熱血漢誌 - 技術新鮮人到技術經理人，必懂的事

在人工智慧浪潮席捲全球的今天，新創公司如雨後春筍般湧現，但真正能脫穎而出的卻是鳳毛麟角。AI領域的權威學者、 Coursera與AI Fund的創辦人 吳恩達（Andrew Ng），以其每月平均建立一家新創公司的獨特經驗，為我們揭示了在 AI時代取得成功的核心秘訣 ： 速度 。他強調，執行速度不僅是優勢，更是預測新創公司成功機率的最強指標。 這是一份來自創業第一線的實踐指南，涵蓋了從點子發想到產品迭代，再到團隊建構的全方位策略，旨在幫助創業者掌握AI賦予的加速度，駛入成功的快車道。 機會在哪裡？應用層與代理式AI的崛起 許多人將目光聚焦於半導體、雲端服務或基礎模型等底層技術，但吳恩達指出，從商業定義來看， 最大的機會必然在於應用層 。因為唯有成功的應用程式才能創造足夠的營收，去支撐整個技術堆疊的發展。 而驅動應用層創新的最強大引擎，正是當前最重要的技術趨勢—— 代理式AI（Agentic AI） 。 https://www.cympack.com/ 這個流程也正是我們在開發 Cympack AI Agent 系統 時所採用的核心架構。我們的Agent不是一次性產出內容，而是根據客戶需求反覆詢問、歸納、校對，從包裝設計到製程建議，都進行可回溯的迭代優化。雖然開發過程相對複雜，但卻能提供品牌端更可信賴的決策依據。 掌握速度的四大支柱 從「具體點子」開始，而非模糊願景 「用AI優化醫療資產」是一個模糊的願景，工程師無從下手。但「開發一個讓病患線上預約MRI時段的軟體」就是一個 具體的點子 。 在開發初期，我們也面臨過「 幫助品牌解決供應鏈問題 」這種過於寬泛的命題。直到我們把目標具體化為：「讓品牌可以用自然語言輸入需求，AI 自動生成可量產建議與打樣說明」，團隊的行動節奏才真正啟動。 用AI工具重塑「建構-回饋」循環 吳恩達指出，AI程式碼輔助工具讓 原型開發的速度提升了至少10倍 。 我們在內部測試階段也有類似經驗：Agent 對話流程的設計不是一次定稿，而是依據不同客戶輸入持續演進。我們透過 prompt 測試自動化、多輪交互訓練，以及微調RAG模組，反覆調整交互模型，在一週內完成超過40個快速原型。 多方的參考不同的模型工具，多方的開源流程，再到試著自己重新製造輪子等等都是必要的路徑，只有自己經歷過一次，...

這份訪談的內容實在太棒了， 將整份 Lenny 訪談   Maor  podcast 內容進行整理 ，分享給正在水深火熱，或者正在 AI 潮流中載浮載沉的大家有個可行性方向。 同時也印證之前 solopreneur 及 1 人 BU 模式 其實會逐漸發生，想了解更多，歡迎先將這篇文章讀完。 在科技創業的激烈世界中，一個六個月內從零到估值八千萬美元的故事聽起來像天方夜譚。但這正是以色列獨立創辦人 Mayor Schlommo 和他的 AI 應用程式建構平台 Base 44 所寫下的真實篇章。他沒有募集任何外部資金，在大部分時間裡獨自奮鬥，甚至在過程中經歷了兩次戰爭。他的旅程，是無數創辦人夢寐以求的藍圖。 這篇文章將深入剖析 Mayor 的訪談，揭示他如何將一個簡單的想法，變成被產業巨頭 Wix 收購的成功企業。內容涵蓋他的創業初衷、獨立創辦人的生存法則、從零到數十萬用戶的火箭式成長策略、以及讓他能極速開發的技術秘密。 開端：一個解決身邊問題的夢想 一切的起點並非宏大的商業計畫，而是源於生活中的真實需求。Mayor 的藝術家女友需要一個網站來獲取客戶，而傳統的網站建構工具既繁瑣又缺乏彈性。同時，他為以色列童子軍組織提供志工服務時，發現他們因缺乏開發資源，許多簡單的軟體需求都需付出高昂的委外成本。 曾擔任數據公司 Explorium 執行長並募資超過 1.3 億美元的 Mayor，深知大型語言模型（LLM）的潛力。他意識到：「我知道模型可以寫出這些程式碼，它們只是缺乏合適的基礎設施。」這個洞見點燃了他的熱情。他決定放下過去管理大公司的重擔，重拾他最熱愛的「動手建造」，為身邊的人解決問題。Base 44 就此誕生——一個讓任何人都能透過自然語言描述，快速建構功能完整應用的平台。 獨行俠的力量：獨立創辦人的超能力與挑戰 在長達近六個月的時間裡，Mayor 都是單打獨鬥。他認為，對於有潛力病毒式傳播的消費性產品，獨立創辦並白手起家（Bootstrapping）是絕佳的選擇。 優勢： 更高的財務回報： 無需稀釋股權，創辦人能保留絕大部分的成果。 更低的心理壓力： 不用對投資人負責，能更專注於打造盈利且可持續的業務，實現「預設存活 (Default Alive)」。 挑戰： 巨大的壓力與孤獨： 從伺服器...

