目錄
最近Gemini的banana服務推出後，網路上愈來越多說要退訂ChatGPT改訂Gemini，我…就跟風一波，但我同時訂閱兩邊的服務(我盤爛)，在使用一個月後，記錄下我初步的觀察，希望能給你一些啟發。
核心觀點：Gemini 用於探索問題、ChatGPT 用於精確答案
在目前的協作工作流中，我將 Gemini 定位為「策略發想與資料檢索」的首選。它的優勢在於對最新資訊的抓取速度極快（個人猜想和背後有Google搜尋引擎加成拖不了關係），且能精確鎖定極度複雜且困難問題的大方向（連我輸入問題的當下，都不確定能不能解）。然而，Gemini 的致命傷在於「幻覺」的頑固性——即便切換到思考型模式，它對自身錯誤的核實能力依然偏弱，甚至會將錯誤邏輯內化為對話主軸，導致該對話視窗失效。
相對而言，ChatGPT 則扮演「邏輯查核與細節微調」的審計師。當 Gemini 給出具體操作步驟（例如如何在NAS上部署n8n容器）卻在細節出錯時，我會將整段回答內容丟給 ChatGPT的Thinking模型。它會以非常慢但較嚴謹的節奏，逐段拆解、查證邏輯漏洞，回答時有較高機率修正那些看似合理實則不通的教學指令，可是一個Thinking模型的回答，都會比Gemini Pro級的模型回答慢兩到三倍。
實戰案例：跨系統部署的除錯邏輯
以我最近在NAS系統中架設n8n並串接AI服務的經驗為例：Gemini 提供的部署框架非常符合直覺，方向完全正確，但在具體的執行程式碼實作上卻有許多紕漏。我在使用ChatGPT 的Thinking模型，讓它判斷出環境配置的矛盾點並予以修正，但答案依舊不是100分，只不過是從不可用的60分，變成較可用的90分，剩下10分就是我靠經驗補足上去的。雖然 ChatGPT 的運算時間明顯長於 Gemini，但這份「慢」換來的是更高的回答正確率。
但如果從一剛開始就透過ChatGPT 的Thinking模型進行問答，反而沒辦法達到Gemini那麼好的大方向，他在使用搜尋引擎試圖解答時，很容易就達偏，不符合我心中要的方向，但我在這個問題的瞭解程度上，其實也只有10%不到，所以…也不能完全怪ChatGPT或Gemini笨啦（我是灌老闆）
關於 AI 槓桿的專業自覺
每個月投入約 1,200 元在 AI 服務上，成本確實不低，但這是我目前能找到最高效的能力槓桿。它讓我從一個專業領域的入門階段快速跨越到中階程度，大幅縮短了知識初期蒐集與了解的週期，但深入內化，依舊要自行實踐才會理解。但我始終提醒自己兩件事：
- 背書責任：無論 AI 輔助生成的內容多麼完美，最終產出的背書人是我自己。我不能、也不會因為是 AI 生成的就放棄對專業形象的堅持。
- 輔助而非取代：AI 負責放大我的產能，但核心的判斷與價值取向仍掌握在人手中。
目前的「雙AI服務」的模式，是利用 Gemini 的廣度進行快速的問題方向探索與定義，再藉由 ChatGPT 長年累積對我的理解進行回答上的精修。這種組合雖昂貴，但能解決原本只用單一AI服務時，無法回答專業上困難的問題，各有所長嘛，就…每個月投一堆錢玩兩個很貴的遊戲
