AI 讓功能更快上線,為什麼團隊不一定進步更快?
AI 可以加快寫程式,但團隊決定做什麼、確認功能有沒有用,花的時間未必會變少。作者把產品工作拆成三段:決定要做什麼、把功能做出來,以及上線後確認結果。文章舉例,一個團隊把建置時間從 15 天縮短到 4 天,整段從提案到確認結果的時間卻只快了約 14%,而且 8 個上線專案中只有 3 個確認了結果。作者建議團隊一起記錄三段各花多久,並在功能上線前先訂好衡量方式和檢查日期,才知道加快開發是否真的帶來進展。
AI 可以加快寫程式,但團隊決定做什麼、確認功能有沒有用,花的時間未必會變少。作者把產品工作拆成三段:決定要做什麼、把功能做出來,以及上線後確認結果。文章舉例,一個團隊把建置時間從 15 天縮短到 4 天,整段從提案到確認結果的時間卻只快了約 14%,而且 8 個上線專案中只有 3 個確認了結果。作者建議團隊一起記錄三段各花多久,並在功能上線前先訂好衡量方式和檢查日期,才知道加快開發是否真的帶來進展。
Rust 可以用來打造效能好的圖形介面,但目前採用的應用程式還不多,各種做法也沒有共識。Raph Levien 回顧這個領域的進展,認為 AI 工具可能降低撰寫 Rust 程式的門檻;手機應用則可採用原生介面搭配 Rust 共用程式邏輯,照顧各平臺的操作習慣。他也整理文字排版、無障礙功能和影片畫面組合等尚待改善的地方,並指出不同應用需要不同的介面架構。
AI 助理判斷退款符合條件,不代表退款真的成功;如果系統沒收到回覆就重試,還可能重複退款。Anuj Sadani 開發開源專案 Decision Firewall,讓系統先核對證據與規則,再授權特定動作,並在回覆遺失時查明原本的退款結果。測試顯示,框架和自行撰寫的應用程式控制都能守住退款規則,但框架整合時需要更多工具呼叫,也遇到多項介面問題。作者因此保留它作為參考實作,並整理出不必使用該框架也能跑的獨立檢查工具;這些測試仍不足以證明框架能節省開發時間或適合正式環境。
模糊圖片放大後常會失去細節,Magnific AI 把這個問題變成生成式圖片工具的切入點。文章回顧兩位創辦人如何先分享提示詞實驗和教學,累積創作者社群,再推出付費服務;工具用分塊式潛在擴散技術放大圖片,並讓使用者調整新細節的生成幅度,以及畫面和原圖的相似程度。文章也整理了 Magnific AI 被 Freepik 收購的過程,並從中討論小型團隊如何結合 AI 程式工具、產品設計與社群曝光來發展事業。
AI 助理能快速寫出程式,但大家還不一定知道怎麼確認它真的能在正式環境正常運作。作者整理兩篇工程師的討論,認為測試、架構決策紀錄和交付檢查可以替團隊留下程式為何這樣寫的線索。Thoughtworks 有個團隊試了一週不由人寫程式,改讓 AI 助理完成工作;大部分時間花在釐清需求和準備檢查方式,讓 AI 助理下次照著做。作者也提醒,如果錯誤訊息常常出現,大家可能會忽略真正的問題,因此測試和檢查必須可靠,團隊也要留時間回頭閱讀、整理程式。
Cursor 和 GitHub Copilot 的入門付費方案只差 $2:Cursor Plus 每月 $8,GitHub Copilot Pro 每月 $10;但兩邊收費代表的內容不一樣。Cursor Plus 只能用 Grok 模型,想用第三方模型要從每月 $30 的 Premium 開始;GitHub Copilot Pro 則包含 Claude Code、Codex 等 AI 助理,以及 $15 的每月額度。 GitHub Copilot 各付費方案會列出額度金額,方便估算花費;Cursor 列的是使用量倍數,卻沒說共同使用額度到底有多大,因此不能直接拿兩邊比較。買 10 個帳號時,Cursor Teams 每月 $300,GitHub Copilot Pro+ 每月 $390;最高方案則是 Cursor Ultra 每月 $2,000,GitHub Copilot Max 每月 $1,000。該選哪個,得看你需要哪些模型,以及想不想先算出每月用量預算。
