[AI 未來] 你如何與AI 和平共處

 [AI 未來] 你如何與AI 和平共處

AI 的浪潮，真的已經不是「未來」了，而是現在正在發生的事情。很多人還把 AI 當成一個聊天工具、一個幫忙寫文章的工具，但真正開始深入接觸 AI 的人，其實已經慢慢看到另一件更大的事情：AI 正在重新定義整個軟體世界。

過去幾十年，我們熟悉的軟體模式，其實都是建立在「規則」上。工程師寫流程、設計畫面、建立欄位、定義按鈕，再讓使用者按照既定流程操作。於是系統越做越大、功能越堆越多，最後變成一個沒有人敢輕易修改的龐然大物。很多企業現在最大的問題，不是沒有系統，而是系統太多、太重、太難改。

但 AI Native 的世界，不再只是這樣。未來的核心，不再只是「開發功能」，而是建立一個能讓 AI 一起工作的環境。以前是人操作系統；未來會慢慢變成 AI 幫人操作系統。很多原本需要大量人力處理的事情，開始能透過 AI Agent 自動完成。從整理文件、查詢知識、分析資料、跨系統操作，到執行整個流程，AI 開始從「工具」慢慢變成「工作者」。

而這件事情的影響，遠比很多人想像得還大。

因為企業一旦發現，同樣一件事情，原本需要十個人花三個月完成，現在透過 AI Agent 幾天就能完成，而且成本更低、速度更快，整個產業的競爭方式就會被迫改變。這也是為什麼現在越來越多人開始提到 AI Native。它不是單純把 AI 加進既有系統裡，而是從一開始，就把 AI 當成整個系統的核心。

很多人現在還在追模型、追參數、追哪個 AI 比較強，但真正重要的，其實是另外一件事：你能不能建立一個 AI 能工作的環境？你能不能把自己的 Know-how、流程、經驗，轉換成 AI 可以理解與執行的東西？因為未來真正有價值的人，已經不只是「會寫程式的人」，而是能夠設計「AI + 人協作系統」的人。

你會開始看到，有些人一天可以完成以前一個團隊才能完成的事情。有些公司，人數沒有增加，但產能卻暴增。以前一個專案需要十幾個工程師；未來可能兩三個人加上一群 AI Agent 就能完成。以前很多需要大量教育訓練才能操作的系統，未來可能只需要一句自然語言，AI 就能幫你完成整個流程。

這也是為什麼，現在很多傳統軟體的思維，正在慢慢被淘汰。過去的軟體，是把所有事情「先定義好」。但 AI 的世界，不再需要把每件事情都寫死。AI 能理解上下文、能推理、能拆解任務、能自動規劃流程。很多以前做不到的彈性，現在開始出現了。

未來很多系統，甚至可能不再需要複雜的操作畫面。使用者只需要一句話：「幫我整理最近三個月的異常資料，分析原因並產生報告」，AI 就會自己完成。這不只是效率提升，而是整個工作模式正在被重新改寫。而真正可怕的是，這場變化的速度，可能比過去任何一次技術革命都還快。

因為 AI 不是從零開始建立，它是直接疊加在既有的電腦、網路、系統之上。很多公司甚至不需要重建基礎設施，就能直接導入 AI。這代表，一旦企業開始真正使用 AI，變化速度會快到超乎想像。所以現在最大的問題，已經不是「AI 會不會取代人」，而是「會使用 AI 的人，會不會取代不使用 AI 的人」。

因為未來真正的差距，可能不是誰比較努力，而是誰比較懂得利用 AI 放大自己的能力。你會發現，有些人開始能同時管理多個 AI Agent；有些人開始建立自己的 AI 工作流；有些人開始讓 AI 幫忙開發、測試、分析、規劃、整理文件、管理專案。這些事情一旦串起來，人類的產能會被放大到一個非常驚人的程度。

而這也是為什麼，現在最重要的事情，其實不是只停留在看新聞、追 AI 話題，而是真正親自下場開始做。

因為只有真正開始使用 AI、真正開始把 AI 放進工作流程裡的人，才會慢慢理解：這不只是工具革命，而是整個工作模式、軟體產業、甚至企業結構的重新洗牌。很多人現在還在觀望，但有些人，已經開始進入下一個時代了。而未來最強的人，不一定是最會做事的人，而是最會「讓 AI 幫自己做事的人」。

[AI 省思] 我們為什麼需要 AI，它可以做哪些事情

 [AI 省思] 我們為什麼需要 AI，它可以做哪些事情

最近越來越能感受到，AI 帶來的變化，真的不是「多一個工具」這麼簡單，而是整個工作模式開始被重新定義。很多人現在還在把 AI 當成聊天機器人、寫文案工具、畫圖工具，但真正開始深入使用的人，其實已經慢慢看到另一件事：AI 正在開始改變「人類如何工作」這件事情本身。

過去幾十年，整個軟體世界，其實都建立在一個很傳統的邏輯上。需求來了，工程師分析需求、設計資料庫、建立流程、撰寫程式，再讓使用者按照系統規則操作。於是系統越做越大、功能越做越複雜，最後很多企業最大的問題，不是沒有系統，而是系統太多、太重、太難改。每次改需求，都像拆炸彈。每次升級，都怕舊功能壞掉。很多公司花了大量成本養 IT、養維運、養流程，但效率卻沒有真正提升。

