這份教材怎麼用
先讓學員理解 Prompt 不是魔法句，而是把任務條件講清楚。再用實際生成結果並排展示，讓他們看到同一主題下，壞指令與好指令的差異。
古文明地圖用四大主題大陸進入第 0-15 關，點選區域後查看每關腳本、練習與素材對應。
先看公式角色、背景、任務、限制、輸出。
再看名詞把 CLI、MCP、Token 等工具語言講白。
加入研究工具用 Deep Research 找資料，用 NotebookLM 產報告。
安排實作用任務、驗收表與互評讓學生帶走作品。
最後比較用照片、網頁與教材圖卡建立直覺。
溝通編號用 P01-P17 指章節，用圖 1-53 指圖片卡片。
Chapter 1｜Environment
1. 課前環境與安裝條件
這一章先讓學員知道：不需要第一天就學 CLI，但至少要完成帳號、瀏覽器、雲端硬碟與基本工具。進階學員再往 Node.js、Git、API、SDK 前進。
Chapter 2｜Platform Choice
2. Windows 與 Mac 的 AI 使用路線
這一章協助學員在導入初期選路線：Windows 偏企業相容、Office 與硬體彈性；Mac 偏個人效率、創作與開發工具鏈一致性。
Prompt Basics
我們剛才做的指令介紹
這一段適合當作初學者開場：先說明好 Prompt 的基本公式，再提醒學員避免把 AI 的第一版當成最後版。
好 Prompt 的五個條件
- 角色請 AI 扮演課程助教、顧問、主管或設計師。
- 背景交代受眾、資料來源、用途、情境與限制。
- 任務說清楚要完成什麼，而不是只說「幫我想」。
- 格式指定表格、講稿、圖卡、網頁或簡報大綱。
- 查核要求標示不確定處、來源、風險與需人工確認的地方。
Chapter 3｜Prompt Examples
3. AInsight 提示詞範例圖卡
這一章把提示詞從公式帶到實作：同一主題用不同 Prompt 會產生不同成果，也補上圖片生成、NotebookLM YAML、Agent Skill 這些進階範例。
AI Vocabulary
名詞介紹
這些名詞是學生開始使用 Codex、NotebookLM、Gemini、ChatGPT 或 Claude 時會一直碰到的基本詞。
CLI用文字指令操作工具。適合安裝、查詢、執行與自動化。
MCP讓 AI 連接外部工具與資料來源的協定，像是工具插座。
Token模型讀寫文字的基本單位，會影響成本、速度與上下文長度。
Context WindowAI 一次能記住與參考的資料範圍。
API / ModelAPI 是呼叫方式，Model 是實際處理任務的大腦。
AgentsAI 不只回答，還能依任務呼叫工具、查資料、改檔案。
Deeper Vocabulary
點選名詞後，可以讀更深
這一段把剛才的工具名詞延伸成可教學的說明，適合學員課後複習，也方便講師在上課時快速補充。
MCP
MCP 可以理解成 AI 與外部工具之間的標準連接方式。當模型需要讀檔案、查資料庫、操作雲端文件或呼叫內部系統時，不是每次都臨時硬接，而是透過 MCP 這類協定把工具能力描述清楚。
- 適合連接公司資料、文件系統、專案管理工具。
- 重點不是「模型更聰明」，而是「模型可用的工具更多」。
CLI
CLI 是 Command Line Interface，用文字指令操作電腦或工具。Codex、Gemini CLI、Git、npm、Python 腳本都常透過 CLI 執行，適合重複性工作與自動化。
- 優點是精準、可重複、容易記錄。
- 初學者可以先記住：CLI 是用文字下命令，不是用滑鼠點介面。
Token
Token 是模型讀寫內容的基本單位，可以粗略想成文字被切成的小片段。Token 會影響模型能讀多少資料、回覆多長、花多少成本與處理速度。
- 資料太多時，要摘要、分段或挑重點。
- 不是字數越多越好，重點是資訊密度與結構。
Context Window
Context Window 是 AI 一次能參考的內容範圍。超過範圍後，模型可能看不到前面的內容，或需要透過摘要、檢索、NotebookLM 這類來源工具補足。
- 長報告、論文、會議記錄需要管理上下文。
- EMBA 報告可先用 NotebookLM 管來源，再請 AI 產出段落。
API
API 是讓程式呼叫模型或服務的介面。使用 ChatGPT 網頁是在操作產品；使用 API 則是把模型能力接進自己的系統、網站、App 或自動化流程。
- API 適合大量、固定流程、可整合的任務。