FastAPI、Node.js 和 Bun 的效能測試常得出不同結果,讓人難以判斷哪個適合自己的服務。作者整理多組公開測試,指出結果會受測試方式、硬體、資料庫驅動和連線設定影響;其中一項測試只把 PostgreSQL 的查詢改成可重用的預備語句,Node.js 各組的承載量提升幅度從 3% 到 31%。這不代表 Node.js 整體快了同樣幅度,而是說明資料庫存取方式也會左右排名。作者建議用相同硬體、流量和資料庫設定測試,並一起查看回應時間、錯誤和資料庫負載,再決定要採用哪種技術。
接手程式時,常得花時間猜函式在做什麼;AI Doc Generator 想用一個數字,讓團隊知道有多少函式和類別缺少說明,也能在程式更新時檢查這個比例有沒有低於門檻。它是售價 $49 的 Python 命令列工具,能列出缺少說明的地方、檢查檔案覆蓋率,也能匯出 JSON。實測時,把門檻設成 80%,覆蓋率不夠就會讓建置失敗。不過,它目前不會真的用 AI 撰寫說明;自動插入說明時,還可能弄壞程式檔,接著把壞掉的檔案誤算成 100% 覆蓋。適合想檢查檔案數量的團隊,若想要 AI 幫忙寫說明,就不適合買它。
Lean 和 Mathlib 社群確認一份黎曼猜想證明通過多種程式檢查,但作者發現,程式裡有個叫 anyGeometry 的條件,對任何輸入都直接回傳 True。作者追查程式碼後確認,這個條件出現在 24 個檔案中,也被用來建立一些假設;不過,他還沒查完它是否真的一路影響最後的定理。程式檢查能確認證明符合寫好的定義,卻不會判斷定義本身是否真的表達了數學上的幾何條件,因此目前的發現還不能單獨判定整份證明是否成立。
推薦理由:文章對照程式碼與驗證紀錄,說明形式證明能檢查推導是否符合定義,卻無法判定定義是否承載了名稱所指的數學內容。
大型軟體能不能交給 AI 自己一路做下去?作者從 10 月初開始,讓 Claude 從頭打造名為 SWB 的瀏覽器,只告訴它哪些網站要能使用,不介入技術決定。不到兩個月後,SWB 已能日常瀏覽部分網站,也有自己的 JavaScript 引擎,但複雜的網頁應用程式還不太行。早期多個 AI 助理同時改相同程式碼,造成衝突;改成一次處理一項工作後,進度變得順利。作者沒檢查程式碼,因此這次實驗呈現的是使用體驗與開發過程,不能據此判定程式碼品質。
推薦理由:作者讓 AI 助理從頭打造瀏覽器,並記錄工作流程與遇到的協作問題,呈現大型軟體專案全程交由 AI 開發的實際經驗。
Rust 做桌面和手機介面有機會跑得更快,但要做出好用的介面,還有不少難題。Raph Levien 回顧 Rust GUI 的發展,指出文字排版和無障礙功能已有可用的工具,影片等內容如何交給系統流暢合成、介面如何配合手機平臺,仍需要更多工程投入。他也建議把介面拆成規格清楚的小模組,讓 AI 協助開發時更容易處理,並讓不同應用選擇適合自己的做法。
AI 程式助理能寫出更多程式碼,但這些程式碼不一定更快變成正式發布的軟體。文章整理多項研究,指出超過 500,000 名 GitHub 開發者的提交量增加 240%,專案數增加 80%,發布量則增加 30%;其他實驗對 AI 是否能加快工作,也得到不一致的結果。多出的程式碼仍要花時間檢查、測試和修正,文章因此建議團隊改看通過審查與部署的變更,讓 AI 在開發過程中提供回饋,並把工作切成較小批次。
