[AI 分享] MCP與Skill的區別
摘要：MCP負責連接工具與外部系統，Skill負責提供知識與方法，兩者搭配可讓AI既能做事也能做好事。
內容:
MCP可以理解為AI連接外部世界的通用介面，相當於幫AI配上手和工具。當AI接上MCP之後，就能夠查詢資料庫、開啟瀏覽器操作按鈕、發送微信，或呼叫各種API。它主要擴充的是AI「能做到什麼」。
Skill則比較像是一份說明書，將一套做法、規範或專業知識整理打包，在需要時自動載入。它相當於給AI一本專業手冊，主要擴充的是AI「能把事情做得多專業」。
兩者的差別可以用一句話概括：MCP提供的是工具與連線，讓AI可以做新的事情；Skill提供的是知識與方法，讓AI可以把事情做得更正確、更完善。
從技術角度來看，MCP通常需要運行一個服務，並與外部系統連接；而Skill通常只是幾個檔案，可以按需載入，成本相對較低。
在選擇上，如果目的是讓AI連接外部資料、執行操作，就適合使用MCP；如果目的是讓AI掌握某套專業做法或工作流程，就適合使用Skill。最理想的方式是兩者結合，讓MCP提供工具，Skill負責教AI如何把工具用好。A
[AI 轉變] 程式設計師與 AI 協作的觀念翻轉
摘要 : 從一開始不相信 AI 能寫程式，到實際使用後幾乎不再手寫程式碼，展現了開發工作模式的巨大轉變。
內容:
一開始，對於 AI 寫程式這件事，原本抱持非常強烈的懷疑態度。認為複雜的業務邏輯、整套系統架構，以及多年累積下來的實戰經驗，不可能輕易被 AI 取代。甚至覺得，自己十年踩坑換來的能力，不會被一個工具說替代就替代。
當時也曾簡單試用過 Copilot，但初步感受並不深刻，覺得它頂多只能補幾個變數名，像是個小玩具，離真正能參與核心開發工作還差得很遠。因此原本的判斷是，真正複雜且核心的邏輯，最後還是得靠工程師親手完成。
不過，後來實際持續接觸之後，想法開始出現變化。雖然核心邏輯的理解仍然重要，但在實際寫程式的過程中，工作方式已經逐漸轉成以「和 AI 對話，讓 AI 輸出程式碼」為主，而不是自己一行一行手寫。
回過頭來看，曾經還公開放話說完全不相信 AI，如今的態度卻變成：不是不信 AI，而是不信自己竟然還需要親手寫程式碼。這種轉變本身就帶著很強的反差與幽默感。
到了現在，如果問一天手寫多少行程式碼，答案幾乎是零行。日常工作的重心，也不再只是傳統印象中的敲程式，而更像是在工作中分享、討論，甚至到處講述程式設計師與 AI 之間的各種段子與新型態協作方式。
整體來說，這不只是對工具的重新評價，也是一種開發習慣與職能角色的變化：從質疑 AI，到依賴 AI，再到幾乎完全改變寫程式的方式。
[AI 風險提醒] Codex SSD異常寫入問題
摘要 : Codex本地日誌疑似以Trace級別持續寫入SQLite，可能造成SSD壽命、效能與隱私風險。
內容:
近期有使用者回報，OpenAI Codex CLI 與桌面版可能出現 SSD 寫入放大問題，主因疑似來自本地診斷日誌持續以高頻率寫入 SQLite。若你最近有使用 Codex，建議先檢查本機的日誌檔案是否異常成長，避免 SSD 健康度持續受影響。
自查方式很簡單。Windows 使用者可到使用者個人目錄下的 Codex 資料夾查看 `Logs.r.sqlite`；macOS 與 Linux 使用者則到對應的 Codex 目錄檢查相同檔案。若旁邊同時看到 `WAL` 與 `SHM` 檔案屬正常情況，因為 Codex 採用 SQLite。但若發現 WAL 檔在短時間內快速變大，或只要開啟 Codex 磁碟寫入就長時間偏高，就要特別注意。
根據社群回報，這個問題已被多位使用者重現，有案例指出 21 天內寫入 37TB，也有人在 10 分鐘內寫入 7GB。對一般消費級 SSD 而言，這樣的寫入量相當可觀，可能對壽命造成實質影響。
問題核心不在於「寫日誌」本身，而是預設日誌級別疑似設為 Trace。Trace 屬於非常細緻的開發級日誌，適合除錯與深度排查，但不適合長期預設寫入本地資料庫。更麻煩的是，這部分 SQLite 日誌行為似乎不完全受 Rust Log 設定控制，因此即使用戶已將日誌等級調成 `warn`，本地 SQLite 仍可能持續寫入大量 Trace 級內容。
從已公開的資訊來看，寫入量較大的來源之一是 Responses WebSocket 的原始回應紀錄，另外還包含 OpenTelemetry 相關事件與部分底層依賴日誌。這些內容對一般使用者排查幫助有限，但若全部持久化進 SQLite，就容易形成高頻率、大體積的磁碟寫入。
除了 SSD 壽命外，這件事也牽涉效能、穩定性與隱私。首先，日誌資料庫持續膨脹後，Codex 桌面端可能會越來越慢，特別是在 WSL2 或本身磁碟壓力較高的環境中，可能出現磁碟活躍時間接近 100%。其次，若 `Logs.r.sqlite` 與 WAL 檔過大，可能導致啟動時 SQLite 連線超時，甚至讓 Codex 無法正常開啟。再者，若日誌中保存了 WebSocket 原始內容、對話資訊或任務上下文，也可能帶來本地隱私與資料治理風險。
截至 2026 年 6 月 23 日，GitHub 上已有兩個相關修正 PR 合併進主分支。其一是停止記錄每個成功的 Responses WebSocket 事件；其二是從持久化日誌中過濾高噪音目標，例如部分橋接日誌與 OpenTelemetry 映射事件。這些調整的方向都很明確，就是減少無效日誌寫入本地 SQLite。不過，PR 合併進主分支不代表你目前安裝的版本已經包含修復，因此仍需自行更新並觀察。
如果你是一般使用者，建議先做三件事。第一，立即更新 Codex 到最新版本。第二，完全退出 Codex 後，檢查 Codex 目錄中的 `Logs.r.sqlite`、`Logs.r.sqlite-wal` 與 `Logs.r.sqlite-shm` 是否異常肥大。第三，確認更新後磁碟寫入是否恢復正常。處理時建議只針對日誌檔案，不要直接刪除整個 Codex 目錄，以免誤刪設定或其他重要資料。
如果你是技術人員，或必須暫時使用尚未修復的舊版 Codex，可以考慮一些臨時措施。例如定期執行 SQLite 的 WAL checkpoint，以減少 WAL 檔長期膨脹；但這只能緩解檔案變大，無法真正解決持續寫入問題。更進一步的方式是對 Logs 表建立攔截插入的觸發器，直接阻止日誌寫入，但代價是未來若遇到問題，開發者可用的診斷資訊也會同步減少。另有人會把 Codex 放到 RAM Disk，以避免 SSD 持續被寫入，但這較偏向權宜之計，未必適合所有人。
對團隊與 IT 管理者而言，這次事件也是一個提醒。AI 程式工具不只要評估功能與產出品質，也應納入終端監控範圍，包括磁碟寫入量、日誌目錄大小與程序異常狀態。若工具涉及對話、程式碼片段或業務上下文，更應明確規範儲存位置、保留時間與清理機制，並建立簡單 SOP，讓團隊遇到卡頓或寫入異常時能快速排查與處理。
整體來看，這次 Codex SSD 寫入放大問題，本質上是預設日誌級別與持久化策略設計不當所引發。若你目前仍在使用 Codex，建議立即更新版本、檢查日誌檔案大小，並確認系統磁碟寫入是否存在異常增長。
[AI 分享] 熱門UI落地Skill實測盤點
摘要 : 實測5款熱門UI設計Skill，涵蓋頁面生成、動效與大廠設計規範，整體表現差異明顯。
內容:
評測了市面上幾款近期很熱門的 UI 落地相關 Skill，主要從生成個人筆記管理頁面的效果、整體設計質感，以及動效與風格還原能力來做比較。
第一款是討論度很高的 Taste Design。作者直接要求它生成個人筆記管理頁面，在沒有提供參考圖的情況下，成品偏簡約清新，但整體缺乏明顯亮點，和預期相比略顯普通，因此評價偏保守，認為大致只有「NPC」水準。
第二款是 Web Design Skill，同樣在無參考圖的前提下生成頁面。它會先讓使用者選擇偏好與風格，而作者認為這類帶預設的 Skill 通常品質都不錯。實際生成結果也非常突出，整體風格高級、完成度高，和前者相比差距明顯，因此給出很高評價。
第三款是來自 X 上開發者製作的動效 Skill，主要用途是替靜態頁面補上微互動。作者先找好設計稿並透過 Figma 連結讓 ClockCode 呼叫此 Skill，生成後可看到兩類效果：首次載入時的入場動畫，以及頁面內元素的互動效果，例如圖表與數字的生長動畫、各元素的 Hover 效果。作者認為這些動效明顯提升了頁面的完整度。
第四款是由中國團隊開發的 Magic Slide。它的互動方式偏向 Keynote 式的轉場，因此整體生成效果很像 PPT。作者認為這類風格不一定最適合一般 UI 頁面，但若拿來做簡報或演示，效果應該會相當不錯，因此仍給予正面評價。
