老師的清楚，不一定是因為講得短，而是因為他一直替聽眾導航：現在在解什麼問題、這一步為什麼做、做完會接到哪裡。
Core Pattern
7 條值得學的表達原則
1
問題先行先讓聽眾知道現在卡在哪，再引入概念。例：AI 客服前先問「AI 客服跟聊天機器人差在哪？」
2
用對比定義舊方式 vs 新方式，快速切出邊界，例如 LLM vs Agent、有腦 vs 無腦、有人 vs 少人 vs 無人。
3
抽象概念立刻接具體案例講資料流，就用「LINE 問保溫杯還有沒有貨」跑一次完整情境。
4
交代為什麼現在做這一步商業計畫書 → 資料流 → 成本 → 客服原型，前一階段產出就是下一階段燃料。
5
先簡單，再增加複雜度小資料、文字整理先成功，再進 Excel、自動化、API、n8n、Agent。
6
主動講限制與反例用失敗案例說明 AI 邊界，讓 Human Gate 合理化，不神化 AI。
7
講完立刻產出不是只問懂不懂，而是給時間真的做一個圖、表或原型，再回收成果。
Structure
老師常用的講解結構
痛點共鳴手工、混亂、低效
→
對比定義舊方式 vs 新方式
→
思維框架固定結構或分類
→
具體案例生活情境跑一次
→
邊界與風險哪裡會錯、何時轉人
→
即時產出馬上做出成果
Examples
抽象概念 → 具體案例
| 抽象概念 | 具體化方式 | 為什麼有效 |
|---|---|---|
| AI Agent | 「有大腦之外，還有手、腳、眼睛」 | 不用懂底層技術，也能理解「能執行」的差異。 |
| Data Flow | LINE 問「保溫杯現在還有沒有貨？」 | 把資料來源與查詢順序變成真實商店問題。 |
| Source Grounding | 回答後可回到來源編號／原文 | 把「可信」變成可驗證動作。 |
| 可行性 | ERP 廠商不開 API，流程就串不起來 | 把抽象評分變成具體阻塞條件。 |
| Prompt 結構 | 角色、背景、任務、格式、限制 | 不是抄 prompt，而是理解每段存在的理由。 |
Don't Copy
不一定要學的部分
口頭習慣
高頻率「對不對」
現場互動有用，但你未來可以改成停頓、眼神或更精準的提問。
節奏
太早預告後面難題
可能建立期待，也可能增加認知負荷；你可以只預告下一步。
語言
冗餘贅詞
「這樣子的一個」「這個部分的內容」可刪掉，讓句子更乾淨。
幽默
不必模仿吐槽方式
幽默是個人風格；真正值得拿走的是結構，不是笑點。
Day 1 假設：老師的核心優勢不是「講很多」，而是每一段都在幫聽眾定位——現在在哪裡、為什麼要做、下一步去哪裡。