AI 驅動程式設計：工程師的 AI Agent 實戰工作坊

我是奶綠，在 Positive Grid 擔任前端技術主管，同時也是吉他老師。今天分享 AI 工具的使用心得，幫大家解決 AI 焦慮。半年前公司導入 AI 時我也很緊張，但實際上手後發現沒那麼難。現在的開發模式已從純人力轉變為與 AI 協作，甚至能輕鬆落實 TDD。不過 AI 有四個限制需要注意：黑盒運作可能給錯答案、訓練資料有時間截止點、容易忘記先前對話、以及上下文長度限制。這堂課會教大家用一些技巧來輔助 AI，把準確度從八成提升到九成以上。

分享工程師常用的 AI 程式開發工具心得。ChatGPT 桌面版適合非技術人員，能與編輯器連動，但無法掃描整個專案，只適合單點任務。GitHub Copilot 月費 10 美元，與 VSCode 高度整合，可掃描整個專案並支援多種 IDE。Cursor 是 VSCode 魔改版，月費 20 美元，自動完成功能超強，目前我主要使用這套。CLI 工具方面，Gemini 半年內從吊車尾進步到前段班，而 Claude Code 是目前地表最強的 AI 程式開發工具，自帶 Planning 模式，能先規劃再實作。提醒大家，多人共用帳號會被封鎖，我們公司就踩過這個坑。

分享我從 AI 焦慮到實際運用的心得。半年前公司要辦 AI Bootcamp，身為主管卻連 Prompt 是什麼都不懂，只會用 ChatGPT 就以為會用 AI，這是錯的。建議直接付費買工具，免費版功能太弱，推薦 Claude Code。要用渣男心態面對 AI 工具，隨時有更好的出現，別刷年費。記住 AI 是副駕駛，你才是主導者，要想清楚讓 AI 做什麼。我們公司連非技術人員都用 ChatGPT 搭配 n8n 和 App Script 處理翻譯等雜事。工程師最煩的 Code Review 和單元測試也能交給 AI 協助。總之，別怕失敗，用就對了。

分享 IDE 整合的 AI 工具使用心得，以 GitHub Copilot 和 Cursor 為例。第一個心法是「無腦用」，不用害怕直接問 AI 任何問題，例如詢問專案架構或請它修正 bug。第二個心法是「限縮範圍」，透過選取程式碼、使用井號指定檔案，或 at workspace 等方式，讓 AI 聚焦在特定範圍，提高回答準確度。此外介紹 Tab Coding 功能，AI 能根據上下文自動推導程式碼，以及 Slash Command 提供快速指令如修正問題、產生測試、撰寫註解等。建議每次新任務開新對話視窗，避免上下文混淆，並善用 Git 版控確保程式碼安全。

這次分享重構程式碼的實戰經驗。重構有兩個難題：技術面和說服老闆。跟老闆溝通時要包裝成他聽得懂的話，例如強調效能提升百分比和流量轉換，而非直接說想重構。實際操作上，先用 AI 分析專案架構並產生文件，再請它畫 Mermaid 流程圖，這比文字描述更直覺，也方便讓 PM 理解。Mermaid 是純文字格式，可以進版控，是目前人類和 AI 協作的最佳工具。重構時要給 AI 明確指示，例如指定使用 ESM 載入並加入 Vitest 單元測試，而非只說「重構這個專案」。

這堂課介紹 AI 提示詞的核心心法：定義模型的角色。AI 什麼都會，但你要明確告訴它扮演什麼角色，例如資深前端工程師，它才會用對應的思維回答問題。用「小朋友翻譯官」示範，同樣問「什麼是 LLM」，指定用五歲小朋友聽得懂的話說明後，回答風格完全不同。記住，AI 是 co-pilot，你才是 pilot，要引導它。實際示範用 Claude Code 進行程式碼重構並加上單元測試，以前這種工作很花時間，現在每月花約六千台幣就能請到頂級工程師助手，對開發生態是很大的助力。

這次分享 AI 輔助程式開發的第二個重點：Rules（規則）。Rules 能限制 AI 在特定框架下工作，減少幻覺和亂寫程式碼的問題。重要的規則包括：定義 coding style、專案結構，以及 AI 不該做的事，例如找不到資料不要亂猜、失敗兩次就暫停、不要執行 rm -rf 等危險指令。不同編輯器有各自的 Rules 設定方式，GitHub Copilot 用 instruction 檔案，Cursor 用自己的格式，目前 agent.md 尚未統一支援。建議團隊統一使用同一個工具，若 AI 不遵守規則，可強制它先讀取 Rules 檔案再執行。網路上有現成的 Rules 範本可參考，搭配角色定義一起使用效果更好。

這次分享 AI 協作開發的核心概念。Prompt 是每次與 AI 對話的單次指令，要明確具體，避免模糊用詞，否則 AI 會自由發揮產生幻覺。Rules 則是全域規則，定義 AI 的角色與行為準則，讓它在規範下做事。不同工具有各自的設定方式，GitHub Copilot 用 .github/prompts 資料夾，Cursor 有專屬設定，Claude Code 則只需一個 CLAUDE.md 檔。實際運作時，系統會將 System Prompt、Rules 和你的對話內容組合後送出，這也是為何對話越久 AI 越容易忘記前面內容。建議善用工具產生 commit message 等瑣事，但人類仍需負責審查，確保程式碼品質。