AI 助理讓新人更快寫出程式修改,但每個提案仍要有人檢查,決定哪些值得採用。Angie Jones 曾讓 Block 的 10 位新人在陌生程式碼中使用 AI 助理解決客戶問題;她也分享 Goose 的做法:先討論問題和設計,再動手改程式,維護者也會用 AI 助理整理問題、檢查程式碼和做安全掃描。 Jones 認為,開發者除了學會使用 AI 助理,也要懂得怎麼打造可靠的 AI 助理,例如限制它能做什麼、能讀取哪些客戶資料。像 MCP 和 A2A 這類共同標準,能讓開發者在工具改變時仍有基礎可依循;而新人熟悉怎麼讓 AI 助理開始工作,資深工程師則能協助判斷哪些修改適合推出。
同一個工作交給不同模型,答案和費用可能差很多,光看基準分數不一定知道哪個適合自己的工作。作者整理 GPT-6.2 Astra 和 GPT-6.2 Sol 的價格與基準資料,並提供 .NET 10 範例,讓兩款模型用相同設定處理三種工作,再比較答案、花費和時間。文中轉述的測試顯示,Astra 在部分多步驟與資安相關基準較高;在一項程式開發基準中,兩者分數接近,但 Astra 每項工作估計花費較高。這些是廠商提供或轉述的測試結果,作者建議用自己的工作資料評估,再決定部署哪款模型。
AI 工具讓寫程式更容易,也讓更多人能做出產品,但不一定能讓每個團隊都更快。文章整理的研究顯示,用 Copilot 寫一個全新的 HTTP 伺服器,受試者快了 55.8%;另一項研究則發現,熟悉大型程式庫的開發者使用 AI 後慢了 19%。作者也提醒,產品做得快,仍可能沒人需要;文中引用的資料顯示,43% 的受調查新創倒閉案例提到產品和市場不合。文章最後提出先查證問題、用便宜方式測試,再決定是否開發的六步做法。
AI 助理寫程式的速度很快,工程師可能來不及逐行讀完每次改動,但核准的人仍要為結果負責。作者提出,審查時可以把注意力放在三件事:這次改動想解決什麼問題、是否符合事先訂下的條件,以及過程中做了哪些架構和技術選擇。驗證 AI 助理可以逐項檢查條件並提供證據,審查者再判斷方向是否正確;團隊也要能說清楚系統為什麼這樣設計、可能在哪裡失敗。這讓人不必每次都讀完所有程式碼,也能理解改動並承擔責任。
推薦理由:這則訊息聚焦 Lean 社群對黎曼猜想證明的認可,可瞭解形式化證明與 AI 在數學研究中的進展。
AI 助理修程式時,花掉的錢不只看每次任務的價格,也得看最後有沒有修好。作者讓 gemini-3.5-flash-lite 和 gemini-3.1-flash-lite 各自處理 9 個 GitHub 真實問題,兩者各修好 1 個;每個任務平均約 5 到 6 美分,但平均每修好一個問題,估算成本是 $0.426 到 $0.561,因為失敗的嘗試也要算進去。 模型大多把步驟用在搜尋和讀檔,有些還沒交出修改就用完 30 步。以 gemini-3.1-flash-lite 修 attrs-1320 為例,它第二次嘗試看到測試失敗的訊息後,才修對問題。不過每個模型只成功修好不同的 1 個問題,這次結果不足以判斷哪個模型比較好,也提醒我們:看 AI 助理的成本,不能只看它做了多少次工作,還要看成功了幾次。
AI 讓程式碼變得容易產生,但要確認它做得對,還是需要人的判斷。ANTcell 提出讓一位工程師負責從頭到尾的工作,並由三個角色在旁支援:Supervisor 說清楚工作要達成什麼,Supporter 提供組織裡的技術背景和規範,AI Helper 則協助工程師和 AI 合作,並把出錯經驗變成檢查規則。三個角色也各有不能做的事:不能拆好工作叫工程師照做、不能一邊提供技術協助一邊考核工程師,也不能替工程師決定是否交付。這種做法需要合用的平臺和能作判斷的工程師;只換職稱,並不會讓工作方式真的改變。
