planetoid's blog

AI 工具研究社交流小聚聚會手記 2024-11-02 AI 交流小聚讓我印象深刻的是與會者年齡分佈範圍很廣。上次遇到這種狀況是參與維基百科的社群活動，維基百科是所有人都可以共同編輯的百科全書，社群朋友中有喜歡研究昆蟲的中學生，一直到古代歷史的長者，在各自喜好的領域的條目內容深耕。 AI 交流小聚的與會朋友有還在學的大學生、使用 ChatGPT 寫論文或是還在苦惱研究題目的研究生、出社會一段時日，已經在公司推廣應用 AI 的上班族、在大學兼課的前輩。透過對話就可以使喚機器人的大型語言模型，使得 AI 得以穿透不同年齡層的主要原因。儘管是使用前沿 AI 科技，在與社群朋友聊天的時候，也感覺到各自不同的煩惱。以前以為學寫程式，就可以很快找到工作。現在 AI code 編輯器問世，原本的程式設計學徒，好像要學會更多東西才好找工作、要跨不同學科領域才有競爭力？或者是文科背景的學生要詢問是不是要學寫程式？也都在在反應對未來職涯探索的焦慮。社群中也有在大學兼課的朋友，有教寫 Python 程式數十年的前輩，要求學生學期末產出專案。也有導入 AI 影音編輯到語言學科的年輕老師。有人還在學習如何與 AI 共同協作，修改提示詞。有人像飛一樣，使用 AI 創作生成影音。步調較慢不代表就是不好，儘管在AI 三、五分鐘內可以快速產生文章內容，仍要放慢腳步精心打磨內容。AI 幫忙寫文章，不代表就可以馬虎培養鑑賞好內容的能力。婷婷提到當初建立社群的原因：剛剛學 AI 時發現 AI 工具有很多，根本學不完。於是想到建立社群，儘管自己只會幾樣 AI 工具，但是可以透過社群一起學習更多 AI 工具。在 AI 應用上大家各自的步調有快有慢。大家一起合作，就可以發揮更大的綜效。訂閱AI工具研究社活動行事曆： https://lu.ma/ai.tw

Vibe Code：用 AI 輔助開發爬蟲專案的經驗分享

這兩週採用「氛圍程式設計」(Vibe Coding) 開發爬蟲專案，不手動撰寫任何一行程式碼的方式。這段經驗帶給我三個心得： (1) 使用 AI 開發工具讓開發者從純寫程式的角色，轉變為專案指導員，負責規劃架構、測試程式碼並把關品質； (2) 其次，清晰明確地與 AI 溝通問題所在，比籠統描述能大幅提升協作效率；(3) 最後，將大型專案早期拆分為小模組，不僅提升可維護性和測試效率，還能避免 AI 對話因檔案過大而中斷。也避免加了 A 功能，卻壞了 B 功能。 Photo by Christina Morillo on StockSnap 最近幫社群成員用 AI code 開發爬蟲專案，事前評估資料抓取難度不高，所以我刻意選擇不熟悉的技術框架，並先撰寫規格文件讓 AI 理解需求。全程採用「氛圍程式設計」 (Vibe Coding)，不人工撰寫任何一行程式碼的方式開發。 🦉「氛圍程式設計」是依賴人工智慧（AI）的程式設計方式，使用者可以透過「自然語言」向大型語言模型（LLM）描述問題（例如用幾句話表達需求）。語言模型會生成程式碼，將程式設計師的角色從手動撰寫程式碼轉變為指導、測試和精煉 AI 生成的程式碼。（資料來源：維基百科）工具選擇一開始使用 Cursor 企圖一次產生全部程式碼，但很快用完免費額度，只好放棄生成到一半不完整的程式碼。轉而使用已付費的 Claude，再手動將代碼貼回熟悉的 IDE 環境。如果有其他 AI 工具推薦，歡迎直接留言。 AI 寫扣花時間的地方原本預期一個週末就能完成的專案，最終花了兩個週末。我認為耗時的主要原因是： 1. 即使網頁已成功抓取，但在資料結構化過程中，常出現欄位錯誤或空白情況，需要人為介入並引導 AI 避免提供過於複雜的解法。 2. 需要將資料處理流水線拆分成多個階段，每階段完成後可以暫停檢查，避免一次執行整個流程時出錯卻難以定位問題所在。 3. 面對數千筆資料，原本採用線性處理方式（每筆耗時數秒）。為提高效率改用多執行緒，在完全靠 AI 生成程式碼，就會需要提供完整情境 (context)，例如資料結構、錯誤訊息協助 AI 理解問題。仍然與 AI 來來回回溝通修改將近十次，這部分的溝通很耗時間。使用 AI 開發的便利之處 1. 增加可維護性：大型專案早期即拆分為小模組，使後續維護和功能擴充更為便捷，減少「改...

AI 輔助學習：革新還是絆腳石？

AI 輔助學習：革新還是絆腳石？最近在社交媒體平台 IG 上看到一段介紹 AI 服務的影片，展示了一款可以匯入醫學教科書電子檔案，並自動生成章節不同摘要重點，與教學卡片（flash cards）的工具。卡片正面顯示問題，背面則提供解答。 Photo by Tamarcus Brown on StockSnap AI 工具的潛在問題這類工具透過 AI 技術，有效率加強了原本花時間的傳統學習方法，但也引發了一些問題。 1. 是否強化了填鴨式學習使用 AI 自動生成摘要和問題解答，可能讓學生過度依賴表面知識，缺乏深入的理解。即便是另一個 NotebookLM 為例，會在對話中自動推薦其他問題。但是如果理解 LLMs 文字接龍的本質，這些自動推薦的問題，是否可以協助深入的理解也是存疑的。 2. 醫學教育的本質：記憶與理解耶魯醫學院雜誌 (Yale School of Medicine) 提到「現代醫療已經是一個需要團隊合作的領域，因為我們知道不可能只有一個人擁有所有的專業知識。AI 只是團隊中的另一位成員。AI 的記憶力完美，花了大量時間查閱許多論文 ... 你依然是團隊的領導者。你需要從團隊的各方專業中汲取知識，然後決定如何運用它們來做出臨床判斷。」現實世界醫療需要團隊合作，需要的是記憶好的醫生、還是理解知識背後關連的醫生？AI 學習工具可以是「AI 依賴」，也可以是「AI 賦能」提供探索知識節點的動機和自主學習的能力。 3. AI 資料的疆界 AI 模型的輸出仰賴來自人為的資料訓練，換句話說，沒有餵入的資料 AI 不會知道、也不會出現在問答中。可以嘗試將所學知識應用到實際案例中，並與同儕討論 AI 生成的內容，透過討論進一步深化對知識的掌握。謹慎地評估導入 AI 工具的使用方式和影響。如何將便利的 AI 技術融入教育過程，同時保持學習的深度和廣度，將是教育工作者和 AI 技術開發者共同面臨的挑戰。備註：Revised with Claude 參考資料 PBL簡介 | 中國醫藥大學醫學系 Google台灣 - 官方部落格: NotebookLM 正式在台推出 How Can Artificial Intelligence Advance Medical Education and Research to Transform Patient C...

技術提供：Blogger