但 AI 的出現，開始打破這種限制。因為 AI 最大的價值，不只是「自動化」，而是讓很多原本必須靠大量人力、時間、溝通成本才能完成的事情，開始能夠被重新拆解與重組。以前很多事情需要工程師一行一行寫規則，現在 AI 可以透過情境理解、上下文推理、自然語言操作，直接幫忙完成。很多原本做不到的事情，開始變得可能。很多原本需要大型團隊才能推動的專案，現在小團隊就有機會完成。

這也是為什麼現在越來越多人開始談 AI Native、AI Agent、數位轉型。因為未來真正重要的，可能已經不是「功能做多少」，而是「能不能讓 AI 幫你工作」。未來很多企業的核心競爭力，很可能不再只是人數，而是 AI 槓桿能力。你有多少 AI Agent 在幫你工作？你的工作流程有多少已經 AI 化？你的知識有沒有辦法被 AI 使用？你的組織能不能快速利用 AI 重組工作流程？這些事情，會開始變成企業之間真正的差距。

而且最重要的是，AI 不只是加快流程，它會重新改造流程。以前很多工作流程，是因為人類能力有限，所以才必須切割成很多部門、很多角色、很多階段。但 AI 出現後，很多中間流程可能直接消失。以前需要人手整理資料、彙整文件、轉換格式、查詢系統、產生報表，未來可能一句話就完成。以前需要大量教育訓練才能操作的系統，未來可能透過自然語言就能使用。

這代表未來的工作，不只是「加速」，而是「重組」。所以很多人現在會開始焦慮，到底 AI 會不會取代工作？我覺得真正的答案其實是：AI 不一定直接取代你，但會使用 AI 的人，很可能會取代不使用 AI 的人。因為未來最強的人，未必是最會做事的人，而是最會「讓 AI 幫自己做事的人」。你會開始看到，有些人一個人就能完成以前一整個團隊的工作；有些公司人數沒增加，但產能卻暴增；有些部門開始建立自己的 AI Agent，讓 AI 協助處理日常流程、知識管理、專案追蹤、文件產生、資料分析，甚至開始讓 AI 幫忙做決策建議。

而這件事情一旦開始，就回不去了。因為企業一旦發現，透過 AI 可以做到降本增效，可以減少大量重複性工作，可以提升速度與品質，接下來一定會全面推進。未來一定會出現更多「AI 員工」。這些 AI Agent 不會累、不會下班、可以二十四小時工作，而且還能快速學習與複製。很多原本需要大量基層人力處理的工作，未來都可能被重新定義。但我反而覺得，這不一定是壞事。因為真正重要的，不是害怕 AI，而是學會如何與 AI 共存。未來真正有價值的人，不只是會執行工作的人，而是懂得如何設計工作流程、如何控制 AI、如何建立 AI 系統的人。

未來的工程師，也不再只是寫程式而已，而是開始變成「AI 工作流設計師」。未來的顧問，也不只是提供建議，而是能幫企業建立 AI 化流程。未來的管理者，也不只是管人，而是開始管理「人 + AI Agent」的混合團隊。而這波最大的機會，其實不一定只屬於大型企業。因為 AI 最大的特色，就是它正在快速拉近個人與大公司的能力差距。一個懂 AI 的人，未來可能擁有過去小公司做不到的能力；一個小團隊，未來可能做出過去大型企業才能完成的產品。

所以現在最重要的事情，其實不是每天追哪個 AI 模型比較強，也不是只停留在看新聞，而是真正開始下場實作。開始學習如何使用 AI、如何建立 AI Workflow、如何設計 AI Agent、如何把自己的知識轉換成 AI 可以理解的內容。因為未來真正的差距，不一定是誰比較努力，而是誰比較早開始進入 AI 時代。

[AI 探索] AI Agent 到底還有什麼事做不到的？

 [AI 探索] AI Agent 到底還有什麼事做不到的？

先說結論，Open AI的Codex，除了可以用來寫程式之外。還可以來協助系統工程面的維運工作。

今天早上正在使用Claude Code CC ，進行 .NET MAUI 的一個系統分析工作需求。 希望能夠透過這個AI代理人工具。 找到1個平衡開發以及部署上的工作需求。 到底要使用哪種策略與做法？ 才是比較適應我的需求在這個過程中我突然想到看看我設定的模型是不是OPUS 4.7，不查不要緊。一查下一跳。結果居然發現了我的模型已經升級到Opus 4.8。原本想要先用西西做一次分析。 看看他的分析報告是否可以讓我滿意。 若不滿意的話我再切換到open AI的代理人下再來執行一次。不知道是他變聰明了。 還是4.8真的變得比較好用。 這一次我只經過一次的計畫，就可以得到我想要的結果。並且結果是讓我相當的滿意。

看樣子這場AI大語言模型的競賽。已經從今天開始拉開了序幕。 Google才發表了他們最新的大語言模型。 時間還沒有超過一個禮拜。 此時OPUS模型升級到了4.8。聽說OpenAI的5.6或者6.0的模型。據說要到6月底就會發表。不知道在這個結果眼上有沒有可能在6月初就看到他們也發表了最新的大語言模型。平常在做的事情。 若有做的效果不好或者不滿意的。 幸好我都有記錄下來，因此，在6月份的時候。 我就可以分別針對這幾個新版的大語言模型。 將之前做過的事情，再重複做一次，看看他們是否有更傑出的表現。 以及我平常做事的方式，是否有什麼可以值得再修正的？

