本週我嘗試使用 AI 來測試「蹺蹺板投資策略」。有趣的是，付費版 ChatGPT 在撰寫較複雜的策略程式碼時，表現並不如預期，反而是免費版的 Gemini 表現更為出色。不僅能快速生成可執行的程式，還能在我進行策略修正的過程中，協助將提示詞進一步結構化，讓程式更貼近我原本的投資想法。
對於像我這樣腦中常有許多投資策略概念，但未必能完全用程式語言精準表達的人來說，AI 真的是一個極佳的輔助工具。它讓我能夠把「想過卻無法驗證的策略」轉化為實際回測結果，這不只是提升了效率，更讓投資思考有了落地的可能性。
降低程式門檻：即使程式能力有限，也能藉由 AI 生成程式碼，快速進行策略模擬。
快速驗證想法：投資靈感不再只是紙上談兵，AI 讓回測結果能即時呈現。
策略結構化：AI 能協助整理思路，將零散的想法轉換為具體邏輯，便於調整與優化。
 |
| 使用免費版Gemini撰寫投資策略執行碼 |
 |
| 讓Gemini將提示詞結構化 |
因為第一次安裝python套件，怕下一次又忘記，在這裡紀錄一下，相關圖片之後再補(因為已經成功)
以下是AI給予的提示:
Anaconda Prompt 是一個特殊的命令提示字元視窗，它已經預先配置好，讓您能夠直接使用 conda 指令來管理您的 Anaconda 環境和套件。
開啟「開始」功能表：點擊螢幕左下角的 Windows 圖標。
搜尋應用程式：在搜尋列中輸入 Anaconda Prompt。
開啟應用程式：在搜尋結果中，您應該會看到一個名為 Anaconda Prompt 的應用程式。點擊它即可開啟。
（圖片說明：顯示在 Windows 開始功能表搜尋列輸入 "Anaconda Prompt" 後，找到該應用程式的樣子。）
開啟後，您會看到一個黑色的視窗，上面通常會顯示類似 (base) 的字樣，這表示您已進入 Anaconda 的基礎環境，可以開始輸入指令了。
今天在公司使用 Copilot 撰寫了 10 個 VBA 程式，成功滿足主管所要求的格式。過程中，我刻意留下提示詞的記錄，並逐一比對 Copilot 產生的程式碼。這讓我意識到一個有趣的現象——相較於 ChatGPT、Gemini、Grok 等 AI 工具，Copilot 在 VBA 代碼的品質與彈性上，似乎還顯得薄弱一些。
也因為這樣，我在修正與優化代碼的同時，反而更清楚地看見自己程式能力的定位。甚至在幾個案例裡，我還「教導」了 Copilot 如何提高效率，這種角色轉換的感覺，頗為特別。
然而，受限於公司資安管制，目前唯一能不需申請就直接使用的 AI，就是 Copilot。這也讓我明白：若想真正受惠於 AI，仍需投入時間去「訓練」與「修正」，而這個過程其實就是一種雙向學習。畢竟，一天若要應對 10 個需求，光是教導 AI 如何更精準，就已是一份不小的工作量。
或許，未來的 Copilot 能更加進步，成為真正節省時間的夥伴，而不是需要額外「陪練」的學徒。
今天凌晨三點半，難得失眠。或許是因為今天是我們部門要向老闆報告的日子，心裡不免有些擔憂：報告能否順利？會不會有遺漏？
這種情境讓我想起曾在 A 公司時的自己。那時也常在半夜驚醒，翻來覆去睡不著。因為在 A 公司，我能接觸到帳務與成本資料，於是總覺得自己應該發揮能力，把分析後的數據直接呈現給老闆，讓他知道該往哪個方向走。即使我的角色只是稽核，我卻常想要跨足到財務主管該做的建言。那樣的壓力，讓自己始終覺得再努力也難以真正被看見、被重視。
來到 C 公司後，雖然職務仍然是稽核，但環境完全不同。這裡的組織龐大、層級分明，很多資訊並非我能直接接觸。反而因為如此，不再背負 A 公司那種「必須將所有資訊解讀並反應給老闆」的壓力。現在的我，更能專注於自己角色應該承擔的部分，把焦點放在提升個人能力上。
回想起來，在 A 公司時，我就一直在尋找邏輯思考相關的學習資源，卻因為找不到正確的關鍵字，常常無功而返。直到來到 C 公司，我才逐漸掌握搜尋的方法，也因為 AI 的出現，讓我能更快獲取想要的知識與學習方式。AI 與書籍不同，它不只是單向的知識傳播，而是能依照需求提供思考脈絡與練習方向。這種「即時回饋」讓自我升級比以前容易許多。