程式碼審查只收到一句「這是錯的」,卻沒說錯在哪裡,作者因此花了好幾個小時猜問題、反覆檢查程式碼,還想著該怎麼回覆。後來同事才解釋,日期被當成文字排序,結果「9日」排在「19日」後面;作者改成比較時間戳記,並補上一個檢查這種情況的測試,幾分鐘就修好了。這段經歷讓作者想到,程式碼審查不只要指出問題,也要說明原因和怎麼修改;清楚的一句話,能省下別人很多時間。
一位在美國有 15 年經驗的資深軟體工程師,失業兩年後仍找不到工作,存款也快用完,於是在 Hacker News 詢問下一步該怎麼走。留言者分享的做法各有不同,有人建議聯絡以前共事的人、參加聚會或找小公司接案,也有人談到做個人專案、轉做水電等技術工作,或先靠臨時工作維持收入。討論也呈現不同看法:有人認為作品集能幫忙說明履歷空窗,也有人說招聘者往往更看重過去的工作經驗與人脈。
AI 助理能不能自己做研究,除了看模型表現,也得看人在哪些地方出手。作者讓 Claude 從空資料夾開始設計、訓練模型,並在每次測試前先寫下預測和通過標準。三個關卡中,兒童故事和西洋棋都沒達標;在 HellaSwag 測試中,模型分數高於 GPT-2 small,但它的引數量是對方的 2.8 倍,和同尺寸的 GPT-2 Medium 相比大致打平。作者也檢查出部分測試題出現在訓練資料中,排除後分數仍高於 GPT-2 small。這次實驗顯示 Claude 能依明確規則執行工作、記下失敗,但選擇研究問題和處理重要決策仍由人負責。
推薦理由:這場實驗把預先訂好標準、記錄失敗和人類介入的過程攤開,呈現 AI 助理能完成明確研究任務時仍需要人決定問題。
新手工程師的程式需要修改時,主管直接接手雖然能更快完成工作,卻可能讓對方不知道哪裡需要改,也失去完成自己作品的成就感。比較好的做法是留下修改建議、問問對方怎麼想,再讓他自己動手修正;例如,先問他兩個不同的 GitHub runner 同時更新 Terraform,可能會發生什麼事,讓他自己看出問題。 遇到正式環境故障、嚴重資安問題或不能延誤的期限,主管可以接手處理,但要說明原因,事後再帶工程師看懂改動。若每件事都被當成急事,團隊就少了學習機會,最後大小問題都得等主管處理。主管的工作不只是修好程式,也包括幫身邊的人逐漸學會自己解決問題。
想帶輕一點的裝置出門寫程式,平板看起來很方便,但開發時常需要跑 Docker、架本機伺服器,還得能離線工作。這篇比較 iPad Pro M4、MacBook Air M4 和 Surface Pro 11,結論是 MacBook Air 最適合當日常開發電腦:工具在本機就能跑,電池也最耐用。Surface Pro 11 已能在 ARM64 上跑常見開發工具,也能用 WSL2,但遇到只支援 x86 的程式時,還是可能變慢或出問題。iPad Pro 雖然最輕、螢幕也漂亮,卻沒有本機 Docker,寫程式多半得靠網路連到遠端伺服器;只有主要用 Swift,或工作完全在雲端進行的人,才比較適合拿它開發。
RevHive 原本測試 AI 助理能不能找出程式修補被撤回後留下的安全問題,10 個案例全都找到了;但讀者提醒,這可能只是因為 AI 助理看到檢查程式碼被刪掉,就把它當成漏洞。作者拿 10 個一般程式修改來測,AI 助理有 7 次沒出聲,另 3 次雖然正確指出程式出錯,卻把普通問題說成安全漏洞,甚至編出可能的登入漏洞。檢查紀錄後,作者還發現原本的 10/10 都是備用模型 deepseek-v4-flash-lite 的結果,不是設定要用的 deepseek-v4-flash。這次測試有助於看出 AI 助理會在哪裡判斷過頭,但資料不多、測試方式也不夠一致,不能當成可靠的實際成績。
