很多人使用 AI 的時候，最在意的通常是兩件事：
第一，它有沒有答對。
第二，它懂不懂我在問什麼。
但我最近有一次和 AI 的對話，讓我發現還有第三件事其實更重要：
當 AI 手上的資訊不完整時，它有沒有把這件事講清楚。
這篇不是單純在記錄一個技術問題，也不是在抱怨 AI 出錯。
我真正想寫下來的，是一次很真實的互動過程：我怎麼提問、AI 怎麼理解、它怎麼回、它漏講了什麼、而我又是怎麼一步步把問題指出來，最後把整個對話修正到更接近我要的樣子。
從表面上看，這只是一次關於 HTML、H 標籤與 SSR 的檢查。
但從更深一層來看，這其實是一場很典型的人機溝通案例。
一開始，我只是想請 AI 幫我核對 H 標籤
事情的起點其實很單純。
我把一段頁面的 heading 結構整理給 AI，內容大概包含 H1、H2、H3、H4 的文字，接著我又提供了 HTML，希望 AI 幫我比對：
- 程式碼裡的 H 標籤是不是和我整理的一致
- 頁面的 SSR 看起來有沒有正常
- 這些 heading 結構是否合理
這是我很自然會期待 AI 幫我做的工作。
因為這種任務本質上很適合 AI：整理、比對、歸納、說明。
一開始 AI 也的確做了看似合理的分析。
它告訴我主內容的 heading 大致合理，也指出部分內容看起來像是 Cookie 同意工具插進來的，不一定是主內容的一部分。這些判斷方向並沒有太離譜，甚至有些還算準。
但問題不是它方向對不對。
問題是，它沒有先說清楚自己看到的是不是完整資訊。
表面上它像是「檢查完了」，但其實它看到的是被截斷的內容
後來我才發現，原來我提供的 HTML 很長，系統顯示給 AI 的內容其實是被截斷的。
這件事是整個對話裡最重要的轉折點。
因為只要資料是被截斷的，那 AI 後面所有的比對結果，本質上都只能算是：
根據目前看得到的片段做出的初步判讀。
這和「我已經看完整份 HTML 後得出的結論」是完全不同的兩件事。
但 AI 在一開始回答的語氣裡，並沒有明確把這層限制講出來。
所以作為提問者的我，很自然會以為：
它已經都檢查完了。
這種誤會不是因為我故意誤解，而是因為 AI 的表達方式，讓結果看起來比它實際掌握的資訊還完整。
這點其實很值得記錄。
因為 AI 最容易讓人信任的地方，不是它知道很多，而是它講話很像已經整理好了。
可一旦它沒有把「我只看了部分內容」這件事說出來，使用者就會自動把它的回答補成完整判讀。
我開始追問，對話才真正進入有價值的部分
讓我印象最深的地方，不是 AI 第一次怎麼答，而是我後來怎麼追問它。
在比對過程裡，有一筆內容是：
<h3>管理已簽署文件</h3>
這一筆其實明明存在，但它在前一次對照表裡沒有被明確列為已確認對上。
所以我直接回它一句：
「有啊。」
然後把實際的程式碼貼給它看。
這時候 AI 才修正說，對，這一筆確實存在，而且和我原本整理的字樣完全一致。
這個片段很有意思。
因為它讓我看見一件很真實的事：
AI 並不是不會修正，它會修正。
但修正的前提，是你要指出它哪裡有缺漏。
也就是說，AI 的價值有時候不是一次給你最終答案，而是它能不能在互動裡被你推向更準確的結果。
這也是我開始重新看待 AI 的地方。
它不是一台丟問題就穩定吐出標準答案的機器，而更像是一個會先給你一個版本、然後你再繼續校正它的對話對象。
後來我直接點出核心問題：你剛剛其實沒有講清楚自己只看了片段
接著我問了 AI 一個更關鍵的問題。
我沒有再繼續糾結某個 H3 有沒有漏掉，而是直接把整件事抽高一層：
「所以我一開始給你的 HTML 檔案太長了，導致你被截斷，但是你也沒跟我講，就輸出了，這樣會讓我誤會都檢查了，對吧？」
這句話其實就是我整篇文章最想記下來的核心。
因為這裡談的已經不是某一筆內容有沒有對到，而是：
AI 應不應該主動交代自己的資訊邊界。
而 AI 後來也承認，對，這點我說得對。
它前面的回答方式，確實容易讓人以為它已經完整檢查了整份 HTML，但實際上那只是基於截斷片段的分析。
老實說，這個回覆反而讓我對 AI 多了一點信任。
不是因為它一開始沒錯，而是因為當我把問題指出來，它有能力承認：
- 哪裡講得不夠清楚
- 哪裡讓人產生誤會
- 正確的說法應該是什麼