之前因為客戶的電腦。 都會，每隔一天或兩天的時間。 進行重新開機。 或者是說他就自動關機了，導致隔天客戶要使用這個主機上的服務。就無法連線進去。有時一個禮拜會被教修個3，4次，這個事情已經有像客戶反應了。 客戶也有具自行進行偵測。 我也跟客戶說，若我有空的話，我也想透過AI看看是否能找出問題。 今天正好有遠端連線到客戶的那臺主機上。 想說這個時候就派出OpenAI的代理人來進行這樣的工作。 我也是抱著姑且一試的想法。 也許根本會沒有任何的效果。

我直接對Codex，下達這樣的敘述與命令。 這臺電腦經常性的每天會進行自動關機。 請幫我分析這台電腦是否有這樣的行為產生？ 並且看看是什麼狀況，造成這台電腦會這樣莫名的關機或重新開機。 以往遇到這樣的需求，幾乎都要去尋求高手才能夠診斷出發生了什麼問題。 當然能否去處理完成。 這又要靠的另外一番運氣。今天真讓我又開了一個眼界。 沒有多久的時間，AI代理人就告訴我。 他去檢查過事件日誌，發現曾經有十多次以上的自動關機的記錄。 並且連發生的狀況也描述出來了，也就是造成了死機藍屏現象。錯誤的代碼也顯示給我了。

既然他就可以看到事件日誌了。我當然也不用跟AI代理人客氣。 我直接對他說。 你可以幫我找出會造成這樣狀況的真正原因嗎？ 二話不說。 他直接開始進行這台電腦的相關系統資訊的搜尋。 發現這臺電腦上有因為這樣的狀況所造成的 memory dump 檔案而且直接調用相關的工具進行這些記憶體的狀態進行分析。 在以往。 我也曾經想要把這樣的技術給學會。 不過要學會這樣的技術。 牽扯到的範圍層面太廣。 因為你要懂得記憶體的運作模式。也要懂得硬體的架構也要知道這個執行時期工具它到底有哪些東西並且對於作業系統。也要有相當的了解。網路上有這樣的兩本聖經。 他是一個系列的，不要說買來看了。 光看到他的頁數以及厚度。 其實就已經下退所有的人了。我也曾經嘗試去看了一些，不過內容實在太多，導致沒有學會這樣的技術。

今天我終於又體會到了AI代理人的能力。 如何把我們這樣的技術人員？ 透過槓桿能力。 把我們的表現提升到一倍，5倍甚至於10倍。我親眼目睹到AI代理人如何操作相關的系統分析工具。 找出這臺電腦會發生這樣異常關係的真正原因。 我也看到他。 到底下了哪些指令？ 查到了哪些資訊？ 雖然當初我沒有學會那樣完整的技術，但是對於他所呈現的相關資訊。 我還是可以知道他在講什麼的。所以今天我終於體會到了AI代理人工具。如何在系統維護工作上把之前需要繁瑣的工作，例如調閱系統的日誌。 查看磁碟的哪個目錄，耗損空間最多。 或者進行各種不同的系統維護工作。 甚至於說把我的需求立即透過了腳本來執行出來。 也就是說，整個過程可以把我系統維護的工作全部都自動化了。 這樣的體驗對於曾經有數十年系統工作的我。 看得我真的是十分感慨。我也曾經發揮了十多年的光陰在這些事情上。幾乎都是每天工作到。 12點之後。 然後就做到所謂大家講的，早點回家。 也就是買著早點回家，盥洗一下繼續再來公司。

因此，AI代理人這樣的工具。 對於現在的我則是一個無窮無盡。 可以盡情去探索的世界。 我不知道它是有哪些東西做不到。 以及在他可以做到的範圍中，是否有什麼它還做不好的？ 至於他現在做不好的，對於現在的我而言，一點都不擔心。 大家覺得很奇怪，是因為我對AI代理人十分有信心嗎？ 其實不是的。 根據現在的態勢來看，最近這3個月到9月底之前。 我認為這些AI大語言模型廠商，他們還會經歷很激烈的內卷。 所以我認為幾乎一個月到1個半月之內都會陸陸續續聽到有新的大語言模型推出。 既然是這樣子的話。 這些AI代理人可以做到的能力，或者他們的潛力。 我覺得不能用現在這個時間點來訂位他們。 只要大語言模型的能力又有提升，原來AI代理人做不到的事情。 未來就又都可以做到了。

AI 新創最大的風險：你是在創業，還是在替模型公司做市場驗證？

 這陣子，我和幾位投入 AI 應用開發的網友，常常聊到一個有點尷尬的話題。我們慢慢發現一件事，但大多數人都不太願意直接說出口：很多 AI 新創表面上是在打造自己的產品，實際上卻像是在幫大型模型公司驗證市場需求。我們花時間找到使用者痛點、設計流程、教育市場，等到證明這件事真的有人願意買單之後，模型公司再把這個能力直接整合進模型本身。到最後，我們辛苦建立的優勢，可能只剩下一段被寫進新版 Release Note 裡的功能描述。

