跳到主要內容

部落格

不定期分享最新資訊文章

  • article-AI 讓寫程式越來越便宜,但真正值錢的是產品判斷力

    2026/10/16

    AI工具 Vibe Coding AI Coding
    AI 讓寫程式越來越便宜,但真正值錢的是產品判斷力

    AI Coding、Vibe Coding 讓更多人做得出網站、系統,甚至一個完整的 SaaS。當開發速度愈來愈快,真正該問的問題也跟著改變:我們做出來的功能,真的有人需要嗎? 我最近讀到一篇文章,標題是〈功能變便宜了,判斷力變貴了:AI 時代的兩張地圖〉。文中用一個產品團隊的情境開場:導入 AI Coding Agent 後,團隊每個 Sprint 能完成的功能增加了,轉換率卻沒有提升,客訴反而增加。有人因此說:「我們好像只是把『做錯的東西』做得更快而已。」 這是原作者設定的情境,不是實際研究數據;但它提醒了我,做得出來,不代表有人需要。 AI 降低了實作門檻,沒有替我們確認需求以前做網站或開發系統,常見的難題是「做不出來」。現在有了 Codex、Claude Code 等 AI Coding 工具,即使不是專業工程師,也能更快做出過去需要整個團隊才能完成的功能。 但技術門檻降低,不會自動讓產品更符合需求。若只是把想像中的功能快速做完,可能只是更快地解決一個尚未證實的問題。 先用兩張地圖看清楚問題與解法Customer Journey Map:找出使用者在哪裡卡住Customer Journey Map(顧客旅程地圖)從使用者的角度,整理他接觸產品、評估、購買、使用到後續服務的過程。它協助團隊找到使用者在哪一段遇到疑問或阻礙,而不是一開始就列出想開發的功能。 例如,有人看到 AI 課程介紹後進入網站,可能想知道課程適不適合初學者、實體課與錄播課有什麼差別、購買後能觀看多久,或臨時無法上課時該怎麼辦。這些疑問不一定需要新功能;清楚的文案、簡化的購買流程或一段 FAQ,也可能更直接地解決問題。 User Story Map:把使用者目標拆成可交付的步驟User Story Map(使用者故事地圖)則從使用者想完成的目標出發,把過程拆成活動、步驟與支援功能,接著安排 MVP 先做哪些、哪些留待後續。 以報名課程為例,學員可能需要瀏覽課程、比較方案、完成付款、收到通知,最後取得上課權限。整理出這些步驟後,團隊才能討論第一版要支援哪些必要流程。 簡單來說,Customer Journey Map 協助我們發現問題,User Story Map 協助我們規劃解法,AI 則可以協助實作。 AI 能整理需求,也會把假設寫得像事實假設你告訴 Codex:「我要開發線上課程平台,學員應該很在意學習證書,請幫我規劃完整的證書系統。」AI 可能很快列出自動發證、QR Code 驗證、證書下載、公開查詢與管理後台,而且規格看起來完整又合理。 但在投入開發前,仍要確認學員是否真的需要證書。如果他們更在意課程內容是否實用、影片能不能重複觀看,那套證書系統可能只是解決了我們想像中的問題。 AI 可以協助整理需求,卻不能代替真實資料。沒有訪談、客服紀錄、行為數據或其他證據支持的需求分析,仍然只是待驗證的假設。使用者遇到問題,也不代表一定要增加功能。 從 Story Map 再往下寫成開發規格User Story Map 能說明使用者想完成什麼,卻未必包含 AI Coding Agent 實作所需的細節。 例如,「身為學員,我希望購買課程後可以觀看教學影片」還需要回答:影片放在哪裡?付款失敗怎麼處理?觀看權限如何判斷?課程到期後會發生什麼事?直播回放尚未發布時要顯示什麼? 這些細節需要進一步整理成開發規格(Spec)、業務規則與驗收標準。可以先用 Journey Map 和 Story Map 理清方向,再讓 AI 協助產出詳細規格,而不是直接開始寫程式。也可以把產品規劃整理在 docs/product/,並透過 AGENTS.md 指引 Codex 閱讀相關背景,讓它理解功能的目的與前後流程。 再加一張成果地圖,確認功能是否真的有用我還會多問一個問題:功能完成後,我們怎麼知道它改善了使用者的處境?