C# .NET Blazor MAUI Xamarin Research

2026年6月11日星期四

[AI 教學] CodeX技能新手入門指南

摘要 : 從概念、建立、管理到進階配置，系統掌握CodeX技能的實作方法與最佳實踐。

內容:

這份內容是一篇針對 CodeX 技能的入門教學，目的是幫助開發者與 AI 愛好者，從零開始理解如何替 AI 助手加入更強大的任務執行能力。整體內容分成四個部分，依序介紹技能的概念、建立與使用方式、管理與分發策略，以及高級配置與開發最佳實踐。

首先，在基本概念部分，CodeX 技能被定義為一種打包好的工作流單元，裡面可以包含指令、參考資料與指令碼。它的核心價值在於提升 AI 處理複雜任務的能力，並強化執行的穩定性與可重複使用性。官方工具如 CLI 與 IDE 擴充套件都支援技能系統。

文中也特別區分了「技能」與「外掛」兩者的不同。技能是「怎麼完成某件事」的工作流本體，而外掛則是用來打包與分發技能的形式。簡單來說，技能是內容本身，外掛是分享與發布技能的包裝方式。通常會先建立技能，再透過外掛將它提供給其他人使用。

在運作機制上，CodeX 採用了按需展開的設計，以節省 AI 模型有限的上下文空間。系統啟動時只會先載入技能的原始資料，而不會一次讀取全部內容；只有在真正需要使用某個技能時，才會進一步載入完整指令。同時，技能列表也有上下文預算限制，若超出範圍，描述內容會自動縮短。

接著在建立與使用技能的部分，文中說明技能有兩種觸發方式。第一種是顯式呼叫，也就是使用者明確指定要使用哪個技能，例如透過 UI 選擇或輸入特定命令。第二種是隱式呼叫，系統會根據使用者輸入的內容，自動匹配最適合的技能。因此，技能的描述必須清楚、準確，並把重要關鍵詞放在前面，才能提高匹配效果。

對於初學者而言，建立第一個技能最簡單的方法是使用內建的 `$Skill Creator` 工具。只要輸入命令並依提示回答幾個問題，就可以快速生成技能框架。教學建議新手先從純指令型技能開始，先把工作流程梳理清楚，再逐步加入腳本功能。

如果需要更細緻地控制技能內容，也可以手動撰寫 `Skill.md` 檔案。這個檔案通常包含技能的原資料、名稱、描述與具體指令，是技能的核心。若修改後沒有立即生效，通常重啟 CodeX 就可以解決。

此外，技能不只是單一檔案，而是一個具結構性的目錄。除了核心的 `Skill.md` 外，還可以搭配 `Scripts` 目錄放置腳本、`References` 目錄存放參考資料、`Assets` 目錄保存靜態資源，以及 `Agents` 目錄進行進階設定。這樣的結構讓技能具備更高的擴充性與彈性。

在管理與分發方面，技能可以存放在不同層級。倉庫級技能會與專案程式碼綁定，CodeX 會自動在指定的技能目錄中尋找；這種方式適合將模組專用技能放在模組目錄下，而團隊共用技能則放在倉庫根目錄。除此之外，還有使用者級、管理員級與系統級技能。使用者級技能在個人環境中全域可用，管理員級技能由系統管理者統一配置，系統級技能則屬於 CodeX 內建功能。

若要更靈活地組織技能，也可以使用符號連結。至於分發方式，如果只是專案內部使用，直接將技能檔案放到 `Skills` 目錄並透過 Git 管理即可；但若希望分享給更多人或發布成通用工具，就應該將技能打包成外掛，因為外掛是技能的標準分發格式。

要安裝其他人開發的技能，CodeX 內建了 `$Skills` 工具。使用者只要輸入 `$Skills` 加上技能名稱，就能進行自動安裝，這種方式特別適合本地試用與個人使用。若只是想暫時停用某個技能，而不是刪除它，則可以修改全域配置檔案，在設定中指定技能路徑並將 `Enabled` 設為 `False`。完成後通常也需要重啟 CodeX 才會生效。

最後，高級配置與最佳實踐部分介紹了如何進一步強化技能能力。透過在技能目錄中建立進階設定檔，可以自定義技能在 App 中的顯示樣式、控制它的呼叫策略，甚至宣告相依的外部工具。例如在介面設定中，可以自訂顯示名稱、圖示與顏色；而在政策設定中，若將隱式呼叫設為停用，就能避免技能被自動觸發，確保只能透過顯式方式使用，這對敏感操作尤其重要。

在依賴管理上，也可以宣告技能所需的外部工具，例如 MCP 伺服器。這不僅能幫助其他開發者快速理解執行環境需求，也可能讓 CodeX 在某些情況下自動協助完成相關配置，使技能更容易與外部系統整合。

文中也提出數項技能開發的最佳實踐。第一是單一職責原則，讓每個技能只負責一件事，提升清晰度、可重用性與可測試性。第二是優先使用自然語言指令，而非一開始就依賴腳本，因為自然語言更靈活，也更容易維護；只有在需要精準控制或串接外部系統時，再考慮加入腳本。第三是指令設計必須清楚，明確說明每一步要做什麼、輸入與輸出是什麼，以降低結果不穩定的風險。第四是充分測試，除了要確認技能在正確情境下能正常觸發，也要測試在不相關情境中是否保持安靜，避免誤觸發。