過去兩年其實已經出現不少類似案例。曾經有一批專門做 Browser Agent 的公司，因為能自動操作瀏覽器而獲得高額估值；但當模型公司推出電腦操作能力後，市場格局很快被改寫。後來又有許多 AI Coding 工具獲得大量投資，主打更聰明的程式開發體驗。然而當大型模型開始具備越來越完整的程式開發能力後，許多產品的定位也從「最好的 AI Coding 工具」，變成「某個模型的最佳輔助工具」。甚至連客服、業務、法務等 Worker Agent 領域，也開始出現相同現象，原本需要龐大系統才能完成的事情，可能最後只需要一份設定檔或幾個 Prompt 就能實現。

真正值得警惕的地方在於，這些模型公司未必是在與新創正面競爭。相反地，它們往往選擇先觀察市場，讓創業團隊去探索需求、驗證商業模式、累積真實使用資料。等到某個方向被證明可行後，再將能力逐步內化到模型本身。它們未必搶你的介面，也未必搶你的品牌，而是直接把原本需要額外產品才能完成的功能，變成模型天生就會的能力。這種策略看起來溫和，實際上卻比直接競爭更具威脅性，因為它讓許多人誤以為自己仍然擁有安全的發展空間。

那麼問題來了：如果模型能力持續進化，哪些 AI 公司還有機會長期生存？我自己的觀察是，第一種是那些建立在模型之外護城河的公司。例如品牌影響力、社群經營、人與人之間的信任關係、產業人脈、法規資格、專業認證等。這些價值並不是模型本身能夠輕易複製的。使用者可能因為信任某個品牌而選擇產品，也可能因為社群文化而留下來。只要你的核心價值不完全依賴模型能力本身，就比較不容易被模型升級直接取代。

第二種能存活的公司，是那些願意處理模型公司不想做的事情。企業導入、醫院系統整合、銀行稽核、法規遵循、資安管理、內部流程改造等工作，往往耗時、繁瑣，而且高度客製化。模型公司更喜歡做可規模化的通用能力，而不是深入每個產業處理複雜的落地問題。反而是那些願意進入企業現場、理解真實業務流程的人，能夠建立更穩固的市場位置。許多看似不夠酷、不夠炫的工作，往往才是真正能創造長期價值的地方。

第三種則是成為模型能力的放大器，而不是競爭者。當模型越強，你的產品也跟著受益。例如 AI 工作流平台、AI 基礎設施、資料治理系統、企業知識平台、垂直領域資料中台等。這些產品的價值來自於讓模型更容易被企業採用，而不是試圖取代模型本身。如果你的產品越來越依賴模型進步來創造價值，那麼每一次模型升級都可能成為你的成長機會。回過頭來看，真正需要思考的問題或許不是「下一個 AI 模型會不會殺死你的公司」，而是你的商業模式究竟是在建立自己的護城河，還是在替模型公司免費完成下一代功能的研發工作。很多時候，決定一家 AI 公司命運的，未必是某場轟動的產品發表會，而可能只是新版更新說明裡一句不起眼的「Improved Capacity」。

[AI 現象] 最近已經慢慢出現了各種使用 AI 的詭異現象

 [AI 現象] 最近已經慢慢出現了各種使用 AI 的詭異現象

最近 AI 圈出現了一個很值得注意的現象。先是 Uber 的高層公開表示，公司越來越難證明 AI 的投入成本到底值不值得。Uber 不只是一般企業，而是全球大型科技公司，他們發現一個問題：AI 使用量越來越高、Token 花費越來越多，但真正帶給使用者的新功能、新價值，卻沒有同步成長。差不多同一時間，許多 AI 領域的重要人物也開始修正過去的說法。原本大家以為 AI 很快就會大量取代白領工作，但實際情況並沒有想像中那麼劇烈。這些訊號加在一起，其實都在說同一件事：企業投入 AI 的成本，與實際得到的成果之間，出現了一道越來越明顯的落差。

身為一個長期接觸 AI 系統的人，我認為問題不在於 AI 沒有價值，而是在於「有價值」和「值得花多少錢」其實是兩件不同的事。以現在很熱門的 AI Coding Agent 為例，它確實能幫工程師閱讀程式碼、找問題、提出修正方案，甚至協助測試。但實際使用的人都知道，它並不是每次都一次成功，很多時候需要不斷嘗試和修正。一個工程師原本十分鐘能完成的工作，AI 可能要花二十分鐘的運算與 Token 消耗才能完成。對個人來說問題不大，因為等待期間可以處理其他事情；但對企業來說，每一次 Token 消耗都是真金白銀，累積下來可能是每年數十萬甚至上百萬美元的支出。

真正的問題是，很多企業根本不知道這些錢花下去之後，換回來了什麼成果。多花了一百萬美元的 AI 成本，究竟多交付了多少功能？減少了多少 Bug？縮短了多少產品上市時間？很多公司其實答不出來。於是大家開始發現，AI 的問題不是效果不好，而是缺乏管理機制。現在許多企業的做法很簡單：幫員工開通 AI 帳號、給使用額度，然後要求大家多用 AI 提升效率。但這就像公司發給每個人一張信用卡，卻沒有規範如何使用，也沒有追蹤花出去的錢是否創造價值。結果自然是有人用得很好，有人用得很浪費，甚至有人只是為了證明自己有在用 AI 而不斷消耗 Token。