- Model 是處理任務的大腦，API 是讓程式叫它工作的方式。
Agents
Agent 是能拆解任務、選工具、執行步驟並回報結果的 AI 工作方式。它不只回答問題，也可能搜尋、讀檔、寫程式、產報告或更新資料。
- Deep Research 就是一種研究型代理流程。
- Codex 則偏向程式與檔案操作代理。
Developer Tooling Terms
補上 Sandbox、NCP、npm、npx 與 SDK
這一段適合放在 CLI / MCP 之後。它把初學者在 Codex、Gemini CLI、Netlify、Node.js 或 API 串接時會遇到的開發工具語言講清楚。
Sandbox 是什麼
Sandbox 是隔離的執行環境，讓程式或 AI agent 在受限制的範圍內操作。教學時可以講成「安全練習場」：可以測試、改檔、跑指令，但要清楚知道它能碰到哪些檔案與網路資源。
- 適合說明：為什麼 Codex 會有檔案權限、網路權限與批准機制。
- 驗收重點：AI 做事時在哪個資料夾、能不能連網、能不能改檔。
npm / npx / SDK 怎麼分
npm 是 Node.js 生態常見的套件管理工具與套件倉庫；npx 偏向直接執行套件命令；SDK 則是某個平台提供給開發者串接 API 的工具包。
- npm：安裝、更新、管理套件。
- npx：臨時執行工具，例如 CLI 或專案腳手架。
- SDK：用程式接 API，例如 Gemini API SDK。
NCP 要先辨識上下文
NCP 不是 AI 工具課常見的標準名詞。若學生問 NCP，先問它出現在終端機、文件、API、公司內部系統還是 AI agent 設定。很多時候可能是在講 MCP、npm 或 npx。
- 在 AI 工具連接脈絡，多半要確認是不是 MCP。
- 在終端機脈絡，要確認是不是 npm / npx。
Chapter 4｜RED AI Workflow
4. RED AI 報告產線
這一章把工具介紹串成完整工作流：Deep Research 做外部研究，NotebookLM 做來源萃取，再用 Gemini Canvas、Google Slides 或 Canva 轉成可上台的報告。
Research Workflow
Gemini Deep Research 與 NotebookLM
EMBA 報告很適合用「外部研究 + 來源整理」兩段式流程：先用 Gemini Deep Research 找資料地圖，再把可靠來源放進 NotebookLM 產出不同風格的報告素材。
Deep Research 的研究機制
Deep Research 在 Gemini 裡會先建立研究計畫，使用者可以修改計畫後再開始。它預設可使用 Google Search，也能依帳號與設定加入 Gmail、Drive、上傳檔案或 NotebookLM notebook。完成後會產出可開啟、追問、分享或匯出的研究報告。
NotebookLM 的報告產出方式
NotebookLM 的重點是根據你放進 Notebook 的來源工作。Studio 可以產出報告、簡報、心智圖、Audio Overview 等素材；同一份來源可以用漫畫式、專業式、簡報式或決策摘要式指令生成不同報告。
上課提醒
Deep Research 適合找外部資料與趨勢；NotebookLM 適合把指定來源變成可發表、可討論、可引用的報告素材。
Chapter 5｜NotebookLM Research
5. NotebookLM 報告研究補充圖卡
這四張圖專門用來講 NotebookLM 在 EMBA 報告研究中的定位：先鎖來源，再用問題萃取觀點，最後轉成報告、簡報、對談或破冰素材。
Expanded Teaching Modules
把研究、報告與 API 協作補厚
這一段補上正式上課時會被問到的深一層內容：Deep Research 到底怎麼形成報告、NotebookLM 可以產出哪些不同素材、以及 Codex 能不能串 Gemini API 一起工作。
Deep Research 怎麼教
不要把它講成單次搜尋，而要講成研究代理流程：定義問題、產生研究計畫、多輪搜尋、整理來源、產出報告。課堂上可以要求學生先修改研究計畫，再比較修改前後的來源品質。
- 適合：產業趨勢、競品分析、法規與市場初探。
- 限制：最後決策仍要人工查核來源、日期、數字與脈絡。
NotebookLM 怎麼教
重點不是讓 AI 自由發揮，而是把可信來源放進 notebook，再要求它依來源產出不同用途素材。漫畫式適合破冰，專業式適合報告，簡報式適合小組發表，音訊式適合課前預習。