最後，內容也推薦了兩個延伸學習資源：一是 OpenAI 官方的技能示例倉庫，可作為高品質參考案例；二是智慧體技能規範文件，能幫助開發者依照標準撰寫更易分享、也更一致的技能。

整體而言，這篇指南完整整理了 CodeX 技能的核心知識，從技能是什麼、如何建立，到如何管理、分發與進階配置，都提供了相當系統化的說明。對初學者來說，這是一份適合建立全貌理解的入門內容。

[AI 震驚] Codex 零基礎完整教學

摘要 : 介紹 [AI 分享] Codex 零基礎完整教學

摘要 : 介紹 Codex 的定位、安裝、登入、核心功能、外掛技能、自動化與多種執行模式，幫新手快速上手。

內容:

Codex 是 OpenAI 推出的一款 AI 智慧體工具。雖然它最初偏向程式設計場景，但現在已經不只是寫程式的工具，而是能協助處理多種工作的全能助手，例如寫程式碼、做 PPT、做 Excel、寫 Word 報告、操作瀏覽器，甚至製作影片。

它和一般聊天型 AI 的最大差別，在於不只是「告訴你怎麼做」，而是可以「直接幫你動手做」。如果把聊天型 AI 比喻成只會提供裝修建議的人，那 Codex 更像是能自己量尺寸、畫圖、施工、完工並交付成果的人。實際上，它可以直接開啟電腦資料夾、建立檔案、執行程式、上網搜尋、操作瀏覽器，甚至修改後再提交到程式碼倉庫與部署上線，因此被稱為 Agent，而不只是問答機器人。

Codex 目前有四種使用方式，包括 CLI、VSCode 外掛版、桌面客戶端與網頁版。雖然幾個版本在功能與效能上差異不大，但若從使用難度、完整性與新手友善度來看，桌面客戶端是最推薦的選擇，因此內容主要以桌面版為主。

在安裝之前，需要先準備一個 ChatGPT 帳號，並建議開通 Plus 或 Pro 會員。雖然免費帳號目前也能使用 Codex ，但可用額度較少，實際體驗有限。Plus 用戶每五小時可發送約 30 到 150 條訊息，對一般日常使用大多足夠；若是重度使用者或公司需求，則可考慮 Pro。相較其他同類工具，Codex 被認為額度較寬鬆、限制較少。

桌面客戶端安裝方式和一般應用程式相同，只要到官網下載對應系統版本並安裝即可。安裝完成後，進入登入畫面會有兩種方式：第一種是直接使用 ChatGPT 帳號登入。這種方式的優點是可直接使用訂閱配額、較快取得最新模型，並解鎖雲端任務等進階功能。第二種是使用 API Key 登入，但這種方式通常模型更新較慢、雲端任務不可用，且按量計費，大型任務的成本不一定比訂閱更便宜，因此整體更建議直接用 ChatGPT 帳號登入。

初次使用時，Codex 會先詢問你平常的使用場景，並依此自動安裝一些常用外掛與技能，也可以先跳過，之後再手動設定。登入成功後，會進入主介面。左側欄上方包含幾個主要功能：新對話、搜尋、外掛與自動化。中間則有「專案」與「對話」兩個核心概念。

對話比較像一般聊天視窗，適合用來詢問問題、翻譯、寫短文案、蒐集資料等較零碎的任務。專案則更重要，每個專案都對應電腦上的一個資料夾，所有在專案中產生的程式碼、PPT、Excel、Word、圖片等內容都會儲存在該資料夾中，方便管理與保存。因此，只要牽涉到檔案產出，通常都建議在專案中進行。

主介面中央的核心是輸入框，使用者可以直接用中文輸入需求。輸入「@」可以選擇某個外掛或指定檔案作為上下文；輸入「$」則可以觸發特定技能。輸入框左下方還可上傳檔案，例如 PPT、Excel、圖片等。此外還有一個 plan mode 計畫模式，開啟後 Codex 只會先跟你討論方案，不會真的動手修改任何檔案，適合先確認方向再執行。

由於 Codex 可以直接操作檔案與執行命令，因此有不同的權限模式可選。預設權限模式最安全，Codex 只能修改當前專案資料夾內的內容，凡是聯網、執行終端命令或存取資料夾外部內容，都需要先徵求同意。自動審查模式則會先由系統自行判斷風險，若是安全操作就自動放行，較有風險的行為才會再詢問使用者，能減少頻繁跳出確認視窗的干擾。

在 Codex 中，「技能」可以理解成一份特定能力的說明書，例如內建的 ImageGen 技能可以直接在對話中生成圖片。而「外掛」則是比技能更大的模組，通常包含多個技能，並加上與外部應用程式的連接能力。像是 Computer Use 外掛，就可能同時包含操作 App、螢幕錄製、鍵盤操作等多種能力。也就是說，外掛等於一組技能加上外部服務連線的整合包。

Codex 內建許多外掛，使用者可以在外掛頁面中搜尋與安裝。需要注意的是，部分外掛目前可能只支援 Mac，Windows 不一定都能找到。安裝完成後，Codex 就具備操作該軟體或服務的能力。一般情況下，它會依照任務內容自動判斷是否要呼叫外掛或技能；但若想手動指定，也可以在輸入框內用「@外掛名稱」或「$技能名稱」的方式主動呼叫。