更有趣的是，部分企業無意間創造出了錯誤的激勵機制。當 Token 使用量被視為一種績效指標時，員工追求的就不再是解決問題，而是證明自己夠「AI Native」。有人會故意詢問文件裡早就寫清楚的內容，有人讓 AI 產生根本不會實際開發的功能原型，甚至有人刻意把 Token 使用量維持在團隊平均值以上，只是為了避免被認為 AI 用得不夠多。當企業開始設置 Token 排行榜、最低消費額度或把 AI 使用量列入績效考核時，大家追求的就不再是成果，而是數字本身。最後看到的是 Token 持續增加，真正的生產力卻沒有明顯提升。

如果企業真的想讓 AI 發揮價值，就必須把 AI 當成一種需要管理的生產資源，而不是單純的工具。首先，要清楚知道哪些工作適合使用 AI，哪些工作反而不適合。一般來說，流程明確、執行時間長、成果容易驗證的工作最適合 AI；反之，如果任務本來就很快完成，或結果難以判斷對錯，使用 AI 可能反而浪費成本。其次，企業應該衡量最終成果，而不是 Token 使用量。例如功能交付速度是否提升、產品品質是否改善、錯誤率是否下降，這些才是真正有意義的指標。最後，還需要建立完整的回饋機制，讓組織知道哪些場景真的有效，哪些場景只是單純燒錢。

說到底，很多企業目前其實是把面向消費者的產品思維，直接搬到企業內部管理上。在消費市場裡，使用者越多、停留時間越長通常代表越成功；但企業經營不是這樣，企業真正追求的是投入與產出的最佳比例。一位工程師一個月只花 100 美元 Token，卻成功交付三個高品質功能；另一位工程師花了 1,000 美元，最後只留下許多沒人使用的原型。顯然前者創造的價值更高。AI 的未來當然值得期待，但企業真正要解決的問題，從來不是模型夠不夠聰明，而是有沒有能力管理這項新資源。當企業學會如何分配、追蹤、驗證與優化 AI 的使用方式時，AI 才會從一個「看起來很厲害的工具」，變成真正能創造商業價值的生產力來源。

#AI

[AI 幻想] 又要馬兒肥，又要馬兒不吃草

 [AI 幻想] 又要馬兒肥，又要馬兒不吃草

底下是我今天正在做的一個功能開發，透過 AI 詳盡拆解需求與整理出需求規格文件，並且依據完成軟體開發週期來做出來，當然，我自己開發經驗中，是沒有採用這麼嚴謹與完成的過程，可是，想要做出高品質與高穩定的系統，這樣的做法可能是不可避免的，這次是透過 AI 來做這些功能，當然，只有我一個人，很難想像若採用傳統的做法，想要做出同樣的需求、做出同樣的成果，究竟要花費多少的人力、時間與成本，重點是能否控制到產出是符合需求的結果。在真實情況下，還要面對開發到一半或者結束後，客戶提出其他的變更或者異動處理，同樣的過程與工作，又要重新再來做一次。

今天有感而發，對於軟體開發，其實真的不是那麼容易的，因為，可變化的因素真的太多了，而且傳統上這些變因都需要有經驗的人來進行決策與判斷，而真正在執行的人，又需要有能力可以快速地完成指定工作，在今天，透過 AI 工具讓我真實理解到，透過 AI 來進行軟體開發工作的輔助，真的是可以提升效率與品質，但並不代表 AI 工具沒有其他的副作用或者問題，世間事情有一好沒倆好，世間萬物強調平衡，怎麼善用各種工具或者能力，還是要告人來決定。

---

今天利用 Claude Code 進行了一次完整的 AI 協作式軟體開發實驗。整個過程並不是直接要求 AI 幫忙產生程式碼，而是先從需求分析開始，讓 AI 先理解系統目標、功能範圍、技術限制以及現有專案架構，再依據這些資訊建立完整的規劃文件。這種做法最大的價值在於，將原本存在開發者腦中的想法轉換成可執行、可驗證、可追蹤的工作項目，避免開發過程中因理解落差而產生大量返工。

在規劃階段完成後，系統並沒有直接開始修改程式碼，而是先將整體需求拆解成許多獨立且具備明確目標的小任務。每個任務都有自己的輸入、輸出、驗收條件以及相依關係。這種方式類似大型軟體團隊中的工作拆解（Work Breakdown Structure），讓原本複雜且可能需要數週完成的功能，被切割成可以在短時間內完成與驗證的工作單元。透過這種做法，不但可以降低單次修改的風險，也讓後續的問題追蹤與品質管理變得更加容易。

實作階段則採用了多代理（Multi-Agent）協作模式。與傳統只有一個 AI 對話不同，每個工作項目都會由獨立的執行代理負責完成，而另外的代理則負責審查與驗證。換句話說，系統中同時存在「開發者」、「測試者」、「架構審查者」與「品質管理者」等不同角色。當某個代理完成工作後，另一個代理會依據原始規格進行檢查，確認功能是否符合需求、是否遵守既有架構規範，以及是否存在潛在的程式設計問題。這種做法本質上是在模擬真實軟體團隊中的 Code Review 流程。

