如果你是開發者，AI 最能直接提升效率的場景之一就是「寫程式」。這幾年出現了超多工具，名字容易搞混：GitHub Copilot、Cursor、Claude Code、OpenCode。它們有什麼不同？你之前看過《如何在 Unity 用 Cursor AI》，這篇幫你從更高視角比較整個版圖。

先分清三種型態

這些工具雖然都叫「AI 程式助手」，但運作方式分屬三類：

GitHub Copilot — 最普及的補碼工具

由 GitHub（Microsoft）提供，是這領域的開路先鋒。

• 優點：支援編輯器最多（VS Code、JetBrains、甚至 Unity 的 Rider 等）、整合成熟、免費方案夠用。
• 適合：想在現有開發流程裡「加上補碼」但不想換編輯器的所有人。
• 接上篇：你之前學的《如何在 Unity 用 Cursor AI》是另一條路（換整個編輯器），Copilot 則是不換環境的輕量選擇。

Cursor — 為 AI 而生的編輯器

Cursor 是基於 VS Code 改造的 AI 原生編輯器，把 AI 變成核心而非插件。

• 優點：能理解「整個專案」上下文、一次改多個檔案、有 Chat 面板直接問程式碼、設定簡單（你上一篇已跑通）。
• 適合：想讓 AI 深度參與寫碼、重構、除錯的開發者。
• 缺點：要換掉熟悉的編輯器，需要適應期。

Claude Code — 會自己幹活的 Agent

這是比較新的型態：它不在編輯器裡補碼，而是在終端機裡接任你下指令，自己完成整任務。

• 優點：能讀取整個 repo、主動改檔、執行 git、跑測試、除錯；適合「交一個目標讓它做完」。
• 適合：資深開發者處理複雜重構、批量修改、整合流程。
• 注意：因為它能自動執行指令與改動檔案，使用時要留意變更範圍，建議配合 git 隨時檢查。

OpenCode — 開源的終端 Agent

OpenCode 是近年興起的開源命令列 AI 開發代理，概念與 Claude Code 類似。

• 優點：開源可自訂、能接多種模型（含本地部署的免費模型）、資源消耗相對低。
• 適合：重視隱私、想混用開放模型或本地模型的開發者。
• 搭配：可以連上你架設的 Ollama 本地模型（見後續《Local LLM》篇），完全離線寫碼。

怎麼選？對號入座

幾個實用建議

• 補碼 vs Agent 不衝突：很多人日常用 Copilot/Cursor 補碼，遇到大任務再換 Agent 處理。
• 一定要會 review：AI 產生的程式碼一定會錯或有安全漏洞，務必親自檢查，別全盤信任。
• 配合版本控制：讓它改碼前先 git commit 或善用 diff，出問題能快速復原。
• 注意授權與隱私：確認工具會不會用你的程式碼訓練模型，公司專案尤其要留意。

小結

• 三種型態：補碼（Copilot）、AI 編輯器（Cursor）、終端 Agent（Claude Code、OpenCode）。
• 新手從 Copilot 或 Cursor 入手最順；進階複雜任務再上 Agent。
• 無論哪個工具，審查 AI 的輸出都是不可省略的一步。