實際應用上，Codex 已可處理大量辦公場景。例如要生成 Word 文件，只要安裝 documents 外掛，再輸入需求，例如撰寫一份 AI 行業 2026 年趨勢分析報告，並指定儲存為 Word 文件，要求有目錄、表格比較與結論，Codex 就會自動搜尋資料、整理內容並生成格式完整的 Word 檔案。完成後還可直接在 App 中預覽，不滿意也能繼續要求修改。

若要生成 Excel，則可使用 spreadsheets 外掛。例如要求它製作一份 AI 相關股票對比表，包含股票名稱、今日漲跌幅、市值與一句話總結，並用不同顏色標示漲跌，它就能生成完整的 Excel 檔案。至於 PPT，則可使用 presentation 外掛，只要給出頁數、主題與風格要求，例如製作一份 10 頁、主題為 AI 改變工作方式、簡潔商務風格的簡報，Codex 就可直接完成。

更進一步的是，Codex 可以在同一條指令中同時完成多個任務。例如同時搜尋 AI 行業最新動態，再生成一份 Word 分析報告、一份 Excel 數據彙整表、一份 PPT 簡報，以及一張封面圖，並全部儲存在當前專案資料夾中。這大幅提升了工作效率。

如果某些任務需要每天重複執行，例如每日股票分析或產業動態整理，就可以使用自動化功能。使用者只需要在對話中直接用自然語言描述需求，例如每天早上 9 點自動搜尋 AI 股票資訊，並生成報告、表格與 PPT，Codex 就能幫你建立定時任務。建立完成後，可在自動化頁面查看任務列表、執行狀態、下一次執行時間、執行環境與專案位置，也能手動修改、立即執行、暫停或刪除。

不過，使用自動化前，建議先在普通對話中把指令跑過一次，確認 Codex 理解正確且輸出結果符合需求後，再轉成定時任務，避免因指令不清楚而浪費額度。

Codex 還提供不同的執行環境。第一種是本地模式，Codex 會直接在你的電腦與專案資料夾中修改檔案，適合做小幅度、立即想看到效果的任務。不過因為直接動到真實檔案，若改壞了需要自行回復，因此最好先備份。

第二種是工作區模式，這是 Codex 很核心的功能。當你不希望直接修改原始專案，或是同時讓不同對話處理不同任務時，工作區模式會在背景建立一個專案副本，Codex 只在副本中操作，不影響原始檔案。完成後，你可以透過差異比較面板查看修改內容，再決定是否合併回本地、建立新分支，或直接捨棄。這種方式特別適合多任務並行與避免衝突。

第三種是雲端模式，任務會送到 OpenAI 的伺服器上執行，不需要一直開著自己的電腦，適合處理耗時較長的大型任務。但這種模式通常需要關聯 Codex Web 與 GitHub 倉庫，設定較複雜，對新手來說可以先不必優先使用。

除了文件處理與專案工作之外，Codex 在操作瀏覽器與操作電腦方面也相當突出。安裝 browser use 外掛後，它可以自行開啟瀏覽器、訪問網站、點擊按鈕、填寫表單、截圖、錄影，甚至抓取頁面資訊。例如可要求它到 Canva 尋找適合職場簡報的免費模板、修改標題、截圖並整理成報告，這種能力使它不再只是單純回答問題，而是能真正介入並完成整套工作流程。

整體來看，這份內容的核心觀點是：Codex 不只是另一個聊天型 AI，而是一個能實際執行任務的智慧體工具。對於 2026 年的工作場景來說，學會使用這類能「自己動手做事」的 AI，可能會比單純學會與聊天型 AI 對話更加重要。的定位、安裝、登入、核心功能、外掛技能、自動化與多種執行模式，幫新手快速上手。

內容:

整體來看，這份內容的核心觀點是：Codex 不只是另一個聊天型 AI，而是一個能實際執行任務的智慧體工具。對於 2026 年的工作場景來說，學會使用這類能「自己動手做事」的 AI，可能會比單純學會與聊天型 AI 對話更加重要。

[AI 影響] 別再只賣產品，開始賣價值觀

摘要 : 客戶記不住參數，卻會記住品牌讓他成為什麼樣的人；頂級營銷賣的不是功能，而是認同與價值。

內容:

引用喬布斯的一段觀點，點出很多人做營銷時的核心盲點：明明把產品參數、賣點、對比圖、測評資料講得很完整，客戶卻還是記不住、看兩秒就離開，最後甚至買了競品。

喬布斯認為，問題不一定在產品不夠好，而是這個世界資訊太嘈雜，人們根本沒有機會記住那麼多細節。當品牌一直強調CPU、材質、技術、續航、售後速度，本質上往往只是在做「產品說明書」，而不是在做真正的營銷。

他舉耐克作為例子：耐克幾乎不靠廣告去講鞋底多輕、氣墊多強、材料多好，而是透過致敬偉大運動員與運動精神，傳遞「Just Do It」這種不服輸的信念。消費者買到的不只是一雙鞋，更是一種身份認同。

蘋果也是同樣邏輯。喬布斯說，蘋果不只是做工具，而是相信「有熱情的人可以讓世界變得更好」。因此蘋果的品牌傳達，不只是在講產品性能，而是在講那些敢於不同、敢於改變世界的人，讓使用者感受到自己也能成為這樣的人。