在審查過程中，AI 並不是單純檢查程式碼能否編譯通過，而是會針對架構設計、例外處理、資源管理、可維護性以及未來擴充性等面向進行分析。有些問題即使目前不會造成錯誤，也可能在未來系統規模擴大後變成技術債。因此，審查代理會提出改善建議，再由實作代理進行修正。這種「實作 → 審查 → 修正 → 再驗證」的循環，實際上與企業級軟體開發中的品質保證流程非常接近。

另外一個值得注意的做法是環境隔離。所有開發工作都在獨立的功能分支中進行，而非直接修改主要分支。這代表即使 AI 在開發過程中出現問題，也不會影響正式版本。每完成一個工作項目，就會留下對應的提交紀錄（Commit），形成完整的變更歷程。這種做法不但可以隨時回溯歷史版本，也能夠清楚了解每個功能是在哪個階段被加入或修改的。對於大型專案而言，這種可追蹤性是非常重要的管理能力。

從技術角度來看，今天的重點其實不在於某個特定功能，而是在驗證一種新的開發模式。傳統開發流程中，工程師需要同時扮演需求分析師、系統設計師、程式設計師、測試工程師與文件撰寫者等多種角色。而在 AI Agent 模式下，這些角色開始被拆分成多個專門化代理，由不同代理負責不同工作。人類開發者則從「親自完成所有事情的人」，逐漸轉變成「規劃、監督與決策的人」。這代表未來軟體開發的核心能力，可能不再只是撰寫程式碼，而是如何設計工作流程、定義規格、驗證成果，以及管理多個 AI Agent 的協作。

整個過程也展現出一個重要觀念：AI 真正帶來的價值並不只是加快寫程式的速度，而是將原本難以標準化的開發流程轉換成可重複執行的工程化流程。需求文件如何產生、任務如何拆解、審查如何進行、測試如何驗證、問題如何修正，這些過去高度依賴個人經驗的工作，開始能夠透過 AI 協助建立一致的執行標準。當這種流程逐漸成熟後，未來的開發團隊將不只是使用 AI 寫程式，而是利用 AI 建立一套具備規劃、執行、審查與持續改善能力的數位協作團隊。這也是目前 Agentic Workflow、AI Software Engineering 與 AI Native Development 最值得關注的發展方向之一。

#AI

[AI 再一次] 去年喊震天響的 AI PC，又要再來一次了嗎?

 [AI 再一次] 去年喊震天響的 AI PC，又要再來一次了嗎?

從一位軟體開發者的角度來看，這篇文章表面上是在談 AIPC（AI PC）與硬體革命，但真正值得關注的其實不是 CPU、GPU 或 ARM 架構，而是軟體產業即將面臨的新工作模式與產品型態轉變。文章中有許多誇大成分，例如「半年後電腦變電子垃圾」或「全面淘汰現有 PC」，這些說法未必會發生，但背後反映的趨勢卻值得所有開發者思考。

首先，我觀察到的是「軟體介面正在消失」。過去二十年來，我們習慣開發各種畫面、選單、表單、查詢條件與按鈕，但 AIPC 所描述的未來是使用者直接透過自然語言下達任務，由 AI 幫忙完成工作。這代表未來開發重點可能不再是設計多少畫面，而是如何讓 AI 理解使用者需求、呼叫正確工具、執行正確流程。對開發者而言，Prompt Engineering、Agent Workflow、Tool Calling、MCP 等技術的重要性，可能會逐漸超越傳統 UI 設計能力。

其次，本地 AI 運算能力的提升，將改變系統架構設計思維。過去許多 AI 功能都必須依賴雲端服務，例如 ChatGPT、Claude 或各種 AI API。但如果未來大量終端設備具備執行小型模型的能力，那麼系統架構將從「全部上雲」逐漸轉向「雲端 + 邊緣設備 + 本地模型」的混合模式。對醫療、金融或政府單位來說，資料隱私與法規要求可能促使更多 AI 功能直接在本機完成，而不是送到外部服務處理。

第三個值得注意的現象是，許多傳統 CRUD 系統的價值正在下降。以往企業系統的核心能力是資料建檔、查詢、報表與匯出 Excel，但 AI 時代的使用者期待的是「直接得到答案」。未來客戶不會只滿足於查出資料，而是希望系統直接告訴他結論、風險、建議與下一步行動。因此系統開發的競爭力將逐漸從資料管理能力，轉向知識管理、語意搜尋、RAG 與決策支援能力。單純做資料庫系統的門檻正在下降，能夠將資料轉換成知識的系統才有機會創造更高價值。

第四個現象是軟體開發流程本身正在被 AI 改變。文章描述未來電腦可以協助撰寫程式、整理文件、分析資料與產生簡報，事實上這些事情現在已經開始發生。許多開發者已經透過 Claude Code、Codex、Cursor 或其他 Agent 工具完成需求分析、文件撰寫、程式產生與測試工作。未來工程師的價值可能不再是寫出最多程式碼的人，而是最能拆解問題、規劃架構、驗證結果與整合 AI 能力的人。懂得如何管理 AI Agent 的開發者，生產力將遠高於只會手工撰寫程式的人。