當然，我仍有許多地方需要加強。但這些努力，不僅是為了讓舒適圈慢慢擴大，更是為了迎接未來。我的目標很清楚：在 2030 年前，達成自己第一個里程碑。 要走到那一步，我必須從現在開始規劃下一階段的學習計畫。
把這些心境紀錄下來，希望未來再遇到失眠時，能提醒自己：焦慮不會帶來答案，但不斷累積的行動，會讓我越來越接近目標。
隨著生成式AI越來越強，我認為提示詞會隨著AI對你的了解逐漸沒那麼重要，但有時太簡單的提示詞AI回答的內容可能還是會有不到位的情形，下面紀錄一下目前優秀的提示詞要素要包含哪些。
在 AI（特別是像 ChatGPT 這種大型語言模型）互動時，**優秀的提示詞（Prompt）**應該具備幾個核心要素，才能讓 AI 輸出更精準、符合需求的內容：
明確的角色/身份設定（Role / Persona）
指定 AI 扮演的角色，例如「你是專業投資顧問」、「你是 ISO 27001 稽核員」。
這能讓 AI 用合適的口吻與思維邏輯回答。
清楚的任務目標（Task / Goal）
明確說明你希望 AI 幫你完成什麼，例如「幫我整理一份 Excel 範本」、「請產生一篇國中會考風格的作文」。
避免模糊的要求（如「幫我寫一篇文章」），改成具體目標（如「寫一篇500字，主題是環保，三段式結構」）。
具體的輸入內容或背景（Context / Input）
提供必要的背景資料（文件、表格、案例、場景）。
例如：「這是137項ESG條目的原始資料，請整理成表格」。
明確的限制與格式（Constraints / Format）
字數限制、語言、格式需求。
例如：「請用表格呈現，欄位包含『項目』『風險』『稽核方法』」、「字數約300字」。
風格與語氣（Style / Tone）
指定文風或專業程度。
例如：「以專業顧問語氣」、「用輕鬆口吻」、「模仿商業報告格式」。
範例或參考（Examples）
提供一小段範例，AI 可以依樣發揮。
例如：「以下是我之前寫的文章段落，請延續這種寫法」。
輸出檢驗標準（Evaluation Criteria）
指明什麼情況下輸出算是「好答案」。
例如：「需包含三個重點、每個重點都要有例子」。
你是一名ISO 27001 資訊安全稽核員。
請根據以下部門的資產清單（附表格），幫我整理成一份稽核檢查表，格式需為 Excel：
欄位包含「控制項編號」「資產名稱」「風險」「稽核問題」「查核方式」。
每個控制項至少提出 2 個稽核問題。
用正式專業語氣。
最後加上一段「風險整體評估」的摘要（約300字）。
今年四月的某次工作週報上，主管提到了一件事——未來可能會有美國子公司的查核工作，建議大家加強英文。雖然並不是硬性要求，公司也在對外招募具備語言能力的同事，但這句話像是一個開關，讓我突然下定決心要開始行動。
其實，過去我偶爾會在 YouTube 上看一些英文學習的影片，但從未真正投入練習。這次，我決定嘗試 Speak App。它結合了 AI 功能，能針對我不熟悉的詞句進行反覆練習；我選在 5 月 1 日這個好記的日子開始（付費前還有 7 天試用），直到今天，已經整整 100 天。
我選擇的第一個主題是旅遊英文，原因很直接——2024 年去沖繩旅遊時，我曾經遺失錢包。那次經驗讓我深刻感受到語言能力的不足。當時 AI 工具的應用還不普及，溝通困難的壓力成為一種陰影，也成了我這次學習的推力。
剛開始時，我的英文程度大概在 A1。
練習約兩個月後，我發現自己在口語表達上不再那麼卡頓；到了第三個月，我甚至覺得自己每天的練習量，比學生時期多了好幾倍——當年我沒補過習，英文練習時間少得可憐。
更有趣的是，我現在的口語流暢度似乎比女兒還好，而她可是從幼兒園到國一都有補習英文。