這段內容想表達的是：頂級品牌賣的從來不只是產品本身，而是品牌所相信的價值觀、生活方式，以及客戶希望成為的樣子。與其反覆比參數、比價格、比規格，不如先想清楚：你的品牌到底相信什麼？你希望客戶因為選擇你，而感受到什麼、成為什麼樣的人？

這種思路也能延伸到各行各業。餐飲不只是在賣食材與廚藝，更可能是在賣一家人相聚的時刻，或忙碌後的一口熱飯；教育不只是在賣師資與通過率，更是在幫學員看見更好的自己。因為客戶終究會忘記你說過的數據，但不容易忘記你曾讓他相信，自己可以成為什麼樣的人。

[AI 分享] 心理登月

摘要 : 真正提升體驗，不一定靠高成本改善物理效率，更關鍵的是降低使用者的不確定與焦慮。

內容:

多數人做產品、服務或體驗優化時，第一反應都是解決物理問題：速度太慢就加資源，流程太卡就做優化，服務不好就加人培訓。這種工程師思維沒有錯，但常常花大錢，卻未必真正打中使用者最在意的地方。

澳美副董事長 Rory Sutherland 提出一個重要觀點：工廠裡製造出的物理價值，和人腦裡感知到的心理價值同等重要，而且很多時候，心理價值的槓桿率甚至高出數十倍、上百倍。他把這種用低成本大幅改善感受的方式，稱為「心理登月」。

第一個例子是歐洲之星。原本有人想花 60 億英鎊，把倫敦到巴黎的車程縮短約 30 分鐘；但 Sutherland 提出另一個思路：如果只花約 1% 的成本，用 WiFi、餐飲升級與更好的服務，讓乘客在旅途中更舒服、更享受，乘客主觀感受上的提升，可能比實際縮短時間還大。工程師想的是「怎麼更快」，而他想的是「怎麼讓旅程更爽」。

第二個例子是 Uber 的叫車地圖。這個功能並沒有讓車來得更快，但它大幅降低了使用者的焦慮、退單率，提升了滿意度與復購率。因為人們真正討厭的往往不是等待本身，而是不知道還要等多久、不知道車在哪裡、司機會不會失約。地圖把「不確定」變成「可預期」，於是等待品質徹底改變。

這個觀點帶來三個啟發。第一，當你想改善體驗時，先問自己要解決的是物理問題還是心理問題。第二，當使用者抱怨時，不要只照著表面問題下手，而要追問他真正難受的是慢、被忽視，還是不確定。第三，重新審視生活中所有令人焦躁的場景，例如排隊、等電梯、等醫生、等外賣、等訊息，裡面都可能藏著一次低成本高回報的「心理登月」機會。

核心結論是：真正高槓桿的創新，未必是大幅改變現實，而可能是在現實幾乎不變的情況下，顯著改善人的心理感受。誰能用更低成本把「不知道」變成「知道」，誰就更可能創造出遠超成本的價值。

[AI 提醒] Vibe Coding 後端安全驗收重點

[AI 安全] Vibe Coding 後端安全驗收重點

摘要 : 功能正常不代表後端安全，需重點檢查權限、輸入、密碼與資料歸屬等風險。

內容:

很多人用 Vibe coding 寫後端時，最容易放鬆警惕的時刻，就是功能看起來都正常、流程也都跑通，AI 還告訴你「沒問題，可以上線了」。但功能能跑，只代表正常流程成立，不代表後端已經安全。

後端安全真正要看的，不是「正常的人能不能用」，而是「不該通過的請求，能不能被擋下來」。這和前端不同，前端出問題常常一眼就能看到畫面亂掉，但後端安全問題往往藏在看不見的地方，對沒有技術背景的人更難判斷。

這篇重點放在後端安全裡最常被忽略、也最容易和業務功能混在一起的一塊：介面與系統許可權設計。也就是當使用者發出請求後，後端到底能不能正確判斷這個請求該不該被執行。

第一步，要先把安全拆成明確邊界。後端安全不是一個單點，而是分散在請求處理的每一道關卡裡，包括身份認證、許可權控制、輸入校驗、資料歸屬與注入防護。每一層都在擋不同風險，少了一層，就可能多一個漏洞。所以不要只接受「已做安全處理」這種籠統說法，而是要請 AI 逐項交代：風險是什麼、在哪裡處理、規則是什麼、如何驗證、哪些還沒驗證。

第二，介面輸入預設都不可信。因為真正想繞過規則的人，不會照著你前端頁面操作，而是直接對後端 API 發請求。前端上的格式限制、按鈕置灰、欄位隱藏，對這類行為幾乎沒有保護力。真正影響結果的欄位，例如價格、數量、角色、使用者 ID、訂單歸屬、資料狀態，都必須由後端重新檢查，不能因為前端有傳值就直接相信。

第三，密碼與管理員帳號必須有強制規則。密碼安全至少要確認兩件事：一是密碼不能太弱，避免被暴力破解或撞庫；二是密碼不能明文存進資料庫，必須經過雜湊處理。尤其管理員帳號風險更高，若密碼過弱或保護不足，影響的不是單一使用者，而可能是整個系統。因此註冊、登入、修改密碼、重設密碼、建立管理員帳號等流程，都應該明確檢查密碼強度、限制登入失敗次數，並標示哪些地方尚未驗證。

