主題：AI編程與傳統編程的區別
1 / 13

程式設計的演進之路

從機器語言到高階語言再到 AI 程式設計，程式設計語言的發展史是一部不斷降低門檻、提升效率的演進史

01
機器語言時代
1940s-1950s
02
組合語言時代
1950s-1960s
03
高階語言時代
1960s 至今
04
AI 程式設計時代
2025年+

📌 為何要說明這主題？

1. Vibe Code 工程師崛起

104 上最近出現 Vibe Code 工程師職缺

2. 大模型進入生產級別

2025/11-12 Claude Opus 4.5、GPT 5.2
之前要自己手調 → 現在大模型加上 Skills

3. 已成基本要素

離實現近，可直接做智慧體或工具
機會因此開展

講者備註：
2025年2月，OpenAI 提出 Vibe Coding，借助大語言模型用自然語言描述需求，AI 自動生成代碼。程式設計更接近自然語言表達。
← →SpaceN 備註
AI 編程時代
核心觀點：思維與開發模式轉變
2 / 13

思維與開發模式的根本轉變

從「如何編寫代碼」轉向「如何精准地表達需求」和「如何有效約束 AI 行為」

傳統程式設計

程式師是「代碼製造者」

  • 需要深入理解並親手實現每一個邏輯細節和演算法
  • 通過程式設計語言與計算機對話
  • 專注於「如何實現」
手動編碼

AI 程式設計

程式師是「AI 提示詞設計師」和「結果審查者」

  • 用清晰、具體的自然語言與 AI 溝通
  • AI 負責代碼生成，人負責品質把關
  • 專注於「要什麼」而非「怎麼做」
自然語言描述
核心任務從「如何編寫代碼」轉向「如何精准表達需求」
講者備註：
角色從「代碼製造者」轉變為「AI 提示詞設計師」和「結果審查者」，核心能力從編碼轉向需求表達和 AI 協作。
思維與開發模式
實踐：生成 PRD 的價值
3 / 13

聊天生成程式碼

生成 PRD 的價值

  • 確保 AI 對目標有清晰、準確的理解
  • 防止 AI「跑偏」，導致大量重構和返工
  • 在後續開發過程中作為重要參考文件
  • 幫助團隊達成共識，減少溝通成本
與 AI 反復運算 PRD

需求不明確的風險

如果需求不明確，AI 可能會「跑偏」，導致：

方向錯誤

延誤進度

大量返工

「需求明確，開發事半功倍」
講者備註：
示例流程：初步描述 → 提供細節和參考 → 生成 PRD → 反復確認。每一步都讓 AI 更準確理解需求。
PRD 驅動開發
展望：未來發展趨勢與結論
4 / 13

AI 程式設計的發展趨勢與結論

L1
對話助手
基礎階段
L2
人機協作
當前
L3
專案級自動化
2025
L4
AI 軟體工程師
2026
L5
AI 開發團隊
2027

+88%

生產力提升 (GitHub)

AI 處理重複性任務，開發者專注架構設計與創新

L2→L3

技術演進方向

AI 程式設計降低門檻，技術平權時代的重要籌碼

新角色

職業發展新路徑

從編碼者到問題解決者：Prompt 工程、AI 代碼審查

AI 程式設計是不可逆轉的革命，擁抱 AI、精准表達需求，將成為未來開發者的核心競爭力
講者備註：
借鑒自動駕駛分級理念，AI 程式設計分為五個級別。目前大多數工具處於 L2 人機協作階段。成為人機協作新範式的引領者，才能在技術變革浪潮中抓住機遇。
發展趨勢與結論
注意：局限與挑戰
5 / 13

AI 程式設計的局限與挑戰

AI 程式設計非「銀彈」，它在帶來巨大變革的同時，也伴隨著一系列挑戰

「讀懂代碼」的能力依然重要

在 AI 時代，雖然不一定需要「寫」代碼，但「讀懂」代碼的能力變得尤為重要。開發者需理解代碼運行機制，對技術有所瞭解，才能有效審查 AI 生成的代碼。

程式設計基礎仍是門檻

AI 生成代碼的品質挑戰

GitClear 2025 年報告指出：

  • AI 生成的代碼重複塊頻率增長了 8 倍
  • 代碼流失指標翻倍
  • 在品質和長期規劃方面仍有顯著挑戰
需要人工審查
「AI 程式設計不是替代，而是需要人機協作的新範式」
講者備註：
複雜商用產品難以一蹴而就。AI 程式設計工具需要開發者不斷試錯、進行細節調整。
局限與挑戰
方法論：Vibe Coding
6 / 13