從花費來看，Speak 一年的費用約 3000 多元，比一般補習班一個月 3000 多元要划算得多。但差別是，Speak 必須全靠自己安排時間並持續練習，沒有人盯著你上課。對我來說，因為有明確目標，所以能持之以恆。
即使未來不會被派去查核海外子公司，我也希望有一天在旅遊時，能不依賴翻譯工具，自在地用英文交流。
目前，我的程度已經從 A1 進步到 A2。
我的目標是每天練習 30 分鐘，實際由 AI 統計的平均時間約為 19 分鐘/天。這些數據不僅讓我更清楚自己的學習節奏，也成了推動我每天打開 App 的小動力。
回顧這 100 天，收穫不僅是語言能力的提升，還有每天與自己約定並完成目標的成就感。學習英文，對我來說已經不再只是應付工作的可能需求，而是一個能讓自己在任何地方都更自在的能力。
以下是AI提供python代碼撈取檔案清單，在撈取整個硬碟時如D槽，輸入方式不一樣，需要以D:\\呈現，相關解答也是由AI提供，在除錯方面相當即時。
AI講解錯誤的原因:
在字串的結尾 \" 被 Python 當作是 逃逸字元（escaped quote），導致 字串結尾的引號無法正確解析，造成語法錯誤（SyntaxError: unterminated string literal）。
撈取檔案清單的代碼:(撈取36萬筆清單大概5分鐘以內)
import os
import pandas as pd
from datetime import datetime
# 掃描的來源資料夾（可修改）
scan_dir = r"D:\\"
# 存檔的目的資料夾（可修改）
save_dir = r"C:\資料"
# 取得來源資料夾的最後一層名稱（作為檔名的一部分）
last_folder_name = os.path.basename(os.path.normpath(scan_dir))
# 儲存檔案資訊
file_data = []
# 遍歷所有子資料夾與檔案
for foldername, subfolders, filenames in os.walk(scan_dir):
for filename in filenames:
filepath = os.path.join(foldername, filename)
try:
stat = os.stat(filepath)
file_info = {
"檔名": filename,
"路徑": filepath,
"大小": stat.st_size,
"修改時間": datetime.fromtimestamp(stat.st_mtime),
"建立時間": datetime.fromtimestamp(stat.st_ctime),
"授權時間": datetime.fromtimestamp(stat.st_atime),
"資料夾": foldername,
"檔案格式": os.path.splitext(filename)[1].lower()
}
file_data.append(file_info)
except Exception as e:
print(f"無法讀取檔案：{filepath}，錯誤：{e}")
# 轉為 DataFrame
df = pd.DataFrame(file_data)
# 組合 Excel 輸出檔案完整路徑
output_file = os.path.join(save_dir, f"檔案清單_{last_folder_name}.xlsx")
# 匯出 Excel
df.to_excel(output_file, index=False)
print(f"✅ 匯出完成：{output_file}")
本週我嘗試使用 AI 來測試「蹺蹺板投資策略」。有趣的是，付費版 ChatGPT 在撰寫較複雜的策略程式碼時，表現並不如預期，反而是免費版的 Gemini 表現更為出色。不僅能快速生成可執行的程式，還能在我進行策略修正的過程中，協助將提示詞進一步結構化，讓程式更貼近我原本的投資...