最後一款 Skill 的特色是內建全球 72 家頂級大廠的設計規範，可直接調用特定品牌風格來完成頁面設計。作者先用 Notion 風格生成個人筆記頁面，發現配色與 Emoji 語言都高度貼近原本設計，且細節處理穩定；接著再生成蘋果風格版本，結果同樣很出色，整體辨識度很高。綜合來看，作者認為這款表現最佳，屬於頂級水準，並表示之後會整理這些 Skill 的安裝地址提供給有需要的人。
[AI 分享] Claude Code 前端技能組合
摘要 : 用 Claude Code 做前端時，先補齊設計、系統、元件與檢查五項技能，成品更完整也更不易有 AI 味。
內容:
如果你用 Claude Code 做前端，不要只讓它直接硬寫頁面。先補上幾個關鍵前端 skill，能讓整體成果更成熟、可用，也更有設計感。
第一個是 Frontend Design，主要負責視覺方向。它會先幫你定好版式、字型、配色和動效，讓做出來的頁面不再像制式模板。
第二個是 Design Taste Frontend，重點在提升設計品味。若你要做官網、落地頁或作品集，又不想成品一看就很有 AI 痕跡，這個 skill 能先把整體風格拉開。
第三個是 Tailwind Design System，適合 Tailwind 專案使用。它能把顏色、間距、元件變體與 Dark Mode 整合進同一套設計系統，讓後續開發更一致。
第四個是 ShadGUI，適合 React 加 Tailwind 的後台或 SaaS 工具站。它能讓 Claude 依照 ShadCN 的方式搭建元件，後續維護與調整也更方便。
第五個是 Frontend Design Review，頁面完成後不要急著上線，先用它檢查響應式、可訪問性、設計 Token 與元件一致性。整體順序就是先定設計、再搭系統、再做元件、最後質檢。
[AI 影響] 一人協同18個AI員工的團隊實驗
摘要 : 一名工程師協同18個AI員工，完成模型訓練框架初版，效率被認為可接近傳統30人團隊。
內容:
有團隊分享，現在公司內部已經在實際探索「人類員工＋AI員工」的協作模式。其中一位負責基礎設施的人員，背後同時協同18個AI員工，甚至在吃飯時也能透過手機發出文字指令，讓AI持續梳理框架、補強特性與推進任務。
這種以 agent 形式運作的協作方式，被認為效率不是單純的「1加18」，而是遠高於這個數字。公司內部評估後認為，這名員工加上18個AI員工，整體產出能力可能接近過去大廠中約30人團隊的水準。
這組「1加18」的成果，主要是完成了公司第一版的模型訓練框架。18個AI員工並非沒有分工，而是有明確角色配置：其中15個負責實作，3個擔任專案經理。15個實作型AI員工又進一步分成三組：5個做底層框架設計、5個負責模組之間的協同、5個專門撰寫程式碼。3個AI專案經理則各自管理5個AI員工，而這位人類員工主要與這3個專案經理互動，提出需求與調整方向。
在這樣的工作模式下，團隊也形成了新的能力評估標準。分享者認為，如今評估一個人的能力，已不只是看程式寫得多厲害，而是看他每天能否有效提出需求、調動多少API token，以及能否提出多樣化且具體的任務。換句話說，能同時提出框架、coding、特定技術需求的人，反而更有價值。
公司在資源配置上，對API key與code agent的使用給了相當充足的預算，甚至提到相關API成本可能已經遠高於某些單一員工的成本。這也顯示，他們是把AI視為真正的生產力單位，而不只是輔助工具。
在團隊管理上，他們也減少傳統的日會、週會機制，因為認為會議相當耗時。取而代之的是使用AI來整理所有資訊，並透過郵件自動同步每個人正在做的事情，讓團隊成員快速掌握整體進度。
此外，團隊內部還建立了共享 memory 與共享 skill 的機制。每個人每天完成的工作都會進入共享報告，如果同事之間任務重疊，還會有更高層的 agent mentor 主動提醒，指出技術路線的差異、重疊部分，並建議雙方安排會議或私下交流。也就是說，許多原本屬於中台、協調、同步的管理工作，都逐漸交由AI處理。
分享者自己也有5個專屬 agent 協助工作。其中一個用來協助閱讀論文、追蹤新架構與新的訓練方法；另外3個偏向公司技術討論；還有1個財務 agent，協助管理公司預算與財務安排。
整體而言，這段分享想表達的是：即使是學生創業、第一次創業的團隊，在大量引入AI後，也能在某種程度上補足經驗不足的問題。對他們來說，AI不只是工具，更像是一群可以被管理、分工與協同運作的「數位員工」。
[AI 影響] 納德拉重寫程式設計師工作定義
摘要 : AI不一定取代工程師，但會重寫其工作內容，重點將轉向管理agent、維持認知覆蓋率與承擔治理型工作。
內容:
最近微軟 CEO 納德拉在《紐約時報》Hard Fork 播客上的一場訪談，提出了幾個非常值得技術工作者重視的觀點。重點不在於他宣布了什麼驚人的新消息，而是他用幾個非常具體的概念，說清楚了許多人隱約感受到、卻一直沒有被講透的變化。
這場訪談裡，有幾句話特別關鍵。像是他提到，未來的軟體開發者可能要管理 100 個、甚至 1000 個 agent；他也提出了「認知覆蓋率」這個概念，用來對照大家熟悉的「測試覆蓋率」；另外，他還說人類在 AI 時代的新價值，是去做「膠水工作」。這些詞單看有點抽象，但串在一起之後，其實指向同一件事：我們過去一直在討論「AI 會不會取代程式設計師」，這個問題本身可能就問偏了。真正正在發生的，不是這個職業消失，而是它的工作內容正在被徹底改寫。
先說訪談背景。這場節目是在 6 月 12 日於舊金山錄製，主持人是《紐約時報》的兩位科技記者 Kevin Roose 和 Casey Newton。納德拉作為微軟 CEO，本來就是全球 AI 產業最核心的人物之一。無論是微軟與 OpenAI 的深度合作、Azure 的雲端算力地位，還是微軟自家剛推出的 MAI 系列模型，都讓微軟在這場 AI 競賽中握有相當厚實的籌碼。
但這場訪談真正有意思的地方，不是他再講一次微軟戰略，而是他回應了很多非常具體、非常落地的問題。其中一個最尖銳的提問是：兩年之後，軟體工程師會變多還是變少？
這個問題之所以敏感，是因為現在外界的爭論非常激烈。一派認為 AI 寫程式越來越強，公司未來不再需要這麼多工程師；另一派則認為 AI 反而會創造更多需求，工程師依然會供不應求。納德拉沒有簡單站隊，而是給出了一個更複雜、也更值得注意的答案：未來軟體開發者需要的技能可能和今天差不多，但工作內容會完全不同。
他用了一個很形象的類比。假如很早以前有人說，未來全世界會有 35 億人變成打字員，你一定會覺得荒謬，因為世界不需要那麼多專職打字員。但今天幾乎每個人都在打字，原因不是打字員變多了，而是打字已經不再是一種職業，而是所有知識工作與資訊工作的基礎能力。納德拉認為，軟體開發也可能走上類似的路。
換句話說，未來的開發者管理的未必是傳統意義上的程式碼庫，而是一整組 agent，可能是 100 個，也可能是 1000 個。這些 agent 可以自己執行任務、自己撰寫程式碼、自己提交修改。而人類開發者的核心工作，將從親手寫出每一行程式碼，轉向理解這些 agent 做了什麼、為什麼這樣做、哪裡可能做錯，以及出問題時誰來負責與收尾。
這個判斷的重要性，在於它不只是回答「工程師會不會失業」，而是在重新定義工程師這個職業的本質。
接下來是整場訪談中最有價值的一個概念，也就是納德拉提出的「認知覆蓋率」。
對軟體開發者來說，「測試覆蓋率」是很熟悉的概念。它代表程式碼中有多少比例被測試案例覆蓋，覆蓋率越高，通常表示關鍵邏輯驗證得越完整，出錯風險相對較低。這是過去幾十年軟體工程中非常基礎的品質指標。
但納德拉認為，當程式碼庫裡越來越多的內容是由 agent 產生時，只有測試覆蓋率已經不夠了，還需要另一個新指標，也就是認知覆蓋率。
所謂認知覆蓋率，看的不是程式碼有沒有被執行過測試，而是人類有沒有真正看懂這次修改。更具體地說，就是 agent 改了哪些地方、為什麼這麼改、這些改動會如何影響整個系統流程、有沒有突破原本的架構約束、整個決策鏈條能不能被解釋。核心問題不是「能不能跑」，而是「人有沒有理解」。
這個概念非常關鍵，因為它點出了 AI 寫程式進入深水區之後最容易被忽略的風險。現在很多團隊使用 AI 輔助開發，關心的通常還是效率提升多少、寫得快不快。但納德拉提醒的是，當 agent 寫的程式碼越來越多，甚至占了大部分時，真正棘手的問題不再只是產出速度，而是可解釋性、可審計性與可控制性。