在人工智慧技術迅速發展的今日，教育正面臨前所未有的變革。傳統的知識傳授模式已無法滿足未來世界的需求，我們必須重新思考：在AI能夠處理大量資訊、自動化許多工作的時代，我們的孩子需要具備哪些獨特的能力才能在未來脫穎而出？將深入探討AI時代必備的未來能力，為家長和教育工作者提供全面的指導方向。 世界經濟論壇權威預測：未來十大關鍵技能 根據世界經濟論壇（WEF）最新發布的《2025未來工作報告》，預計到2030年將有39%的核心技能發生重大變化 1 。這份基於全球超過1,000家企業調查的權威報告，明確指出了未來職場最重要的十項技能。 分析性思維 位居榜首，近70%的企業認為這是不可或缺的能力[^1]。緊隨其後的是 韌性、靈活性與敏捷性 ，以及 領導力與社會影響力 ，顯示在快速變遷的環境中，適應力與協作能力的重要性不亞於專業技能[^1]。 創意思維 與 動機和自我意識 分別位居第4和第5名，突顯出解決問題的創新力以及自我管理的重視[^1]。第6到10名的核心技能依序為：技術素養、同理心與積極傾聽、好奇心與終身學習、人才管理及服務導向與客戶服務[^1]。 世界經濟論壇發布的AI時代未來十大關鍵技能排行榜，顯示分析性思維位居首位 這些技能反映了技術專業能力、人際溝通能力、情商，以及對持續學習的承諾，正逐漸成為新時代不可或缺的競爭力指標[^1]。 AI時代孩子必備的六大核心能力 經過深入研究分析，我們可以將AI時代孩子需要的能力歸納為六大核心能力域，每個領域都有其獨特的重要性和培養重點。 AI時代孩子必備的六大核心能力雷達圖，認知思維和學習能力得分最高 認知思維能力 核心技能 ：分析性思維、批判性思考、系統思考 在AI時代，當機器能夠快速處理和分析大量資訊時，人類獨特的認知思維能力變得更加珍貴。孩子需要學會 獨立思考 ，不被AI生成的內容所迷惑，具備質疑和理性思考的能力 2 。 批判性思考是「對事實證據的理性、懷疑和不帶偏見的分析或評估」 3 。當AI能夠快速提供各種答案時，孩子必須擁有辨別資訊真偽、檢驗邏輯的能力[^3]。 培養重點 ： 培養邏輯推理和獨立思考能力 學會質疑和驗證資訊來源 發展系統性分析問題的方法 學習能力 核心技能 ：終身學習、自主學習、反思能力 在知識更新速度以十...