最後，我認為真正的機會不在 AIPC 硬體本身，而在新的 AI 應用生態。回顧智慧型手機時代，最成功的往往不是手機製造商，而是建立在手機平台上的應用服務。同樣地，未來 AIPC 普及之後，最大的價值很可能來自各種 AI 原生應用、企業知識系統、Agent 平台、工作流引擎與垂直產業解決方案。對軟體開發者而言，與其關注哪一家晶片公司會勝出，不如思考如何將 AI 深度融入實際工作流程，讓系統從「工具」進化成真正能協助完成工作的「數位同事」。這或許才是這篇文章背後最值得重視的訊號。

#AI

[AI 變化] 關注 Microsoft Build 2026 內容，是否有甚麼機會

 [AI 變化] 關注 Microsoft Build 2026 內容，是否有甚麼機會

** 想要擁有一台 Surface RTX Spark DevBox 嗎? **

根據 Microsoft Build 2026 發表會內容，我覺得今年最值得注意的，不是單純某個新模型或新產品，而是微軟正在把「AI Agent」變成整個 Windows、Azure、GitHub 與企業平台的核心。過去我們是在使用軟體，未來更像是在指揮一群 AI 幫我們工作。從開發工具、作業系統到雲端服務，幾乎所有更新都圍繞著同一件事：如何讓 AI 能夠自己思考、執行、協作與完成任務。

首先在 Windows 平台上，微軟正式推出 Ion Instruct 與 Ion Plan 兩個可本機執行的模型。其中最有意思的是 Ion Plan，它不只是聊天模型，而是一個完整的本地 Agent 執行迴圈。換句話說，未來的 Windows 電腦不需要每件事情都送到雲端，可以直接在本機執行推理、規劃與工具操作。搭配 NVIDIA RTX Spark 晶片與全新的 Surface RTX Spark DevBox，微軟甚至展示了一台桌上型設備可以執行一兆參數等級模型，讓「個人桌面資料中心」不再只是想像。

對軟體開發者來說，今年 Build 2026 幾乎可以說是 AI 開發工作流的大改版。Windows 將內建更多 Linux 工具，像是 grep、head、tail、touch、Homebrew、ZSH 等都直接支援，同時推出 WSL Containers，讓容器開發體驗變得更自然。更有趣的是全新的 Intelligent Terminal，可以在終端機中直接整合 GitHub Copilot，當程式出錯時甚至能主動分析問題並提供修正建議，讓 AI 不只是寫程式，而是成為開發流程中的即時助手。

GitHub Copilot 則開始往真正的 Agent 團隊邁進。新的 GitHub Copilot App 可以同時管理多個 Agent 工作階段，每個任務自動建立獨立 Git Worktree，讓多個 AI 並行開發而不互相干擾。更進一步的 Agent Merge 功能甚至能持續監控 Pull Request，自動處理 CI、Code Review 與 Merge Conflict。這代表未來工程師的角色可能逐漸從「親自寫每一行程式」轉變成「管理多個 AI 開發人員」，而 GitHub 正在為這種新型態的工作模式鋪路。

企業應用則是另一個重頭戲。微軟展示了 WebIQ、FabricIQ、WorkIQ 三層架構，分別負責外部知識、企業資料與內部作業流程，讓 Agent 可以同時理解網路資訊、企業營運數據以及組織標準作業程序。接著推出 Horizon DB、Autopilot、Scout 等服務，讓長時間運作的 AI Agent 不再只是實驗，而是真正能夠進入 Teams、Outlook、SharePoint 等企業工作環境，自主完成任務與協調工作。

如果要用一句話總結今年的 Build 2026，我會說：「AI 正從工具時代進入員工時代。」過去的 AI 是你問一句、它答一句；現在的 AI 開始能夠持續工作、記憶、規劃、執行與協作。無論是 Windows 本機 Agent、GitHub 開發 Agent，還是企業級 Autopilot，微軟想打造的已經不是更聰明的聊天機器人，而是一個完整的 AI 勞動力生態系。對開發者來說，未來最重要的能力可能不再只是寫程式，而是懂得如何設計、管理與協調這些 AI Agent，讓它們成為真正能創造價值的數位團隊。

#AI

[AI 分享] 當電腦不再只是工具：NVIDIA RTX Spark 正在重寫個人電腦的未來

 [AI 分享] 當電腦不再只是工具：NVIDIA RTX Spark 正在重寫個人電腦的未來

這是機會還是危機，又或者是一個曇花一現呢?