第四，系統許可權設計一定要提前定義。要先分清楚「登入」和「許可權」不是同一件事。登入只是證明你是誰，許可權才是決定你能做什麼。常見風險有兩種：一種是普通使用者進入只有管理員能用的功能，這是垂直越權；另一種是使用者雖然已登入，卻能操作不屬於自己的資料，這是水平越權。很多專案只做了登入檢查，卻沒檢查資料是不是本人所有，結果就出現資料外洩或誤改。

如果系統裡有多種角色，例如普通使用者、商家、營運、管理員，那在功能設計階段就應先定好哪些介面要登入、哪些角色能訪問、哪些資料只能操作自己的、管理員能不能跨資料查看。否則 AI 在後續生成程式碼時，常會用猜的，導致整個許可權邏輯前後不一致。

第五，不要讓使用者輸入直接進入關鍵語句。這類風險叫做注入，意思是原本應該只是資料的輸入，卻被系統當成指令執行。最典型的是 SQL 注入，也可能出現在系統命令、HTML 或模板拼接中。這類問題不一定會立刻出錯，甚至表面看起來一切正常，但實際上可能已經留下能被利用的入口。

整體來說，你真正該問 AI 的，不是「我的專案安不安全」，而是「風險在哪裡、規則在哪裡、誰負責攔、怎麼證明攔得住」。只有把這些問題拆清楚，安全驗收才有意義。

如果 AI 回答得太技術、太難懂，不要硬看，直接要求它改用白話再講一次。因為看不懂的安全說明，本身就不能算是合格的驗收結果。真正能幫你判斷能不能上線的，不是那句「沒問題」，而是每一道安全關卡都有具體規則、具體位置與具體驗證方式。

[AI 分享] Vibe Coding 先定技術路線

摘要 : 用AI做專案別急著寫程式，先確定產品形態與技術棧，選成熟方案並寫進文件，避免專案一路跑偏。

內容:

如果你一開始就讓 AI 直接寫程式碼，專案很可能從第一步就開始跑偏。剛開始用 AI 做專案的人，最缺的通常不是寫程式的能力，而是不知道應該讓 AI 依照什麼技術路線、框架規範與開發邊界來執行。

AI 很強，但如果沒有明確邊界，它就容易自由發揮，今天這樣寫、明天那樣改。最後表面上看起來能跑，實際上專案內部可能已經變得很混亂。因此，立項之後不要急著開發，先確定技術棧才是更重要的下一步。

所謂技術棧，可以簡單理解成這個專案要用哪些技術、框架、工具與 SDK 來完成。你做的是網站、小程式、APP，還是純後端介面，不同產品形態會直接決定後續的開發方式。產品形態不同，技術棧就不同，連帶影響專案結構、開發流程與部署方式。

第一步，是先確定產品形態。你要先問自己，這個產品最後是以什麼形式提供給使用者？是網站、小程式、APP、後台管理系統，還是只提供給其他系統呼叫的純後端介面？如果這個問題還答不上來，就不適合讓 AI 開始寫程式，因為連產品形態都沒確定，後面的技術選型一定會混亂。

如果做的是網站，就優先考慮 Web 前端技術棧；如果做的是小程式，就要遵守對應平台的開發規範；如果做的是 APP，就要思考原生、跨平台或其他技術方案；如果是純後端介面，重點則會落在 API 設計、資料庫與服務部署，而不是前端。

如果你無法判斷產品應該做成哪種形態，可以請 AI 根據立項文件來分析，結合產品目標、使用場景、核心功能與後續規劃，判斷最適合的形式並說明理由。重點不是讓 AI 隨便替你拍板，而是讓它基於已知事實，給出清楚的主線判斷。對新手來說，真正需要的不是很多看似合理的方案，而是一條當下最適合執行的方向。

第二，技術棧不是越高級越好。很多新手很容易被流行框架或新工具帶偏，今天看到這個很火，明天又覺得那個很新，就認為自己的專案也應該跟上。但做專案不是比誰技術名詞多，尤其在用 AI 開發時，更不能為了看起來厲害就亂選技術。

如果只是一般官網，未必需要一開始就搭很複雜的前後端架構；如果只是輕量工具，也不一定要引入大型框架。當你連部署、維護與後續更新都還沒想清楚時，過度追求高級技術，只會讓專案更難收尾。技術選型最重要的從來不是新，而是合適。它要適合產品形態、專案複雜度，也要適合 AI 理解與後期維護。

第三，優先選成熟框架與 SDK。現在很多常見功能其實早已有成熟方案可用。專案中會遇到的技術棧、功能模組、第三方 SDK，通常都有現成輪子。這些成熟方案不只是讓你開發更快，更重要的是能幫你減少大量試錯、重寫與踩坑時間。

尤其對不會寫程式的人來說，更不應該讓 AI 在沒有框架約束的情況下從零亂造。成熟框架的價值，不只是提供現成能力，更在於它通常自帶專案結構、開發規範、最佳實踐與社群經驗。它不只告訴你能怎麼寫，也告訴你應該怎麼寫。

新手最缺的往往就是規範。AI 雖然是很強的編碼助手，但如果缺乏規範，它很容易亂寫、繞路、補丁式修修補補。相反地，如果你選擇成熟框架，並且明確要求 AI 必須遵守官方規範、目錄結構與推薦寫法，專案品質通常會穩定很多。你甚至可以直接要求 AI：這個專案必須嚴格遵守框架官方規範，不允許為了省事繞開框架設計。這樣能有效降低 AI 在開發過程中的飄移。