Vibe Coding（氛圍編程） 是由 OpenAI 共同創辦人 Andrej Karpathy 在 2025 年提出的革命性程式開發方式，它讓開發者透過自然語言與 AI 對話來生成程式碼，徹底改變了傳統的編程模式。 這種開發方式的核心理念是 「順著感覺走」 ，讓 AI 處理技術細節，開發者專注於創意和需求描述。 Vibe Coding 需要基本上的規劃和執行，但並沒有強制規範，從日常經驗來說可分為三個階段， 前期準備、開發過程、和後期維護 三個關鍵階段。每個階段都有其特定的任務和注意事項，正確執行這些步驟將大幅提升開發效率和程式品質。 將靈感與需求透過 AI 快速轉化成產品功能或原型。以下幫你分成 「前、中、後」 三階段要做的事情，適合你自己做、或帶團隊做 前期：設定 vibe & 準備素材 這個階段的重點是 「建立開發語境」 ，因為 AI 的生成表現高度依賴前期提供的上下文與資料。 明確目標 ：釐清要解決的問題、預期要做的功能與核心價值。例如在筆記軟體的情境中，可能是：「我要做一款讓使用者能用 Markdown 記錄筆記，並提供標籤與全文搜尋功能的簡單 App。」 收集靈感 ：觀察同類產品（如 Obsidian、Notion）、蒐集市場痛點（例如太多筆記軟體無法脫機使用，或同步效能差）。 建立語境 ：準備初步 prompt、背景知識、產品定位、品牌調性、目標使用者輪廓等。 確認資源 ：決定用哪些工具（Gemini、ChatGPT、設計軟體、流程管理工具等）。 確認完上述內容之後，就可以先開始進行準備規格，進行第一次的 Vibe Coding 方向驗證 提示詞模板準備 很多人會跳過這步驟，但一份 「好的 AI 提示詞模板」 將決定接下來每一次 AI 對話的品質。有效的提示詞模板需具備： 描述具體且無歧義 包含技術要求和約束條件 提供範例資料和測試案例 指定程式碼風格和慣例 例如針對筆記軟體的案例：   「建立一個支援 AI 功能純文字筆記，輸入內容可即時渲染；需支援儲存到本地檔案，提供標籤欄位做分類；以 React 架構，程式風格採用 Tailwind style components 並使用 hooks。」 開發工具選擇 開發工具的選擇 同樣重要，目前市場上主要的 ...

過去一年，越來越多工程師開始 把 AI 真正帶進工作流程 。從一開始用 ChatGPT、Claude 來問語法問題，到後來很多人愛上 Cursor，直接在編輯器裡讓 AI 幫忙改 code、補 test case、甚至自動整理 PR。這樣的開發體驗，已經大大改變了我們寫程式的方式。 更現實的是，在很多企業內部、政府單位、或涉及機密資料的專案裡， 其實根本不能直接用 Cursor 或雲端 LLM 工具。   畢竟這些服務通常會把資料傳到雲端模型做處理，萬一專案裡有未公開的技術、敏感客戶資料，或是受限於法規 （像金融、醫療、政府標案） ，直接用雲端 AI 工具就會踩 紅線 。  因此，許多團隊反而更希望 「自己架一套 Dev Agent」 ，可以在內網執行，資料完全掌握在自己手上，該整合的內部工具、該讀的私有 repo、該串的 CI/CD pipeline，全部客製化、安全可控。 這時候，像 OpenHands 這樣的開源 Dev Agent 框架就特別有價值。它的出發點不是單純的 AI 助手，而是讓你能夠打造出一個真的可以跑在自己環境裡、可以理解整個開發流程的 AI 工程師。從建置到部署，從 CLI 操作到瀏覽器查詢， 從多檔案編輯到自動測試，全部都能自己完成，甚至還能針對不同專案調整專屬的工作流。 對很多開始探索 AI 協作開發的團隊來說，這是一條 從 「AI 幫你寫一段程式」，走向「AI 幫你解決一整個任務」 的進化路徑。而且，還是在可控、可自定義、安全的環境裡完成的。 🧩 主要概述 OpenHands 是由 All‑Hands AI 開發的開源「軟體開發代理人平台」，能模仿人類工程師從建立程式、修改程式碼、執行指令，到瀏覽網頁、呼叫 API……等一整套開發流程 它提供雲端（OpenHands Cloud）與本地 Docker 運行版本，用戶能配置 LLM（如 Claude、OpenAI、Gemini…) 📚 核心特性與怎麼使用 代理人的工具能力 支援代碼編輯、命令行、執行環境、網頁瀏覽、API 呼叫—接近人類開發者完整技能。其中 OpenHands Cloud 版本提供 $50 試用額度讓大家方便使用，又或者如果自己本機有 docker 的話，可以自己Local 版本透過 Docker 自架環境。 ...

