AI 學習路徑全攻略：聊天型 → 協作型 → 代理型，從 Prompt 到 AI Agent 的 3 個階段

你有沒有發現，明明大家都在用 ChatGPT，但有人 10 分鐘就能交出像樣成果，有人卻聊了一整晚，最後還是只得到一份「看起來很努力、實際上不能用」的答案？

我後來發現，差別通常不是誰比較會背提示詞，而是你把 AI 放在哪一種工作位置。

以前我會把 AI 學習路徑拆成 Prompt → 知識庫 → AI Agent。這個說法沒有錯，但 2026 年再回頭看，我會改成更白話的三層：聊天型 AI、協作型 AI、代理型 AI。

AI 的學習路徑，不只是從「會問問題」到「會用工具」。真正的差異在於：你是把 AI 當聊天對象、協作夥伴，還是能代你執行複雜任務的代理人。

階段	類型	代表工具	核心能力	最常見卡關
Lv1	聊天型 AI	ChatGPT、Gemini	Prompt：把需求說清楚	每次都要重新交代背景
Lv2	協作型 AI	Cursor、Antigravity、Gamma、Felo、NotebookLM、Claude Cowork	知識庫：給 AI 一份任務材料	通常只處理單一領域任務
Lv3	代理型 AI	Claude Code、Codex	工具＋工作流規則：讓 AI 自己組合技能完成任務	需要先整理 SOP、邊界與品質標準

這篇文章會幫你判斷自己目前在哪一層，以及下一步應該補什麼能力。

---

Lv1：聊天型 AI，重點是 Prompt

聊天型 AI 是大多數人的起點。你打開 ChatGPT、Gemini，輸入一段問題，AI 給你一段回答。

這一層的關鍵能力是 Prompt，也就是把需求說清楚：你要什麼、背景是什麼、限制在哪裡、輸出格式長怎樣。

我以前整理過一套 TRIRO 提問法，本質上就是在幫你把腦袋裡模糊的需求，翻譯成 AI 聽得懂的任務。

聊天型 AI 適合做什麼？

• 快速查概念、整理想法、改寫一段文字。
• 幫你腦力激盪標題、企劃方向、簡單清單。
• 在你還不知道怎麼下手時，先陪你把問題拆開。

但它的上限也很明顯

• 每次都要重新貼背景，AI 不一定記得你是誰。
• 回答品質高度取決於你這次問得好不好。
• 它能陪你想，但不太會真正接手一段完整工作流程。

所以 Lv1 的目標不是收藏 100 個神奇咒語，而是先學會一件事：你能不能把自己的需求講清楚。如果這件事還做不到，後面再高階的 AI Agent 也救不了。

如果你目前還在這一層，可以從我的 ChatGPT 工作術課程 開始，把基本提問、拆解任務、產出格式這些底層能力練穩。

---

Lv2：協作型 AI，重點是知識庫

到了 Lv2，你不再只是跟 AI 聊天，而是把一份資料、一個專案、一組內容交給它，讓它在特定任務範圍內跟你協作。

這一層的代表工具，先抓比較明確的單一任務場景來看：AI IDE 有 Cursor、Antigravity，做簡報有 Gamma，研究搜尋有 Felo，文件理解有 NotebookLM，辦公協作有 Claude Cowork。

這些工具的共同點是：你會把自己的內容、文件、網站、資料來源餵給它，然後 AI 在這個範圍內做出一個成果。

協作型 AI 和聊天型 AI 差在哪？

• 聊天型：你主要靠 Prompt，把腦袋裡的需求講給 AI 聽。
• 協作型：你除了講需求，還會給它任務材料，讓它圍繞這些資料產出成果。

例如，你不是只問「幫我做一份簡報」，而是把一份訪談稿、一組產品資料、幾篇參考文章給 Gamma 或 Felo，請它整理成簡報或互動頁面。這時候 AI 的品質，不只取決於你怎麼問，也取決於你給它的資料好不好。

我以前寫過 Felo AI 的簡報、互動網頁與事實查核應用，它就很像協作型 AI：你給它搜尋範圍和研究問題，它幫你把資料整理成可交付的成果。

另一個例子是 Claude Cowork、NotebookLM 和 Claude Code 的差異。Cowork 和 NotebookLM 很適合在文件、知識、團隊協作的範圍內工作，但它們通常還是在一個比較明確的任務邊界裡幫你。

