R-10 · AI 工作流 · 實測 # 讓 AI 自己學：一條迴圈的頭和尾 讀 **6 分鐘**＋影片 **1 分 45 秒**｜最後驗證 **2026.10.13**｜作者自己的工作流實測 說明動畫 1 分 45 秒（[在 YouTube 開](https://youtu.be/DwB97GTd8gE)）。旁白是我聲音的 AI 克隆（MiniMax），音效是 AI 產的（ElevenLabs）。 > **你會知道：**在我的流程裡，AI 昨天被糾正過的事，如果沒有保存、下次也沒有載入，它就可能再犯一次。能讓它越做越好的，是一條閉合的迴圈：**什麼時候叫它起來（觸發）**，和**做完誰看、用什麼標準看（收尾）**。我做得最好的一條是語音輸入的辭典；其他幾條還卡在審核，過不過關還是要人自己看。這篇照實講。 ## 一條迴圈要有四件 **觸發**什麼時候、被什麼叫起來 **做**誰做、做什麼 **對答案**怎樣算做對（考卷） **誰看**做完交給誰、誰說過關 觸發是開頭，誰看是結尾。我目前遇到的斷點，主要就在這兩頭：沒人叫它，或做完沒有標準、只能等人看。拿我的語音輸入辭典當例子，四件是這樣做的： | 件 | 語音辭典怎麼做 | |---|---| | 觸發 | 排程每天 05:00 檢查資料量：上次升級後新說的話 ≥50 句，或滿 7 天且 ≥20 句，才開工；量不夠就直接結束 | | 做 | agent 從新句子裡撈出聽錯的詞（例：「文理」→「紋理」、「GPD」→「GPT」），要有足夠的語境（通常是兩句以上同樣意思）或正式來源可以查證，才寫進辭典 | | 對答案 | 程式用新、舊辭典把**全部**歷史句子各套一次，列出新辭典多改的句子；agent 逐句判讀有沒有改錯（誤傷）。有誤傷先修正重測，仍不通過就整批還原 | | 誰看 | 通過就自動套用（手機版也重裝；手機沒連上就記「待重裝」）；拿不準的詞不猜，寫進待確認清單，等我早上開工時自己看 | ## 主案例：語音辭典（實測數字） | 日期 | 重跑的歷史句子 | 發現誤傷 | 怎麼觸發 | |---|---|---|---| | 09-22 | 312 句 | 0 | 手動 | | 09-23 | 353 句 | 0 | 手動 | | 10-01 | 384 句 | 0 | 手動 | | 10-04 | 453 句 | 0 | 手動 | | 10-06 | 500 句 | 0 | 手動 | | 10-08 | 585 句 | 0 | 自動（05:00） | | 10-12 | 657 句 | 0 | 自動（05:00） | 表列七輪，另有 10-06 當天第二輪補詞。辭典檔現在 420 行（含註解與提示詞，不等於 420 條規則）。10-12 那輪撈了 72 句，加 3 條硬替換＋2 個提示詞；另外 21 個候選詞，因為只出現一次、或清稿已經改對，先不加。**寧可少加一條，不能加錯一條**。 它會成功，是因為「誰看」有一個不用等我的標準：舊句子不能被改錯。答案卷就是我以前說過、也清稿過的句子；這些句子本身也可能有錯，所以判讀仍可能出錯，只是到目前的紀錄裡沒有發現誤傷。 ## 照實講：其他迴圈卡在審核 我其他的學習迴圈是用「角色」分工：調查員去找新東西、專家整理成規則、驗收員檢查。目前我看到的主要瓶頸，在最後一步：**過不過關要人自己看、自己審**。 - **動態招式**：很多招經過多輪審核，還是因為紋理、選字這類問題被打回；寫進筆記的規則，同一種錯還是會再犯。目前的自動量測指標，不足以判斷紋理與選字是否符合要求，代替不了人看。 - **IG 輪播排版**：10-12 開始回算歷史交付，共 17 份計分。用我在 App 裡改完的版本當答案，算改動率（刪除＋新增＋修改的元件數，除以交付版元件數，可能超過 100%）：前 8 份平均約 73%，後 9 份約 44%。這是不同作品的比較、份數也少，不能單憑它證明 AI 已經學會我的偏好。 所以這兩條現在還不算「自己學」，比較像「我教、它記」。會不會持續進步，要看後續分數。 我們正在試的做法：先把我每次的判定記成一本帳，讓 AI 在我判之前先猜「會不會過、會因為什麼被打回」，猜的內容在看到答案前就存下來。門檻暫以 20 筆、一致率至少 85%、它說過但我打回不超過一次為例；達標後要不要把一部分審核交給它，仍由我決定。 ## 考卷：讓「誰看」有標準 一張考卷四件，缺一件就不算： 1. **答案卷**：人真正的定稿或判定（改完的版、說過／不過、實際送出的字）。不用人多做事就拿得到的優先。 2. **作答**：AI 在看到答案**之前**先交、而且存下來的東西。 3. **分數**：一個能看趨勢的數字（誤傷數、改動率、一致率、過關輪數）。 4. **發卷時機**：掛在人本來就會做的步驟上，不另開排程。 我們的觀察：把檢查做成會擋人的工具、再追蹤分數，比只把教訓寫進筆記，更容易發現和攔下重犯。 