MCP（Model Context Protocol）是 Anthropic 提出的開放標準協定，用來解決 AI 資訊落後及無法存取需授權資料的問題。簡單來說，MCP 就像 Type-C 充電線，讓不同 AI 工具能用統一方式與 Google Drive、Slack 等服務溝通。實際應用上，我示範了如何透過 Google Drive MCP 讓 AI 讀取私人文件並整理內容。另外推薦 Context7 這個 MCP 服務，可取得各種框架的最新文件；以及 Chrome Dev MCP，能讓 AI 連動瀏覽器畫面來除錯前端問題。提醒大家不要同時啟用太多 MCP，避免佔用 context window。想自己開發 MCP 服務，直接叫 AI 寫就行了。

這次分享幾種解決 AI 工具限制的方法。首先是 Memory 問題，AI 其實不記得上次對話，工具會自動把歷史對話送進新視窗，但最終會撞到 context window 限制。解決方法包括：用 Add 檔案提供上下文、把任務寫成 MD 檔，以及推薦 Spec Store 套件自動記錄對話歷史。對話太長時，可以請 AI 整理重點、壓縮內容，再丟給下次對話。關於模型選擇，每個模型各有擅長領域，不滿意就換一個試試，反正選擇很多。隨著技術進步，context window 會越來越大、模型會越來越聰明，這些限制未來可能都不是問題。

這次分享 MCP 與資安相關議題。MCP 服務都是在本機執行的程式，理論上想做什麼都可以，所以安裝來路不明的 MCP 前，建議先從 GitHub 下載原始碼，讓 AI 檢查是否有資安問題。如果真的擔心，可以用 Docker 建立隔離環境，或改用 HTTP SSE 模式。我在公司規定所有 MCP 服務都要放在公司 GitHub，經過 AI 和 RD 審核後才能使用。另外也提醒大家注意社交工程攻擊，任何人傳的訊息都要警覺。Claude Code 提供 Hooks 功能，可以在 AI 執行指令前先跑檢查程式，擋掉危險語法，這是比 Rules 更可靠的防護方式。

這集介紹 Claude Code 這套終端機模式的 AI 程式設計工具。首先說明它的 Rules 設定只有一個 CLAUDE.MD 檔案，優點是簡單，缺點是無法像 Cursor 或 GitHub Copilot 那樣分路徑載入不同規則，容易造成 Context Window 爆掉。接著示範 init 指令掃描專案結構、add 指令匯入其他 Rules 檔案，以及 Hooks 功能可在工具執行前後觸發事件，例如播放音效或寫 log。最後重點介紹 Sub-Agent 概念，透過指派子 Agent 各自負責 Code Review、Security 檢查等任務，完成後只回報結果給主 Agent，有效減少 Context Window 的消耗。

介紹 Claude Code GitHub Action 這個終端機工具的實用功能。首先是 Code Review，只要發 PR 就能自動審查程式碼，品質相當不錯。另外推薦免費的 Gemini Code Assistant 也能做到類似效果。第二個功能是透過開 Issue 讓 AI 自動修 Bug 或實作新功能，甚至 PM 都能直接在 GitHub 上許願，AI 會自動改 Code、補單元測試、發 PR，最後由人類審核即可。第三是整合 MCP，讓 AI 能讀取公司的 Jira Ticket 內容，進行更精準的 Code Review。提醒一下，這些操作都要額外燒 API 費用，不包含在月費裡面。

分享工作上遇到的情境：面對一堆 Excel 檔要找出最暢銷商品時，我選擇請 AI 寫 Python 程式來跑結果，而非直接讓 AI 分析。因為程式碼不是 1 就是 0，不會像 AI 讀檔那樣有機率出錯或瞎掰。身為工程師的優勢在於看得懂程式碼、知道怎麼執行。接著介紹 TDD（測試驅動開發）的應用，過去覺得寫測試很麻煩，現在透過 Prompt 就能讓 AI 自動走紅燈、綠燈、重構的流程。另外也分享團隊如何用 GitHub Action 搭配 AI 自動更新文件，只要程式碼異動就自動生成，省去人工維護的麻煩。最後推薦 N8N 工具串接各種服務，現在寫程式的關鍵已從 Code 變成 Prompt。

這次分享介紹 SpecKit 這個 GitHub 官方推出的 SDD（規格驅動開發）工具。SDD 的核心概念是先產出規格書，經 PM 和 RD 審視後再開發，讓 AI 更精準理解專案需求。實作流程包含：先建立專案憲法（constitution）作為最高原則，接著用 specify 指令產生規格書，這階段只描述 what 和 why，不涉及技術細節。規格確認後，再用 plan 指令加入技術選擇，最後透過 task 拆解任務並執行 implement。整個流程自帶 TDD，能有效改善人類與 AI 的溝通代溝。雖然現在開發像是「出一張嘴」，但技術人員的 Domain Know-how 仍是關鍵優勢。

介紹 RAG（檢索增強生成）的原理與應用。RAG 將文件拆分成小區塊並向量化存入向量資料庫，讓大語言模型能有效搜尋相關內容並生成答案，解決過去 context window 不足的問題。實際示範使用 Qdrant 向量資料庫搭配 OpenAI SDK 建立知識庫查詢系統。雖然 RAG 目前仍實用，但隨著 context window 變大，未來可能被淘汰。最後強調 AI 是工具而非萬能，工程師仍需具備 code review 能力，不該把關鍵決策權完全交給 AI。學習 AI 工具需要實際動手練習，找到適合自己的方法才是最重要的。