測試通過，只能說明程式碼在某些案例中可以運作；但認知覆蓋率關心的是，團隊是否理解 agent 的決策邏輯，是否知道它有沒有繞過原本的架構設計，是否能在事故發生時回放、追責、撤銷。這已經不只是技術問題，而是治理問題。而且 AI 越快，這個治理問題只會被放大。
以前一個工程師一週可能寫幾百行程式碼，每一行自己都清楚；現在 agent 一天就可能產出幾千行甚至更多。如果團隊沒有相應的工具與方法去理解這些變更，那麼整個程式碼庫很快就可能變成一個「雖然能跑，但沒人真正懂」的黑箱。
也因此，納德拉提到未來可能出現一種新的開發環境，不再只是 IDE，而是 ADE，也就是 Agent-Driven Development Environment。這種環境的核心功能，不是單純幫你寫程式，而是協助你管理一群 agent、理解他們做了什麼，並維持認知覆蓋率。這是一個很強的訊號，代表微軟內部已經開始認真思考：當 agent 成為主要程式碼生產者之後，開發工具本身應該如何被重新設計。
和認知覆蓋率相對應的，還有另一個很耐人尋味的概念，叫做「膠水工作」。
當主持人追問，如果工作型態變了，人是不是會因此賺得更多時，納德拉沒有直接談薪資，而是說了一段更值得深思的話。他的意思是，過去兩百多年來，很多價值都建立在某種專業知識或深度技能之上。當某些專業能力因技術而變得更容易取得時，人類就會再形成新的專業能力。即使我們擁有越來越多數位系統，人力資本依然重要，而人類仍然會去承擔那些「膠水工作」。而隨著自動化增加，新的膠水工作還會繼續出現。
什麼是膠水工作？可以把它理解成那些把系統、流程、組織和判斷連接起來的工作。AI 可以處理很多標準化的任務，但組織裡真正重要的許多細節，往往沒辦法完整寫進 prompt。
如果放回開發團隊的脈絡，這個概念就很具體了。例如：業務需求怎麼判斷、介面邊界怎麼切、權限怎麼設計、風險如何承擔、跨部門衝突怎麼協調、上線後誰來解釋結果與負責，這些都屬於膠水工作。
你會發現，這些事情有一個共同點：它們不是純技術問題，而是技術與業務、技術與組織、技術與人的交界問題。這些工作很難完全標準化，也很難被單一 agent 直接取代。納德拉的判斷甚至有點反直覺：agent 越多，膠水工作不但不會消失，反而會變得更難、更貴，也更需要人來治理。
很多人覺得 AI 越強，所需的人就會越少；但納德拉的邏輯剛好相反。AI 越強，系統越複雜，越需要有人去「膠水」，因為 agent 處理的是標準化、可定義的任務，但任務與任務之間、系統與系統之間、人與系統之間，反而會出現更多縫隙。而這些縫隙，往往才是最有價值、也最需要綜合判斷的地方。
因此，如果回到最初那個問題：「程式設計師會不會失業？」納德拉的真正答案其實很清楚。這個職業不會因為 agent 的出現而立刻消失，但職業重心一定會被改寫。下一階段最稀缺的開發者，未必是最會手寫程式碼的人，而是最能看懂、管住、排程與治理 agent 的人。
除了工作型態，納德拉在訪談中也談到另一個非常實際的問題，那就是 AI 的成本。他提出了一個詞，叫做「Token Economics」，也就是 Token 經濟學。
這個詞聽起來有點抽象，但本質上很簡單：你花出去的 token，必須換回對應的價值。納德拉的說法很直接，生產力提升的邊際價值，必須配得上 token 的邊際成本，這是一種管理紀律。
他的意思是，不能為了追求所謂的 token maxing，就什麼問題都用最強模型、什麼任務都塞進最大上下文，靠無腦堆砌算力來解決一切。尤其在非核心問題上，更不應持續消耗最昂貴的模型資源。AI 工具確實很容易讓人上癮，他自己也承認會高頻使用，但新鮮感退去之後，真正重要的是回頭問：這些消耗到底有沒有產生足夠價值。
整體來看，納德拉這場訪談最值得記住的，不是哪個產品、哪個模型，而是他對未來軟體開發結構性變化的判斷。他不是在說程式設計師會被簡單取代，而是在說，當 agent 成為主要生產力之後，開發工作的重心將從「寫」轉向「管」，從「產出」轉向「理解」，從「效率」轉向「治理」。
如果這個方向成立，那麼未來真正重要的能力，會變成幾件事：能不能有效管理大量 agent、能不能維持足夠的認知覆蓋率、能不能承擔那些看似瑣碎但其實最關鍵的膠水工作，以及能不能在 AI 成本與產出之間做出有紀律的取捨。
也就是說，AI 時代不是不要工程師了，而是更需要那種能跨技術、跨業務、跨組織理解整體系統的人。這可能才是這場訪談最值得所有技術人認真聽的地方。
[AI 分享] Codex Recall & Replay
摘要 : Codex 推出 Recall & Replay，可直接錄製並學會使用者操作，將示範轉成可重播的 Skill，大幅降低教 AI 自動化流程的門檻。
內容:
Codex 昨天更新了新功能 Recall & Replay。開啟後，它會錄下你在電腦上的操作，理解每一步的意圖，並自動轉化為可重複呼叫的 Skill。之後遇到相同任務，就不必再手動操作，只要讓 Codex 執行該 Skill 即可。
這是今年最強、甚至可稱為「神級」的更新，原因在於 AI 的學習方式出現了重要變化：從過去依賴人用文字描述流程，進化成直接透過示範讓 AI 學會。這大幅降低了使用門檻，因為多數人其實很難把自己的工作流程清楚語言化、結構化。
這項功能的本質，是把原本難以表達的隱性知識顯性化。使用者不再需要先整理出 SOP 或寫提示詞，只要實際操作一次，AI 就能根據錄影理解流程、判斷邏輯，並封裝成後續可複用的技能。
示範了一個實際場景：經常需要把 Ulysses 裡寫好的文章複製到 Substack，建立新文章、貼上內容、整理標題並加入訂閱按鈕，這是一個高頻且重複的工作。於是他透過 Recall & Replay 錄下整個流程，讓 Codex 自動建立對應 Skill。
第一次測試時，Codex 已能自動找到指定文章、開啟 Substack 後台、建立草稿、貼上正文並整理標題，但漏掉了文末的訂閱按鈕。作者回報後，Codex 回看先前錄影，確認自己的判斷錯誤並補上該步驟；再次執行後，整個流程便完整重現，成果也與作者原本操作一致。
最後指出，Recall & Replay 建立在兩個核心能力上：多模態理解錄影，以及 Computer Use 重現操作。這些能力單獨看並不新，但結合之後，讓 AI 能透過「看你怎麼做」來學會技能，預示未來將有更多人類工作流程被 AI 快速吸收與自動化。
[AI 衝擊] AI暗黑工廠：當軟體工程進入極速開發時代
摘要 : AI大量接管寫碼後，工程師角色正從工匠轉向工廠經理，生產力暴增同時也帶來失控、重構與基礎設施新挑戰。
內容:
你印象中的程式設計師，或許還停留在那種安靜敲鍵盤、反覆推敲邏輯、謹慎測試的工匠式畫面。但這份材料描繪的，已經不是人類親手逐行寫程式的世界了。取而代之的，是大量高活躍度的 AI 智慧體同時在程式碼庫中高速產出，讓軟體工程從「手工創作」轉變成「規模化生產」的現場。
OpenCloud 的維護者 Vincent Cox，正是這種新模式的縮影。白天，他在大型企業裡遵循嚴格、結構化、安全優先的工程規範；夜晚，他則投入開源世界，依靠對測試框架的強烈信任，驅動大批 AI 在程式碼庫中高速運轉。這種反差不只是工作風格的切換，更像是兩套完全不同的工程哲學並存於同一個人身上。
最令人震撼的是這種模式所帶來的吞吐量。OpenCloud 的核心維護者其實只有約 10 到 15 人，而且大多數人都有全職工作，但專案高峰期卻能做到單日約 800 次程式碼提交。更誇張的是，Vincent 曾在 3 月 15 日創下個人單日將近 3400 次提交的紀錄。這不是透過作弊腳本灌水，而是真實大量驅動 AI 所產生的結果，甚至因此頻繁觸發 GitHub 的 API 保護機制，被平台按小時熔斷，反而成了他少數被迫停下來休息的時間。
這也揭示出所謂「暗黑工廠」模式的核心：當程式碼的主要生產者不再是人類手指，而是大模型的生成能力時，軟體工程比拚的就不再是個人的手速，而是整體生產體系的調度能力。真正的變化，不是寫得更快，而是整個生產方式被重新定義了。
Vincent 用一段早年體驗 VR 的經歷，來形容開發者面對這種 AI 洪流時的感受。2013 年，他曾無視早期 VR 頭顯「每次使用不要超過五分鐘」的警告，連續玩了三小時遊戲，最後不但劇烈暈眩、抱著馬桶狂吐，連視覺都短暫扭曲。他認為，這種生理上的反胃與失衡，和今天開發者面對幾十個 AI 同時輸出、數萬行程式碼瀑布般湧出的認知衝擊非常相似。不是因為內容不能理解，而是因為量級太大，超出了人腦即時消化的極限。