Vibe Coding (氛圍驅動)

核心邏輯及作用

模糊需求
⇅
即時反饋
  • 核心作用：釋放創造力，快速探索解法，進入心流狀態
  • 適用範圍：原型設計、獨立開發、創意專案

vibe 範例

  • 使用單一 HTML 檔案（含 CSS + JavaScript）
  • 畫面中央顯示聊天視窗
  • 支援：
    • 使用者輸入文字
    • 顯示使用者與機器人訊息氣泡
    • 按 Enter 送出
  • 風格：繁體中文介面、對話氣泡圓角

開發流程

Prompt (提示)
↓
Code (程式碼)

直接從提示到代碼
快速迭代

講者備註：
Vibe Coding 適合快速原型和創意探索，讓開發者進入心流狀態，快速驗證想法。
Vibe Coding
方法論：Spec Coding (SDD)
7 / 13

Spec Coding (SDD)

核心邏輯及作用

模糊的需求
↓
標準規格文件
↓
規範開發流程
  • 核心作用：約束 AI Agent 行為，使其遵循規範軟體開發流程
  • 適用範圍：複雜專案、團隊協作

典型實施結構

├── spec/
├── requirements.md 需求文件
├── design.md 技術方案
└── tasks.md 任務清單

參考工具：speckit.org
github.com/nextlevelbuilder/ui-ux-pro-max-skill

開發流程

分階段工程化流程

Prompt
↓
Requirements
↓
Design
↓
Tasks
↓
Code
講者備註：
Spec Coding 適合複雜專案和團隊協作，通過標準規格文件約束 AI 行為，確保開發品質。
Spec Coding
實用技巧：Bug 修復溝通
8 / 13

如何有效描述 Bug 讓 AI 幫你修復

不同經驗層級的 Bug 描述方式，決定了 AI 能否快速定位問題

新手 模糊描述

❌ 常見錯誤示範：

「點擊確認按鈕發生錯誤」

「頁面卡住了，始終是空白畫面」

資訊不足，AI 難以定位

老手 結構化描述

✅ 角色：xxx 使用者

✅ 位置：在 xxx 地方

✅ 動作：執行了 xxx 操作

✅ 異常：出現 xxx 現象

✅ 錯誤：xxx 錯誤訊息

基本要素齊全

工程經驗 完整報告

📋 測試案例

輸入/操作/預期輸出

✅ 驗收標準

功能需滿足的條件

📄 相關需求

PRD/規格文件/設計稿

專業級 Bug Report

🛠️ 工程師級 Bug 修復 Prompt 模板

請依據我方提供的測試案例、驗收標準、相關需求等資訊，從「全域正確性」的角度出發修復程式錯誤（Bug），避免修復一個程式錯誤後又引入新的問題。

請依下列順序輸出：

1. 先簡潔複述：此功能的「正確行為」（依據驗收標準／測試案例）

2. 指出目前程式錯誤違反了哪幾項測試案例／驗收標準（列舉 3-5 項）

3. 提出最小變動的修復方案（需修改哪些檔案／函式／核心邏輯）

4. 給出需要執行回歸測試的案例清單（依據我方提供的測試案例／驗收標準）

僅以我方提供的資訊為準，不得自行臆測；若資訊不足，請向我方提出最多 3 個關鍵問題。最終目標是順利修復程式錯誤，並通過這些測試案例。

講者備註：
Bug 描述的品質直接影響 AI 修復效率。工程師級描述應包含：問題重現步驟、預期 vs 實際結果、錯誤日誌、已嘗試的解決方案。
Bug 修復溝通
工具：code-agent 工作流
9 / 13
⊞ DDD Domains [○○○○○] 0/5   ⚡ target: 150x-12500x   B B
⬡ Swarm ● [1/15]   📋 6/17   ● CVE 0/3   📦 16MB   🔄 70%
📐 Architecture ADRs ●0/0   ● DDD 0%   Security ●PENDING
🗄 AgentDB Vectors ●0   Size 0KB   Tests ●1 (28 cases)   MCP ●1/1

