熱血漢誌 - 技術新鮮人到技術經理人，必懂的事

分享 這篇文是由 Anthropic 的設計師 Ryan Mather (@flomerboy) 所發表，他在文中分享了自己如何利用剛發布的 Claude Design ，以「一人之力負責公司 7 個產品線設計」的心得與建議。 📝 推文核心內容翻譯（使用 Claude Design 的 7 個建議）： 設定好你的設計系統和核心畫面 (Design System & Core Screens) 這裡非常值得你花上一個小時的時間進行前期的設定與最佳化。把你現有的程式碼庫、設計檔和品牌素材都餵給 Claude，讓它自動建構出一套設計系統。之後的每個專案都會自動套用你的顏色、字體和組件，長期下來能帶來極大的複利效應。 與你的工程師即時迭代 (Iterate in real-time) 過去那種「設計師出圖 → 丟給工程師實作 → 來回修改」的模式已經過時了。現在最好的方式是，開個會與工程師一起看著畫面設計新功能。Claude 製作原型的速度極快，你們可以在對話中持續迭代、圍繞概念與限制即興發揮，看著想法當場成形。 使用評論工具進行快速精準的修改 (Comment tool for precision) 在產出粗略的初稿後，你可能會有數十個細節想要微調（例如按鈕間距、顏色更改等）。用文字去描述所有想要的變更是很麻煩的——所以千萬別那樣做！直接在元素上點擊評論並給出具體的修改指示即可，精準又快速。 讓 Claude 為你的想法製作影片展示 (Video Demos) 一般來說，Claude Design 幾乎可以實現任何你能想到的事情。老實說，它的運作邏輯其實更像是 Claude Code（程式碼代理），而不是傳統基於畫布 (canvas-based) 的設計工具。 善用連接器 (Connectors，尤其是 Docs/Slack) 一旦設定好連接器，你可以丟給它這樣的提示詞：「請閱讀這份產品吐槽大會 (product roast) 的會議記錄，並針對裡面提到的所有問題，製作一份探索不同設計解決方案的簡報 (Deck)。」然後你就可以出門散個步放鬆一下，帶著全新的視角回來看它自動生成的結果，把複雜的腦力活交給它。 讓 Claude 建立客製化的即時工具 (Custom on-the-fly tools) 總體而言，請不...

Claude Design 分析， 如果將它放入系統架構與產品開發的實戰場景來看，這將會帶來幾個維度的劇烈改變： . 1. 打通 A2A (Agent-to-Agent) 的最後一哩路：視覺到程式碼的無縫交接 . 官方特別強調了 "Handoff to Claude Code" 這個機制。當排版與設計在 Claude Design 敲定後，可以直接打包成一個 Handoff Bundle，只要一道指令就能無縫交接給 Claude Code 進行實作。 對於專注在 Agent Client Protocol (ACP) 底層架構與自動化開發工作流的佈局來說，這是極具戰略價值的拼圖。過去，即便後端的 CLI Provider 或開源框架（如 OpenClaw）能高效率處理 API 與複雜的資料邏輯，前端的介面生成仍是個斷點。現在，從前期的商業邏輯推演、UI 視覺化，到直接拋給 Claude Code 寫出實際功能，這條全自動開發鏈終於被完整串聯起來。 . 2. 既有系統的無痛疊代：讀懂程式碼到應用情境 . 這套系統最聰明的地方，在於它能直接讀取現有 Codebase 來建立專屬的 Design System，甚至能用 Web Capture 工具擷取網站上的現有元素。 這意味著，當進入密集的開發衝刺期，需要處理諸如 RWD 選單層級優化，或是實作系統自動存檔機制的 UI 互動時，AI 不再是天馬行空地給予無效的設計圖。它能在既有的色彩、字體與組件規範內進行「合乎邏輯的排列」，產出直接可用的互動 Prototype，這將大幅降低系統維護與優化的時間成本。 . 3. S2M / C2M 商業模式的視覺加速引擎 在推動客製化實體產品的過程中，最難的是如何把抽象的「流程」具象化讓消費者買單。Claude Design 支援包含 3D、影片在內的前沿設計 (Frontier design)，並能無縫輸出至 Canva 或生成獨立的 HTML。 . 當需要對外展示一個複雜的數位到實體流程——例如讓大眾一眼看懂從「上傳照片、線上 3D 預覽、轉檔運算，到最終產出結果」的完整體驗，或是需要緊急製作帶有特定品牌風格（如帶有「修但幾勒」這類接地氣文案）的直播圖框與 Banner 時，這種能夠快速將文字意圖轉換為精準品牌視覺的能力，將極大化行銷與營運的節奏。 . ...