因此，開發者的角色被迫改變。過去那種逐行雕琢程式碼的浪漫工匠形象，正在被「監控整條流水線的工廠經理」所取代。這種轉變甚至可類比英國工業革命：手工織布時代，最熟練的工匠也受限於雙手速度；而進入集中式工廠後，產能的上限來自系統規模與機械協作。AI 時代的軟體工程，也正在經歷類似的結構性躍遷。
在這套模式裡，系統被拆成多個不同風險等級的「湧道」。其中第三與第四號湧道屬於深水區，負責較複雜的功能開發，例如整合與底層訊息通道機制。這部分人類無法缺席，必須與 AI 持續高頻互動、審查架構、修正偏差。AI 更像是高速起草的工程師，人類則是負責把關安全性與方向的經理。
壓力最大的則是第五號湧道，也就是專門處理 P0、P1 級高危 Bug 的急診區。這裡的 AI 會長時間潛伏在社群平台與討論頻道中，持續監聽全球使用者回報。一旦察覺崩潰徵兆，便立即整理出過去幾小時內的重大錯誤、提煉重點並給出修復建議。從這套體系可以看出，真正稀缺的已經不是 Token 成本，而是算力，以及人類注意力、腦容量與多工處理能力。
這種脆弱性，在一次被稱為「凌晨兩點大重構」的事件中徹底暴露。一位位於地球另一端、毫不知情的開源維護者，只是移動了幾個底層檔案路徑，卻瞬間導致整個通訊架構混亂甚至癱瘓。按照傳統工程思維，這種事故應該先回滾、再補丁修復。但當時疲憊不堪的團隊卻做出極度反直覺的決定：不修了，乾脆趁機把整個程式碼庫徹底重構成外掛化架構。
這個決定背後其實有明確邏輯。在 AI 時代，新增功能的成本大幅下降，真正困難的不是答應需求，而是拒絕需求。如果架構沒有物理層面的解耦，專案很快就會因特性膨脹而變成無法維護的泥潭。於是他們放開限制，讓數十個 AI 全面接手重構工作。最終，短時間內產生了約 2700 次提交，修改近千萬行程式碼，觸及核心程式碼庫約 82% 的區域，幾乎等同於把整棟大樓炸掉後原地重建。
過程中當然一度瀕臨失控。測試系統滿屏飄紅，團隊陷入強烈自我懷疑，甚至懷疑自己是否像伊卡洛斯一樣飛得太高、終將墜落。但戲劇性的轉折是，最後救回整個專案的，竟然是那些平常被資深工程師嫌棄、由 AI 過度擬合產生的糟糕單元測試。
這些測試平常被視為技術債，因為太死板，稍微改動邏輯就會報錯；但在這場毀滅式重構中，它們反而成了最原始、最可靠的生命線。只要這些老派而僵硬的測試重新變綠，就代表最底層的核心邏輯仍然是通的。換句話說，即便新房子蓋得再奇怪，只要地基和主要承重結構還能通過驗證，就還有挽回空間。
然而，真正撐起這種極速並發開發模式的，不只是流程與測試，還有底層基礎設施。Vincent 也坦言自己曾犯下一個代價巨大的判斷錯誤：他原本使用適合傳統開發的工作樹機制來管理多執行緒工作區，因為這樣能共享同一套程式碼庫、節省硬碟空間。但在暗黑工廠模式下，數十個 AI 不斷拉取與提交，導致每天累積 70 到 80 個極度活躍的工作區，最終把高規格機器也拖進記憶體溢位與系統崩潰。
相較之下，他的同事 Peter 採取了極為粗暴但有效的方法：直接把整個龐大程式碼庫完整複製多份，透過物理隔離來徹底避免工作區之間互相爭搶資源。這種看似笨拙的做法，反而更適合高並發 AI 開發的現實需求。
經歷這些慘痛教訓後，Vincent 又進一步打造出一套保命機制：一個常駐守護程序。當系統因為 AI 的瘋狂輸出而卡死、接近崩潰時，他只要按下鍵盤上的 ESC 鍵，守護程序就能立刻介入，強制熔斷失控流程，並指揮 AI 進行環境清理與狀態恢復。這相當於替整座高速運轉的暗黑工廠，加裝最後一道人工緊急煞車。
整體來看，這份內容真正想揭示的，不只是「AI 能把寫程式速度提升多少」，而是軟體工程的本質正在改變。開發者不再只是程式碼作者，而更像是調度者、審查者、熔斷者與系統經理。AI 帶來的不是單純效率提升，而是一種足以讓工程方法論、團隊協作方式、架構設計原則與基礎設施策略全面重寫的衝擊。
[AI 回顧] Token Maxing三月熱潮退場
摘要 : Token Maxing從矽谷狂熱蔓延至大廠，卻在三個月內快速降溫，主因是成本失控、ROI不明、能力與組織流程脫節。
內容:
三個月前，矽谷還在流行一場名為「Token Maxing」的熱潮。當時工程師們比拼誰消耗更多 token，彷彿用得越多，就越懂 AI、越代表未來。這股風潮最早出現在 OpenAI、Anthropic 等前沿模型公司內部，後來快速擴散到整個科技圈，甚至連迪士尼、Visa 與國內大廠都加入其中。
所謂 Token Maxing，本意是「最大化使用 token 資源」，但很快被扭曲成一種身份象徵。大家開始把高 token 消耗等同於更高的 AI 掌握度與生產力。當時的氛圍甚至到了「不用 AI 就落後、不多用 AI 就是態度有問題」的程度。
但這場熱潮退得也非常快。到了五月底、六月初，亞馬遜關閉了內部 AI 使用排行榜，因為員工開始為了衝排名而讓 AI 執行沒有價值的任務。Uber 也公開質疑 token 消耗與實際業務成果之間的關聯，微軟則開始削減大量內部 Cloud Code 授權。原本無上限投入的企業，幾乎都陸續踩下煞車。
在這波調整中，各家公司也開始尋找新的衡量標準。百度提出以日活智慧體數（DAA）取代 token；Devin主張用節省的人類工時衡量；Uber希望將 token 與功能交付、ROI 掛鉤；亞馬遜則回到客戶與業務問題解決數量。但問題是，token 消耗與這些最終指標之間並沒有簡單直接的換算關係，試錯成本與效益邊界也難以界定。
微軟 CEO 納德拉後來提出「Token 資本」的概念，認為 token 使用的目的不應只是消耗，而是要沉澱成企業自己的 AI 能力資產，例如工作流、私有評測、組織知識、反饋閉環與可遷移的企業經驗。這個觀點雖然補充了部分方向，但本質上也只是把正在被工具鏈自動化的流程，重新包裝成企業資產來理解。
那麼，Token Maxing 為什麼會這麼快失敗？最直接的原因就是太貴了，企業燒不起。更深層來看，至少有三個原因。
第一，前沿模型公司的成本結構本來就不好看，尤其在 IPO 壓力下，更難維持寬鬆的使用政策。模型本身研發成本極高，商業化後毛利也未必理想，因此企業開始提高價格，或透過調整 tokenizer、計費方式來變相漲價。
第二，訂閱制被重度使用者與 agent 工具打穿了。原本包月訂閱適用於一般聊天式使用，但自動化 agent 能長時間並行工作，token 消耗遠超舊有模型。這讓廠商不得不把高強度推理成本拆出來額外收費，例如 Anthropic 與 Google 都開始調整訂閱方案與計費邏輯。
第三，從技術層面看，agent 的 token 消耗極其驚人，而且效率很低。研究指出，agent 式程式設計任務的 token 消耗大約是普通程式碼問答的 1000 倍，最大開支還不是輸出，而是模型反覆讀取上下文的輸入成本。探索、修正、測試等階段尤其消耗巨大，說明現有工具鏈為了讓模型不跑偏，必須不斷餵入上下文，代價極高。
此外，agent 真正的能力也還遠未成熟。研究顯示，在大量真實專業任務中，即使是最好的系統，最難任務的完整通過率也只有 8.6%，平均甚至只有 2.6%。而且 75% 的失敗並不是執行層面的手腳問題，而是理解與策略問題，也就是說，agent 最大的短板是缺乏真正的行業知識與專業判斷。
這意味著，AI 並不是不能做事，而是越接近真實企業場景，越依賴隱性知識、本地規則、專業流程與可驗證輸出。一個通用 skill 到企業內部往往還要二次開發，法務、財務、研發、銷售各有自己的規範與系統，越貼近業務，越難通用。
組織層面也是一大瓶頸。即使 AI 在某個上游環節真的有效，比如寫程式碼，它也未必能轉化成最終成果。因為程式碼之後還有審查、測試、整合、發布與採用等一連串流程。上游加速了，但下游沒有同步加速，最後就只會堆出更多半成品。
MIT 的研究就指出，AI 工具確實讓程式碼提交大幅增加，但這種增幅傳導到專案數與實際發布版本時，效果會明顯縮水。也就是說，「寫出更多程式碼」和「交付更多產品」完全不是一回事。更麻煩的是，AI 產生的程式碼還可能讓人類後續審查負擔更重，理解難度更高，進一步卡住人的頻寬。
除了這些大問題，還有兩種常被忽略的浪費。第一是簡單任務上的虛耗。研究顯示，像簡單算數、拼寫檢查、同義詞查詢這類小任務，很多人明明自己做更快，卻還是習慣打開 AI。結果反而花更多時間在寫提示詞、等待答案、閱讀與確認上，形成一種「效率幻覺」。
第二是重複造輪子。隨著 agent 生成內容的成本越來越低，開發者與 AI 都更傾向直接重新生成一份，而不是搜尋、理解、複用既有成果。研究發現，大量 skill 高度相似，許多 agent 提交的程式碼修復請求最終未被合併，其中相當一部分原因就是同樣的問題早已被別人解決。這說明在缺乏全局協調時，AI 很容易放大重複建設與資源浪費。
