為什麼標籤式答案沒有用
問「化學系和化工系差在哪」，九成的答案是「化學偏理論、化工偏應用」。問「資工和電機」，答案是「一個偏軟、一個偏硬」。這些說法都有幾分道理，但你有沒有發現：聽完之後，你還是做不了任何決定。
原因很簡單——這種答案把一個科系壓縮成一個形容詞，而你真正需要知道的是：這個系的人每天在解什麼問題、用什麼工具、交什麼作業、畢業後坐在哪張桌子前面。標籤式答案最大的風險不是錯，是讓你以為自己已經懂了，然後帶著錯誤的想像填下志願。
比較科系，其實在比四件事
把任何一個科系攤開來看，值得比較的維度就四個：
- 解什麼問題：這個系存在的理由。化學系問「分子為什麼長這樣」，化工系問「這個反應怎麼放大一萬倍還能穩定運作」。
- 用什麼工具：數學用到多深、實驗做到多多、程式寫不寫、模型建不建。工具決定你四年的日常手感。
- 在哪個尺度工作：同一個產業裡，有人處理原子與分子，有人處理反應器與產線。尺度不同，思考方式完全不同。
- 最後產出什麼：一篇論文、一個分析報告、一張製程流程圖、一個可以量產的配方——產出形式就是未來工作的預告片。
「偏理論 vs 偏應用」之所以隔靴搔癢，就是因為它把這四個維度硬壓成一個。下面的 8 層拆法，就是把它們重新展開的步驟。
8 層拆法
順序刻意設計成「先破後立、由抽象到具體、最後回到自己」：
- 拆除模糊標籤——先列出你聽過的所有說法（偏理論、偏應用、比較好找工作），逐一問：哪裡對？哪裡誤導？漏了什麼？先清空錯誤框架，否則後面查到的資訊都會被塞回舊標籤裡。
- 比較實際在解什麼問題——兩系各列出四、五個「具體到能想像」的問題。抽象定義沒有用，「如何控制反應的溫度壓力讓產率穩定」才有畫面。
- 比較課程真正訓練的能力——不要只看課名。兩個系都有「物理化學」，訓練目的可能完全不同。每門核心課問：研究對象是什麼？作業長什麼樣？用到哪些數學？另一個系學不學、為什麼？
- 用同一個案例做跨尺度比較——挑一個兩系都會碰到的東西（一顆藥、一顆電池、一片晶圓），從最微觀的原理一路拆到量產，標出兩系各自深耕哪幾層、哪幾層必須合作。這是整套方法的記憶錨點。
- 比較四年的實際日常——大二到大四，兩系學生各自在上什麼課、交什麼作業、做什麼實驗、最容易在哪裡挫折。這才是你真正要「購買」的四年。
- 比較研究所與職涯分工——「都能進某某產業」是第二層模糊標籤。要問的是：進了同一間公司，兩系的人分別坐在哪個部門、負責什麼問題？
- 建立適合誰的判斷題——把前六層的差異轉成十幾題情境題（喜歡追問微觀的「為什麼」，還是喜歡在限制條件下設計「怎麼做」？），每題標注偏向與例外。
- 整合成完整答案——收束成一段你能轉述給家長聽的答案，外加一份可執行的下一步清單。
想看這 8 層實際跑起來的樣子，我們用最常被混為一談的組合做了完整示範：台大化學系 vs 化工系。
怎麼查證：別只看系所宣傳
系所網站的「本系特色」是行銷文案，不是決策資料。查證的優先順序：
- 官方必修科目表與課程地圖：系網的大學部課程頁是第一手來源，看的是「你逃不掉的課」。
- 課程大綱：大學的課程網（例如台大課程網）可以查到每門課的週次進度與評分方式——作業形式比課名誠實得多。
- 教授與實驗室清單：看這個系的老師實際在研究什麼，比看系所簡介準。
- 企業職缺：到求職網站搜尋兩系畢業生常見的職稱，看「要求條件」欄位寫了哪些課名與技能。
- 學長姐訪談：用科系探索訪談清單問細節，特別是第 5 層的日常與挫折點。
一個好用的轉譯習慣：每看到一句宣傳文字，就強迫翻譯成四個問題——學生實際要做什麼？用哪些知識？產出什麼？和另一個系差在哪？翻譯不出來的句子，就不要讓它影響你的決定。
把流程交給 AI：模板下載
這套 8 層拆法可以直接交給 AI 執行初步整理。我們把「產生比較 Prompt 的 Prompt」做成了模板——填入學校、兩個科系、你聽過的標籤說法和共同產業案例，就能生成一份完整的科系深度比較 Prompt，丟給任何 AI 使用：
科系比較 Prompt 產生器（Markdown，可匯入 Notion）、CSV 版。
兩個使用原則：第一，AI 產出的內容一律要用上一節的查證清單覆核，特別是課名與職缺——資料不足時寧可標註「無法確認」，不要讓 AI 替你補造。第二，AI 能加速的是第 1 到 6 層的資料整理；第 7、8 層的判斷與整合，永遠是你自己的功課。