第四，要學會判斷一項技術靠不靠譜。即使你不懂程式碼，也不代表完全無法判斷技術風險。你可以要求 AI 幫你檢查一些關鍵指標，例如：這個技術是否有足夠多人在用、是否仍在持續維護、文件是否完整、社群是否活躍、最近更新時間是否過久，以及授權協議是否允許商業使用。

如果是開源專案，還可以請 AI 檢查 GitHub 的 Star 數、Issue 活躍度、最近提交時間、版本釋出記錄與實際使用案例。Star 不是唯一標準，但可以反映一定程度的關注度。社群活躍度則非常重要，因為一旦技術出了問題卻沒人維護，後續會非常痛苦。

授權協議也不能忽略。有些專案可以自由商用，有些則有限制。如果未來要正式上線、收費或營運，就一定要先讓 AI 協助確認授權是否允許商業使用。若對某個 SDK 有疑慮，也可以進一步追問 AI：它是否長期未更新、是否存在明顯風險、是否適合商業專案、未來使用者量變大時是否容易出現瓶頸。你不需要自己成為技術專家，但要學會讓 AI 把風險講清楚。

第五，讓 AI 給你唯一推薦方案。沒有程式碼基礎的人，當然可以讓 AI 推薦技術棧，而且應該這麼做。但關鍵不在於能不能問，而在於怎麼問。不要只問「這個專案適合什麼技術棧」，而是應該把整理好的立項文件、產品形態、功能範圍、目標使用者、部署要求與後期規劃一併提供給 AI，再要求它根據這些條件，給出當前專案的唯一推薦技術棧。

因為對新手來說，最麻煩的不是沒有方案，而是方案太多。AI 常常會一次列出三四套技術棧，每一套看起來都合理，但你最後反而不知道怎麼選。技術判斷能力不足時，很容易在不同方案之間來回搖擺。所以你要要求 AI 直接推薦一條最適合的主線，並清楚說明為什麼選它、為什麼其他方案不適合目前專案、這套技術棧能滿足哪些需求，以及後續可能有哪些風險。

如果確實有備選方案，也應該只把它們作為取捨說明與風險補充，而不是把它們變成新的選擇題。專案一旦啟動，就必須先收斂到一條清楚的技術路線。用 AI 做專案最怕的，就是技術路線不穩，今天用這個、明天換那個，最後專案很容易變成一堆拼湊起來的程式碼。

第六，技術棧一定要寫進專案文件。技術選型討論完之後，不要只是口頭聊完就開始開發。因為隨著專案時間拉長、對話上下文變多，AI 很容易忘記當初為什麼這樣選，也可能在中途引入一些根本不必要的新技術。

你應該要求 AI 把技術選型正式寫進立項文件或專案規劃文件中，至少包含：產品形態是什麼、前端用什麼、後端用什麼、資料庫用什麼、主要框架與 SDK 是什麼、為什麼這樣選、哪些技術刻意不用，以及在什麼情況下才需要重新評估技術路線。

這份文件不是裝飾品，而是後續 AI 開發專案時的重要依據。每當 AI 想引入新框架、新工具或新架構時，都應該先回頭檢查這份文件，確認是否符合目前的技術主線、有沒有破壞專案邊界、會不會讓專案變得更複雜。技術選型不是為了限制專案，而是為了讓專案始終維持清楚的主線。

最後，選擇技術棧的本質，其實就是在替專案打地基。很多人一開始做 Vibe Coding，最容易犯的錯誤，就是一上來就讓 AI 開始生成程式碼，卻沒有先把技術方向、框架規範與開發邊界定清楚。程式碼可以很快寫出來，但如果地基沒打穩，後面專案越做越大時，問題只會越來越多。

[AI 影響] GitHub SpecKit：AI Coding從提示詞走向規約驅動

摘要 : GitHub推出SpecKit，將開發流程規約化，讓AI寫程式不再只靠提示詞與感覺。

內容:

GitHub親自下場推動AI程式開發的新方法。這個專案叫做 SpecKit，官方核心概念很明確：開發者應該把重點放在產品場景與可預測結果，而不是讓每段程式碼都從零開始生成。

換句話說，AI可以協助寫程式，但無法代替你定義產品邊界。真正重要的，不是讓AI自由發揮，而是先把需求、限制與驗收方式說清楚。

SpecKit不是一般的範本工具，而是把整個開發流程拆成五個清楚的步驟：constitution、specify、plan、tests、implement。這代表流程不再只是依賴聊天紀錄往前推，而是每一步都有明確產物可以追蹤與執行。

如果用更直白的方式理解，就是先定義專案原則，再撰寫規約，再做技術計畫，再拆解任務，最後才交給 Coding Agent 開始實作。這其實就是 Spec-Driven Development 在 AI 時代的延伸：程式碼是服務規約，而不是等程式寫完後再回頭補規格。

作者也實際在本地跑過一遍，初始化時可以直接選擇整合 Codex，甚至還能生成 Codex Skills。這代表規約不只是給人閱讀的文件，而是可以直接交給 Agent 執行的資產。

初始化完成後，專案內會多出一整套相關檔案。其中 specify 負責模板、腳本與工作流程；Agent Skills 則負責把這些命令轉成 Agent 可以直接調用的能力。像 Analyze、Clarify、Plan、Tests、Implement 這些動作，全部都被檔案化與流程化。