總結來看，Token Maxing 的失敗，不只是一次短期泡沫破裂，更像是 AI 產業從狂熱走向現實的過程。它暴露了兩件事：第一，現階段 agent 的能力還不足以在所有任務上穩定提效；第二，企業也還沒有建立出一套成熟的 AI 使用方法，能真正避免浪費並轉化為業務成果。
更深一層說，這其實是經濟學中「生產率悖論」的再次上演。像電力、電腦、網際網路這些通用技術，在剛出現時都曾經歷過「技術進步很快，但整體產出沒有立刻提升」的階段。因為真正的瓶頸，往往不在單一技術本身，而在與之互補的流程、制度、組織與人類能力。
所以，Token Maxing 的退潮不一定代表 AI 沒有未來。相反地，它可能只是提醒大家：AI 要真正產生價值，不能只看 token 花了多少、程式碼寫了多少，而要看它是否穿透整條價值鏈，最終轉化成可交付、可使用、可驗證的成果。
[AI 分享] AI三巨頭分道競爭，產業進入下半場
摘要：Google拚生態、Anthropic拚深度、OpenAI拚商業化，AI競爭重心正從模型能力轉向產品與服務。
內容:
AI產業正在進入一個新的競爭階段。5月19日，Google、Anthropic、OpenAI幾乎在同一時間做出重大動作，但三家公司選擇了完全不同的方向，也象徵AI競爭正式走入下半場。
Google在當天一口氣發布28項產品與功能，企圖全面擴張AI在日常生活中的滲透率。重點包括可長時間在背景運作的AI管家「Gemini Spark」，即使手機螢幕關閉，仍可協助處理郵件、追蹤任務與安排日曆；新一代旗艦模型「Gemini 3.5 Flash」，主打更快的速度；以及可24小時監控新聞、部落格與社群媒體動態，並主動推送資訊的AI資訊代理。除此之外，還涵蓋影片生成、程式設計平台升級與智慧眼鏡等。
Google的核心戰略很明確，不只是推出單一強產品，而是藉由Gmail、地圖、搜尋、YouTube等既有生態系，打造更難被取代的AI入口。它比的不是單點模型最強，而是誰能讓使用者更離不開自己的整體服務體系。
另一方面，Anthropic則走向更聚焦、更深度的路線。當天，知名深度學習專家加入Anthropic，引發AI圈高度關注。這類頂尖人物的轉換，不只是職涯選擇，更像是在替某種技術路線投票。
Anthropic從一開始就強調兩件事：打造最好的模型，以及確保模型對人類安全。這種堅持並非口號。此前美國國防部曾要求AI供應商移除部分安全限制，允許軍方將AI應用於所有合法用途，Google與OpenAI選擇接受，但Anthropic拒絕放寬自主武器與大規模監控相關紅線，甚至因此失去高額合作機會。
Anthropic的特別之處，不只是有原則，而是把這種高標準落實到產品上。其模型與工具在長推理、深度分析與程式設計領域被不少人視為頂尖選擇。它不追求產品數量，也不急著鋪滿生態，而是專注在做出夠強、夠硬的產品，並吸引最優秀的人才。
至於OpenAI，則走出第三條路：商業化與速度。Sam Altman在同一天宣布推出1到3年的算力承諾合約，提供折扣價格，並強調市場對算力確定性的需求正在上升，未來一段時間算力緊缺可能仍會持續。同時，OpenAI也對特定創業圈提供token資源支持。
這背後代表的是，OpenAI正在把算力當成一種可預售的資源，近似「算力期貨」。邏輯很直接：趁AI需求持續暴增、算力仍然稀缺時，用長約換取客戶承諾、穩定現金流與可預期收入。
OpenAI目前的處境相對微妙。它仍然是全球最具知名度的AI品牌之一，但在模型前沿能力上，未必始終全面領先；在產品生態鋪設上，也面臨Google這類巨頭的壓力。因此它選擇更務實地把品牌、用戶規模與商業模式轉化為護城河。與其只比誰模型更聰明，不如先比誰能更快鎖定客戶、把算力變現。
這三條路之所以在此刻明顯分叉，根本原因在於AI競賽的重心變了。從2023年到2025年上半，市場比的是誰先做出GPT-4等級的模型，模型能力幾乎代表一切。但到了下一階段，頂尖模型之間的差距逐漸縮小，多模態、長推理、程式設計、日常任務與工具整合能力，各家都開始形成自己的強項，已經很難再出現一家全面碾壓所有對手的情況。
於是，Google選擇了廣度，靠生態綁定使用者；Anthropic選擇了深度，專注做最強的細分產品；OpenAI則選擇了速度與商業化，搶先鎖定資源與現金流。
對一般AI使用者來說，這其實是好事。因為市場不再只有單一強者，而是三家各自擅長不同場景。未來關鍵不再是找「最強AI」，而是找「最適合自己需求的AI」。
如果偏向搜尋研究、多模態內容製作，可優先考慮Gemini；如果需要深度分析、長文撰寫、程式設計，Anthropic系統可能更合適；如果重視日常對話、快速原型與成熟工具體驗，OpenAI仍然具有明顯優勢。理解各家定位、依需求組合使用，往往才是最實際的策略。
總結來看，這一天三家公司同時亮牌，不只是新聞事件，更是一個訊號：AI模型本身的絕對差距正在縮小，未來競爭將更集中在產品、服務、商業模式與使用者體驗。對大公司而言，這是新一輪戰略分化的開始；對創業團隊而言，則意味著更需要找到差異化定位；而對普通使用者而言，真正重要的是建立屬於自己的AI工作流，讓工具為自己提升效率與產出。
AI下半場，才正要開始。
[AI 分享] 用對AI的方法
摘要 : 多數人用不好AI，不是提示詞不夠長，而是把自己的有限理解硬套給AI。真正有效的方法，是提供優質樣本，讓AI自行拆解規律。
內容:
大部分人用不好AI的核心原因，在於他們常常把AI變成「另一個維度的自己」。換句話說，很多時候提示詞寫得越詳細，反而越容易把AI的表現限制在自己的理解範圍內，導致結果看起來很假、很僵硬，缺少真正的味道。
以AI寫爆款文案為例，很多人會先告訴AI「你是一位資深文案專家」，再補充一大堆風格、原則與技巧，甚至寫上數千字提示詞。但最後產出的內容，往往只是表面像，實際上沒有神韻。也有人研究某些博主的影片後，整理出短句、犀利語言、反問等特徵，再把這些規則餵給AI，結果依然只是「形似神不似」。
問題的本質在於，這些做法都是把自己腦中對某種風格的理解，翻譯成一套規則，然後要求AI照著執行。這在某些場景可以成立，但在更多創造性工作裡，往往註定失敗。
使用AI大致可以分成兩種類型。第一種是流程明確、步驟清楚的任務，例如翻譯、資料整理、格式轉換，或將A平台內容搬到B平台並做固定調整。這類工作輸入、輸出和中間流程都能清楚定義，使用詳細提示詞或智慧體處理，通常效果很好。
第二種則是創造性任務，例如希望AI模仿某位博主，寫出相似風格的爆款內容。這時候，單靠自己總結幾條特徵，再轉成提示詞讓AI模仿，通常不夠。因為你以為自己抓住的是對方成功的秘密，但實際上往往只抓到表層。
這就像學做菜。你去餐廳吃到一道很好吃的菜，或許能分辨出用了醬油、蠔油，火候比較大，於是把這些寫成菜譜讓別人照做。但成品通常還是差很遠。原因是廚師真正的能力，不只是材料和步驟，而是火力、翻鍋節奏、下料時機，甚至是一種說不清楚的手感與經驗。你從外部觀察後得到的，只是你理解中的那道菜，而不是廚師真正做出的那道菜。
因此，正確做法不是先替AI總結規則，而是直接把作品本身交給AI。讓AI看到真正的大量樣本，例如把某位高手的十篇、幾十篇，甚至上百篇作品直接提供給它，然後只問一句：「幫我分析這些內容有什麼共性？」
大語言模型最強的能力，本來就不是乖乖執行你主觀整理出的規則，而是進行大規模模式識別。它是從海量文本中訓練出來的系統，只要給它足夠多的樣本，它就能提取出連創作者自己都未必意識到的規律。
實際上，當把一個人表現最好的幾十條影片文案都交給AI分析，而且不先預設風格、不限定維度時，AI拆解出來的結果，往往比人自己反覆觀看後總結得更完整。它可能分析出平均句長、短句比例、反問句常出現的位置、正文結構偏遞進還是分點、開頭啟動了什麼樣的心理機制等。很多細節，往往是人看到AI分析後，才恍然大悟原來一直存在，只是自己過去根本不會想到去觀察。
這裡有一個很核心的差別。若你先研究高手，再把自己的研究成果寫成提示詞，那AI產出的上限，其實就是你的認知上限。你不知道的東西，就無法寫進提示詞裡。反過來，如果你把高手的作品直接交給AI，讓它自己拆解規律，那你用到的就是AI最強的模式識別能力，這才是真正發揮它價值的方式。
所以，與其在提示詞裡憑空塑造一個你想像中的高手，不如去現實中找到真正的高手與真實作品，然後大量提供給AI，讓它自己分析、自己總結。你的任務不是教AI怎麼做，而是選對樣本、問對問題。
說到底，AI時代真正重要的分水嶺，是你是否願意承認：在許多創造性領域裡，自己的理解其實不足以直接定義想要的結果。一旦承認這一點，你就不會再執著於把有限認知硬塞給AI，而會把自己的角色，從「教AI做事的人」，轉變成「為AI選素材、提問題的人」。這種策展式的能力，才是更值得修煉的方向。