- 同一份來源可以產生不同語氣、結構與深度。
- 評分時要看是否忠於來源，而不是只看文案漂亮。
Codex × Gemini API 怎麼教
Codex 可以透過 shell、Node 或 Python 腳本呼叫 Gemini API。實務上可以讓 Codex 負責改檔案、跑測試、整理 PWA，Gemini 負責研究摘要、長上下文處理、Google Search grounding 或 function calling。
- 最小可行：設定 GEMINI_API_KEY 後用 SDK 呼叫。
- 較穩做法：把 Gemini 回傳固定成 JSON，再讓 Codex 寫入教材。
Chapter 6｜Governance And Adoption
6. 企業導入、治理與風險補強
這一章把 AI 工具課往 EMBA 決策場景推進：不只問 AI 怎麼用，還要知道資料能不能給、產出怎麼驗收、如何分派工具、怎麼算 ROI，以及商用與智財風險如何控管。
先設邊界
企業導入 AI 前，第一件事不是買工具，而是先建立資料分級、使用場景、權限與審核標準。學員要理解：不同版本與不同工具，資料處理邊界並不一樣。
- 適合示範：紅綠燈資料分級。
- 課堂提問：哪些公司資料不能放進公開 AI？
再做驗收
AI 產出不能只看語句流暢。主管應該用來源、日期、數字、脈絡、行動五項檢查，讓 AI 從「看起來很像答案」變成「可進入決策流程的草稿」。
- 適合示範：AI 產出驗收漏斗。
- 課堂提問：這份報告還缺哪個證據？
最後看導入
EMBA 學員需要把 AI 轉成組織能力：工具分工、知識庫、工作流、自動化、ROI 與商用風險，都要能被管理，而不是靠個別員工自由發揮。
- 適合示範：任務分工與 ROI 矩陣。
- 課堂提問：第一個 30 天 AI 試點要做哪裡？
Practice And Rubric
補上實作任務與驗收標準
這一段把課程從工具介紹推進到作品導向：學生要能完成一份 AI 輔助報告雛形，並知道如何判斷 AI 產出能不能放進 EMBA 課堂。
建議教學補強
- 研究流程用 Deep Research 找外部資料地圖，再把可靠來源放進 NotebookLM。
- 課堂任務每組選一個產業或公司問題，產出一頁決策摘要或三分鐘口頭報告。
- 驗收標準用來源、日期、數字、脈絡與行動五項檢查 AI 產出。
講師操作
每組都要保留第一版 Prompt、修正版 Prompt 與最終產出，課堂討論會更有感。
Real Output Comparison
實際產出的照片對比
每一組都是同一主題，一邊用不好指令，一邊用更完整的 Prompt。這能讓學員立刻看懂「指令品質」如何影響結果。
Website Prompt
寫網頁時，指令內容要怎麼給
網頁 Prompt 不能只講「做漂亮」。要把受眾、資訊架構、視覺風格、元件密度、互動、響應式與交付格式講清楚。
網頁 Prompt 範例
不夠好的指令
幫我做一個 AI 課程介紹網頁，要有標題、工具介紹和一些圖形。
更好的指令
請做 EMBA 初學者 AI 工具課程首頁，Claude Design 風格：溫暖紙感、深色字體、陶土與鼠尾草綠點綴。第一屏要有課程主張、三小時流程、5 個工具任務分工、CTA、教材感元件，版面沉穩、可投影、響應式，輸出單一 HTML/CSS。
Facilitator Kit
講師引導與學員練習單
這一段是給講師上課用的操作包：包含三小時節奏、逐段引導問題、現場活動說明，以及可列印的學員練習單。
三小時講師節奏
- 0:00-0:20破冰：展示壞 Prompt / 好 Prompt 的照片差異，讓學員先有感。
- 0:20-0:50講解 Prompt 五條件與 AI 名詞：CLI、MCP、Token、Context、API、Agents。
- 0:50-1:25示範 Gemini Deep Research：從研究問題到來源地圖。
- 1:25-2:05示範 NotebookLM：同一來源產出漫畫式與專業式報告。
- 2:05-2:45小組實作：完成一頁決策摘要或三分鐘口頭報告。
- 2:45-3:00互評：用來源、日期、數字、脈絡、行動五項驗收。
講師引導問題
觀察差異哪一張圖比較能直接放進教材？為什麼？
改寫 Prompt如果你是主管，你會補上哪些限制、格式或查核條件？
研究判斷Deep Research 找到的來源，哪些值得放進 NotebookLM？哪些要排除？
報告驗收這份 AI 摘要能不能支持決策？還缺哪一個證據？