過去四十年，個人電腦的進化多半是效能提升與規格升級，但 NVIDIA RTX Spark 想改變的不是速度，而是電腦的角色定位。當本地端擁有接近資料中心等級的 AI 算力後，電腦將從被動執行指令的工具，轉變為能夠全天候自主工作的 AI 智慧體平台。這不只是硬體升級，而是作業系統、生態系、商業模式與個人生產力的一次全面重構。

過去幾十年來，我們買電腦時最在意的通常是 CPU 快不快、記憶體夠不夠、顯示卡有多強。但 NVIDIA 這次推出 RTX Spark，想做的事情其實完全不同。它試圖重新定義「個人電腦」到底是什麼。以前電腦是等著你操作的工具，未來的電腦則可能變成一個 24 小時在線的 AI 助理，持續替你處理工作、整理資料、分析內容，甚至跨軟體完成任務。

最值得注意的並不是規格本身，而是背後的方向。當一台個人電腦擁有足以執行大型 AI 模型的算力時，許多原本必須依賴雲端完成的事情，都能直接在本機執行。這代表企業不必把機密資料送上外部伺服器，研究單位不必擔心資料外流，甚至個人使用者也能在自己的電腦上擁有專屬 AI。從某種程度來說，這是在把過去集中在雲端的算力重新下放回每個人的桌面。

另一個值得關注的變化，是 Windows 生態可能開始從「以 App 為中心」轉向「以 Agent 為中心」。過去我們習慣打開 Word、Excel、Photoshop 來完成工作，但未來的流程可能變成告訴 AI 一個目標，例如「幫我整理這份會議紀錄並產出簡報」，然後由多個 AI 智慧體自動協作完成。使用者從操作員變成管理者，而電腦則變成真正能執行工作的數位員工。

從產業角度來看，這其實也是 NVIDIA 對傳統 PC 生態發起的一次挑戰。長期以來，Intel、AMD 與微軟建立的 Wintel 聯盟主導了整個市場，但 RTX Spark 的思維更接近把資料中心技術直接搬進個人電腦。ARM 架構、統一記憶體、本地 AI 推理、Agent 生態，這些過去分散在不同領域的技術，如今開始被整合成一個全新的平台。這不只是產品競爭，而是下一代計算架構的路線之爭。

如果這個方向真的成立，受到衝擊的可能不只是硬體廠商。未來企業的競爭力，不一定來自員工數量，而是來自 AI 智慧體的數量與協同能力。一個三到五人的團隊，可能搭配數十個本地 AI Agent，就能完成過去需要數十人的工作。這也是為什麼最近越來越多人開始討論「十人獨角獸公司」的概念。當 AI 開始接手大量知識工作，組織規模與產值之間的關係，可能會被重新定義。

我認為 RTX Spark 真正重要的地方，不在於它有多少 CUDA Core，也不在於幾奈米製程，而在於它透露出一個訊號：未來的電腦不再只是執行軟體的平台，而是執行 AI 智慧體的平台。過去四十年我們買的是工具，未來十年我們買的可能是一群住在電腦裡、全天候替我們工作的數位員工。而這場變革，或許才剛剛開始。

#AI

[AI 後續] 不是 AI 不夠強，而是我們還沒準備好迎接 AI 時代

[AI 後續] 不是 AI 不夠強，而是我們還沒準備好迎接 AI 時代

先說結論，這陣子和不少朋友聊天，我越來越有一種感覺：AI 時代真正拉開差距的，可能不是技術能力，而是想像力。

最近和不同產業的朋友聊天，我發現一個有趣卻又普遍的現象：大家都知道 AI 很重要，卻很少有人真正知道該如何利用它創造價值。問題往往不在技術，而在思維、組織、商業模式與行動力。當少數人已經開始享受 AI 紅利，多數人卻仍停留在觀望與等待的階段。

很多人會問：「AI 到底可以做什麼？」但仔細觀察後會發現，這個問題的背後其實是在問：「如果現在有一個幾乎不會累、學習速度極快、成本越來越低的數位助手，我該怎麼重新思考工作？」可惜的是，多數人仍然習慣用過去的工作模式去看待 AI，所以看到的只是工具，而不是機會。

我發現目前大概有幾種不同的群體。第一種人每天都在實際使用 AI，他們已經把 AI 當成同事、助理甚至團隊的一部分；第二種人知道 AI 很厲害，也不斷看新聞，但始終沒有真正開始；第三種人則認為 AI 離自己很遠，與自己的工作沒有關係。於是同樣過了一年，有些人的能力被放大十倍，有些人的工作方式卻完全沒有改變。

更大的問題其實不在個人，而在組織。許多企業不是沒有聽過 AI，而是不知道如何把 AI 轉換成營收、產品或競爭力。技術部門看到的是效率提升，管理層看到的是風險，業務端看到的是陌生名詞，彼此之間缺少共同語言。結果就是大家都覺得 AI 很重要，但沒有人真的往前走。

我越來越相信，未來最大的落差不會是「會不會用 AI」，而是「有沒有建立 AI Native 的工作模式」。過去需要五個人完成的事情，現在也許兩個人就能做到；過去因為成本太高而放棄的想法，現在可能已經具備實現條件。當工具能力持續進步，限制我們的往往不再是技術，而是思維慣性。

如果一個團隊想要享受 AI 紅利，我覺得可以先從幾件小事開始：建立固定的交流圈、持續分享成功案例、選擇小題目快速驗證、把 AI 直接放進日常工作流程，而不是停留在討論階段。很多人以為自己缺的是技術，其實真正缺的是第一個成功案例。一旦看見成果，整個團隊的想法就會開始改變。

未來能夠持續創造價值的人，未必是最會寫程式的人，也未必是最懂模型的人，而是那些懂得如何與 AI 協作、如何調度不同工具、如何把想法快速變成成果的人。AI 不一定會取代所有人，但很可能會讓善用 AI 的人，逐漸拉開與其他人的距離。這或許就是這個時代最真實的競爭。