[AI 分享] 大腦啟動規則
摘要 : 靈感常在放空時出現，關鍵不在意志力，而在降低啟動摩擦、設定貼邊難度，並用簡單流程快速進入深度工作。
內容:
你可能常有這種經驗：洗澡、走路、搭地鐵，甚至上廁所時，突然想通卡了一整天的問題；但真正坐到桌前準備工作時，反而發呆、分心、遲遲進不了狀態。這種差距背後，其實藏著一套大腦啟動工作的規則。只要理解它，不一定要有安靜房間或整段空檔，在零碎時間裡也能更快進入深度工作。
很多人以為自己做不下去，是因為不夠自律，但研究指出，真正的問題常是「注意力殘留」。當你從一件事切到另一件事，前一件事留下的思緒碎片還會佔據工作記憶，讓你雖然人坐在書桌前，大腦卻還停留在剛剛的訊息、影片或聊天內容上。於是你一天下來覺得很累，但真正專注工作的時間可能很少，最耗能的往往不是工作本身，而是開始前的反覆空轉。
除了注意力殘留，還有一個更隱蔽的因素是「啟動摩擦」。同樣的人、同樣的工作，若檔案早已開好、資料就放在手邊、手機也被收起來，往往幾分鐘就能開始；反過來，如果還要找檔案、開軟體、想怎麼起頭，大腦就會判定這件事太麻煩。BJ福格的模型指出，行為要發生，需要動機、能力與提示同時具備；很多時候不是你不想做，而是環境把開始的門檻抬高了。若能提前用「什麼時間、在哪裡、做什麼」的執行意圖鎖定行動，啟動就會容易得多。
但能開始，不代表能持續。想進入像玩遊戲那樣的投入狀態，還需要符合「心流」條件：目標清楚、反饋即時、挑戰與能力匹配。其中最重要也最容易忽略的是任務難度要剛剛好，也就是所謂的「貼邊難度」——不能太簡單讓人無聊，也不能太難讓人想逃。只有當任務比你當前能力高一點點，剛好需要專注、又不至於崩潰時，大腦才最容易咬住不放。
因此，實作上的關鍵是把任務切小，切到15分鐘內能看到一個結果。像寫文章先寫300字開頭，做方案先列出第一頁框架，練琴先單獨練最難的幾個小節。這種可見的小交付物，既能降低壓力，也能快速提供回饋，幫助大腦逐步進入更深的專注狀態。對創造性工作來說，過高壓力反而有害，適中的喚醒程度通常表現更好。
如果環境不理想，也可以靠一套隨時可用的啟動流程：第一，只要求自己先做15分鐘，不追求一次做完；第二，把入口縮小到30秒內能完成的第一步，直接開始；第三，為每個小進展設計可見回饋，例如打勾或劃線；第四，減少干擾，把手機翻面、關掉無關頁面、移開雜物。走神、拖延、遲遲無法開始，很多時候並不是你意志力差，而是你還沒用對大腦啟動的方式。
[AI 觀點] 程式設計師在AI時代真正值錢的能力，是「寫得慢」
摘要 : AI讓寫程式碼速度不再稀缺，程式設計師真正值錢的，是能慢下來做架構、決策與品質把關。
內容:
在AI時代，程式設計師最稀缺、最值錢的能力，可能不是寫程式碼快，反而是「寫得慢」。這裡的慢，不是摸魚或拖延，而是先思考、先設計、先判斷，再動手實作的能力。
過去初級與高級工程師的重要差距，常常來自熟練度與輸出速度。老手熟框架、熟API、熟業務，寫起來自然比新手快很多。但現在AI已經能在極短時間內生成大量看似合格的程式碼，單純比拚敲鍵盤速度，人的優勢幾乎被抹平。當所有人都能快速產出程式碼時，「快」就不再是核心競爭力，而成了廉價能力。
AI普及後，程式設計師的分層會更明顯。初級工程師容易沉迷於速度，拿到需求就直接交給AI生成，快速接受建議、快速拼出頁面與介面，誤以為是自己效率提高了，實際上只是模型在幫忙加速。中級工程師開始處理較複雜的功能，能利用AI做模組整合，讓系統跑起來。但真正高級的工程師，核心能力不在產碼，而在決策。
高級工程師拿到需求時，第一步不是立刻生成程式碼，而是先分析需求、拆解系統、釐清業務邊界、設計資料表與架構，甚至思考未來幾年的擴展性。他們關注的不只是「這個功能能不能做出來」，而是「這樣設計未來會不會崩」、「下次需求變更時需不需要整個重構」。這種看起來比較慢的過程，才是真正有價值的地方。
所謂真正的慢，是一種「謀定而後動」的能力。AI可以當油門，但方向盤一定要握在人手上。你必須給AI清楚的上下文、明確的業務邊界與技術限制，才能讓它產出真正有用的結果。如果自己都沒想清楚，就只是丟一堆模糊需求給AI，那它雖然能很快生成程式碼，卻很可能產出一堆難維護、易出錯、與需求偏離的內容。
因此，比起快速生成程式碼，更重要的是仔細審視AI的輸出。包括review程式碼品質、檢查邏輯漏洞、確認併發安全、記憶體問題，以及判斷設計是否合理。這些工作看起來慢，但這正是工程師不可替代的價值。真正要負責上線品質與系統安全的人，不能只追求速度，否則程式碼寫得越快，翻車也可能越快。
AI讓寫程式碼的成本不斷下降，但讓系統做出正確決策的能力，價值卻變得越來越高。真正厲害的技術人，不一定天天親手敲很多程式碼，但他們知道系統該往哪裡走，也能判斷AI提出的方案到底是好解法還是陷阱。
所以，與其和AI比誰寫得快，不如把節奏放慢，把腦力放回需求理解、架構設計、邏輯判斷與品質控制上。在AI時代，能穩定思考、清楚決策、正確駕馭AI的人，才是最不容易被取代的那一群。
[AI 分享] 長專案中如何讓AI回到受控狀態
摘要 : 長視窗易讓AI飄移，關鍵是分階段拆解、適時換視窗，並在每次開工前重新校準任務邊界。
內容:
很多人在用AI處理稍微長一點的專案時，都會遇到同樣的問題。前面對話看起來很正常，但隨著聊天視窗越來越長，AI開始偏離原本任務。你讓它修一個小問題，它卻順手改了其他地方；你讓它做驗收，它一邊檢查一邊直接修改，最後驗收又變成開發。即使你事先寫了規則或文件，AI口頭上說會遵守，實際執行時還是很容易被上下文帶偏。
這篇內容的核心重點，是當視窗變長後，如何把AI重新拉回可控狀態。第一個方法是「勤換視窗」，但換視窗真正困難的地方，不是開新聊天，而是如何把舊視窗的重要工作狀態正確交接到新視窗。很多人會重新講背景，卻漏掉最重要的執行資訊，例如目前處於哪個階段、已完成哪些工作、下一步只做什麼、依據哪些文件、驗收標準是什麼。只有把這些內容整理清楚放到新視窗最前面，AI才有機會從舊的混亂上下文中被拉回來。
至於什麼時候該換新視窗，可以看兩個訊號。第一是階段切換，例如需求整理完成後要進入開發，或一輪修復完成後準備驗收，只要工作階段改變，就很適合開新視窗。第二是AI已經出現明顯飄移，例如回覆變慢、答非所問、重複內容，或你叫它做A，它總是順手去碰B。這時候不要硬聊，應該先做交接，再換到新視窗繼續。
換視窗也分兩種情況。如果目前視窗還能正常工作，就在舊視窗直接要求AI整理一份「新視窗工作交接提示詞」，內容要包含專案目標、已完成階段、當前進度、正在處理的檔案或模組、下一步任務、必須遵守的文件、驗收標準與已知風險，而且要明確要求它「不要繼續開發，只做交接」。這句話很重要，因為此時你的目標不是讓它往前做，而是把真正有用的資訊整理出來。
如果目前視窗已經無法正常工作，例如內容混亂、一直轉圈、總結品質也變差，那就不要再依賴它原地整理，而是讓新視窗回頭讀取舊對話，再先做交接整理。重點依然是不要直接開發，而是先確認已完成與未完成內容、目前階段、關鍵限制、風險點與下一步計畫，同時再次確認規則文件是否真的被遵守。
第二個方法，是每次開工前都先補一次「階段邊界」。除了換視窗以外，還要養成一個習慣：每次開始工作前，先明確告訴AI現在是什麼階段，例如需求、開發、測試或驗收，並要求它先複述自己理解的階段目標、當前任務、禁止事項與驗收標準，等確認無誤後再開始。這樣做的目的，是讓AI在每次開工前重新校準邊界，不要帶著上一階段殘留的脈絡一路衝下去。
不過這種方法也有前提，那就是目前視窗還不能太長。如果上下文已經嚴重失控，只靠補一句提示詞效果有限，這時還是應該先換視窗、完成交接，再在新視窗重新建立規則與範圍。
最穩定的做法，其實是從一開始就不要把所有事情混在一起。需求、前端、後端、修Bug、測試、驗收如果全部塞進同一個長視窗，專案本身就容易變糊，AI自然更容易飄。比較好的方式，是把工作拆細，分成一個個階段文件來推進。每個階段只處理一件主要事情，並清楚定義目標、依據文件與驗收標準。這樣即使AI偏了，你也有文件可以把它拉回來；即使要換視窗，也有明確的交接依據，不會因為上下文丟失而重來。
總結來說，AI在長視窗中飄移是很正常的現象，不能只靠一句「請嚴格遵守規則」來硬壓。真正有效的方法有三個：第一，先把工作拆成清楚的階段，建立文件化底座；第二，當階段結束或AI明顯飄移時，就及時換視窗並做好交接；第三，每次開工前都重新確認階段目標、任務邊界與驗收標準。只要這三件事做好，即使AI有飄移傾向，也比較容易重新回到可控狀態。
[AI 分享] 打造好用的 Skill 方法
