過去半年，我持續用 ChatGPT 協助準備 AI 應用規劃師檢定。從釐清觀念、練習題目，到模擬考後的補強教學，讀書的過程，也逐漸累積出一套與 AI 協作的方式。
這些做法原本散落在不同對話與專案指令裡。我請 ChatGPT 協助回顧、萃取，再整理成可以閱讀、修改與重用的 Markdown 指引，形成了現在的 Adaptive Learning 專案。
這個 repo 記錄了我如何安排學習、檢查理解，以及在流程出現問題時回頭調整。它的起點，是實際備考時一次次遇到的問題。
從「再出一題」，到想清楚這題要確認什麼
用 ChatGPT 練習很方便，但題目持續出現，不代表每一題都帶來新的資訊。
例如，我曾發現題目重複出現，甚至連參數都一樣。即使換了數字或情境名稱，也可能仍然只是在重做同一種判斷。這讓我開始重新檢查：下一題究竟是為了複習，還是要確認我能不能把觀念用在不同條件下？
整理成規則時，就不能只寫「不要出重複題」，還需要交代這次練習的目的、已經取得哪些作答證據，以及新的題目要補充什麼。
以模型評估為例，若要檢查理解，就不能只反覆要求計算同一個指標；也可以改變錯誤造成的代價，觀察學習者能否說明為什麼選擇某個指標。題目改變的理由，應該來自需要確認的能力。
這也是萃取經驗時最重要的一步：從「這次遇到了什麼」，往前整理成「下次應該如何判斷」。再把特定考科、教材與難度要求分開，讓共同原則有機會用在其他學習目標上。
把對話中的做法，整理成明確的約定
平常直接請 ChatGPT 解說、出題、訂正，也能開始學習。整理成 repo 後，多出來的是一份可以反覆檢查的依據。
教材以什麼為準？現在是在教學，還是在測驗？答錯的原因是否已經確認？換到新對話時，哪些進度需要保留？這些原本要在對話中反覆提醒的事，都可以寫下來，逐項修正。
文件將不同需求區分為三種對話模式：
- 教學：建立觀念，透過解釋與練習協助理解。
- 模擬考：依目標範圍與難度檢查表現，避免測驗途中不斷提示答案。
- 補強：針對已辨識的缺口處理，並事先說清楚如何判定完成。
這三種模式依需要使用，不必每次都走完一輪。學習與檢核可以沿著原本的進度前進，遇到具體問題再補強；換對話時，則整理已完成內容、作答證據與待處理事項，讓下一段學習有清楚的起點。
學習會前進，方法也需要修正
整理出指令之後，實際使用仍然會暴露新的問題。
例如，模擬考可能逐漸偏離原本考試的難度。這時要檢查的是命題依據，不能只要求自己適應越來越難的題目。補強教學也可能在已有通過證據後，繼續換題重測；這時就需要重新檢討完成條件與停止界線。
這些經驗讓我把「循環改進」放在兩個層次來看。一個是根據作答調整接下來的學習內容，另一個是根據使用情形，檢查安排學習的方法本身是否合理。
ChatGPT 協助我整理問題與提出修訂，我再回到實際使用情境，判斷哪些規則值得保留、哪些需要修改。這個 repo 也因此保留了繼續調整的空間。
從一小段學習開始試用
如果你也習慣用 AI 學習，可以先選一小節教材，而不用一開始就規劃完整課程。
準備好學習目標、可信的參考資料，以及這次能投入的時間，再依 README 的說明開始。使用時，除了看題目有沒有答對，也可以觀察：對話是否圍繞目標？回饋是否有根據？這一段結束後，是否知道自己完成了什麼、接下來要做什麼？
目前公開的是 alpha 版本，主要內容是文字指引。它仍需要使用者提供資料、核對回饋，並在切換對話時攜帶交接內容。半年指的是這些方法所來自的備考經驗，並不代表公開版本已經經過半年的成效驗證。
我把它公開，是希望把這段與 ChatGPT 一起摸索的過程，整理成其他人也能理解、試用與修改的起點。對我而言，把方法寫下來，也讓下一次改進有了可以對照的依據。