1. 核心功能模組狀態

DDD Domains [○○○○○] 0/5
領域建模：5個領域待完成，○代表未完成

Swarm [1/15]
智慧體集群：15個中啟用1個

Architecture ADRs 0/0
架構決策記錄：無待處理文件

AgentDB Vectors 0
向量資料庫：記憶/檢索資料為0

2. 任務／指標類狀態

target 150x-12500x
效能加速目標（WASM/SIMD優化）

工具完成率 6/17
17個工具/任務，已完成6個

Size 0KB
模組檔案/資料佔用空間

3. 品質／安全類狀態

CVE 0/3
安全漏洞掃描：3項待掃，完成0項

DDD 0%
DDD模組整體進度：完成度0%

Security PENDING
安全檢測：待執行狀態

Tests 1 (28 cases)
測試：已執行1組，含28個案例

完成/正常
待處理/進行中
需關注/未完成
資訊/目標值
講者備註：
code-agent 工作流狀態列即時顯示專案各模組狀態，包含 DDD 領域建模、多智慧體集群、架構決策、安全掃描等，幫助開發者快速掌握專案健康度。
code-agent 工作流
策略：產品打法思路擴展
10 / 13

產品打法思路擴展

1
需求挖掘
標準化、自動化
2
市場驗證
標準化、自動化
3
行銷｜營運
標準化、自動化
4
明星產品精進
標準化、自動化

1需求挖掘 AI-Agent

看榜單、追熱點、挖新詞、競品＆第三方平台的評論、不只SEO/GEO也挖詞、區分不同國家

2應用生產 AI-Agent

歸到「明星產品」邏輯、AI程式MVP快速上線、產品矩陣：橫向+縱向、創意到上線整合支付、部署等 app、web、外掛等

3行銷取得客戶 AI-Agent

細分、SEO行銷、GEO行銷、帳號批次註冊+發布內容等

4AI-Agent 集

洞察 AI-Agent、應用工廠、行銷 AI-Agent、合規及本土化 AI-Agent 等、極致挖掘細分需求、投放廣告-公開領域推廣、本土化營運、通路對接

講者備註：
AI 時代產品打法的核心是標準化和自動化，從需求挖掘到產品精進的全流程 AI-Agent 協作。
產品打法
工具演示：AI編程完整工作流
11 / 13

需求詞擷取 → CLI編碼 → Excel監控 → openclaw 脫離桌面

🔍需求詞擷取

從各平台擷取熱門需求詞、競品關鍵字等資料

點擊播放

⌨️CLI 編碼

使用命令列工具進行 AI 輔助編碼

點擊播放

📊Excel 監控

自動化監控 Excel 資料變化

點擊播放

📱openclaw 脫離桌面

使用手機隨時與 AI 溝通需求，快速調整優化方向

點擊查看
🔍
需求詞擷取
→
⌨️
CLI 編碼
→
📊
Excel 監控
→
📱
openclaw 脫離桌面
→
🔄
持續迭代
講者備註：
點擊各卡片可播放對應的演示影片，展示完整的需求詞擷取、CLI編碼、Excel監控工作流程。
需求詞擷取
框架：人機協作四象限
12 / 13

駕馭AI的人機協作四象限 — 發揮 10倍能效

複雜度越高

第二象限

人主導 + AI輔助（打雜）

e.g. 商務談判、產品創意

第一象限

AI優先 (80%) + 人輔助 (20%)

e.g. 財務分析、合約審查

第三象限

人工處理

e.g. 客戶安撫、情感溝通

第四象限

AI 全自動處理

e.g. 報表生成、資料整理

重複性越高
Y軸: 複雜度（低→高）｜X軸: 重複性（低→高）

駕馭AI的核心能力

複雜度拆解能力
人機邊界劃分能力
Agent 編排與指揮能力
講者備註：
根據任務的複雜度和重複性，合理劃分人機協作邊界，讓 AI 處理高重複性任務，人專注於高價值決策。
人機協作四象限
不負時代
13 / 13

📋 AI 編程流程總結 點擊查看詳細 →

1. 給 AI 的內容需要明確

清晰描述需求、預期結果和約束條件

2. 高效率修復問題

只給 AI 實際運行結果和預期運行結果的對比，以及復現問題的最簡步驟和代碼

3. 測試驗證

利用 AI 生成測試用例，關鍵的測試結果驗證環節由人審核

🎯 實事求是

前途光明，道路曲折。工程化深入情境的苦，是構建壁壘的必經之路。

👤 重新理解一人公司

掌握關鍵能力作為槓桿，即使不增加人力，也能讓 AI 規模化地完成多重任務。
→ openclaw 創造數字分身

講者備註：
AI 時代的機遇需要腳踏實地去把握，先跑通流程再追求規模化，組建團隊擴大影響力。
不負時代