這種修正能力，比單次回答正不正確更重要。
這次對話真正讓我學到的，不是 AI 會不會犯錯，而是它該怎麼表達不確定
以前我用 AI，常常在意的是：
- 它有沒有答錯
- 它有沒有漏看
- 它有沒有亂推論
但這次之後，我更在意的是另外一件事：
當 AI 沒有完整資訊時，它有沒有明確說：「以下只是初步判斷」。
因為很多時候，問題不在於 AI 無法一次看完整個世界，而在於它用一種太像「已經看完整體」的語氣在說話。
這會帶來一種很微妙的風險：
- 它其實只是看到片段
- 但語氣像是已完成全面檢查
- 使用者就會把「初步結果」當成「最終結論」
而這不是小問題。
尤其是在技術、SEO、原始碼、法務、數據分析這些需要精準判斷範圍的情境裡，
沒講清楚判讀邊界，本身就是一種品質問題。
這也讓我反過來思考：人類怎麼問，會影響 AI 怎麼答
當然，這次互動也不只是 AI 的問題。
我後來也開始反思，人類和 AI 對話時，自己其實也有責任去設計問題。
例如，如果我一開始就要求它：
- 先確認你看到的是不是完整 HTML
- 若不是完整內容，先明講這只是片段分析
- 未出現的內容一律先標註為「待確認」
- 不要直接寫成完整結論
那麼整個對話可能會更早進入我要的節奏。
換句話說，AI 的回覆品質，不只來自模型本身，也來自提問者有沒有把驗證標準說清楚。
但即使如此，我還是認為 AI 應該主動具備一種「表達邊界感」的能力。
因為大部分人不會每次都先提醒它：「如果內容被截斷請先說。」
而如果這種事每次都要使用者自己先防守，那代表 AI 在溝通設計上還不夠成熟。
這次對話中，我看到 AI 最像人的地方
這次對話裡，我覺得 AI 最像人的，不是它會分析 HTML，也不是它知道什麼是 SSR。
而是它呈現出了一種很人類的互動模式：
- 先根據眼前看到的東西回答
- 被指出問題後修正
- 被追問後承認先前表達不夠完整
- 再重新整理出更精確的說法
這其實很像我們平常和人討論事情。
不是每個人一開口就能把所有條件講到零死角，而是透過來回對話，把含糊處修正得越來越清楚。
也因此，我現在越來越傾向把 AI 當成一個需要被校正的對話對象，而不是一個天然就該完美的答案引擎。
這樣想之後，反而比較不容易失望，也比較能真正用好它。
如果要我總結這次經驗，我會這樣說
這次最值得寫下來的，不是某個 HTML 有沒有對到，
也不是某個 H3 最後到底是不是存在。
真正值得記錄的是：
我和 AI 的對話，讓我看見「答案本身」和「答案的表達方式」其實是兩回事。
一個答案就算方向大致正確，
如果它沒有清楚交代自己的依據與限制，
仍然可能讓使用者誤以為那是完整、嚴格、已核查完畢的結論。
而這樣的誤會，很多時候不是來自錯誤資訊，
而是來自過度完整的語氣。
所以，如果今天有人問我，和 AI 對話最重要的能力是什麼？
我可能不會先回答「會下 prompt」。
我會說：
你要能分辨 AI 什麼時候是在下結論，什麼時候其實只是在根據片段做合理推測。
而更好的 AI，也應該主動把這條線說清楚。
我後來對 AI 回覆方式的期待，變得很具體
經過這次之後，我對 AI 的期待其實變得很明確。
我不要求它永遠不犯錯。
我也不要求它每次都一次命中。
但我會希望它做到這幾件事：
第一，當資料不完整時，要直接講。
第二，當結果只是初步判讀時，要明確標示。
第三，當沒看到某個內容時，不要直接暗示它不存在。
第四，被指出問題時，要能快速修正，而不是硬拗。
第五，在回答裡區分「事實」、「推測」和「待確認」。
如果 AI 能做到這些，那就算它第一版回答不夠完整，整體互動仍然是值得信任的。
結語：我記錄的不是 AI 出錯，而是一次有價值的修正過程
回頭看，這篇文章如果只寫成「AI 漏抓了一個 H3」，其實很無聊。
真正有價值的地方在於：
- 我看見 AI 怎麼回答
- 我看見它怎麼讓人誤會
- 我也看見它怎麼在對話裡被修正
- 最後我們共同把一個模糊的結果，推向比較清楚的版本
所以這篇研究筆記，不是在批評 AI。
更像是在記錄：
當人和 AI 一起處理問題時，真正重要的不是它有沒有一開始就完美，而是它能不能把自己的限制說清楚，並在互動中被修正。
這大概就是我最近用 AI 最真實、也最有感的一次經驗。