摘要 : 重點不在規則多，而是寫清觸發場景、任務邊界、輸出格式與示例，才能做出真正好用的 Skill。
內容:
cloud 官方文件指出很多人寫 Skill 效果不好，不是因為不夠努力，而是沒有抓到設計重點。真正好用的 Skill，不是靠堆疊大量規則，而是要讓系統清楚知道「什麼時候該被呼叫」、「被呼叫後要完成什麼」、「最後要如何輸出」。
先介紹 Skill 的基本結構。標準的 skill.md 分成兩部分：上方是 YAML 配置區，包含名稱、觸發時機與是否需要額外權限；下方是 Markdown 內容區，負責描述 Skill 被調用後的具體執行方式。示範案例是一個名為「meeting to action」的 Skill，功能是把會議記錄轉換成結構化的行動項清單。
其中，配置區最重要的欄位是 description。這一段文字會被系統拿來做語意匹配，判斷目前對話是否需要自動載入這個 Skill。若 description 只寫「會議記錄整理工具」這種模糊描述，系統無法理解具體用途與觸發時機；但若寫成「把會議記錄或會議內容整理成結構化的行動項清單，當使用者提供會議逐字稿、錄音轉文字，或要求整理會議與提取行動項時觸發」，就能明確提供場景、關鍵詞與觸發條件。作者也提醒，description 有字數顯示限制，因此最重要的觸發詞要盡量放在前面。
接著內容區的寫法。第一步不是急著列規則，而是先定義任務本身，也就是一句話講清楚這個 Skill 的核心工作。這樣系統才知道執行的終點與邊界，例如這個案例的重點不是做全面摘要，而是只聚焦在行動項、決策與待澄清問題。
第二步是定義輸出格式，而且越具體越好。作者示範的輸出包含三部分：第一是行動項清單，每一條都要有負責人、任務、截止時間與優先順序；第二是本次會議的核心決策，列出兩到四條；第三是待澄清問題，用來標記責任不清或尚未解決的事項，若沒有則可省略。明確的格式設計，能讓每次輸出維持穩定一致，不會忽長忽短、忽散忽亂。
在規則設計上，作者特別強調「少而有力」。很多人習慣寫出一長串像是「保持客觀」、「語言簡潔」、「注意格式」這類看似專業、實際卻缺乏約束力的規則。真正有效的規則，應該要能落地執行，例如：只提取明確任務、負責人不清楚就標示待定、截止時間未說明就寫未定、不要自行猜測內容、行動項要用動詞開頭等。這些規則能直接限制模型最容易出錯的地方。
示例是最常被忽略、卻極其重要的一部分。相較單純描述，完整的輸入輸出示例更能讓系統理解你想要的格式、資訊密度與判斷方式。像是如何區分行動項與決策、如何標記待定、如何處理未解決問題，透過一個涵蓋多種情況的示例，往往比十條抽象規則更有效。
最後，整理出三條 Skill 寫作原則。第一，先寫 description，再寫內容，因為先釐清觸發場景，後續設計才有方向。第二，一個 Skill 只解決一件事，不要同時想讓它整理會議、寫週報又寄信，否則容易失焦。第三，Skill 與 cloud.md 不能混用，cloud.md 適合放每次對話都要載入的固定規則與背景，而 Skill 則適合做按需載入的場景化指引。
整體來說，核心觀點很明確：Skill 不是越長越好，也不是提示詞的堆砌，而是一份精準的操作手冊。只要把觸發條件、任務邊界與示範方式設計清楚，就能寫出真正實用、穩定又高效的 Skill。
[AI 觀點] AI工具下的程式設計師內耗危機
摘要 : AI雖提升寫碼速度，卻可能壓縮思考、削弱除錯與架構能力，讓工程師陷入表面高效、實則退化的困境。
內容:
最近不少程式設計師都強烈感受到，真正變捲的不是找工作，而是日常開發工作本身。自從團隊導入 AI 工具後，管理者對開發效率的期待明顯提高，原本需要三天完成的任務，現在可能被認為一天就該做完。因為在許多人眼中，既然程式碼可以由 AI 產出，那工程師只要「按幾個鍵」就能交付成果。
這樣的變化不只來自上層壓力，團隊內部也開始出現一種比拼速度的氛圍。大家互相比誰更會用 AI、誰產出更快，再加上網路上大量渲染「幾秒生成系統」、「一天完成複雜專案」的內容，讓整個開發現場變得越來越焦躁，也越來越失真。
表面上看，AI 的確讓寫程式變快了，但真正令人擔心的是，工程師主動思考的空間正在被嚴重壓縮。過去接到需求後，會先理解問題、設計系統、規劃資料表，再一步一步親手完成程式碼，過程中不斷除錯與重構。雖然慢，但每一段程式碼都經過自己的思考，系統脈絡也更清楚。
現在在時程壓力下，許多人逐漸變成把需求丟給 AI、等 AI 生出程式碼、再把錯誤訊息丟回去修正的工作模式。人腦不再主導開發，而是淪為 AI 與需求之間的傳話工具。這種流程看似高效，實際上卻讓思考能力慢慢退化，長期下來會讓工程師失去最核心的價值。
其中最明顯被削弱的能力之一，就是除錯能力。以前自己寫的程式出錯時，必須看日誌、打斷點、追原始碼、理解底層機制，雖然痛苦，卻能一步步累積真正的技術內功。現在很多人一遇到錯誤，第一反應就是交給 AI 處理。AI 若修好了，自己未必真的知道原因；AI 若修不好，就只能反覆貼錯誤訊息碰運氣。一旦遇到複雜問題，例如分散式鎖、高併發異常或記憶體溢位，若基礎功不夠，往往連問題方向都抓不到。
另一個正在被侵蝕的，是架構與系統拆解能力。AI 擅長提供片段式答案，但企業級專案需要的是全局思維，包括模組拆分、邊界定義、解耦設計與整體架構判斷。當工程師長期習慣讓 AI 幫忙「切碎」問題、提供局部解法，就可能逐漸失去獨立拆解大型系統的能力。一旦系統規模變大、服務開始拆分、邏輯變複雜，AI 很容易因上下文不足而產出錯誤建議，這時若工程師自己也缺乏判斷能力，就很難有效修正。
這種現象帶來的，不只是效率提升，而是技術圈潛在的全面平庸化。問題不在於 AI 會不會寫程式，而在於工程師是否把最有價值的思考與決策也一併外包了。軟體開發中最不值錢的從來不是敲鍵盤，而是鍵盤背後的理解、判斷與取捨。
因此，真正值得警惕的不是 AI 讓人寫更少程式，而是它讓人少想程式。如果工作環境只追求速度，把 AI 當成思考替代品，那麼工程師的核心競爭力就會被一點一滴掏空。面對這個趨勢，最重要的不是拒絕 AI，而是重新思考：在 AI 時代，真正稀缺的能力，依然是獨立思考、深度理解與做出正確技術決策的能力。
[AI 分享] Codex AGENTS.md 實戰寫法
摘要 : 善用精簡的 AGENTS.md，可大幅提升 Codex 輸出品質與專案協作效率。
內容:
AGENTS.md 是一份提供給 Codex 的專案使用說明。每次 Codex 啟動時，都會自動讀取這個檔案，因此不需要手動貼上內容，也不需要每次重新說明專案規則。只要在終端輸入指定初始化指令，就能依照當前專案自動生成模板，再依需求進行修改即可。
可以把 AGENTS.md 理解成 Codex 的專案入門指南。若沒有這份檔案，Codex 每次都像剛加入專案的新手，無法快速掌握規則；有了它，Codex 一開始就知道專案怎麼執行、有哪些限制，以及提交前應遵守哪些流程，整體使用體驗會明顯提升。
撰寫 AGENTS.md 時，不建議把整份專案文件全部貼進去。因為它有 32KB 的長度限制，內容太多不但可能被截斷，還可能讓重要規則被忽略。最理想的做法，是把內容控制在十幾行內，只保留最關鍵、最具操作性的資訊。
建議優先寫五類內容。第一是專案執行方式，例如怎麼安裝依賴、怎麼跑測試、使用什麼包管理器與工具。第二是提交前必須完成的動作，例如 lint 與 test 必須全部通過。第三是禁止變更的內容，例如不要修改 ENV 檔案或既有 migration。第四是專案特殊約定，例如 commit message 格式、變數命名規則。第五是新增依賴的規矩，例如加入新的正式環境依賴前需要先確認。
撰寫時也要避開幾個常見問題。第一，不要只寫空泛態度，例如「請重視程式碼品質」，這類描述對 Codex 幾乎沒有實際幫助，應改成具體可執行的命令與步驟。第二，不要把它本來就能從專案中直接判斷的資訊重複寫進去，否則只會製造噪音。第三，不要寫完後就放著不管，因為專案規則會隨時間變動，應定期回頭檢查並刪除已經不必要的內容。
進階用法是分層管理。若專案屬於單一倉庫但包含多個服務，例如前端與後端採用不同技術棧，建議在根目錄放通用規則，再於各服務子目錄內建立各自的 AGENTS.md，分別定義專屬的測試命令與開發規範。Codex 會依所在目錄自動套用對應規則，而且越接近當前目錄的設定優先度越高。
另外，如果只是想暫時調整規則，又不想修改原本的 AGENTS.md，可以在同目錄新增 Agents Override MD。這樣就能臨時覆蓋原設定，刪除後即可恢復，使用上相當彈性方便。