今天不講 AI ，來聊聊自己。 這幾年一路走下來，我越來越明白一件事情。 如果今天只是自己開一個小公司，或者只是帶一個小團隊，很多事情其實都還可以靠能力、靠意志力、靠自己撐過去。很多問題，就算方向沒有那麼完整，或者判斷沒有那麼成熟，可能都還不至於立刻出大問題。 因為小團隊有時候可以靠彈性、靠拚勁、靠創辦人的直覺，先把事情往前推。 可是當今天的位置，不再只是做一個小團隊的帶領者，而是要去經營一個企業、經營一個組織、經營一個部門，甚至是要為整個團隊的方向、資源配置、成長結果負責的時候，思考方式就完全不一樣了。 這時候真正重要的，往往已經不是「我會做什麼」，而是 「我到底應該怎麼看這件事情」 。 以前的我，很多時候還是很自然地會用技術的角度來思考。這也很正常，因為那本來就是我熟悉的語言，也是我長期最有信心的地方。遇到問題，我很習慣先拆解問題、理解邏輯、找方法、找工具、找系統性的解法。對我來說，技術不只是能力，它某種程度上也是我理解世界、處理事情的一種方式。 但走到現在，我慢慢發現， 真正困難的從來不是技術本身 。 AI 很厲害，工具很多，流程可以設計，系統可以導入，服務也可以包裝，可是這些東西，終究都只是工具。工具很重要，但工具不等於方向。技術很重要，但技術不等於市場。服務很重要，但服務也不等於真正的價值成立。 真正重要的事 你到底怎麼看市場？ 你到底怎麼評估市場？ 你看到的市場回饋到底是不是對的？ 你的驗證到底是不是真的成立？ 如果方向是對的，你要怎麼把它放大？ 如果方向是錯的，你要怎麼承認、怎麼修正、怎麼轉向？ 我越來越覺得，這些事情，才是真正重要的事情。 因為如果你對市場的理解是對的，理論上，市場會用很直接的方式回饋你。它不一定一開始就非常明顯，但它會慢慢用結果告訴你，你是不是走在一個對的方向上。那個結果不是掌聲，也不是稱讚，而是更實際的東西。是有人願不願意付錢，是客戶願不願意持續合作，是需求有沒有持續浮現，是你的產品或服務有沒有真正被需要。 如果方向對了，市場其實會講話，而且講得很直接。 它會用營收講話。 會用訂單講話。 會用續約講話。 會用採用率講話。 會用成長講話。 可是反過來說，如果你對市場的定義是模糊的，你對需求的理解是不準的，你只是覺得這東西很厲害、很有潛力、很值得做，那最後市場給你的回饋，很多時候就會停留在另...

OpenClaw 造成一股熱潮，對於商業上是什麼意義？ 這很少人探討，卻也是很值得探討的事情。 . 有人提到龍蝦，歡樂不已，覺得生產力直接頂天。 也有人提到龍蝦，恐懼不已，覺得他會刪檔案造成混亂。 . 很高興此次受到 James 邀請到『數位關鍵字』節目跟大家聊聊最近很紅的這條龍蝦 從應用面，商業面，架構面以及團隊面，倒底『你』該不該使用『龍蝦』。 . 2026 GTC 大會上黃仁勳在狂推 NemoClaw，AI 長出手腳，讓事情可以一步做到好做到完整。Claude Code 推出 Agent-team，Cowork，Perplexity Computer 也在試接管電腦，所有人都在瘋「養龍蝦（OpenClaw）」，想讓虛擬員工代勞一切。 . 問題與學習 . 真正的摩擦力從來不是工具不夠聰明，而是自己方向不明。 . 如果團隊連 ChatGPT 的基本效能都發揮不到 20%，導入 Agent 只會放大混亂。給一個沒有 SOP 限制的虛擬員工最高權限，它只會在一秒內搞砸你的資料庫。 . 這段時間最大的學習，就在主軸定義， 用於推進 Cymkube 智能製造，智能供應鏈， . 我們看 『龍蝦』 AI 代理人的視角完全不同。 不只是單純的讓 AI 寫漂亮公關信，而是試著讓它處理最簡單和最難的事情：跨職能溝通，弭平跨部門的數據斷層，再試著接上手腳。 . 同時試著將混亂中找到勝利方程式，把「客戶焦慮」變成了「定價槓桿」，轉換率跳升，交付的邊際成本卻趨近於零。 . 在《數位關鍵字》這一個半小時，跟 James 一起拆解這波 Agent 狂熱的底層邏輯。大家看到開源免費，卻沒算到除錯時間與系統重構的隱形成本。 . 真正的自動化，不是買一台 Mac mini ，也不是直接買一台最強的引擎。 . 而是組裝一台能穩定變現的系統，結合團隊與虛擬技能進行組裝。 . 很殘酷現實： . 算力取代人力的交叉點，取決於你把 AI 放在「產出內容」還是「資源分配」。 黃仁勳賣的是算力基礎建設，這些對於台灣 AI 產業鏈的確很有道理，但回歸到自己的企業營運以及利潤，往往藏在沒有人想碰的跨系統資料清洗，以及跨組織架構上。 . 這階段我所學習的是 『如果商業流程本來就是錯的，AI 代理人只是讓錯誤跑得快 10 倍。』 . 對於許多老闆來說，養龍蝦到底在養什麼？你到底應不應該進場？聽聽這...