我把這個思考方式稱為 Outcome Map(成果地圖);這是本文用來描述成果導向規劃的方式,不是某套特定的標準工具。 假設學員常因為看不懂購買方案而猶豫,團隊決定把三種方案的權益說明得更清楚。完成方案比較頁只是交付了功能,接著還要觀察學員是否更容易選擇、付款完成率是否有改善、詢問方案差異的客服訊息是否減少。這些是要驗證的結果,不是預先保證會發生的成效。 規劃工具 協助回答的問題 Customer Journey Map 使用者在哪個階段遇到問題? User Story Map 使用者要完成目標,需要哪些步驟與支援? Outcome Map(本文的延伸用法) 我們要觀察什麼,才能判斷改善是否有效? 根據實際觀察再決定下一個版本要改什麼,才不會落入「想到功能、交給 AI、開發完成、再想到新功能」的循環,讓網站愈做愈大,卻說不清楚改善了什麼。 下次使用 Codex,先請它協助規劃與其一開始就說「幫我做一個有會員、金流、後台和課程管理的網站」,不妨先用一段提示詞,要求 AI 整理需求、假設、MVP 與驗收方式: 先不要寫程式。請扮演產品經理與 UX 顧問,協助我分析目標使用者、使用情境及主要痛點。請區分已知事實與待驗證假設,建立 Customer Journey Map 和 User Story Map,規劃 MVP,並提出每項功能的驗收標準與成功指標。最後告訴我哪些功能目前不建議開發,以及原因。等我確認規劃後,再開始寫程式。 這樣可以讓 AI 先協助思考需求、檢查假設與規劃產品,再進入開發。最後是否採納規劃、是否真的要做,仍然需要由我們判斷。 功能愈容易開發,愈要考慮維護成本程式碼變便宜,不代表維護系統也變便宜。每增加一個功能,都可能帶來資料庫、權限、測試、資安、客服與後續維護工作。透過 AI Coding 一個人能做更多事,也可能變成一個人要維護更多複雜系統。這和我在 AI Coding 技術債:寫程式快 10 倍,Temporary Fix 也可能快 10 倍 談到的維護問題相通。 AI 時代需要培養的不只是 Prompt 技巧或寫程式的能力,也包括產品判斷力:理解使用者遇到什麼問題、判斷哪些事情值得做、哪些可以先不做,並設法驗證結果。若你正在從想法評估產品,也可以延伸閱讀如何從產業痛點找到值得做的微型 AI 產品。 以前軟體開發最怕「想得到,卻做不到」。現在更值得警惕的是「想得到,也做得到,卻沒有人需要」。未來厲害的 AI 開發者,未必是一天讓 Codex 寫出一百個功能的人,也可能是能判斷哪些功能根本不需要寫的人。 產品的價值,從來不是功能有多少,而是解決了多少真正的問題。 📌 閱讀啟發:〈功能變便宜了,判斷力變貴了:AI 時代的兩張地圖〉。本文從原作者對 Customer Journey Map 與 User Story Map 的討論出發,延伸分享我對 AI Coding、需求驗證、開發規格與產品成果衡量的看法。 標籤: #AICoding #Codex #ClaudeCode #VibeCoding #產品思維 #CustomerJourneyMap #UserStoryMapping #AI應用 常見問答 (FAQ)Q1:Customer Journey Map 和 User Story Map 有什麼不同?Customer Journey Map 從使用者經歷出發,幫助找出旅程中的疑問與阻礙;User Story Map 則把使用者目標拆成活動、步驟與支援功能,協助安排 MVP 與後續工作。 Q2:User Story Map 可以直接交給 AI Coding Agent 開發嗎?它能提供使用者目標與流程脈絡,但通常還需要補上開發規格、業務規則、錯誤情境與驗收標準,例如付款失敗、觀看權限或課程到期時要如何處理。 Q3:文中提到的 Outcome Map 是標準產品工具嗎?不是。本文以 Outcome Map 稱呼「定義功能完成後要觀察哪些使用者或業務結果」的思考方式,並明確將它作為作者的延伸用法,而非特定標準工具。 Q4:AI Coding 讓開發成本趨近於零了嗎?AI Coding 可以降低部分實作成本,但不會讓資料、權限、測試、資安、客服與維護工作自動消失。每個新功能仍要評估它帶來的長期成本與實際價值。

