編按：本文綜合整理自 Sean Goedecke 部落格原文，並加入 Siami 編輯部觀點與分析。原文同步附帶 Anthropic 旗下 Claude Fable 5 找出 1936 年 Jacobian 猜想反例、陶哲軒親自用 ChatGPT 驗證的延伸脈絡。
在 2010 年代，如果你有技術上的短板（例如不會寫 CSS），你只能依賴身邊厲害的同事，或者祈禱網路上剛好有你問題的解答。到了今天，每個人都可以把任務交給 LLM，寫出「還可以」的 CSS。LLM 把所有人都變成了通才。
正因為如此，很多人覺得使用 LLM 根本不需要什麼技術。如果你想拿到 LLM 能給的東西——博士級的數學、寫得還不錯但偶爾沒 sense 的程式碼、或尷尬的 LinkedIn 風格文章——直接開口要就好。因為大家都在跟同一批模型對話，「會下 prompt 的人」反而跟第一次碰 LLM 的人得到一樣的結果。
這是錯的。下 prompt 時最重要的技能，是你在那個領域的專業。
一個很好的例子是陶哲軒（Terence Tao）跟 ChatGPT 對話，討論最近被發現的 Jacobian 猜想反例。這不是我平常在用的那個 ChatGPT！就算給我無限的 token，我也挖不到陶哲軒挖到的東西。
從陶哲軒的對話裡，可以學到很多下 prompt 的眉角。以下是幾個觀察：
不過，就算你把這些技巧背下來，也沒辦法在數學問題上跟陶哲軒一樣會下 prompt。他的技術核心其實是「真的懂數學」：從 ChatGPT 落落長的回應中抽出關鍵想法、提出替代方案或不同表述方式、判斷哪裡「看起來怪怪的」。
陶哲軒作為數學家比我作為工程師要強得多。但這裡的核心——領域知識讓你更會用 LLM——我在自己的工作裡也體驗過。如果你對自己的 codebase 有完整的理解，你就能比不懂的人更狠地推 LLM。因為你心裡有一把尺，知道「好的解法長什麼樣」，你可以說「不，這邊可以更簡單」、或者「我們不是已經做過 X 了嗎？」、或者「能不能用我們熟悉的詞彙來描述這個問題？」。
這呼應了我之前寫過的想法：系統設計的問題，是被具體細節綁死，而不是被通用原則綁死。兩者都有用，但如果只能選一個，我寧可熟悉 codebase，也不要「對軟體系統有很深的一般性理解」。在陶哲軒的對話裡，他問了很多非常具體的問題，像「這裡 X 行不行？」，或「給定 Y 跟 Z，為什麼會是 A？」。我沒辦法對 Jacobian 猜想問這種問題，但我可以對我在 GitHub 開發的系統這樣問。
如果你沒有領域知識，還是可以抱著 LLM 至少拿到一點東西。這也不差！但如果你有領域知識，你就能從同一個 LLM 裡榨出多很多倍的價值，方法是狠狠地把它推向你要的方向。我們大多數人都會兩種混著用——在某些領域有專業，在另一些領域沒。
領域知識的價值告訴我們：即使模型越來越強，人類的專業仍然會繼續有用。在許多任務裡，瓶頸是人，不是模型，因為困難的部分是「如何把你想要什麼樣的解法，準確地告訴模型」。資訊已經「在模型裡」了，但要把它抽出來，需要一個非常聰明的人。
編按：本文是後續補充，回應 Hacker News 上許多留言。有些留言分享自己的親身經歷，說專業如何幫上忙、缺乏專業又怎麼被坑過。也有留言說這說法 plausibly 對，但對「這種讓人覺得自己還有價值」的觀點保持合理懷疑——我同意這點，但我想，當我們真的有時間認真研究這題的時候，地面又已經變了。也有留言指出 OpenAI 的數學 prompt 本來就不專業，所以根本不需要專家——我的回應是：OpenAI 確實有一整個專家數學團隊，負責檢查、篩選模型提出的發現，這一步你現在沒辦法跳過。
如果你喜歡這篇文章，可以訂閱 email 收到新文章通知，或在 Hacker News 上分享。
相關延伸閱讀：
陶哲軒：Jacobian 猜想反例的消化筆記（terrytao.wordpress.com） 陶哲軒與 ChatGPT 的 Jacobian 猜想對話紀錄（chatgpt.com） 陶哲軒對 AI 在數學領域角色的系統性看法（teorth.github.io） Sean Goedecke 另一篇：AI models need moral support to make discoveries
