Q1：什麼是 AI Coding？

AI Coding 是使用大語言模型（LLM）協作開發的方法，包括 Vibe Coding、Spec Driven Development、ATPM 等實戰框架。透過 AI 輔助撰寫程式碼、測試、文檔，可顯著提升開發效率。

核心特點：

• 人類負責決策、審查、品質把關
• AI 負責生成程式碼草稿、重構、測試案例
• 需搭配完整的 PRD（產品需求文件）
• 實測可達 40% 開發時間加速

Q2：AI Coding 可以用在生產環境嗎？

可以。只要搭配完整的 PRD（產品需求文件）、測試流程與知識庫，AI Coding 已在多個生產專案中驗證，實測可達 40% 開發時間加速。

成功關鍵：

• 建立完整的 PRD 作為 Single Source of Truth
• 設計測試驗收機制（ATPM 框架的 Testing 階段）
• 人類審查所有 AI 生成的程式碼
• 建立專案知識庫供 AI 參考
• 明確的品質把關流程

Q3：如何開始學習 AI Coding？

建議從實際專案開始，使用 Cursor 或 Claude Code 等 AI IDE，搭配完整的 PRD 撰寫。先從小型功能開始練習，逐步建立 AI-人類協作的節奏感。

學習路徑：

1. 工具熟悉：安裝 Cursor 或 Claude Code，了解基本操作
2. PRD 撰寫：學習撰寫結構化的產品需求文件
3. 小專案實戰：從簡單功能開始（如 CRUD 操作）
4. 測試驗收：建立測試案例與驗收標準
5. 框架學習：深入 ATPM 框架的四個階段

Q4：AI Coding 會取代開發者嗎？

不會。AI Coding 是「輔助工具」而非「取代方案」。開發者的角色從「寫程式碼」轉變為「架構設計者、品質把關者、決策者」。

開發者的新角色：

• 系統架構設計與技術選型
• PRD 撰寫與需求分析
• 程式碼審查與品質把關
• 複雜邏輯的決策判斷
• 測試案例設計與驗收

Q5：什麼是 ATPM 框架？

ATPM（Assessment, Testing, Program, Management）是一套 AI Coding 生產流程，強調 PRD 為 Single Source of Truth、測試驗收機制、AI-人類協作模式，以及進度追蹤。已在實際專案中證明可加速 40% 開發時間。

四個階段：

• Assessment（評估）：PM 深入理解真實需求，撰寫詳細 PRD
• Testing（測試）：建立以 PRD 為依據的驗證機制
• Program（開發）：AI 生成草稿，人類審查決策
• Management（管理）：追蹤 PRD-程式碼-測試同步

Q6：PRD 為什麼這麼重要？

PRD（產品需求文件）是 ATPM 框架的核心，作為 Single Source of Truth。實際數據顯示，完整的 PRD 可讓 AI 程式碼生成準確度從 60% 提升到 85%。

PRD 的關鍵作用：

• 讓 AI 理解完整的業務邏輯與技術規格
• 作為測試案例設計的依據
• 團隊溝通的統一語言
• 減少需求變更與返工
• 實測：PRD:Code 比例約 1:1.4（9,211 行 PRD → 13,022 行程式碼）

Q7：ATPM 框架適合什麼樣的專案？

ATPM 框架特別適合「需求明確、流程清晰」的專案，不適合「快速試錯、需求模糊」的探索性專案。

適合的專案：

• 企業內部系統（ERP、CRM、後台管理）
• B2B SaaS 產品開發
• API 開發與整合
• 數據處理與自動化流程

不適合的專案：

• MVP 快速驗證（需求變動頻繁）
• 創新型產品（使用者需求未明）
• 高度創意性的前端設計

Q8：企業導入 AI Agent 常失敗的原因？

常見失敗原因包括：流程不清晰、資料混亂、落地場景選擇錯誤、缺乏 FDE（Forward Deployed Engineer）實作支援、過度期待自動化而忽略人的因素。

失敗原因分析：

• 流程不清晰：企業流程本身就混亂，AI 無法自動化
• 資料品質差：髒資料導致 AI 無法正確理解
• 場景選擇錯誤：選了過度複雜或不適合自動化的場景
• 缺乏 FDE 支援：沒有技術人員駐場協助落地
• 人的問題未解決：忽略組織變革與員工培訓