https://x.com/kandmybike/status/2032817897119096855 2026年3月14日 發表於 X (Twitter) 今天，我要徹底公開我事務所幕後的運作機制。我的事務所裡 沒有任何員工 ，但我手頭上有 60 家顧問客戶 。在稅務行業的常態中，通常認為每 10 家客戶就需要 1 名員工，處理 60 家客戶至少需要 6 人，換算成人工成本每年超過 3,000 萬日圓。 但我用 0 人就做到了，核心工具就是 Claude Code 。 你可能會覺得「這是在吹牛吧？」，但這真的是事實。本文將從具體的系統架構到處理流程完整呈現，希望能為同業或從事後勤（Back-office）工作的人提供參考。 一、整體圖像：我事務所的系統架構 首先看整體架構。在我的事務所，以下機制每天都在自動運行： Claude Code（司令塔） 🤖 每晚 21:00：freee（會計軟體）自動分錄 🤖 每晚 22:00：X（Twitter）追蹤者數據記錄 🤖 MCP（Model Context Protocol）連接 ：連結 freee API、Gmail、Google日曆、Notion、Slack。 Claude Code 扮演大腦的角色，將各個工具串聯起來。重點在於 「不需要人類每次下指令」 。系統分為「定時自動執行」與「我手動輸入指令啟動」兩種模式。 二、核心自動化流程：每晚處理 60 家公司的帳務 這是最具衝擊力的部分。每晚 21:00，Claude Code 會自動啟動，處理 60 家公司在 freee 上所有未處理的交易明細。 Phase 1：獲取未處理明細 透過 API 抓取各公司的銀行流水，鎖定「未處理」且「支出」的項目，並篩選出當前會計年度的數據。 Phase 2：兩階段自動判定會計科目 這是最關鍵的技術點，我採用兩階段邏輯： 【第 1 階段】關鍵字辭典匹配： 針對 14 個常用科目（如旅費、消耗品、通信費），建立超過 100 個關鍵字。系統會將摘要正規化（半角/全角轉換）後比對。如果是「法律事務所」則自動歸類「支付報酬」，並自動抓取廠商名稱。 【第 2 階段】Claude API 補位： 關鍵字無法判定時，才呼叫 Claude API。提供 14 個備選科目...

點出了一個在 AI 浪潮中很多人忽略的現實： AI 本質上是一個「放大器」（Multiplier），而不是「無中生有」的魔法。 它的價值取決於使用者本身的「基數」以及他們願意探索的「廣度」。 我們可以用數學的角度來拆解你這個深刻的觀察： 1. 永遠停留在起點的 $1^x = 1$ 如果一個人的思維被限縮，或者抗拒改變，他的能力基數就是 $1$。 封閉的心態： 把 AI 當作單純的 Google 搜尋，只問最表面的問題，得到淺薄的答案後就認為「AI 也不過如此」。 缺乏領域知識： 如果連自己要解決的問題是什麼都不知道，即使有了最強大的模型，也無法給出有效的提示詞（Prompt）。不管 AI 的能力這個指數 $x$ 有多大，最後的產出依然是 $1$。 2. 迎來爆發性成長的 $10^x$ 相反地，如果一個人具備深厚的實力與開放的心胸，他的基數就是 $10$。 領域知識的加乘： 當你在規劃複雜的系統架構、優化供應鏈管理的商業策略，或是設計客製化零售的自動化流程時，你本身的專業知識就是那個「10」。AI 在這個基礎上幫你快速生成程式碼、梳理邏輯或是提供架構靈感，這時 AI 就是那個指數 $x$。 跨領域的觸角： 打開心胸意味著你願意將 AI 應用在不同的節點上（例如從前後端開發延伸到 AI Agent 框架的整合），這會讓你的能力範圍產生 $10^x$ 的指數型躍升。 甚至還有 $0$ 或負數的風險 我們甚至可以把你的比喻再延伸一點：如果一個人不僅基數低，還盲目相信 AI 生成的所有內容（沒有能力去驗證程式碼或商業邏輯的正確性），那他的基數可能是 $0$ 甚至是小於 $1$ 的分數。在指數運算下，分數的指數成長反而會讓他越來越趨近於 $0$（例如 $0.5^2 = 0.25$），這在實際專案中就表現為技術債或是嚴重的架構錯誤。 總結來說： AI 賦能的極限，其實就是人類想像力與專業能力的極限。工具再強，駕駛員的眼界依然決定了這艘太空船能飛多遠。