下一篇我們進入實作階段：OpenAI API 入門——學習怎麼用自己的程式呼叫 AI。

《AI 新時代》系列第 04 篇。上一篇：Prompt Engineering · 下一篇預告：OpenAI API 入門

有了好的模型，接下來關鍵在於怎麼問。同樣一個 ChatGPT 或 Claude，有人問出來是神答案，有人問出來是廢話——差異就在「提示詞（Prompt）」。

Prompt Engineering（提示工程）聽起來高深，本質其實是把你要的事情講清楚的技巧。這篇文章教你一套馬上能用的方法。

為什麼「怎麼問」這麼重要？

AI 模型就像一個聰明但讀不懂暗示的同事。你說的越具體、結構越清晰，它輸出越好。含糊的問題只會得到泛泛的答案。

好提示詞的原則只有一句：給足背景與約束，減少它的猜測。

一套能套用的公式

寫提示詞時，照這個結構填空，答案品質會大幅提升：

角色 + 任務 + 背景 + 約束 + 範例（選用）+ 輸出格式

逐項拆解：

1. 角色（Role）

先給模型一個身分，它會自動調整語氣與專業度。

• ❌ 「幫我寫個行銷文案」
• ✅ 「你是一位有 10 年經驗的電商行銷主管，請幫我寫……」

2. 任務（Task）

用動詞清楚說明「要它做什麼」，一個提示只放一個主要任務最穩。

• ❌ 「關於這個……弄一下」
• ✅ 「請總結以下會議記錄的重點結論」

3. 背景（Context）

提供必要的資訊，讓模型不用猜。誰是受眾？用途是什麼？有什麼限制？

4. 約束（Constraints）

這是品質的分水嶺。常見的約束：

• 長度：「控制在 100 字以內」
• 語氣：「專業但親切，不要用術語」
• 格式：「用條列式」「只給表格，不要解釋」
• 不要做什麼：「不要加入假設性的數據」

5. 範例（Few-shot，選用）

給一兩個「輸入→輸出」的範例，模型會照著你的格式模仿。這對統一風格、格式特別有效。

6. 輸出格式（Format）

明確指定你要什麼：段落、條列、JSON、Markdown 表格等。

完整範例對比

模糊的問法：

1

幫我寫個產品介紹

結構化的問法：

1
2
3
4
5
6

你是一位 SaaS 產品的文案經理（角色）。
請為我們的「待辦清單 App」寫一段網站首頁介紹（任務）。
受眾是小型團隊主管，他們常用 Excel 管理任務（背景）。
要求：300 字以內、語氣專業但親切、突出「節省時間」這個賣點、
不要用技術術語（約束）。
最後用 Markdown 標題加三段正文的格式輸出（格式）。

第二版的明顯更好，因為模型不需要做任何猜測。

兩個強效技巧

Few-shot：給範例讓它模仿

當你需要一致的輸出格式時，先給一兩個例子：

1
2
3
4
5
6
7
8
9
10
11
12

把以下句子轉成禮貌的客戶回覆。

範例 1：
輸入：你的很慢
輸出：非常抱歉造成您的等待，我們會盡速改善。

範例 2：
輸入：沒貨了
輸出：很遺憾目前該商品暫時缺貨，預計下週補進。

請處理這一句：
輸入：無法出貨

Chain-of-Thought（CoT）：讓它「先想再答」

鼓勵模型一步步推導，能顯著提高邏輯、數學題的正確率。

• ❌ 「這道題答案是多少？」
• ✅ 「請一步一步思考，先列出解題步驟，再給出最終答案。」

重要更新：怎麼對「推理模型」下指令

上一篇提過，2025–2026 主流已是推理模型（Reasoning / Thinking Model）。它們本來就會在內部慢慢想，所以傳統的 CoT 指令對它們效果有限。要用對方法：

• 先開啟思考模式：很多工具需要手動打開 thinking / reasoning 開關，它才會推導。
• 要的是「過程」就要求顯示思考：例如「請把你的推理過程也一起寫出來」。
• 複雜問題才用：簡單任務開推理模式只是更慢更貴（上篇提過）。
• 檢查它的推理：推理模型有時會「想得太自信」，對關鍵事實仍要自行驗證。

常見錯誤清單

小結

• 好提示詞 = 角色 + 任務 + 背景 + 約束 + 格式。
• 原則是減少了模型的猜測。
• 邏輯題用 Chain-of-Thought；格式統一用 Few-shot。
• 對現代推理模型：開啟思考模式、要求顯示過程、複雜問題才用。

提示詞是可以「迭代」的——第一次不好，就根據結果再調整，通常 2～3 輪就能接近理想答案。下一篇進入實作：OpenAI API 入門。

《AI 新時代》系列第 03 篇。上一篇：主流產品比較 · 下一篇預告：OpenAI API 入門

接上篇建立好的概念，這篇實際來比較一下市面上主流的 AI 助理。你大概會常聽到這幾個名字：ChatGPT、Claude、Gemini、DeepSeek，後來還加入了 Qwen、Kimi、Grok。別急着一一記住，我們用「它們各適合誰」的角度來看。

先懂三個比較維度

比 AI 助理時，幾乎都看這幾個面向：

• 上下文長度（Context Length）：一次能讀多少內容。決定它能不能「一口氣讀完一整份文件再做分析」。單位是 token，數字越大越好。
• 程式能力：寫碼、除錯、理解大段程式的表現。開發者最在意。
• 多模態（Multimodal）：能不能同時看文字、圖片、影片、音訊。

