ChatGPT每週更新1.1次!這位專家揭露2025年正確使用方法,讓你效率提升10倍

2025年才過了一半,ChatGPT已經推出超過30個更新!面對推理模型、網路搜尋、深度研究、Canvas等眼花撩亂的新功能,大多數使用者都陷入選擇困難。這支爆紅影片的創作者用實際案例,清楚示範什麼時候該用什麼功能,讓複雜的AI工具變得簡單易懂。

選對模型是成功的第一步

影片中最重要的觀念顛覆了許多人的想法:不要根據任務類型選模型,而要根據任務複雜度來選。

創作者舉了幾個生動的例子。查詢「哪些水果纖維最多」這種簡單問題,用聊天模型(GPT系列)就足夠,答案差個一兩克也無所謂。但如果要求「設計一份含15克纖維和20克蛋白質的素食早餐」,就需要推理模型(O系列)來仔細思考各種食材組合。

他特別強調:「推理模型就像挑選伴侶,要選名字最乾淨的那個,不要選後面有一堆額外編號的。」這個比喻雖然有趣,但點出了重要原則:選擇最新、最簡潔的模型版本。

有趣的是,寫電子郵件這個看似日常的任務,也要看情況選模型。如果只是把要點轉成正式信件,聊天模型綽綽有餘。但如果是處理20封郵件的客訴災難,需要寫出既不失禮又能解決問題的回覆,那就要上傳整個郵件串,請推理模型幫你寫出「外交辭令」。

提示詞技巧大公開

關於如何給推理模型下指令,影片分享了三個反直覺的技巧:

第一,使用分隔符號來區分資訊。比如把指令放在「任務」區塊下,把要分析的內容放在「文件」區塊下。這能幫助AI清楚區分你要它做什麼,以及要對什麼內容進行操作。

第二,千萬不要加上「請一步步思考」這句話!這對聊天模型有用,但對推理模型反而有害,因為它們本來就會自動逐步思考。

第三,範例是可選的。推理模型在零範例(zero-shot)的情況下表現就很好,只有在結果不對時才需要加範例。

網路搜尋功能的正確打開方式

很多人把ChatGPT的網路搜尋當成Google用,這是最大的誤區。創作者給出了清楚的使用原則:

單一事實查詢還是用Google比較快。比如查「NVDA股價」,開新分頁Google一下就有答案。

但如果你需要的是「事實加解釋」,ChatGPT搜尋就能發揮優勢。例如問「Nvidia最新財報在什麼時候?股價是漲是跌?原因為何?」不僅能得到互動式圖表,還有完整的背景分析。

更進階的用法是要求特定格式的輸出。比如「過去5年全球疫苗接種率,以表格呈現」,ChatGPT會整理出清楚的表格,還能回答後續問題,像是「為什麼每年有多個欄位而不是只有一個數字?」

深度研究功能威力驚人

影片中最讓人印象深刻的功能是深度研究(Deep Research)。這個功能會花10到20分鐘,自動瀏覽數十甚至上百個網頁,產生詳細的研究報告。

創作者舉了兩個實用案例。第一個是分析晶片公司:「根據最新財報,分析比較Nvidia、AMD、Intel的AI晶片發展藍圖」。以前需要手動開幾十個分頁查看各公司財報,現在AI會自動完成這些工作。

第二個是個人理財案例:「分析美國前五大高利率儲蓄帳戶,包含隱藏費用,並為每月存1000美元的人做預測」。這種需要比較多家銀行資訊的任務,深度研究能省下大量時間。

更強大的是,深度研究可以連接私人資料來源如Google Drive,在商業環境中能產生「比較我們公司Q4表現與競爭對手,引用內部數據和外部產業報告」這類報告。

Canvas功能讓編輯變簡單

Canvas功能的使用時機很明確:當你知道需要多次編輯ChatGPT的回應時就該開啟。

影片中的績效評估範例特別實用。先上傳公司的評分標準,讓ChatGPT產生初步大綱。接著在Canvas視窗中刪除不必要的部分、加入具體成就、適度美化數字(影片作者稱之為「不成文的企業潛規則」)。

Canvas的強大之處在於可以針對特定段落要求修改,還有版本控制功能,能在不同版本間切換。最後可以下載markdown格式,上傳到Google Drive就能得到格式完美的文件。

實用指令快速上手

影片最後分享了三個最愛用的指令:

使用「elaborate」來增加細節,例如「elaborate on these three bullet points」(詳細說明這三個要點)。

使用「critique」來及早發現問題,例如「I'm arguing for more headcount based on this data. Critique my approach」(我根據這些數據爭取更多人力,請批評我的做法)。

使用「rewrite」來改善內容,例如「rewrite the second paragraph using a friendly tone」(用友善的語氣重寫第二段)。

這支影片最有價值的地方,是用大量實例說明了一個核心概念:根據任務複雜度而非類型來選擇ChatGPT功能。掌握這個原則,加上正確的使用技巧,就能真正發揮AI的威力,而不是只會問它簡單問題。

參考資料來源:https://www.youtube.com/watch?v=p3840QxlYzc

Read more

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

很多人問我,在 Claude 裡面,Project、Skill、Connector 這三個東西到底差在哪裡? 什麼時候該用哪一個? 老實說,我一開始也搞得很混亂。 但實際用了一段時間之後,我發現其實邏輯很簡單。 先從最基本的開始:Connector 是對外的資料來源 如果你需要從外部拿資料,比如說接 Google Calendar、接 Notion、接你自己的資料庫,你就需要 Connector。 它就是一個 MCP 的連結,讓 Claude 可以去外面抓資料回來。 沒有 Connector,Claude 就只能用它自己知道的東西,沒辦法碰到你的資料。 Skill 則是內部的運算邏輯 Skill 沒有辦法對外連接。 它只能在內部用 Python 或程式碼執行。 你可以把它想成是一個 Controller,專門負責處理運算的部分。 比如說,你想讓 Claude 用特定的格式改寫文章、

By Andy Lin
讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need 最近我在 Claude 上快速搭建了七大 Agent。 原因很簡單:你的助理應該是越使用越懂你。 而 Claude Project 有個關鍵功能叫 Memory,它會根據你不斷詢問的過程,主動提取記憶。 這就是我認為 AI 助手真正強大的地方。 GA 分析助手:從進階到客製化 自從我串接 GA MCP 後,這位助手已經變得非常厲害。 漏斗分析、訪客來源、異常事件追蹤、站上任何問題都難不倒它。 但我想要的不只是這些。 我希望它隨著時間,能夠對齊我的知識,知道我要什麼。 你不用想太多,不用一次設定好整個 instructions。 試著使用一週,再回頭看看 memory,你會發現它已經根據你的行為開始學習客製化了。 許多助手不需要懂老闆要什麼,但網站分析不一樣。 因為我沒有那麼多美國時間,

By Andy Lin
AGI 來臨:兩大 AI 巨頭的預測與警示

AGI 來臨:兩大 AI 巨頭的預測與警示

在近期的達沃斯論壇上,Anthropic 執行長 Dario Amodei 與 Google DeepMind 執行長 Demis Hassabis 進行了一場關於「AGI 之後的世界」的深度對談,揭示了 AI 發展的最新進展與未來展望。 AGI 時間線預測 Dario 重申了他去年的預測:在 2026-2027 年,AI 模型將能夠在諸多領域達到諾貝爾獎得主的水準。他表示目前 Anthropic 的工程師已經不再親自寫程式碼,而是讓模型來完成編寫工作,人類只負責編輯和周邊任務。他預估在 6-12 個月內,模型將能端到端完成大部分工程師的工作。 Demis 則持稍微保守的態度,認為在十年內有 50% 的機會實現 AGI。他指出編程和數學領域較容易自動化,因為結果可驗證;但自然科學領域則更具挑戰性,需要實驗驗證,且目前模型在「提出問題」和「建立理論」

By Andy Lin
讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

最近我嘗試做了一個 Agent,專門用來分析我的身體健康狀況。 這不是什麼有商業潛力的專案,純粹是出於好奇。 我想知道現在的 AI 到底能幫我們把健康分析做到什麼程度。 資料從哪來? 要讓 AI 分析任何東西,首先得有資料。 我第一個想到的就是 Apple Health。 因為我每天戴著 Apple Watch,它本來就會自動記錄睡眠、運動、心跳這些數據。 除此之外,我也在嘗試另一個經絡檢測的儀器,有點像中醫把脈的概念,只是還沒整合進來。 我覺得如果未來能把更多資料源串在一起,應該可以做出更有意思的應用。 技術架構其實不難 我用了一個叫「Apple Health Auto Export」的 App。 這個 App 可以把健康資料透過 REST API 自動傳送到你指定的伺服器。 資料打到伺服器後,我再處理並存到 Database 裡。 接著寫一個 MCP Server,然後在

By Andy Lin