[AI 影響] Bun用AI在11天內完成Rust重寫的啟示

 [AI 影響] Bun用AI在11天內完成Rust重寫的啟示

摘要 : Bun以AI協作流程在11天內將53萬行Zig重寫為Rust，效能提升且更安全。

內容:

最近開源社群出現一個很受矚目的案例：JavaScript工具 Bun，將原本53萬行的 Zig 程式碼，在11天內重寫成超過100萬行的 Rust 程式碼。Bun本身是很流行的 JavaScript 執行與開發工具，能處理執行、安裝依賴、打包與編譯，每月下載量超過2000萬次。這種規模的重寫，過去通常需要一個小團隊投入約一年的時間。

這件事特別值得注意，不只是因為速度快，更因為它證明了大型程式碼庫的重構，未來可以在AI協助下變得可行。過去多數人即使會用AI寫功能，也很少接觸幾十萬、幾百萬行程式碼的重構，因為時間與成本太高；而 Bun 這次提供了一個實際樣本。

在重寫策略上，作者沒有選擇增量替換，而是採取一次性全量重寫。原因是增量重寫雖然看似穩妥，但在中短期內會造成雙語言或雙系統並存，維護成本反而更高。此外，這次重寫並不是先大幅改造設計，而是先盡量保持原有邏輯不變，將 Zig 程式碼直接翻譯為 Rust，等到正式上線後再逐步調整成更符合 Rust 習慣的寫法。

真正關鍵的，是作者採用了 loop engineering 的方式：先明確任務邊界，再讓 AI 在邊界內反覆循環執行。整個流程分成寫程式碼、評審程式碼、修復問題三個環節，並以約50個並行工作流持續跑了11天。作者主要負責監控流程，若發現問題，就去修改整個 loop，而不是手動修某一段程式碼，因為調整流程才能避免後續任務重複犯同樣錯誤。

在品質控制上，作者用了對抗式評審：讓獨立上下文中的另一個 AI 專門審查剛產生的程式碼，且預設立場是「這段程式碼可能是錯的，請找出問題」。這種做法模仿人類工程中的程式碼評審機制，讓實作者與評審者角色分離，避免同一個模型在同一脈絡裡傾向為自己辯護。這也帶來實務啟發：AI寫完程式碼後，應另外開新上下文，只提供改動內容，要求它從反方角度找錯，往往比自我檢查更有效。

最終結果是，Rust版本不僅通過全部測試，還帶來記憶體安全，從根本上減少 use-after-free 這類問題。作者形容這次上線是「boring is good」—— Rust版安靜、穩定地上線，幾乎沒人察覺。這個案例也說明，當多個 AI agent 能持續並行工作時，人的角色並沒有消失，而是從親自寫程式轉向設計、監控與優化整個系統流程；這或許正是 loop engineering 真正的價值。

[AI 分享] 反向提問讓AI變身戰略顧問

 [AI 分享] 反向提問讓AI變身戰略顧問

摘要 : 與其直接向AI要答案，不如讓AI主動提問，幫助理清思路並制定可落地行動方案。

內容:

最近有一個相當顛覆的研究觀點指出，直接向AI提問，未必是最高效的使用方式。相比一味追著AI要答案，更有效的方法可能是反過來操作，讓AI主動向人提問。

這種方式的核心在於角色互換。當一個人腦中資訊混亂、暫時沒有方向，或還沒釐清真正問題時，可以先給AI一段明確指令，讓它不再只是被動回答的工具，而是切換成主動引導的「專屬戰略顧問」。

在這個模式下，AI不再等著使用者發問，而是主導對話節奏，透過連續、高質量且有穿透力的提問，逐步協助使用者摸清現狀、拆解問題、找出關鍵線索。這樣的過程能有效啟動思考，將原本零散混亂的資訊重新整理清楚。

最終，AI不只是提供片段答案，而是能陪著使用者一步一步梳理思路，並共同形成一份具體、詳細且能實際落地的行動規劃。

簡單來說，這段提示詞的價值在於，能讓AI從被動回答模式，快速切換成主動拆解問題的專業顧問模式，特別適合在思路卡住、需要釐清方向時使用。

[AI 分享] 差異化定位

 [AI 分享] 差異化定位

摘要 : 同質化市場中，品牌可透過競品分析、需求挖掘與心智標籤建立清晰差異化定位。

內容:

在產品功能與價格都相差不大的市場裡，差異化定位的核心，是讓品牌在使用者心中佔據一個清晰且有辨識度的位置。這種差異不是品牌自認為的不同，而是使用者能明確感知、理解，並願意為之付費的價值主張，也就是給使用者一個選擇你的明確理由。

判斷差異化定位是否有效，可看三個標準：第一，使用者能一眼看懂，並在實際使用中感受到；第二，和競品有明顯區隔，且不容易被快速複製；第三，能吸引願意付費的目標使用者，支撐長期經營。若只是做些表面功能微調、但使用者無感，就是典型的「自嗨式差異化」。

真正有效的做法，通常是從使用者真實需求出發，聚焦特定人群或場景，透過持續迭代的價值主張建立認知。許多成功品牌，往往不是什麼都做，而是專注解決某一類人、某一個場景中的關鍵問題，因此更容易被記住，也更容易形成共鳴。

在實操上，做差異化之前要先分清競爭對手，包括直接競品、間接競品、替代品類與潛在進入者。可透過表格動態整理競品清單，並結合行業報告、公開資料、使用者訪談、論壇社群討論與流量工具觀察，逐步建立競品畫像、競爭力雷達圖與差異化機會矩陣，看清市場空白與痛點。

進一步對標競品時，可以從產品功能、使用者體驗、技術能力與真實使用場景等層面拆解，找出哪些需求是使用者在意、但市場還沒做好或沒人深挖的。很多突破口，往往就藏在那些未被滿足的小需求裡，最後再回到自身優勢，提煉出具創新性的定位方向。

差異化定位落地的關鍵，是搶佔使用者心智：先評估自身市場位置與優劣勢，再挖掘未被滿足的需求空白，最後用極簡清晰的標籤去佔位，並持續在產品、傳播與服務中反覆強化。若再搭配STP模型、價值曲線、使用者分層與痛點分析等工具，並依市場回饋持續調整，品牌才能真正建立長期且穩固的認知壁壘。

[AI 分享] Claude Opus 5登場

[AI 分享] Claude Opus 5登場

摘要 : Anthropic推出Claude Opus 5，主打程式設計與企業應用，效能提升、成本降低，並登陸多個平臺。

內容:

Anthropic正式釋出Claude Opus 5，定位為面向程式設計與企業業務的高強度工作主力模型，並已登陸多個平臺。這次更新主打效能提升與實務應用能力強化，特別鎖定開發者與企業用戶需求。

在模型能力方面，Opus 5被視為Claude Pro系列中的最強版本，程式設計表現已接近Fable 5，但整體價格僅需對方的一半。相較前代Opus 4.8，Opus 5在多項能力上都有明顯升級，整體任務完成效率也大幅提升。

根據測試結果，Opus 5在軟體工程相關測試中的表現優於多數競品，任務完成能力更達到Opus 4.8的兩倍。在最高推理檔位下，Opus 5的成績已接近Fable 5，但成本控制更具優勢，展現出高性價比。

在ARC AGI 3測試中，Opus 5的得分達到第二名模型的三倍，顯示其在高階推理與複雜任務處理上的突出能力。即使在最低推理檔位下，Opus 5在自動化任務測試中的完成任務量，仍優於其他模型，代表其基礎效能同樣相當強勁。

Opus 5也支援百萬級上下文，定價則維持不變，進一步提高長文本與大型專案處理能力。另一方面，Opus 4.8新增Fast模式以提升速度，但目前尚未全面上架至部分雲平臺。

在實際工作表現上，Opus 5具備一定程度的自主檢查與糾錯能力，面對日常任務時可主動進行核驗，並持續最佳化輸出結果。它也能修復漏洞與處理部分邊緣場景，不過也因為過度校驗傾向，可能導致預設輸出內容變得更長。

安全性方面，Opus 5的安全約束相較Fable 5略弱，但對部分高風險安全相關操作仍然設有限制。整體來看，Opus 5觸發安全限制的情況更少，而在遇到限制時，系統也可自動切換至Opus 4.8，以維持任務處理的連續性。

[AI 分享] Cursor 與 Claude Code 怎麼選

 [AI 分享] Cursor 與 Claude Code 怎麼選

摘要 : 從介面、工作流、模型與擴充性比較 Cursor 與 Claude Code，並給出實際選型建議。

內容:

這篇內容聚焦比較 Cursor 與 Claude Code，幫助正在兩者間猶豫的人快速釐清差異。影片也先整理幾個常見概念，包括帶 AI 功能的程式碼編輯器、終端 CLI 助手、Agent 模式，以及上下文視窗等，方便理解後續比較。

Cursor 的核心特色是延續 IDE 的使用習慣，介面熟悉、上手自然。可透過 Composer 以自然語言生成與修改程式碼，並即時審查結果，維持流暢的編輯體驗。它也支援多種模型，並能利用 Cursor Rules 讓 AI 遵守專案規範，雖然彈性高，但需要一些前期配置。

在日常編碼體驗上，Cursor 的智慧補全表現亮眼。使用者可以透過快捷鍵接受多行建議，或逐步確認內容，大多數操作都能在不離開鍵盤的情況下完成，對熟悉 IDE 工作流的人來說相當順手。

Claude Code 則走完全不同的路線，主打終端操作與自然語言驅動。啟動後每一步指令都清楚可見，透明度高。它的 Agent 模式是強項，搭配 MCP 協議後，還能連接本地資料庫或 API，更適合執行複雜的自動化任務。

在記憶與上下文管理方面，Claude Code 也有明顯優勢。它可透過 Claude MD 自動載入專案背景，並以 Memory 機制在多次對話中保留關鍵資訊，減少重複說明的成本，特別適合長流程、多步驟的協作場景。

最後的選型建議很務實：若團隊工作方式以 IDE 為中心，Cursor 會是較穩妥的選擇；若偏好終端、自動化與代理式工作流，Claude Code 更貼近需求。也不必被單一功能綁住，兩者可以搭配使用，重點不是哪個最好，而是哪個最適合你的工作方式。

[AI 分享] 用巴甫洛夫效應賣出高價

 [AI 分享] 用巴甫洛夫效應賣出高價

摘要 : 產品想賣貴，關鍵不只講功能，而是讓顧客把產品與美好場景、情緒和身份感連結起來。

內容:

如果你想把產品賣得更貴，核心往往不只是提升品質，而是讓顧客在腦海中，將產品和某種美好的場景、情緒或生活方式建立連結。這背後對應的，就是巴甫洛夫效應在商業中的應用。

巴甫洛夫實驗說明的是，當某個訊號長期和某種感受綁定之後，人們即使只接收到訊號，也會自然喚起對應反應。放到銷售裡，顧客真正有反應的，常常不只是產品本身，而是產品所代表的場景、情緒、身份象徵，以及使用後的結果感受。

例如，同樣是賣牛排，如果只是說「原切黃牛肉、冷鏈配送、肉質緊實」，顧客通常只會想知道一斤多少錢；但如果換成「週五晚上不用訂餐廳，在家也能享受一場有儀式感的雙人晚餐」，顧客腦中浮現的就是燈光、餐盤、紅酒杯和兩人共享的氛圍。這時候賣的就不只是牛排，而是一種生活品質與體驗，因此價格也更容易被接受。

很多老闆的問題在於，只會老實地講功能和品質，結果顧客看到的只是成本與參數，接著自然進入比價模式。當產品無法在顧客心中形成「我願意多花一點錢」的具體畫面，再好的品質也很難支撐更高售價。

品牌打造也是同樣的原理。以可口可樂為例，如果只談功能，它不過是一瓶有氣的甜飲；但它長年透過紅色視覺、冰塊氣泡、漢堡、足球、聚會、聖誕節等元素，持續把品牌和快樂、分享、團聚這些積極情緒綁定在一起。所以消費者想到可口可樂時，想到的往往不是飲料本身，而是幸福、熱鬧與熟悉的集體記憶。它賣的其實是那些美好瞬間。

這種做法也適用在各類產品上。像兒童牙膏，如果只講低氟配方、水果味，家長就會拿去比較成分、容量和價格；但如果表達成「讓孩子晚上少一次抗拒刷牙，讓媽媽少一次睡前拉扯」，那賣的就是家庭和諧、媽媽的省心，還有睡前那十分鐘的安寧。

香氛產品也是一樣。只說留香久、味道自然，顧客還是在問價格和使用天數；但如果說「推開家門那一刻，就像回到一個乾淨、放鬆、有質感的空間」，那賣的就不只是香味，而是回家後的鬆弛感。