另外兩個影響體驗的因素：價格 與 隱私／部署方式。

四大主流產品一覽

ChatGPT — 最全面、生態最強

如果你想要「什麼都能做、工具最多」的選擇，ChatGPT 是最安全的答案。

• 優點：使用者介面成熟、有手機 App、插件與外掛生態豐富、能連網查資料、生成圖片影片功能齊全。
• 適合：一般日常使用、需要各種整合的人、想要「一個 App 解決大部分事」的讀者。
• 注意：進階模型訂閱費用較高，大量使用會累積成本。

Claude — 寫作與程式的偏好生

Claude 在「把話說清楚、寫出好文字」和「處理程式碼」上口碑很好。

• 優點：文章語氣自然流暢、擅長長文整理與改寫；程式對話深入，適合認真開發者；強調安全性與合理性。
• 適合：大量文字工作（寫作、翻譯、摘要）、程式開發與程式碼審查、重視回應品質勝過數量的人。
• 注意：生態整合不如 ChatGPT 多，部分進階功能需付費。

Gemini — 讀得最多、綁定 Google

Gemini 最大的賣點是超大的上下文窗口，有些方案支援到百萬級 token。

• 優點：一次能吃下超長文件；與 Gmail、Google Docs、YouTube、地圖等服務深度整合（例如直接幫你總結一堆郵件）；多模態強，能分析 YouTube 影片內容。
• 適合：重度 Google 生態使用者、需要處理超長文件的人。
• 注意：程式能力稍遜於 Claude/ChatGPT 頂規；與 Google 帳號綁定深，隱私上見仁見智。

DeepSeek — 高 CP 值的實力派

DeepSeek 是來自中國的模型，在 2025 年因推理模型（R1 系列）一舉成名。

• 優點：價格非常便宜甚至部分免費方案；開放權重、可自己架設本地部署；推理能力強，程式與邏輯表現亮眼。
• 適合：預算有限但想要強效能的人、想玩本地部署的開發者、重視資料不上傳的人。
• 注意：生態與介面成熟度不如三大廠；部分功能在存取上需視地區而定。

還有其他選擇

• Qwen（阿里）：開放權重代表，本地部署熱門，多模態強。
• Kimi：以長文件處理著稱的助手。
• Grok（xAI）：結合 X（Twitter）即時資訊，回應較活潑、少限制。

我該怎麼選？依場景對號入座

小結

• 沒有「最好」的模型，只有「最適合你場景」的模型。
• 全面性選 ChatGPT、寫作與程式選 Claude、長文件與 Google 整合選 Gemini、預算與隱私選 DeepSeek。
• 多數工具都有免費額度，建議實際用一週感受差異再決定訂閱哪個。

下一篇我們來學怎麼跟 AI 說話（Prompt Engineering），讓同一個模型發揮兩倍效果——這往往比換模型更重要。

《AI 新時代》系列第 02 篇。上一篇：什麼是生成式 AI？ · 下一篇預告：Prompt Engineering

最近「AI」幾乎天天出現在新聞裡，但一深入就遇到一堆名詞：生成式 AI、大語言模型（LLM）、Diffusion、Transformer、推理模型……每個都好像懂，合起來又很模糊。

這篇文章目標是讓完全沒有背景的讀者也能建立正確的心智模型，之後讀後續系列（Prompt、RAG、Agent、工具比較）才會跟得上。我們不碰公式，只用比喻和例子把概念講清楚。

從 AI 發展史看現在

要理解生成式 AI 有多革命性，先看看它站在哪些巨人肩上：

關鍵轉折點在 2017 年 Google 提出的 Transformer 架構（論文《Attention Is All You Need》）。它讓模型能同時關注輸入的所有部分，訓練出超大型模型變得可行。之後所有的現代 AI，幾乎都建立在這個基礎上。

什麼是「生成式」AI？

生成式 AI（Generative AI） 是一類會產生新內容的 AI。它不只是把既有資料撈出來，而是學到資料背後的規律後，輸出從未出現過的：

• 文字：對話、文章、程式碼
• 圖片：依描述繪製的圖像
• 影片：文字或圖片生成的動態影像
• 音訊：語音合成、音樂

它的核心行為可以簡化成一句話：學到訓練資料的規律 → 根據你的輸入（prompt）產生新內容。

這裡有個重要區分：

• 傳統 AI / 判別式模型：做「分類」或「判斷」。例如辨識郵件是不是垃圾信、圖片裡是貓還是狗。它只給一個答案，不產生新東西。
• 生成式模型：「創造」內容。你給一句開頭，它幫你續寫下去。

