演算法的本質，就是將「從現狀到目標」的過程寫下來，然後讓機器重複執行，不需要執行者思考。
問題在於，這套邏輯一旦倒置在人與 AI 的分工裡，就出現了一種荒謬：AI生成設計，人負責把結果「搬」出去——格式化輸出、確認、點擊發送，充當機器的打雜（transport layer）。
每個步驟都沒有思考，因為思考已外包。
工具的進步確實解放了重複勞動，但設計的能力需要持續操練才能維持。幾何學之所以是計算思維的最佳訓練，正因為它不讓你跳過中間步驟——你必須自己走過每一個推論，才算學會。
真正懂得用 AI 的人，會與機器討論方法、挑戰假設，甚至是要 AI 解釋它思考和執行的過程，然後從中反向解構出各種不同的「演算法」。
以下就是其中一例（在影片中我提到做 summary 的演算法）：
首先是「高維度的整體流程」：不論是影片還是文章，將原始內容視為一個 token 序列，逐段形成「局部理解」，再在更高一層上壓縮成「全局結構」。可以粗略分成四層：
解析層：把內容切段、標記說話者、時間、段落邊界。
理解層：在每個小段落內抽出命題（who/what/when/why/how）。
結構層：把命題聚集成主題、論點、因果鏈、時間線。
壓縮層：依照指定的用途與風格約束，將結構壓縮成目標的摘要形態。
然後是逐字稿摘要。假設是字幕或逐字稿，步驟如下：
分段與標記；先按「自然語意斷點」分段，通常以 1 至 3 句為單位。
根據每個分段的「局部理解」寫成「微摘要」；並標記該段的功能，例如：陳述事實、提出論點、舉例、反駁、轉折、結論等。
之後就是在更高一層上，聚類與排序，並找出每個分段中，主要實體之間的關係是什麼，例如誰對誰做什麼，在甚麼條件下，結果是甚麼等？根據以上結構，整體出以下元素：
背景與問題設定
核心論點（1、2、3）
反駁
結論
當然，你也可以簡單的輸入叫 AI ：Please summarize for me _________ 。
但如果你想每次得到的輸出比較一致，下次可以在 AI 給你滿意答案之後，請它解構自己是如何完成你所交代的任務，將過程寫成可以重覆使用的 skill ，同時也提升自己思考程序的能力。
