在 AI 相關討論中,經常會看到一種聲音:既然所有問題上網問 AI 都能得到解答,那為什麼還需要花錢上 AI 課?開課是不是都在割韭菜?
看到這種說法,我看了覺得好好笑跟無言。很多教學者花了很多心力在把教學體驗做好,你覺得問 AI 就拿得到的東西,不代表別人也能輕易拿到。「知識的詛咒」就是在講這種盲點。
拿我自己來說:我教 GMAT 教了 15 年,教到後來早已駕輕就熟。學生一來,我一眼就能看出問題出在哪裡;課前預習、課中互動到課後作業都能精準設計,思路盲點可以精準診斷,學習計畫也能完全客製化。
但當我剛開始轉向教 AI 的時候,很多事情都必須從頭摸索。老實說,我一開始的產品設計做得很不好,課堂常常嚴重超時,原本預計講 1 小時的內容會一路拖到 3 小時。課前準備也不夠,上課前就能裝好的環境與工具,拖到正式課堂上才手忙腳亂地安裝;明明看錄影課就能理解的基礎觀念,我也在課堂上從頭口述。還有等學員打字、等安裝進度、等 AI 生成回應,這些都是在浪費時間。
一開始不熟悉而浪費時間很正常,但用心打磨產品的教學者,不能放任課堂繼續空轉,而是必須回過頭去重新打磨自己的教學流程與產品規格。
從「賣課時」轉向交付完整解決方案
為了解決超時與效率低下的問題,我把原本擠在課堂上的負擔,重新分擔到課前與課後,重構後的教學流程分成三個核心階段:
第一步是課前短諮詢。在正式進入一對一實作前,先與學員進行短時間的諮詢,釐清這次要落地的實作範圍,並當場梳理出未來每一步的執行藍圖。
第二步是錄影課與客製化手冊。確認方向後,先提供整套錄影課讓學員建立基礎觀念;看完錄影課後,再提供一份針對該學員實作情境客製化的操作手冊,明確告訴他該用什麼提示詞自己跟 AI 互動。

正如這張客製化操作手冊所呈現的,學員能清楚掌握對話管理的具體原則:一件事開一個對話、重要的產出沉澱成檔案,並使用 /insights 與 /goal 兩個內建指令;遇到看不懂的複雜計畫,也能直接讓 AI 轉化為易讀的審閱頁。此外,平時設有專屬的私訊管道,學員在自己操作時遇到疑問可以隨時提問。
第三步是匯出對話紀錄與兩小時的一對一精準示範。比較複雜的問題與思考卡點,不浪費在課堂即時摸索,而是留到兩小時的一對一。上課前,我會請學員把平時跟 AI 互動的完整對話紀錄匯出來給我分析。到了課堂上,我直接在學員卡住的同一個情境中親自示範:面對同樣的情境,我會怎麼下指令、怎麼驗收輸出、怎麼指揮 AI 調整方向,並當場補足互動背後的邏輯、策略與細節技巧。
學員在自己摸索時,常常在盲點中反覆繞圈;但透過這種課前準備、手冊引導加上對話診斷的閉環,大約走完兩個循環,學員就能獨當一面完成原本預計的工作流,並且具備完整的能力遷移到其他專案上。
到了這個階段,課堂幾乎不再超時。學員清楚知道自己每一步與下一步在做什麼,也能與老師保持充分溝通。他們很清楚自己買下的不是單純的「課時」,而是一套真正能落地的完整解決方案。
逐字稿的雙向資產:昨天與明天的複利
在整個教學流程中,還有一個我很堅持的做法:全程錄影、提供逐字稿,並且將逐字稿整理成精華筆記回饋給學員。
這項做法表面上是提供給學員的售後服務,但對教學者本人的幫助,其實遠大於學員。你想想看:每一次上課累積的逐字稿,都可以讓 AI 提煉出上課的精華,讓未來的備課負擔大幅減輕,並且能在每一次互動中持續迭代教材。
對個別學員而言,他拿到的只是自己那一次上課的一份紀錄;但對老師來說,手邊會持續累積好幾百份高密度的真實教學逐字稿。
更重要的是,學員永遠錄的是你的昨天;但你手中不斷累積的逐字稿,能夠幫你更快發展你的明天,學員學到的永遠趕不上你的體系。
服務規模與細緻度:一人帶 18 位學員
當這套教學與管理流程完全跑順之後,最直接的成果就是服務規模與服務細緻度能夠同時成立。
過去的我很難想像,一個人擔任教練可以同時帶 18 位學員,還能一手包辦教學、答疑、讀書計畫客製規劃、進度調整、設計作業與批改作業。在維持高度個人化的同時,服務的細緻程度甚至比過去只帶個位數學員時還要好。
現在有了 Claude Code,這些都能做到。說起來輕鬆,但是做起來,卻需要一點技巧:
將 15 年教學規格平行遷移
這套完整的交付架構是怎麼來的?
當我在教 GMAT 時,因為累積了 15 年經驗,早已做到信手拈來,任何諮詢都能做到資訊密度極高、毫無冷場;但剛開始踏入 AI 教學時,卻發現自己瞬間退回到了 15 年前那個剛入行的新手狀態。
於是我請協作的 AI 工具深入蒸餾我過去 15 年打磨 GMAT 教學的經驗,找出我一路以來的教材規格到底是怎麼打磨的,再平行遷移到 AI 教學上。
判斷一堂課究竟是不是敷衍,關鍵從來不是「這個問題能不能問 AI」,而是教學者願不願意為教學體驗付出心力、課程的產品規格與交付體系是否完整用心。當課程從零碎的時數買賣,轉化為分工明確的課前準備、對話紀錄診斷與真實情境示範,學員帶走的就是真正能獨立運作的工作流。
附錄
文中提及將 15 年教學經驗進行蒸餾與平行遷移的過程,在實際工作流中是請 Fable 去蒸餾教材規格打磨經驗,再平行遷移至 AI 課程規格;在多學員的個人化進度追蹤與作業交付管理上,則配合 Claude Code 落地執行。