衝鋒衣如果只談防風、防水、透氣、耐磨，顧客會一直比規格；但如果換成「週末進山時，天氣突然變了也不慌」，顧客買到的就是戶外情境裡的一份安全感與安心感。

禮盒也是如此。若只介紹內容物、包裝設計，顧客仍然會計算值不值；但若說成「拜訪客戶放在前台不失禮，送長輩拿出手也不寒酸」，那賣的就不是食物，而是關係中的體面感與自己的形象。

因此，真正能讓產品價格站得住的，不是「高級」、「匠心」這類空泛標籤，而是能不能在顧客腦中刻畫出一個具體且有價值的畫面。畫面越清晰，顧客越能感受到產品價值，也越不容易只拿它去和別人比價。

總結來說，想讓顧客願意多付錢，靠的不是口號，也不是單純堆功能，而是把產品放進顧客已經認同的高價值場景裡。當產品和美好生活、放鬆感、安全感、體面感或幸福感建立了穩定連結，它的價格自然就更容易被接受。

[AI 分享] Apple 憑證與描述檔設定流程

[AI 分享] Apple 憑證與描述檔設定流程

摘要 : 整理 Apple Developer 中 CSR、憑證、App ID 與 Profile 的建立與安裝流程。

內容:

本文主要整理 Apple Developer「Certificates, Identifiers & Profiles」的操作流程，目的是完成 iOS App 簽署所需的身分識別、憑證與描述檔設定。

首先需在 Mac 的「鑰匙圈存取」中建立 CSR（憑證簽署要求）。開啟「鑰匙圈存取」後，不要先選任何項目，從上方選單進入「憑證輔助程式」並選擇「從憑證授權要求憑證」。電子郵件可隨意填寫，一般名稱則建議填入易識別名稱，勾選「儲存到磁碟」後匯出 .certSigningRequest 檔案，通常會儲存在桌面。

接著可視情況處理 CSR 對應的本機憑證。雙擊剛建立的 CSR 後，系統會跳出憑證輔助程式視窗，可使用預設選項替自己製作憑證。完成後，可在「鑰匙圈存取」的「密鑰」頁籤看到公私鑰，在「憑證」頁籤看到憑證；若未立即顯示，可嘗試關閉後重新開啟鑰匙圈存取。

若使用的是院方或第三方提供的憑證，則需向對方索取 p12 私鑰檔與其開啟密碼，並匯入到鑰匙圈中。完成這些步驟後，才能取得可用的簽署身分識別。

在 Apple Developer 後台中，登入後切換到目標帳號，進入「Certificates」頁面新增憑證。依需求選擇 Development（開發用）或 Distribution（部署用）類型，接著上傳前面產生的 CSR 檔並完成建立。建立成功後下載 .cer 憑證檔，雙擊安裝至 Keychain Access，安裝後通常會顯示類似「iPhone Distribution: Name (Team ID)」的項目。

之後需在「Identifiers」中新增 App ID。進入該頁後按下新增，選擇 App IDs 與 App，填寫辨識名稱與 Bundle ID，並依 App 功能需求勾選對應能力，確認後註冊即可完成。最後到「Profiles」中新增描述檔，依用途選擇 Development、Distribution 或 In House，指定對應 App ID 與憑證；若為 Development，還需選取要加入的測試裝置。命名 Profile 時建議加上用途或開發工具名稱以利辨識，產生後下載 .mobileprovision 並安裝，即可供 Xcode 或其他開發工具使用。

[AI 分享] Google AI開發框架Day1重點

 [AI 分享] Google AI開發框架Day1重點

摘要 : Google將AI開發共識整理成框架：vibe coding、agentic engineering、context engineering與token成本思維。

內容:

現在有大量專業開發者已經在使用AI Coding Agent，甚至相當比例的新程式碼已由AI產生。但「vibe coding」與「agentic engineering」這些詞經常被混用，導致討論失焦。Google近期推出五天AI開發課程，嘗試把業界逐漸形成的共識整理成正式框架，而這段內容主要濃縮的是Day1的核心觀念。

首先，vibe coding與agentic engineering不是非黑即白，而是一條光譜。從低結構性的vibe coding，到中間的structured AI-assisted coding，再到高紀律的agentic engineering。差異不在於有沒有用AI，而在於AI輸出的規格化程度、驗證方式，以及人類是否設下邊界與判斷機制。像是原型開發可以偏向vibe coding，但若是金流、正式API等高風險場景，就必須走向agentic engineering。