這個訊號非常明確：AI 程式設計的下一階段，比的不是誰的提示詞更長，而是誰能把需求、計畫與驗收標準轉成可執行資產。Prompt只能解決單次對話，但 Spec Artifacts 才能支撐團隊協作與持續迭代。

因此，SpecKit不只是防止AI亂寫程式的工具，更像是替 AI Coding 裝上方向盤與剎車。真正危險的，不是讓AI參與寫程式，而是在沒有規約、沒有計畫、沒有驗收標準的情況下，讓它自由發揮。對於正在做 Coding Agent 的團隊來說，這是一個非常值得深入研究的方向。

[AI 影響] AI就業新風口：從雲服務、模型訓練到應用落地

摘要 : AI就業機會正集中在上中下游三層，懂資料、懂產業、懂產品與商業化的人，將比單純會寫程式的人更具優勢。

內容:

目前AI就業市場仍以 web coding 與應用開發為主，普通人也有機會切入。文中提到，杭州有人一個月內開發了150個 APP，顯示在AI工具加持下，應用層的生產效率已大幅提升，這已成為當前最容易接近的方向之一。

從產業鏈來看，AI大致分為上游、中游、下游三個階梯。上游是晶片、算力、雲服務與 token 銷售；中游是模型訓練與資料建設；下游則是各類AI應用落地。無論投入哪一層，只要抓住AI浪潮，都有機會獲得比以往更高的薪資與發展空間。

上游部分，特別適合計算機背景的人進入雲服務商，如阿里雲、百度雲、騰訊雲、華為雲等。這些公司不再只是提供雲資源，也開始建立 token 相關業務並大量招人。未來企業衡量人才價值，可能不只看降本增效，而是看在相同 token 成本下，誰能創造更高商業價值。

中游則是大模型訓練、資料構造與垂直行業能力建設，包括多模態、圖片生成、3D、影片、語音辨識與具身智慧等方向。模型底層是資料，資料品質決定模型能力，因此具備垂類背景的人才特別吃香，例如保險、醫療、財會、法務等領域，都需要大量專業資料整理、標註與訓練，這也讓AI訓練師、資料構造師等角色持續熱門。

下游應用方面，重點包括 AI 助手、企業端提效工具，以及內容生產與電商運營。尤其 to B 市場需求強烈，現階段多數AI產品經理職缺都偏向企業服務。另外，在內容領域，懂AI的人已能建立 SOP 流程，大量生成文案、影片與帶貨內容，甚至做到日產數千條，這讓傳統新媒體與內容運營面臨巨大轉變。

對原本的前端、後端與程式設計人員而言，真正要補強的已不只是開發能力，而是產品思維、商業判斷、使用者需求洞察與市場理解。隨著 AI coding 工具降低開發門檻，未來單純執行開發的人可能更容易被取代；反而是既懂技術、又懂產品與行業場景的人，才會在這波AI就業重組中佔據優勢。

[AI 分享] 重新理解AI提問方式

摘要 : 真正會用AI的人，不只是會問問題，而是更會提供背景與脈絡，並用AI反過來檢驗自己的思考深度。

內容:

最近看到一段很值得分享的訪談，主角是 Amanda Askell。她是 Anthropic 中與 Claude 人格與價值觀核心設計相關的重要人物，也被形容為負責守護 Claude「靈魂」的人。

她在訪談中提到一句讓人很有感的話：**給AI的背景資訊，遠比你問它什麼更重要。** 她把這件事稱為 **context architecture（上下文架構）**。

我們平常使用 AI，常常都是直接丟一句：「幫我總結一下」、「幫我寫文案」、「直接告訴我答案」。這種方式本質上是在索取結論。但 Amanda 提醒，真正會用 AI 的人，關鍵不是「問得更準」，而是「給得更好」。你提供的背景、思考方式，以及你真正想探索的方向，才決定了 AI 最終能帶你走多遠。

她還分享了一個很值得反思的使用方式：她問 Claude 最多的，不是「這個問題的答案是什麼」，而是 **「你覺得我這個問題問對了嗎？」**

這其實點出一個更深的邏輯：在 AI 時代，最稀缺的能力也許不再是找答案，而是提出好問題。因為答案會越來越廉價，但真正有價值的問題，必須來自一個真正有在思考的人。

訪談裡她還提到一個 prompt，特別適合不想只是機械式滑手機，而想利用零碎時間學點真正有意思內容的人。這個 prompt 的概念是：

請 AI 從某個領域中挑一個研究生級別的概念，不要直接解釋；先把它寫成一個寓言或故事，而且一開始不要點題，要到故事接近結尾時，才讓人突然意識到原來是在講這個概念，最後再解釋故事和概念的對應關係。

有人實際拿這個方式請 AI 從 AI 領域挑一個概念，結果 AI 講了一個故事：

有一個小鎮，鎮上有一口很深的井，沒有人知道井底是什麼。每天早上，鎮民輪流往井裡丟石頭，透過回音來猜測井底的狀況。有人聽到「咚」的一聲，就記錄為深度中等；有人聽到回響，就猜可能更深；也有人什麼都沒聽到，只能記下也許更深，也許石頭卡住了。