成功關鍵：「先把人的問題解決，再談技術落地」

Q9：什麼是 Multi-Agent 協作模式？

Multi-Agent 是指多個 AI Agent 分工合作完成複雜任務，每個 Agent 負責特定領域或功能，透過協作達成目標。

常見模式：

• Plan & Execute：規劃型 Agent + 執行型 Agent
• Interleaved Thinking：思考與執行交錯進行
• Supervisor Pattern：主管 Agent 協調多個工作 Agent
• Collaboration Pattern：平行協作，各司其職

Q10：如何選擇適合的 AI Agent 模式？

根據任務複雜度、確定性、資料可得性選擇：

• Workflow（工作流）：流程明確、步驟固定 → 適合標準作業流程
• ReAct（推理-行動）：需要動態判斷、多步推理 → 適合複雜問題解決
• Plan & Execute：大型任務需要事前規劃 → 適合專案管理
• Interleaved：需要靈活調整計畫 → 適合不確定性高的任務

Q11：什麼是 FDE 模式？

FDE（Forward Deployed Engineer，駐場工程師）是一種「人肉深入客戶現場」的 AI 落地模式，強調透過人的理解與協作來建立 AI 系統，而非直接提供 SaaS 產品。

FDE 模式特點：

• 工程師駐點客戶現場，深入理解業務流程
• 客製化 AI 解決方案，而非標準化產品
• 持續優化與調整，建立長期合作關係
• 適合複雜、高價值的企業場景

適用場景：金融、醫療、製造業等高度客製化需求的產業

Q12：AI 如何幫助企業「把餅做大」而非只是降本？

AI 的價值不只是「降本增效」，更重要的是「Up-Sell 創收」。成功案例包括 AI 頭皮檢測系統、AI 推薦系統提升客單價等。

創收策略：

• Up-Sell：AI 分析提供升級建議（如美業 AI 頭皮檢測）
• 個人化推薦：提高轉換率與客單價
• 新服務開發：AI 驅動的新商業模式
• 效率提升：省下的時間用於更高價值的工作

Q13：企業 AI 轉型的第一步應該做什麼？

建議從「Quick Win」開始，選擇低風險、高可見度的場景快速驗證，累積信心與經驗。

Quick Win 場景範例：

• 會議記錄自動化：使用 Fireflies、Otter.ai
• 文件整理與知識庫：RAG 系統建立
• 客服 FAQ 自動回覆：簡單的 Chatbot
• 報表自動生成：數據分析自動化

避免：一開始就挑戰核心業務流程的全面改造

Q14：什麼是 Vibe Coding？

Vibe Coding 是一種「與 AI 協作的節奏感」開發方式，強調人類與 AI 之間的流暢互動，而非僵硬的指令式開發。

核心理念：

• 保持開發的「心流」狀態
• 快速迭代與即時回饋
• 人類專注於決策，AI 專注於執行
• 建立 AI-人類協作的默契

Q15：Cursor 和 Claude Code 有什麼差別？

兩者都是 AI IDE，但定位不同：

Cursor：

• 基於 VS Code，介面熟悉
• 強調程式碼生成與補全
• 適合日常開發工作
• 支援多種 LLM（GPT-4、Claude）

Claude Code：

• Claude 官方 CLI 工具
• 強調 Agent 模式的自主任務完成
• 適合複雜的多步驟任務
• 內建 TodoWrite、Task 等任務管理工具

Q16：AI Coding 在前端和後端有什麼差異？

AI Coding 在前端和後端的適用場景與挑戰不同：

前端：

• 適合：CRUD 操作、表單處理、API 串接
• 挑戰：UI/UX 創意設計、複雜動畫效果
• 建議：提供完整的設計稿與互動規格

後端：

• 適合：API 開發、資料庫操作、業務邏輯
• 挑戰：複雜的分散式系統、效能優化
• 建議：提供清晰的架構圖與資料流程

Q17：如何聯絡作者或提問？

歡迎透過以下方式聯絡：

• LinkedIn：https://www.linkedin.com/in/wisely-chen-38033a5b/
• 個人網站：https://www.wiselychen.com/#contact
• GitHub：https://github.com/thegiive

Q18：網站內容可以轉載或引用嗎？

可以，但請：

• 註明出處與作者（Wisely Chen）
• 提供原文連結
• 不做商業用途（如需商業授權請聯絡）
• 保持內容完整性，不斷章取義