語音輸入本身怎麼做、跟 Typeless 差在哪，在 [R-09](https://tools.arminkao.com/research/voice-input-typeless.html)；施工圖在 [whisperbar](https://github.com/qwert2813434-ctrl/whisperbar)。 ## 給 AI Agent：照這段做 把這頁網址丟給你的 Claude、Codex 或其他 agent，跟它說「照這頁的『給 AI Agent』段做」。純文字版：[ai-learning-loop.md](https://tools.arminkao.com/research/ai-learning-loop.md)。 把這頁網址丟給你的 Claude、Codex 或其他 agent，跟它說「照這頁幫我建一條學習迴圈」。下面的 50／20 筆、兩句證據，都是作者這個案例的設定，請依使用者的工作調整。 **這段能幫你做到什麼：**替一件「AI 產出、人再修改」的重複工作，建一條會自己觸發、自己對答案、拿不準才問人的學習迴圈。 **要先準備** - 使用者指定一件「AI 產出、人再修改」的重複工作。例：語音轉文字的錯字、AI 擬稿後人改過的回覆、AI 初排後人調過的版面。 - 一份累積中的歷史：AI 當時的產出＋人最後的版本（或人的判定）。沒有就先開始記，記滿約 20 筆再建標準。 **步驟** 1. 問使用者：這件事最常錯在哪？人改完的版本存在哪裡？哪些資料可以拿來比、哪些不行？寫成一行「答案卷＝……；範圍＝……」。人還沒確認過的答案要標記出來，不拿來計分。 2. 定分數：寫清楚公式（例：誤傷數＝新規則把原本正確的句子改錯的數量）。能做成「回歸」最好：每次改規則，都把全部歷史重跑，原本對的不能變錯。 3. 定觸發：用「量到了才跑」，不要「時間到就跑」。例：上次之後新資料 ≥50 筆，或滿 7 天且 ≥20 筆。量不夠就不改規則，只留一行「略過」紀錄。 4. 改規則前先備份：把目前規則存成有日期的副本（例：`rules_2026-10-13_before.txt`），同一天第二次加上序號，不覆蓋舊備份；在副本上改、在副本上測。 5. 寫做法：從新資料找錯，證據足夠（例：兩筆以上同樣情況，或有正式來源）才改；只有一筆、或會撞到常用詞的，不改，列進待確認清單。 6. 定收尾（誰看）——通過：套用新規則，再跑一次確認新規則真的生效；不通過：先修正重測；仍不通過就還原備份，並確認目前規則和備份一模一樣，寫下原因；拿不準：列進待確認清單，放在使用者本來每天會看的地方；會對外發布、或動到別人資料的，不自動套用，先問使用者。 7. 每次都留一行紀錄：日期、規則版本、資料筆數、改了哪幾條、分數、結果（通過／還原／略過）、失敗原因、待確認問題。 **怎樣算完成**（三種情境都要跑過） - 通過：新資料量夠、改了規則，回歸沒有誤傷，新規則生效，紀錄寫「通過」。 - 略過：資料量不夠，規則沒動，紀錄寫「略過」。 - 拒絕並還原：故意放進一條會誤傷的規則，回歸抓到、規則還原成備份（逐字比對一致），紀錄寫「還原」和原因。 - 另外：使用者在他平常看的地方，看得到待確認清單（沒有問題時，用一題測試項目確認清單送得到）。 **不要做的事** - 不要只把教訓寫進筆記就當作學會；沒有標準和觸發，同一種錯容易再犯。 - 不要用「AI 自己覺得好」當標準；答案卷要來自使用者。 - 標準是主觀品味（好不好看）時，不要讓 AI 自己判過關。先讓它在使用者判之前預測、存下來、記一致率；夠準了，再由使用者決定要不要放權。 - 不要覆蓋備份；還原後要確認真的還原了。 資料來源 - 語音辭典升級：作者語音輸入工具的升級紀錄（2026.09.22–10.12，七輪＋10.06 第二輪），回歸句數與誤傷數取自各輪紀錄 - 觸發門檻：辭典升級腳本「該跑嗎」的判斷（≥50 句，或滿 7 天且 ≥20 句）；05:00 為排程設定 - IG 輪播改動率：小編考卷（2026.10.12 回算，17 份計分） - 考卷四件與放權門檻：作者的迴圈管理規則（2026.10.12 版） - 影片：HTML 逐格算圖（雙色印刷紙本風格）；旁白 MiniMax speech-2.8-hd 克隆作者聲音、1.2 倍速；音效 ElevenLabs（2026.10.13） 以上都是一個人、自己的工作流實測，換人換工作數字會不同。 [← 回到研究列表](https://tools.arminkao.com/#research) --- 網頁版：https://tools.arminkao.com/research/ai-learning-loop.html｜小高工具間：https://tools.arminkao.com/｜全站目錄：https://tools.arminkao.com/llms.txt 作者：高偉鳴 Armin Kao｜Instagram：https://www.instagram.com/17187kao/｜作品集：https://arminkao.com/