這條光譜上最關鍵的分水嶺是「驗證」。Google強調，沒有tests與evals，再精緻的prompt本質上仍然只是vibe coding。tests用來驗證可確定的輸入輸出，evals則檢查agent的路徑、工具使用與最終品質是否符合標準。換言之，真正成熟的AI開發，不是讓AI一直試錯，而是把驗證系統先建立起來。

若想從vibe coding走向agentic engineering，真正該強化的不是prompt engineering，而是context engineering。這可以理解成替AI做完整的入職訓練：除了任務本身，還要提供角色邊界、領域知識、記憶、範例、可用工具與硬性約束。這些context又可分為static與dynamic兩種：前者穩定但昂貴，後者彈性且省token，但必須設計好何時載入，這本身就是架構決策。

在dynamic context管理上，課程特別強調agent skills的重要性。與其把所有知識都塞進system prompt，不如讓agent先保持通用，只有在任務匹配時才載入對應skill，這種做法稱為progressive disclosure。它能讓同一個agent帶著多種專業能力，但只在需要時支付token成本。同時skills也應持續迭代、模組化維護，避免過大、難追查，否則一旦輸出失準，很難找到是哪個skill造成偏差。

最後，AI正在重塑整個SDLC，也就是軟體開發生命週期。真正被大幅壓縮的是implementation，寫程式可能從數週縮到數小時；但需求訪談、架構決策與品質驗證，多數仍由人主導。因此，AI不是單純讓舊流程加速，而是讓流程邊界變模糊、迭代週期縮短，並把spec品質、context設計與驗證系統，推升為新的核心競爭力。越早建立這些工作系統的人，後續使用AI的效率與成本通常都會更有優勢。

[AI 分享] GPT 5.6 模型選擇指南

 [AI 分享] GPT 5.6 模型選擇指南

摘要 : GPT 5.6 新增多層選項，重點是先選模型，再選思考深度，必要時才用 Ultra 與 Max。

內容:

GPT 5.6 發布後，許多人第一時間感到困惑，因為模型選項一下子變得很多。除了 Luna、Terra、Soul 這三種模型，還有 Low、Medium、High、XIGH、Max，以及 Ultra 等設定。過去使用 ChatGPT 時，多半只需要思考怎麼提問，現在則變成提問前還要先做一輪選擇。

首先可以把 GPT 5.6 的三種模型，理解成三種不同的交通工具。Luna 像電動車，速度快、成本低，適合大量且重複性的任務，例如翻譯、整理會議記錄、批次生成標題、提取表格資訊、客服分類，或快速回答簡單問題。這類任務重點在效率與規模，不需要模型花太多時間深度思考。

Terra 則像家用汽車，在效能、速度與成本之間取得平衡。大多數日常工作直接選 Terra 就足夠，例如撰寫一般文案、分析資料、製作方案、修改程式碼、處理工作文件等。這些工作需要一定思考，但還不到必須動用最強模型的程度，因此 Terra 是最適合多數場景的通用選擇。

Soul 像專業工程車，適合處理困難程式設計、複雜研究、重要決策，以及對成果品質要求很高的任務。例如排查隱藏很深的程式故障、分析大量資料、設計完整商業方案，或處理錯誤代價特別高的工作。簡單來說，第一層選擇可以記成：簡單大量選 Luna，日常多數任務選 Terra，複雜重要任務選 Soul。

第二層選擇是 Low、Medium、High、XIGH 和 Max。這些並不是不同模型，而是模型願意花多少時間思考的設定。可以把它想像成同一位員工，在五分鐘內交答案，和花一小時檢查資料後再交答案，品質自然可能不同。Low 適合簡單且追求速度的任務；Medium 是最均衡的預設檔位；High 和 XIGH 適合需要認真分析、檢查，以及多步推理的問題。

至於 Max，它代表讓模型盡可能多花時間處理任務，但並不適合長期開啟。因為思考時間越長，等待時間與使用成本通常也會增加。若只是簡單任務卻開 Max，就像找一個專家團隊開三小時會議，只為了修改一句標題，明顯不划算。OpenAI 的建議也是先從 Medium 開始，只有在實測發現 High 或 XIGH 能明顯提升品質時，再往上調整；Max 則留給最困難、且品質優先的任務。

