我跟 AI 說「很煩」，它自己去加了一道機制

「快一點」到底是多快，「詳細一點」到底是多詳細。這些話我們每天對 AI 講，它每次的理解都不一樣，只好每次重講一遍。這篇講怎麼把這種隨口說的詞，變成 AI 每次都照同一個標準執行的定義。用一個純文字檔就能做，不用寫程式。

你的「快速」到底是多快

我跟 AI 說「快速幫我做一個網頁」。

它聽懂了每一個字。然後問題來了，我的快速到底是要多快？是十分鐘給我一個能看的版面就好，還是照完整流程做到能上線？是可以先用模擬資料，還是內容要真的？

我說「幫我做很詳細的會議記錄」。

一樣，字全對。而我的很詳細是多詳細？是逐字稿全留，還是三層整理？要不要標出誰說的？要不要把沒講出口的態度也判讀進去？

所以每次我都要重講一遍。今天講一次，明天換個對話再講一次，換一個模型再講一次。

更麻煩的是第二條路的成本。想靠摸熟每個模型的脾氣來解決，模型三個月改版一次，你剛摸熟它就升級了，而且我們手上通常同時開著好幾家。反過來把我的定義寫下來，這份字典是我的，換誰來讀都一樣，模型改版也不用重寫。

既然講到寫下來，我把我自己那條攤開來給你參考。這是我的「很詳細」用在會議記錄時的完整標準：

詞：很詳細（用在會議記錄時）

我的意思是：
· 保留比例＝原逐字稿的 30% 到 50%，以 40% 到 50% 為主
· 第一層 會議摘要：最重要共識、最重要下一步、待辦、
  責任分配、時間節點、關鍵數據
· 第二層 洞察與策略：為什麼會這樣談，各方在意什麼
· 第三層 脈絡與細節：討論脈絡、各方立場、共識形成
  過程、關鍵轉折，備查用
· 原始逐字稿另存不刪，正文要標出誰說的

反例（這樣不算）：把逐字稿貼上來改錯字就交。
反例（這樣也不算）：只給我第一層的條列摘要。

這條寫下來之後，我說「很詳細」它就知道要交三層、知道保留比例大概在哪、也知道逐字稿不能丟。你的標準跟我的不用一樣，重點是它要能被寫下來、能被照著做。

今天早上真的發生的事

講一個最新的例子，就發生在今天早上，我用它來說明字典生效的時候長什麼樣子。

前一晚我跟 AI 一起做完一件很大的工程。做完之後它沒有寫工作日記，我問它「有寫工作日記了嗎」，它才補寫。

補完之後我跟它說了下面這段話：

它沒有回我「好的我下次會記得」。它做了三件事。

第一，去查我說的規則到底存不存在。查完發現規則確實寫過，而且寫在三個地方。也就是說規則沒漏寫，是它自己漏做。

第二，往下追一層問「為什麼寫了還是會漏」。答案是那三條規則都只是文字，沒有任何東西在盯著它執行，全靠 AI 自己記得。

第三，它幫自己裝了一個檢查：以後只要這次工作動到重要的東西，收工前沒寫日記，就不准自己結束。

我用的是可以自己加檢查的工具，所以它能做到這一步。如果你用的是 ChatGPT 或 Claude 的網頁版，做不到「自動擋下來」，而同樣的效果有簡單版：在你的字典裡寫一條「每次任務結束前，主動列出這次做了什麼、有沒有漏掉我交代過的事」。它一樣會在每次收尾時自己跑一遍，差別只在於它是自願的，不是被擋的。

「很煩」在我的字典裡是什麼意思

回頭看這件事。我說的是「很煩耶」。這三個字，字面上是情緒。

它做出來的東西，完全對上這個定義。

這裡有一個關鍵。它之所以做得對，不是靠猜中我的情緒。是因為我的規則檔裡本來就寫著一條「使用者抱怨怎麼講不聽，就主動建議加自動檢查」。那條規則，就是「很煩」這個詞在我的字典裡的定義。

我只講了三個字。字典替我講完了後面那一百個字。

這件事再往上收一層，講的是同一件事：過去我們想讓機器照我們的意思做事，路徑是人去學程式語言，把想法翻譯成機器懂的語法。現在可以換成讓 AI 來學我的系統。你要寫的不是程式碼，是你自己本來就知道的事。