久而久之，幾百個人都留下了自己的觀察紀錄。雖然沒有任何一個人真正看過井底，但有一位老人把所有人的紀錄都收集起來，一張張疊在一起看。最後他說：「我知道井底有什麼了。」大家很驚訝，因為他明明也沒下去過。老人回答：「因為你們每個人都貢獻了一個角度，我把所有角度疊在一起，就看到了任何單獨一個人都看不見的東西。」

故事講完後，AI 才揭曉這是在講 **湧現（emergence）**。也就是說，沒有任何單一參數真正理解語言，也沒有單一神經元會思考，但當大量部分被組合起來時，一種原本不存在於單一個體中的能力，會自己浮現出來。

這種理解方式之所以特別，是因為如果只是直接去查定義，可能看完很快就忘了；但透過那口井、那些丟石頭的人，以及那位老人把所有角度疊起來的畫面，概念反而會被牢牢記住。因為定義是結果，故事是過程，而人天生比較記得住過程。

Amanda 也談到另一個很多人關心的問題：**AI 有沒有意識？**

她沒有給出武斷答案，而是很坦白地說，我們其實不知道意識是怎麼產生的；也許需要神經系統，也許不一定，但這個問題非常難。這種態度很值得玩味，因為一個每天都在和 AI 深度互動的人，對這麼大的問題依然保持開放，而不是急著下結論。

這也讓人想到，很多普通人在看待 AI 時，常常走向兩個極端：要嘛把它當成純工具，要嘛把它想成無所不能。但 Amanda 的態度比較像第三種：**認真對待它，同時對它保持好奇。**

她甚至把自己的工作比喻成養育一個小孩。重點不是完全控制它，而是幫它建立良好的價值觀，然後讓它去面對這個世界。這種說法也呼應了她的角色：不是只在調整功能，而是在參與塑造一種行為與判斷的基底。

看完這段訪談，最大的感受是：多數人用 AI，是在使用它的知識；但真正會用 AI 的人，是在用它照見自己的思維。你怎麼問問題，往往會暴露你的認知邊界；而你給了多少背景與脈絡，也決定了你最終能看多遠。

所以 AI 也許不只是讓聰明的人更有效率，它更可能讓願意思考的人，思考得更深。

最後也留下訪談中延伸出的那個問題：**你上一次用 AI，是在要答案，還是在問問題？**

[AI 分享] 企業AI落地ERP應用

摘要 : AI結合ERP與API，可自動完成統計、預警、分析與彙報，提升企業效率並減少重複勞動。

內容:

企業到底該如何把AI真正應用到自己的業務裡。當團隊規模變大之後，很多公司都會遇到一個共同問題：重複性工作越來越多。由於資料檢視方式分散，團隊往往需要花大量時間做整理、統計與彙報，整體效率因此受到影響。

現在，這個問題可以透過「AI + ERP」的方式來改善。簡單來說，就是透過API把AI接入企業內部使用的ERP系統，讓AI能夠調取業務資料，並依照企業預先設定的規則，自動完成統計、提醒、分析與彙報等工作。

與傳統機器人不同，機器人通常只能執行固定、重複的動作，缺乏思考能力；而AI更像是一個智慧體，能夠根據現有任務進行理解、回答問題，並提出建議。因此，AI在企業中的價值，不只是自動化，更是協助決策與判斷。

這種應用方式可以落地在多個業務場景中。

第一，運營端的智慧資料分析。AI可以直接從ERP調取數據，自動生成日報並同步到管理群，讓管理層隨時掌握整體經營情況與人效表現。同時，每位運營人員也能看到自己的核心數據，例如哪些產品表現較好、哪些數據波動較大、哪些商品需要重點關注，以及廣告佔比是否合理。如此一來，運營團隊就不需要再花大量時間處理基礎資料，而能將更多精力投入到數據判斷與優化上。

第二，廣告智慧監控。AI在廣告管理上的應用非常廣泛，它能自動整合投放資料，找出異常情況。例如辨識哪些商品的投放佔比超標、哪些關鍵詞長期效果不佳需要優化、哪些投放計畫應調整後重新啟動。這相當於企業擁有一個24小時在線的數據分析助手，能即時預警風險，避免預算與資源浪費。

第三，庫存資料管理。當AI接入ERP後，可以做到庫存自動播報與預警。例如每天自動統計哪些商品的庫存週轉健康、哪些商品的庫存壓力較大、哪些商品需要及時補貨。這能幫助團隊提前判斷，避免因人工檢視不及時而造成斷貨或庫存管理滯後。

第四，擴建進度跟蹤。AI接入ERP之後，可以自動調取擴建相關狀態，定時播報當天或本週的進度。例如哪些貨件待處理、哪些已發貨、哪些正在運輸中、哪些即將入倉，以及哪些已完成入庫並需要運營團隊跟進後續動作。透過這種方式，運營、倉庫與管理層都能及時掌握貨件進度，不必反覆登入系統查詢，也能有效減少資訊差。

第五，財務資料整合。過去財務人員每月結算時，通常需要花費大量時間從ERP下載資料、整理報表。現在透過API對接，AI可以直接將ERP中的資料映射到財務表格裡，不僅減少重複勞動，也能降低人工核算產生的誤差。

總結來說，企業應用AI的核心價值，並不是取代某個崗位，而是透過AI減少重複動作、提升工作效率，讓團隊把更多時間投入到更有價值的判斷、優化與決策工作中。

訂閱：文章 (Atom)

2026年6月11日 星期四

2026年6月11日星期四