第三層是 Ultra。Ultra 和 Max 並不是同一種概念。Max 是讓單一模型思考更久，而 Ultra 更接近同時派出多個 AI 智慧體並行工作。官方預設會協調四個智慧體，讓它們分別處理不同方向的內容，再整合成最終結果。舉例來說，如果要做一份行業研究，可以讓一個智慧體研究市場規模，一個分析競爭對手，一個整理技術趨勢，另一個負責檢查結論，最後統一生成報告。這種可以拆分成多個獨立部分的任務，Ultra 才能發揮價值。若只是翻譯一句話，或問明天穿什麼，使用 Ultra 幾乎就是浪費算力。

另外，也提醒開發者一個常見陷阱：在 API 中如果直接呼叫 GPT 5.6 這個名稱，實際上通常會指向 Soul，而不會依照任務自動幫你切換 Luna、Terra 或 Soul。也就是說，如果以為系統會自動選最划算的模型，實際上可能每個簡單任務都在用成本最高的 Soul。

在成本方面，若以相同輸入 100 萬 token、輸出 100 萬 token 來計算，Luna 大約是 7 美元，Terra 約 17.5 美元，Soul 約 35 美元。也就是說，Soul 的成本大約是 Luna 的 5 倍。雖然實際費用還會受到輸出長度與執行效率影響，但在大量任務情境下，選錯模型會帶來很明顯的成本差距。

最後，文中整理出一套簡單的選擇公式。第一步，如果什麼都不確定，就先選 Terra 加 Medium。第二步，如果任務需要更快、更便宜，或是批次處理，就改用 Luna。第三步，如果任務困難、重要，或做錯代價很高，就換成 Soul。第四步，如果模型能力足夠，但回答仍不夠深入，再把 Medium 提高到 High 或 XIGH。第五步，只有當任務可以拆成多個獨立方向並行處理時，才考慮使用 Ultra。至於 Max，則保留給那些願意多等一會，也一定要追求高品質結果的困難任務。

整體來看，GPT 5.6 增加的不只是模型能力，也增加了使用者的選擇成本。未來使用 AI，不只是問哪個模型最強，還要進一步思考兩件事：這個任務做錯的代價有多大，以及這個任務能不能拆開並行完成。只要先想清楚這兩點，Luna、Terra、Soul、Max 與 Ultra 的選擇其實就不會那麼複雜。

[AI 分享] ChatGPT全面升級

 [AI 分享] ChatGPT全面升級

摘要 : 全新ChatGPT可串接工具、執行自動化、分析資料、產出內容並協助除錯，從問答進化為真正能代辦工作的助手。

內容:

OpenAI 發表全新版本的 ChatGPT，涵蓋網頁、桌面與手機平台，重點不再只是回答問題，而是能串接使用者常用工具，直接接手實際工作。像是讀取行事曆、Slack、雲端硬碟等資訊，幫忙整理當日重點與會議準備事項。

新版也支援外掛與自動化任務。外掛可連接各種應用程式，或提供銷售、數據分析、行銷等角色導向流程；同時，使用者可以設定固定任務，例如每天早晨自動提供工作簡報，或持續追蹤特定賽事比分，不必每天重新下指令。

在跨裝置使用上，ChatGPT 可於網頁、手機與桌面之間無縫延續工作。桌面版更可結合本機檔案與專案內容，讓使用者先交付任務、提供背景資料，再等待 ChatGPT 完成或回報進度，提升整體工作流效率。

展示案例中，ChatGPT 先被用於行銷場景：根據品牌 Logo 與規範生成視覺素材、發想廣告方向、建立 mood board，甚至整理成簡報供團隊檢視，大幅縮短創意探索與提案準備時間。

在資料分析場景裡，ChatGPT 能整合分散於不同來源的指標、用戶回饋、團隊對話與上市計畫，自動套用合適分析流程，找出關鍵問題，並進一步生成儀表板、加上摘要說明、發布成網站，還可設定每日自動更新後分享給團隊。

工程應用方面，整合進 ChatGPT 的 Codex 可協助定位並修復程式問題。若沒有專屬外掛，ChatGPT 甚至可直接操作電腦或瀏覽器，模擬使用流程、檢查錯誤、確認問題來源，最後提出修正程式碼 diff 與 PR。整體而言，這次升級將 ChatGPT 從對話工具推進為能在應用、專案、瀏覽器與電腦中實際執行工作的 AI 助手。