協作型 AI 最適合解決單一領域任務

• 整理一份資料，產出簡報。
• 讀一堆文章，幫你做研究摘要。
• 根據一份文件，幫你寫提案或 FAQ。
• 在一個程式專案裡，協助你改某段程式碼。

這一層的核心不是「AI 變得比較會聊天」，而是它開始能跟著你的資料一起工作。你給它越好的內容、越清楚的任務範圍，它就越能穩定產出。

但協作型 AI 仍然有一個限制：它多半解決的是單一領域、單一任務。如果一件事牽涉到多份文件、多個工具、多段流程、多次判斷，它就開始吃力。

---

Lv3：代理型 AI，重點是工具和工作流規則

Lv3 才是真正的 AI Agent。

代理型 AI 不是只看一份資料、做一個成果，而是能接下一個由多個問題組成的複雜任務。你給它目標，它會自己判斷該看哪些資料、用哪些工具、套用哪些過去的工作流程，最後把事情完成。

代表工具就是 Claude Code 和 Codex 這類能讀寫檔案、執行工具、修改專案、跑驗證的 AI Agent。

不過，我覺得 Lv3 真正拉開差距的地方，不只是「它可以改多個檔案」。更重要的是，它會隨著你越用越懂你，慢慢長成一個有個人化判斷的 AI 分身助理。

代理型 AI 的核心不是「更會回答」，而是「會照你的工作方式做事」

你準備給它的，不只是資料，而是你過去怎麼處理事情的方法：SOP、Skill、工作流規則、品質標準、不能碰的邊界、常用工具權限。

我會把這件事稱為 Harness 架構：你不是只打開一個 AI 模型，而是替它裝上規範、技能、記憶、工具、協作原則和驗收方式。這些東西累積起來，AI 才會越來越像懂你工作方式的助理。

我在 CLAUDE.md 和 SKILL 教學 裡講過，CLAUDE.md 像是 AI 的入職手冊，Skill 則像是一份份專業 SOP。當任務進來，代理型 AI 會自己判斷該抽哪幾份 SOP 來組合。

這也是我用 Claude Code 做出 AI 分身助理 之後，最明顯感受到的差異：我不是每次叫它「幫我做 A、再做 B、再做 C」。很多時候，我只要說明目標，它會自己找過去的流程、參考資料、工具設定，然後回來交付結果。

代理型 AI 會處理的是複雜任務

• 讀舊文章、找內部連結、重寫 WordPress 草稿、更新後再檢查連結。
• 整理會議紀錄、判斷待辦、寫進專案文件、提醒後續任務。
• 讀一個專案資料夾、找出錯誤、修改檔案、跑測試、回報風險。
• 根據你過去的寫作風格、品牌規則和 SEO 需求，完成一篇能發布的文章草稿。

它和協作型 AI 最大的差別在這裡：協作型 AI 通常是在一個任務範圍裡幫你產出；代理型 AI 則會把多個任務串成一條工作流，並且用你的規則去判斷每一步怎麼做。

如果要更完整理解這件事，可以看我最近寫的 AI Agent 7 層架構。我用 Hermes Agent 和自己的 AI 分身「雷小蒙」對照，拆出核心規則、技能、記憶、使用者畫像、對話歷史、自動化和多平台入口這幾層。

---

協作型和代理型，真正差在哪？

比較項目	協作型 AI	代理型 AI
任務範圍	單一領域、單一成果	跨文件、跨工具、跨步驟的複雜任務
你給它什麼	資料、文件、內容、任務說明	資料＋SOP＋Skill＋工具權限＋品質標準＋記憶
AI 做什麼	在指定範圍內協助產出	自行規劃、組合流程、使用工具、完成交付
你的角色	一起編輯、一起完成	定義目標、邊界與驗收標準
長期效果	每次任務大多重新開始	隨著規範、Skill 和記憶累積，越來越個人化
典型成果	簡報、摘要、研究報告、單一文件	完整工作流結果，例如改文、改站、整理資料、驗證並回報

協作型 AI 像是一位很強的專案協作者。你把材料給它，它在那個範圍內幫你把成果做出來。

代理型 AI 則更像一位已經熟悉你做事方式的助理。它知道你以前怎麼處理類似任務，也知道哪些事不能亂碰、哪些地方需要驗證、什麼品質才算過關。

所以我現在不會建議一般人一開始就追求「打造 Agent Team」。我在 為什麼一般人不需要刻意打造 AI Agent Team 裡講過，對個體工作者來說，先把知識、流程和規則餵給一個全能代理人，通常比切一堆部門型 Agent 更有效。