先說結論 ChatGPT 官方不支援 /rewrite//brief 這種語法 ChatGPT (GPT-3.5 / GPT-4 / GPT-4o) 本身的 prompt 處理是自然語言為主，目前官方 API、ChatGPT 網站、OpenAI 文檔 沒有定義 /rewrite//brief 這種 Parser Prompting 語法 。 也就是說，丟這樣的指令，ChatGPT 會 「試圖當作自然語言理解」 。 這類語法通常是「外掛的 parser」、「客製化的 prompt 模板」、「LangChain、Flowise、Notion AI、自建系統」做出來的 conventions，不是 ChatGPT 本體的功能。 ChatGPT 目前的行為現象，因為 2024–2025 年 GPT-4o / GPT-4-turbo 確實 「開始對部分格式 prompt 有潛在 parsing 能力」 ，但這要拆成兩層來看，才能理解為什麼你「看起來它可以用」： 第一層：ChatGPT 現在會「嘗試理解」這種格式 GPT-4o（或 GPT-4-turbo）確實現在會： 把 /rewrite 當作「你希望重寫」 把 //brief 當作「風格（brief）」 把 : 用一句話重寫這段內容 當作目標說明 /rewrite//brief: 用一句話重寫這段內容 因為目前 GPT-4o 裡面強化了 parsing ability ： 有更多 “markdown parser” / “command style parser” 訓練 有被大量 Slash Command prompt 訓練（Discord / Midjourney / Slack 等 prompt corpus 裡有大量 /xxx//yyy） 有 exposure 到 LangChain / Prompt template 社群的 parsing 風格 所以 GPT-4o 其實 「能靠類比學習」 理解你這樣的 prompt，並進行正確回答。官方文檔（OpenAI API docs、Prompt Engineering Guide）目前並沒有正式定義 /rewrite//brief 這種格式是官方語法。 它是靠 LLM 本身的泛化能力 + 過去大量 promp...

現象層面（市場觀察） 最近有篇文章討論 junior & senior 開發者在 AI 時代的角色轉變，非常熱門。 身為 Cympack 產品開發團隊 ，我們也一直關注這個議題，在閱讀這篇文章時觀察到一些有趣的現象，對我們來說，這正好反映出 AI 正在改變開發生態，junior 借力 AI 快速成長、senior 則需要在 「架構思維」 與 「多 agent 協作」 中找到新定位，其中有些啟發（insight) 可以跟大家分享。 為什麼 Junior 更容易上手 vibe coding？ 心智負擔低 → Junior 沒有太多傳統 code workflow 的框架包袱 敢於嘗鮮 → Gen Z / 年輕工程師天生習慣用 prompt-based 工具、跟 LLM 互動 少「優雅程式設計」的束縛 → 不太糾結「這樣寫會不會不夠優雅」，反而 embrace 快速迭代、快速出成果 反觀 Senior： 熟悉大型系統設計 有豐富的「工程正統流程」知識（架構設計、測試策略、效能優化、設計模式） 對 AI 生成 code 的品質 / 維護性通常比較保留 部分 10+ 年資深工程師，對 prompt engineering 沒那麼熟練，還在觀望 技能面（未來的關鍵能力） Vibe coding 本質上 = prompt engineering + AI co-pilot 管理能力 能力項目 誰目前比較有優勢？ Prompt 撰寫 / AI 互動 Junior 較強（熟悉 chat-based 流程） 系統設計 / 架構把關 Senior 較強 AI 生成 code 驗證 / Bug 察覺能力 Senior 較強（能看出潛在問題） 快速疊代 / Hackathon 式開發 Junior 較強 長期維護性 / 穩定性 Senior 較強 總結 Junior 確實更快適應 vibe coding，並且更習慣以 「chat-based coding」 的工作流開發。 Senior 擁有驗證 AI 產物與系統設計的深度能力，但若不主動練習 vibe coding，長期會逐漸落後於新一波開發潮流。 就如同在 GAI 技術年會分享，希望帶給各位的感受， 『與 AI 協...