怎麼開始建你自己的字典

先講清楚字典是什麼東西，免得聽起來很玄。

接下來三個步驟，今天就能做完。

第一步：撈出你的高頻模糊詞

你不需要憑空想。把下面這段複製給你常用的 AI，讓它幫你撈：

請幫我做一件事：回顧我們過去的對話，找出我常用、但每次可能指涉不同標準的形容詞或副詞。

例如「快一點」「詳細一點」「簡單一點」「正式一點」「幫我看一下」這類詞。

請列出最多 10 個，每一個附上：
1. 我實際講過的原句（至少一句）
2. 你當時是怎麼理解的
3. 你當時不確定的地方是什麼

只列出你真的看到我用過的，不要幫我想像。

第三點是重點，也是這段提示詞跟一般「幫我找關鍵字」最不一樣的地方。AI 當時不確定什麼，那個不確定就是你的字典要填的空格。它會告訴你，你以為講清楚了、其實它在猜的地方在哪裡。

第二步：一條三行，寫下定義

一個字典條目不需要寫成論文，三行就夠：

詞：很詳細（用在會議記錄時）

我的意思是：三層整理法，逐字稿保留在附件，正文要標出
誰說的，並且把沒講出口的態度判讀寫在第三層。

反例（這樣不算）：把逐字稿貼上來改錯字就交。

反例那一行最容易被漏掉，也最有用。你講什麼算數，也要講什麼不算數，定義才會收斂。只寫「我要詳細一點」，AI 還是在猜；補一句「這樣不算」，界線就出來了。

第三步：放在 AI 每次都會讀到的地方

寫好的字典要放對位置，AI 才讀得到。三種做法，由簡到繁：

從第一種開始就有效，不用一開始就做到第三種。

常見問題

字典要寫幾條才夠？

三到五條就能開始用。不要一次盤點五十個詞，那會變成一個做不完的專案然後放棄。做法是遇到一次「它又誤會我」就補一條，兩個禮拜之後你會發現常用的就那幾個詞。

字典寫多了要怎麼分類？

字數不多的時候不用分類，一條一條列下去就好。超過大概二十條會開始難找，這時最實用的分法是照「什麼情境用」，例如寫作類、會議類、開發類各一段。不要照詞性或字母排，你找的時候是想到情境，不是想到那個字。

同一個詞在不同情境意思不一樣，會不會打架？

會，而且很常見。「詳細」用在會議記錄跟用在提案簡報是兩回事。解法是在條目的詞後面直接括號寫情境，像前面範例的「很詳細（用在會議記錄時）」。同一個詞可以有好幾條，各自標情境，這樣不算衝突。真正要避免的是同一個情境下有兩個矛盾定義，那種就要挑一個留下。

自訂指令有字數上限，字典塞不下怎麼辦？

字數上限確實會卡。三個處理順序：先把定義寫短（每條的「我的意思是」壓成一句話，細節搬到反例）；再把最常用的五到八條留在自訂指令、其餘搬到專案檔案；還是不夠就依情境拆成幾份，寫作專案放寫作字典，會議專案放會議字典，不要一份通吃。

換一個模型，字典要重寫嗎？

不用。字典寫的是你的定義，不是某個模型的操作方式，整份複製過去就能用。真正需要調整的是放置位置，因為每家的自訂指令、專案功能位置不一樣。這也是建字典比研究模型脾氣划算的地方。

我沒有知識庫，只用 ChatGPT，這套有用嗎？

有用，而且第一步跟第二步完全一樣。差別只在第三步的放置位置，你用前兩種做法（貼在對話開頭、放進自訂指令）就能拿到大部分效果。知識庫是字典長大之後的收納方式，不是入場門檻。

最後

換一個更聰明的模型，解決的是它腦子夠不夠好。而我們每天工作真正卡住的，是它不知道你的標準在哪裡。

標準這件事，工具幫不了你，因為那是你的。你得自己寫下來。

好消息是，這件事只要做一次。你的「很煩」定義好了，之後你就繼續講很煩，剩下的一百個字，字典會替你講。