---

那 Notion、n8n、AI Agent 要怎麼放？

很多人進到 Lv3 後，會開始問另一個問題：有了 AI Agent，Notion 和 n8n 是不是可以丟了？

我的答案是不行。它們不是取代關係，而是新的工作基礎建設。

工具	適合放的位置	什麼時候用
Notion	協作中台、公開頁面、資料管理介面	團隊或學員需要看、需要一起編輯、需要分享的資料
n8n	固定流程自動化引擎	不需要 AI 判斷，只要穩定、定時、照規則跑的流程
AI Agent	推理與執行代理人	需要讀內容、做判斷、組合流程、使用工具完成任務

我在 Notion、n8n、AI Agent 三者關係 那篇寫過：Notion 是協作中台，n8n 是穩定執行引擎，AI Agent 則是會思考、會判斷、會幫你駕馭這些工具的管家。

以前的辦公三件套是 Word、Excel、PowerPoint，因為負責執行的是人。未來超級個體的基礎設施，可能會變成 Notion、n8n、AI Agent，因為 AI 會幫你直接執行製作，而人要負責的是架構、判斷和品味。

---

你現在該學哪一層？

如果你還常覺得 AI 答非所問

先回到 Lv1，把 Prompt 練好。不要急著追 Agent，先學會把任務、背景、限制、格式講清楚。

如果你已經會問，但成果不穩定

進到 Lv2，開始整理自己的資料和知識庫。把你的文件、過去文章、專案資料、常用格式交給協作型 AI，讓它在更清楚的範圍內工作。

如果你有很多重複流程，每次都要手動串起來

這時候才進 Lv3，開始打造自己的代理型 AI。你要整理的不是更多 Prompt，而是 SOP、Skill、工作流、工具權限、品質標準和邊界規則。

也就是說，AI Agent 真正吃的不是魔法咒語，而是你過去累積的工作方法。你越清楚自己怎麼做事，它越能照你的方式把事情完成。

那為什麼我會直接教大家 AI Agent？

原因很簡單：L1、L2 能做到的事，L3 幾乎都能做到，而且通常做得更完整、更省事。

這不只是某個工具的更新，而是工作模式的改變。未來 10 到 15 年，最重要的能力可能不是背更多 Prompt，而是想清楚三件事：

1. 自己真正想做什麼。
2. 怎麼把想處理的事情變成清楚流程。
3. 怎麼訓練一個專屬 AI 助理或分身，讓它能照你的方式做事。

到最後，人類會更專注在判斷上：判斷什麼值得做，判斷什麼是好的成果，判斷哪個決策才是正確的。

---

如果你想從 Lv3 開始養自己的 AI Agent

我整理了一套 24 小時開始活用 AI Agent（Claude Code、Codex 都適用），它不是只教你按工具按鈕，而是帶你建立一個能被 Claude Code、Codex 讀懂的基本工作架構。

你會先把核心規則、技能、工作流程和記憶放到正確位置。之後不管你用 Claude Code、Codex，甚至未來換成別的 AI 工具，都比較不會從零開始。

如果你想先免費讀更多文章，可以從這個系列開始：

📍 AI Agent（Claude Code、Codex）系列教學文章

• Claude Code vs Codex 完整教學｜新手怎麼選？非工程師也能上手的桌面版比較
• 為什麼 AI 越聊越笨？Context Window、Compact 與額度管理入門教學
• AI Agent 搬家教學：Claude Code 轉 Codex？AGENTS.md、CLAUDE.md 與記憶系統設計？
• 讓 AI 助理看懂網頁：Firecrawl、Playwright、WebFetch 三大抓取工具完整比較
• 白話文教學：AI 怎麼幫你動手做事？API、CLI、MCP、瀏覽器控制的選擇邏輯
• Vibe Coding 學習筆記：為什麼要重複造輪子？
• Claude Code 是什麼？從 Claude Cowork 到 Code，非工程師也能上手的完整入門教學
• 21 天，我用 Claude Code 打造了一整套 AI 分身助理記錄
• Claude Code 做好了網頁，怎麼讓別人也能看到？Zeabur 與 Cloudflare 部署完整指南
• Claude Cowork 更好用了？它跟 NotebookLM 差在哪？什麼時候才需要升級到 Code？
• Claude Code 的 CLAUDE.md 和 SKILL 教學，打造可重複使用的AI 自動化工作流
• Claude Code 桌面版 vs 終端機：你該用哪一個？
• 為什麼一般人不需要刻意打造 AI Agent Team？
• AI 學習路徑全攻略：Prompts、知識庫、AI Agent 的 3 個階段
• 有了 AI Agent 之後，Notion 跟 n8n 就可以丟了嗎？三者關係與我的實戰用法
• Zeabur 專用伺服器怎麼選？白話文選購指南，讓 AI 幫你搬家！
• Zeabur 應用案例：網站部署、AI Hub、龍蝦 OpenClaw、VPS（50% 折扣）

---

常見問題