  • article-AI Coding 成本最佳化:多模型分工取代單一高價方案

    2026/10/3

    AI工具 AI Agent AI Coding
    AI Coding 成本最佳化:多模型分工取代單一高價方案

    最近我一直在想:AI Coding 有沒有必要每個月都花到 200 美元?我曾同時使用好幾個高階方案,處理 ERP、電商、遊戲化功能、自有平台,以及已上線的商用專案。按我當時的帳號組合計算,相關月費一度超過 1,100 美元。這是我的實際成本背景,不是各家目前的統一價目表。 實際開發一段時間後,我開始重新拆解工作流程。我的結論不是「便宜模型比高價模型聰明」,而是:不要讓最貴的模型長時間處理它不必親自完成的重複工作。 AI Coding 最花錢的,不一定是第一次寫程式一個功能通常不只包含產生程式碼。開發過程還要理解需求、讀取 Repository、找出相關檔案、建立上下文、執行測試、閱讀錯誤、修改,再跑一次回歸檢查。 以我的工作經驗,成本容易在這些反覆往返中累積。程式碼第一次產生出來,只是整個交付循環的一部分;「確認它有沒有做對」也需要時間、工具使用量與人工注意力。 如果同一個模型從規劃一路做到測試、Debug 和 Code Review,它當然可能全部完成,但每個回合都可能重新讀取大量脈絡。這就像讓資深技術主管每天親自改 CSS、修 lint、重跑測試和讀 log:做得到,不代表每件事都值得用同一種成本處理。 先分配工作,再挑選模型我現在會把 AI Coding 流程拆成幾個角色。Claude、Codex、DeepSeek、Kimi 等名稱只是我使用過或評估過的例子;模型能力、工具整合與方案額度會變動,分工原則比固定排名耐用。 角色 主要工作 交付內容 規劃者 釐清需求、找出限制、設計模組邊界、拆分任務 SPEC、Issue、驗收條件 獨立審查者 從另一個角度找邏輯漏洞、權限與資料風險、測試缺口 有證據的問題清單與修正建議 實作者 按照明確範圍完成程式碼、測試與必要修正 可檢查的程式碼差異與測試結果 最終驗收者 核對需求、測試結果與整體風險,決定是否合併 驗收紀錄與合併決策 讓強模型把方向想清楚規劃階段會影響後續每一個 Issue。這時我會優先使用自己熟悉、能處理複雜上下文的模型,請它整理需求、資料流、模組邊界、依賴條件與可能的失敗情境。 SPEC 不必很長,但要讓下一個角色能知道要改什麼、不能改什麼,以及如何判斷完成。把模糊的「做一個登入功能」改成明確的行為與驗收條件,通常比不停追加長提示更容易控制工作範圍。 請另一個模型獨立找問題規劃模型很容易沿著自己的假設往下推。讓不同模型閱讀同一份 SPEC 與 Issues,可以增加一個獨立檢查角度,但不保證一定找到所有缺陷,也可能產生不成立的疑慮。審查者應指出依據,最後仍由人判斷並透過測試確認。 我會用類似以下的任務說明: 12345678910請獨立檢查這份 SPEC 與工作項目,先不要開始實作。請找出:- 未定義的邊界情況- 權限與資料一致性風險- API 或模組設計上的衝突- 測試條件不足或互相矛盾之處每個問題請附上對應段落、影響與可驗證的修正建議。不確定的地方請標明假設,不要把推測寫成已確認的缺陷。 同一個模型自行規劃再自行審查,也可能有幫助;只是它未必能跳出先前採用的假設。換一個模型是增加檢查角度,不是把責任交出去。 把明確的實作工作交給合適成本的模型當需求、檔案範圍和驗收方式已經清楚,實作者不一定每次都要重新推演整個產品背景。可以把工作拆成一個有邊界的 Issue,附上必要檔案與驗收條件,再依任務風險選擇模型或 API。 12345Issue:新增訂單狀態篩選依驗收條件實作,只修改訂單列表相關模組。新增或更新對應測試,執行測試並修正失敗。回報修改檔案、測試指令與結果;不要變更無關功能。 如果便宜模型無法完成,或實作牽涉安全、付款、資料遷移等高風險範圍,就應提高模型能力或安排更多人工審查。省下的 API 費用若換來大量重工,整體成本仍可能更高。 一套可試跑的多模型工作流程123456789101112131415需求 ↓規劃模型:釐清需求、整理 SPEC 與 Issues ↓另一個模型:獨立審查假設、風險與驗收缺口 ↓修正規格,由人確認範圍 ↓實作模型:逐項完成工作並執行測試 ↓獨立檢查:核對差異、測試與風險 ↓必要時請規劃模型處理重大設計問題 ↓人工決定是否合併 高價模型集中在開始前的關鍵決策與結束前的重要審查;大量、界線清楚的實作與修正,則可由成本較低且足以勝任的模型處理。不同任務的比例不必相同,也不需要為了湊出「三個模型」硬加一個角色。 $20、$60 與 $200 要怎麼比較?