大語言模型（LLM）：會說話的模型

大語言模型（Large Language Model, LLM） 是生成式 AI 裡最出名的一種，專門處理文字（後來也擴到多模態）。

幾個關鍵概念：

• 訓練資料：幾乎吃掉了整個網路上的文字。因為看得夠多，它學會了語言的規律與知識。
• 預測下一個字：LLM 本質上在做的事情很簡單——根據前面的文字，預測最可能的下一個 token（一個詞或字的一部分）。別小看這個能力，重複足夠多次，就能寫出連貫的文章、程式碼甚至推理過程。
• 參數（Parameters）：模型「學到的東西」的總量，常以十億（B）、千億（100B+）來衡量。數字越大通常代表容量越大，但不等於一定更好。
• 上下文窗口（Context Window）：模型一次能「記住」的文字長度。像讀一篇長報告、問一整份文件，都受這個限制。

常見的 LLM 產品你有聽過這些：ChatGPT、Claude、Google Gemini、DeepSeek、Qwen、Kimi、Grok 等。它們背後都是不同公司訓練的 LLM。

Diffusion：畫圖的模型

LLM 處理文字，但你可能也看過 AI 畫圖、生成影片。那些多半是另一類模型——Diffusion（擴散）模型。

它的原理可以這樣理解：

1. 從一張全是雜訊（像電視無訊號的雪花）的圖片開始。
2. 反覆「去噪」，一步步把模糊的雜訊清成清晰的圖像。
3. 你給的描述（prompt）會引導這個清理方向，最後出現你要的內容。

文字到圖片（Text-to-Image）、文字到影片（Text-to-Video）都是這個思路。代表性產品：Midjourney、Stable Diffusion、Adobe Firefly（圖），以及 Sora、Veo、LTX-Video（影片）。

簡單記：LLM 生成文字，Diffusion 生成圖像與影片，兩者常合稱「生成式 AI」。

為什麼現在這麼強？三種驅動力

為什麼 2022 年之前 AI 感覺一般，之後突然變神？主要靠三件事：

1. 更大的模型：運力提升，能訓練出參數驚人的大模型。
2. 更多的資料：網路文字資料豐富，供模型學習。
3. 更好的訓練方法：除了預訓練，還用「人類回饋強化學習」（RLHF）讓模型的回應更符合人類期望、更好用、更安全。

新關鍵：推理模型（Reasoning / Thinking Models）

這是 2025–2026 最重要的進展，也是你之後用 AI 一定會碰到的概念。

傳統的 LLM 是「想到什麼就說什麼」，追求第一時間吐出答案。而推理模型會先在內部「先想一下、一步步推導」，再給出最終答案。類似的例子：解數學題時，不是直接報數字，而是先寫出計算過程。

代表產品與系列：OpenAI 的 o1 / gpt-5-thinking 系列、DeepSeek R1 之後的思考模型、Qwen 的 thinking 版本。

對一般使用者意味著什麼？

• 適合複雜問題：邏輯、數學、程式除錯、多步驟規劃，推理模型通常更準。
• 要換「思考模式」很多工具裡需要主動開啟 thinking / reasoning 模式，它才會慢慢想。
• 取代之餘更貴更慢：因為要多花算力思考，速度與成本都較高。日常閒聊或簡單任務，普通模型反而更快。

主流產品地圖（2026）

不用現在全記住，先有個印象就好，下一篇會詳細比較：

小結

• 生成式 AI = 會「產生新內容」的 AI，涵蓋文字、圖、影片、音訊。
• LLM 主要處理文字；Diffusion 主要處理圖像與影片。
• 現代 AI 建立在 Transformer 架構上，靠大模型、大資料、好訓練方法變強。
• 推理模型是最新趨勢，擅長複雜問題，但需要主動開啟思考模式。

掌握了這些概念，你已經比大多數人懂 AI 的底層邏輯了。接下來可以依序閱讀：

1. ChatGPT vs Claude vs Gemini vs DeepSeek 該選哪個（下一篇）
2. Prompt Engineering：讓 AI 聽懂你
3. RAG：讓 AI 讀你自己的文件

這是《AI 新時代》系列第 01 篇。若覺得有幫助，歡迎分享給想認識 AI 的朋友。