自動產出一個大而全的初稿檔案，然後人再去改。這種方式雖然高效，但非常花費 tokens，而且往往因為 AI 一開始的「過度腦補」，導致後續修改時人機溝通的摩擦力很大。

💬 突破：問完 6 個問題就懂了，但知識散落怎麼辦？#

  • 問題驅動才是最自然的學習：很多時候，我們只要針對最核心的卡點，問 AI 幾個關鍵問題（例如從 Q6.1 問到 Q6.6，從 GAS 怎麼寫 API 請求、代碼放哪裡、到 OAuth 權限如何排除），一來一回聊完，腦袋裡大概就懂了 80% 了。
  • 零門檻與容錯率：這種 AIQA 的聊天模式，容錯率極高。就算中間 AI 講錯了，或我理解有偏差，我們在同一個對話串裡直接糾正、直接補充就好，沒有「必須寫出好文章」的壓力。
  • 碎片化的新煩惱：問完問題，我們是懂了。但這時有用的資訊、範例程式碼，全都零碎地散落在好幾屏的回答中。如果不去整理，過幾週要用的時候，又要重新翻找對話歷史或重新問一遍，這就成了數位資產的浪費。

🛠️ 兩階段輕量級方法論：從 QA 順手提煉研究筆記#

為了解決這個問題，我們設計了一套「兩階段」的輕量級學習與沈澱管線：

1. 第一階段：碎片化輸入（AIQA 聊天）#

遇到問題就聊、就問。不需要考慮排版與前後順序，以最低的心理門檻把知識吸收到腦子裡。

2. 第二階段：一鍵工整化（研究筆記）#

當我們搞懂了這個主題後，透過一組簡單的 Python 腳本（例如 filter_qa_by_range.py）把指定範圍的對話（如 q6.1-q6.6）物理性地抽離出來。接著，讓 AI 讀取我們定好的「研究筆記範本」（包含目標與範疇、歷程、架構、主題、QA 等標準欄位），進行一次性的「架構性彙整與代碼補全」。

[碎片化問題 (Q1-Q6)] ──► 1. 聊天搞懂 ──► 2. 腳本物理萃取 ──► 3. 範本結構化 ──► [系統化研究筆記]

這套方法之所以迷人，是因為它兼顧了當下學習的流暢度與事後知識沉澱的系統性。我們不需要一開始就硬碰硬去建構宏大的知識庫，而是「在解決問題的過程中，順手把知識庫建起來」。

小結：這是一場人與 AI 在認知節奏上的妥協。人類負責碎步探索與直覺發問，AI 負責在事後進行降維整理與架構合龍。這才是最不累、也最省 tokens 的個人 AI 賦能實踐。

AI 協作聲明： 本文由哈爸提供將 AIQA 轉出為研究筆記之實戰痛點與兩階段輕量級學習法心法，由 AI 助手 Antigravity 整理編排與修辭。結合了個人知識管理（PKM）的方法論與哈爸筆記的敘事風格，展現更符合人性的人機協作學習路徑。