為什麼這件事重要
陶哲軒那則跟 ChatGPT 對話的截圖在技術圈傳開之後，大家才真正意識到一件事：LLM 不是抹平專業差距的工具，而是放大專業差距的工具。同一個模型、同一個 token 額度，陶哲軒能問出「這個反例的 Jacobian determinant 為什麼剛好不為零？」這種只有訓練過代數幾何的人才問得出的問題；一般人就算把 prompt 寫得再漂亮，挖到的也只是表層。
這件事直接挑戰過去兩年 AI 界的最大敘事：「AI 民主化 = 任何人都能用 AI 做出專業成果」。Goedecke 用一個乾淨的對比說破了這個幻象：模型很強沒錯，但模型輸出的價值，取決於你能不能問出對的問題。而「問對問題」這件事本身就需要專業。
這對所有「AI 取代白領」預測是個當頭棒喝。會計師不會被 AI 取代，但會用 AI 的會計師會取代不會用 AI 的會計師——前提是，他們必須先具備會計師的專業，才能榨出 AI 的價值。換句話說，AI 不是讓外行人變內行的捷徑，而是讓內行人變頂級的加速器。
數據解讀：HN 901 分、留言 377 則背後的訊號
這篇文章在 HN 衝到 901 分、377 則留言，是 2026 年 8 月初最熱門的 AI 議題之一。但更值得注意的是留言區的兩極化：一派人用自己的親身經歷佐證「專業確實讓 LLM 增強好幾倍」，另一派人則對「這種讓工程師自我感覺良好的觀點」保持警覺。
留言區最大的對話串圍繞在同一個實驗：給沒有專業背景的人一台電腦 + 一個 LLM 看會發生什麼。實驗結果分歧得離譜——有人兩小時卡在「怎麼複製貼上」就放棄，有人三個月後自己搞定 Arch Linux + Hyprland。這個分歧本身就是答案：LLM 的價值取決於使用者的內在動機與既有素養，而不是「AI 抹平一切」這種迷思。
對企業 AI 採購的意涵也值得記下：花大錢買最強的模型，卻把使用權開放給完全沒受過訓練的員工，是一種結構性的浪費。真正的 ROI 出現在「讓頂尖的人用最強的工具」這個組合，而不是「讓所有人用 AI 變頂尖」。
補充：陶哲軒的 ChatGPT 對話為什麼是教科書級別
陶哲軒 7 月 21 日發表的 Jacobian 猜想反例「消化筆記」，是他把 Claude Fable 5 找出的反例餵回 ChatGPT、一步一步「壓」出反例意義的過程。陶哲軒的提問模式啟發了整個 prompt engineering 社群：
- 問題非常具體、非常短：「這裡 X 嗎？」、「給定 Y 跟 Z，為什麼是 A？」
- 拒絕接受看起來怪但沒解釋的東西：會在 ChatGPT 試圖用行話矇混時追問
- 自己腦中已有替代方案：要模型驗證，而不是從零開始要模型給答案
Goedecke 在原文最後也提到，有 HN 留言反駁說「OpenAI 的數學 prompt 本來就不專業，所以不需要專家」。但這個反駁剛好打到自己——OpenAI 內部確實有專家團隊在檢查、篩選模型輸出，這一步你沒辦法跳過。換句話說，模型再強，最終的瓶頸還是在懂的人身上。
Siami 觀點：這跟 Anthropic 同週的 CVE 假漏洞事件是同一件事
把時間拉回 2026-08-04 當週，讀者應該已經注意到 Anthropic 旗下 Claude Fable 5 的兩件大事：
- Jacobian 猜想反例：Claude Fable 5 用代數幾何領域 90 年懸案的模型工具，但這份發現需要陶哲軒等級的專家才能「消化」
- .jv.dev SQLite 假漏洞：Claude 自行編造 6 個 Critical CVE 編號，全是幻覺
兩件事放在一起，Goedecke 的論點就更清楚了：
- 強模型可以「生成」看似專業的內容（PhD 級數學、Critical CVE 報告）
- 但能不能「驗證」這份內容，完全依賴使用者的專業
- 把沒有專業的使用者放在 Claude 面前，就像把 novocaine 給牙醫一樣——他們沒辦法判斷模型什麼時候在胡說
網友熱門留言 (5)