「20 美元團隊打敗 200 美元方案」比較像工作流的比喻,不是每個人都能複製的保證結果。比較方案時,先把固定月費、API 用量、超額費用和人工檢查時間一起算進去。 截至 2026 年 10 月 3 日,官方頁面列出的美國月繳價中,Claude Pro 為每月 20 美元,ChatGPT Plus 也為每月 20 美元。ChatGPT 方案的 API 用量另計,Codex 的可用功能與使用額度會依方案及帳戶狀態變動;DeepSeek API 則依模型與 Token 用量計價。地區定價、稅金、額度與方案內容可能不同,請以自己帳戶當下顯示的資訊為準。 因此,20 + 20 + 20 = 60 只有在第三筆 API 預算實際用了 20 美元時,才是當月約 60 美元的情境估算。API 並不是固定每月 20 美元的訂閱;不用或少用時可能低於預算,長任務也可能超出預算。若把比較基準設成 200 美元月費,60 美元確實是算術上少 70%;這不代表每個專案都能以相同品質和時間完成。 本文提到的高階方案支出是作者當時的個人經驗;上述方案資訊是依官方頁面於 2026 年 10 月 3 日查閱的美國月繳標價整理。價格、額度與模型可用性可能變動,應以官方頁面和帳戶實際顯示為準。 更實用的比較單位是「每個通過驗收的工作項目花多少成本」。可以先挑一種低風險、可重複的任務,記錄 API 費用、修正回合、人工檢查時間與測試結果,再比較單一模型和分工流程。只看 Token 單價或訂閱金額,容易忽略重新交代上下文與返工的成本。 怎麼開始試,而不讓多模型增加混亂? 選一個低風險任務。 暫時不要把付款、權限或正式資料遷移當成第一個試驗。 先寫好規格與驗收條件。 明列目標、修改範圍、不能變動的內容,以及要執行的測試。 讓審查者先看規格。 要求它列出有依據的風險與缺口,先由人確認哪些需要修正。 把實作切成小工作項目。 每項工作都應能單獨檢查,並有明確的完成條件。 記錄總成本與結果。 除了 API 帳單,也記下返工時間、失敗案例與人工驗收時間。 依數據調整分工。 如果模型切換讓你花更多時間搬運上下文,合併角色或改用單一模型可能更有效率。 把程式碼、Issue 或內部文件交給不同服務前,也要先確認公司的資料政策與各服務的資料使用設定,不要把金鑰、.env 或不該外傳的內容放進提示。多模型協作會增加資料流向的服務數量,資料邊界應一起納入架構決策。 如果想看更具體的需求討論、建立 Ticket,再交由 Codex 實作與 Review 的接力方式,可參考我把 ChatGPT 接上開發台後整理的 AI Coding 工作流。 不需要把 200 美元方案視為浪費如果高階方案每月替你省下的時間或帶來的價值遠高於費用,它可能很划算。當下時間有限、專案複雜、需要更高使用額度,或一個錯誤的代價很高時,集中使用能力更強的模型也有合理性。 我真正想改變的是「唯一最強模型包辦全部」這個預設。規劃、審查、實作和驗收是不同工作;先定義角色,再看現有模型與方案能不能勝任。模型是可以更換的供應者,流程、驗收條件和風險控制才是團隊長期要維護的資產。 常見問答 (FAQ)Q1:多模型分工一定比單一 AI Coding 方案便宜嗎?不一定。多模型可能降低高價模型處理重複工作的支出,也會增加 API 用量、切換上下文和人工整合成本。應以通過驗收的成果、API 帳單與人工時間一起比較。 Q2:每月 60 美元就能取代 200 美元的高階方案嗎?這是 20 + 20 + 20 的情境算術,第三筆若是 API 預算,實際帳單會按用量變動。模型額度、任務複雜度和返工時間也會影響結果,因此不能把 60 美元當成固定套餐或品質保證。 Q3:為什麼要讓另一個模型審查規格或程式碼?不同模型可能採用不同假設,獨立審查有機會發現規劃階段漏掉的邊界條件、風險或測試缺口。但審查也可能誤報,必須提供依據並以程式碼、測試和人工判斷確認。 Q4:怎麼判斷哪些任務可以交給較便宜的模型?先從範圍小、驗收明確、出錯容易回復的任務開始。觀察它能否在可接受的修正次數內完成,並確認測試、權限和資料要求都符合專案標準。 Q5:ChatGPT Plus 月費是否包含 OpenAI API 使用?不包含。OpenAI 說明 Plus 訂閱與 API 計費分開;Codex 功能和額度則依方案、帳戶及當下可用性而異。採用 API 工作流前,應分開估算訂閱費和 API 帳單。 官方方案與 API 資訊以下官方頁面用來確認本文的方案/計費邊界,查閱日期為 2026 年 10 月 3 日。實際使用前請再次查看最新資訊: Anthropic 方案價格 ChatGPT Plus 方案與 API 計費說明 Codex 與 ChatGPT 方案的可用性和額度 DeepSeek API 模型與 Token 價格