總結來說，AGENTS.md 的重點不是寫得多，而是寫得準。只要內容精簡、明確、可執行，就能讓 Codex 更理解你的專案脈絡，進一步提升輸出品質與工作效率。
[AI 分享] Skill讓AI更專業
摘要 : Skill將複雜流程從Agent憲法中拆出，讓AI按需載入，減少漂移並複製高手工程經驗。
內容:
前文提到，Agent憲法主要是規範AI在專案中應遵守的原則與邊界，例如哪些事能做、哪些不能做、衝突時該聽誰，以及什麼條件下才算完成任務。但如果把需求整理、開發計畫、除錯流程、驗收方式、程式碼審查與交接規則全部寫進去，內容就會變得過於龐大，不僅佔用上下文，也會增加Token消耗，反而讓AI更難抓住重點。
因此，Skill的角色就非常重要。Skill不是再補一份更長的規範，而是把特定工作流程整理成AI可以在需要時調用的能力模組。它通常在命中相關語意後才載入，所以適合承載那些具體、複雜、但不必每次都常駐的流程。這樣可以讓Agent憲法保持精簡，也讓AI在執行任務時更穩定。
對許多剛開始使用AI開發的人來說，最常見的做法就是直接丟一句話給AI，例如幫我加登入、幫我修錯、幫我優化UI。這樣雖然快速，但AI往往只是根據當下指令自由發揮，沒有穩定流程可依循。它可能這次先拆需求，下次卻直接改程式；這次先驗證Bug，下次卻直接猜測原因，久而久之程式碼就容易變亂，結果也難以保證。
而Skill的價值，就是把有經驗工程師面對不同任務時的標準流程交給AI。若說Agent憲法像專案的員工手冊，那麼Skill就更像各職位的SOP。前者規定原則，後者指導實作。這種分工不但更有效率，也避免所有內容都長期塞在上下文裡，造成額外負擔。
Skill之所以重要，第一個原因是它能減少AI漂移。所謂漂移，就是AI一開始明明在做A，後面卻慢慢偏成做B；原本要求先驗收再交付，最後卻變成寫完就說完成。Skill能將某一類任務的標準方法固定下來，讓AI不是每次都臨時組織做法，而是回到穩定流程中執行。
第二個重要性，在於它能複製高手經驗。很多新手缺少的並不是打程式碼的能力，而是完整的工程思維，例如需求怎麼拆、Bug怎麼查、審查風險怎麼看、上線前該驗證什麼。許多Skill本身就是資深工程師或團隊將自己長期累積的方法論沉澱下來的成果。使用Skill，等於是讓AI把這些成熟經驗帶進當前任務裡。
在實際使用上，Skill不一定需要使用者手動逐一指定。很多AI IDE會根據你的語句，自動判斷要觸發哪一類Skill。例如你提到排查問題，可能會載入除錯Skill；提到開發計畫，可能會載入規劃Skill；提到頁面檢查，可能會觸發前端驗收或瀏覽器相關Skill。當然，使用者也能主動點名，要求AI依指定Skill執行。
此外，Skill也不只是普通提示詞。它通常還會附帶說明文件，包含用途、適用時機、處理流程、輸出要求，甚至可能搭配模板、參考資料、腳本或命令。這代表在某些任務中，Skill不只是提供思路，還可能直接支援安裝、驗證、檢查與執行操作。因此，使用者若不清楚某個Skill怎麼用，最好的方式就是直接詢問IDE，了解它的用途、觸發方式與注意事項。
對一般使用者來說，安裝與理解Skill其實不一定困難。很多時候，只要把Skill連結交給AI IDE，請它協助安裝並確認是否能被工具辨識即可。如果不確定這個Skill適不適合目前專案，也可以直接詢問AI，請它依據專案技術棧、目錄結構、部署方式與既有Agent憲法，幫忙判斷是否適配，甚至進一步調整用法。
總結來說，普通人不必一開始就研究透整套Skill機制。只需要知道三件事：第一，遇到合適的Skill可以交給IDE協助安裝；第二，不懂怎麼用時可以讓IDE解釋；第三，不確定是否適合專案時，可以請IDE結合實際情況幫忙判斷與適配。這正是AI IDE的重要價值，也是Skill能真正幫助新手提升開發品質的原因。
[AI 分享] 成交關鍵不在產品，在資訊
摘要 : 產品決定復購，資訊決定首次成交；客戶買前無法驗證品質，只能透過你釋放出的資訊做判斷。
內容:
做了15年品牌營銷後，可以總結出一個核心真相：賣東西，並不只是賣產品、賣服務、賣價格，真正影響成交的，是客戶在下單前接收到的資訊。
很多人以為，產品夠好、服務夠強、品質夠穩，客戶自然會買單。但現實是，客戶一開口就問價格、問能不能便宜、問和別家差在哪裡，其實你就已經被拉進價格比較裡了。這時候你再去解釋材料、工藝、服務和品質，客戶往往仍然只盯著價格，因為他還沒有真正感受到你的價值。
原因很簡單：在第一次購買之前，客戶根本無法驗證你的產品到底好不好。他沒用過你的服務，也沒體驗過你的交付與售後，因此他只能透過你對外傳遞的資訊來做判斷。這些資訊包括文案、封面、圖片、詳情頁、短影片、直播間、評論區、客戶案例、銷售話術，甚至是你朋友圈裡說的每一句話。
所以可以記住一句話：產品負責交付，資訊負責成交。產品的好壞，決定客戶會不會再次購買；資訊的好壞，決定客戶願不願意給你第一次機會。
許多老闆賣得很累，不是因為產品不好，而是太相信產品本身。他們以為只要東西夠好，客戶遲早會懂。但客戶不是質檢員，也不是產品經理，他不會花時間研究你的材料、工藝、技術流程。他只會在極短的時間裡問自己四個問題：這和我有什麼關係？我為什麼要停下來？我憑什麼相信你？我為什麼現在要買？
如果你的資訊無法回答這四個問題，那產品再好，客戶也感受不到。當你不主動翻譯價值，客戶就只能用價格來比較你。這也是很多生意陷入價格戰的真正原因，不是市場太卷，而是你傳遞出去的資訊，剛好只適合被拿去比價。
舉例來說，同樣是一支手機，如果你只講晶片升級、螢幕更亮、相機畫素更高、電池更大，客戶聽完通常只會問多少錢、值不值得換、別家是不是更便宜。因為這些都是引數，而引數天生就容易被比較。真正會賣的品牌，會把晶片翻譯成打遊戲不卡，把相機翻譯成晚上拍孩子也清楚，把續航翻譯成出門一天不用帶充電寶，把螢幕翻譯成太陽底下也看得清楚。產品沒有變，但資訊變了。普通資訊講的是「我有什麼」，高級資訊講的是「你會得到什麼」。
再比如外送平台上的一碗牛肉飯，一家店只寫「招牌牛肉飯28元」，另一家店寫「現炒牛肉、熱飯熱菜、30分鐘送到，適合加班晚餐，吃完不將就」。後者不一定更好吃，但更容易讓人下單。因為它賣的不只是一碗飯，而是加班後的一口熱飯，是不用糾結晚餐吃什麼，是不用下樓排隊，是不用將就冷掉的食物。客戶雖然無法先驗證味道，但會先被資訊打動。
真正有效的成交資訊，可以分成四個層次：看見、認可、信任、依賴。
第一層是看見。看見不只是客戶刷到你，而是願意為你停下來。你的標題、封面、短影片前三秒、詳情頁首屏、直播間第一眼，能不能讓客戶繼續看，這才是關鍵。看見的核心不是讓客戶看到你，而是讓客戶在你的內容裡看到自己。比如賣減脂餐，與其一開始講低卡、高蛋白、營養均衡，不如先說「下班已經很累了，別再靠意志力決定晚飯吃什麼」，這樣客戶更容易有感。
第二層是認可。客戶停下來之後，不會立刻購買，他會先判斷你有沒有用。這時候如果你只是不斷講自己的原料好、團隊專業、設備先進、服務周到，效果通常有限。客戶真正關心的是：我能得到什麼？我能少什麼麻煩？我能降低什麼風險？我能獲得什麼結果？所以認可的關鍵，就是把你的優勢翻譯成客戶的利益。發貨快，對客戶來說叫不用等；服務好，叫出問題有人管；品質穩定，叫不用反覆試錯；流程成熟，叫交給你更省心。
第三層是信任。認可不代表成交，因為信任解決的是「我會不會踩坑」。客戶會懷疑你說的是真的嗎？有人買過嗎？交付怎麼樣？售後可靠嗎？這時候，信任不能靠口頭保證，而要靠證據建立。真實案例、客戶評價、前後對比、交付流程、產品細節、常見問題、售後承諾、復購紀錄，這些才是讓客戶放心的關鍵。
像山姆、Costco這類會員店，厲害的不只是商品多或價格便宜，而是它們替客戶做了篩選。客戶相信這裡的商品大機率不容易踩坑，所以買的不只是商品，而是一種被篩選過的安心感，也是一種信任你的判斷力。
第四層是依賴。一次成交不難，真正有價值的是讓客戶下一次還找你，甚至一想到某個需求，第一個就想到你。這種依賴不是靠一次交易建立的，而是靠持續輸出資訊、持續解決問題、持續降低選擇成本、持續提供方法與判斷。最高級的成交，不是客戶被你說服，而是客戶覺得找你最省心，懶得再去比較別人。
所以，別再只是反覆問「我的產品哪裡還不夠好」，你更該問的是：客戶第一眼看見我時，接收到的是什麼資訊？客戶看完內容後，知不知道我解決什麼問題？客戶猶豫時，我有沒有提供足夠證據讓他放心？客戶買完之後，有沒有理由再回來找我？
最後要記住，產品當然重要，因為沒有好產品，再好的資訊也只能換來一次成交，後面終究會被口碑反噬。但如果只有好產品、沒有好資訊，客戶甚至不會給你第一次體驗的機會。
總結一句話：產品好，決定客戶會不會復購；資訊好，決定客戶會不會成交。