AI 寫的程式愈來愈多,工程師也更難確定測試有沒有找出所有錯誤。文章整理 &Truth、Harmonic、Theorem 和 Axiom Math 的形式驗證做法:AI 嘗試產生數學證明,再由 Lean 等工具逐步檢查,確認程式是否符合清楚寫下的要求。&Truth 正在打造能檢查不同程式語言的工具,也把找出 C 程式的記憶體安全問題列為用途之一。文章提到,Anthropic 的測試中,Opus 5.5 在一組 36 項小型驗證任務上達到 50% 解題率,使用的 token 比 Opus 5 少約 40%。這類方法可能讓開發者更容易檢查 AI 交付的成果,但也需要先把需求寫清楚。
想知道 AI 寫的程式碼是不是比較亂,作者做了 Spaghetti Meter:選一個資料夾,工具就會掃描程式碼,把發現的問題畫成掉進碗裡的義大利麵,分數越高,碗就越滿。作者調整計分方式後,掃描了 12 個專案,發現一些他以為沒用 AI 寫的專案,分數也很高。不過,他沒有確認這些程式碼究竟由誰寫成,也不能只靠分數判斷程式碼好不好讀。 這個分數來自 Code Buster 的檢查結果;如果工具判斷錯了,分數也會跟著錯。不同程式語言能檢查的專案不一樣,而且掃描不一定涵蓋整個專案。作者因此提醒,這些結果只能當作討論的起點,不能拿來證明 AI 或人類寫的程式碼比較好。
Browser Use 回頭檢視 browser-use 1.0,發現專用工具堆得太多,未必能讓 AI 助理做得更好。團隊把 24 個工具收斂成一個 Python 工具和兩種結束方式;這次改動新增 29,601 行程式碼,刪除 136,905 行,Python 檔案也從 178 個減到 43 個。材料指出,BU Bench v2.1 的得分在這次調整後反而上升,呈現了簡化工具設計的實際例子。
推薦理由:作者比較重寫前後的同一項基準分數,呈現工具數量與模型表現之間的取捨,並提供精簡工具設計的實例。
AI 可以照著需求寫程式,卻不知道哪些需求會讓應用程式變慢,也不會主動和團隊討論取捨。作者以 Google Forms 外掛為例,說明程式為了記錄新使用者資料,在顯示歡迎畫面前多次呼叫 Google,讓畫面等了 15 秒。作者認為,開發者應先決定要記錄哪些資料、畫面先顯示還是先記錄,以及怎麼兼顧效能與安全,再要求 AI 按照設計寫程式並檢查結果。隨著 AI 接手更多撰寫工作,開發者需要多花心力在架構和資料設計上。
AI 助理接手程式時,常不知道團隊以前做過哪些決定,也可能改錯程式或漏掉規則。作者用 Claude Code 做了 7 項任務,分別測試不使用記憶、把相同資料放進 CLAUDE.md,以及使用 Mnemolith;共測試 63 次。三種設定的平均任務成本都約為 $0.12,答對任務則分別是 9、18 和 21 項。Mnemolith 也記住前一次工作階段提過的資料,並在下一次用上。不過,作者指出檔案變動時提醒記憶可能過時,在這個小型專案裡沒有帶來不同結果;大型專案是否有幫助,還要再測試。
把 curl 改寫成 Rust,能不能做出功能相近的版本?curl 維護者 Daniel Stenberg 認為,AI 助理能參考多年累積的程式碼、檔案和測試,在幾週內完成大量改寫,但原專案仍持續修正問題。作者提到,在改寫期間,curl 合併了 300 多筆修改,其中有 200 多項錯誤修正,也修補了幾個安全漏洞;他並指出,2026 年確認的 81 個 curl 漏洞中,14 個可能可用記憶體安全語言避免。他認為,換語言或重寫無法取代長期維護、修補和社群合作。
推薦理由:作者以 curl 維護者的角度比較 Rust 重寫與原專案持續更新,呈現重寫版本如何面對修補漏洞、累積功能和維持社群協作的難題。
開源專案的程式碼就算能修好問題,也不一定會被維護者合併。作者整理自己用 superhuman 提交的 115 個 PR 和審查留言,發現關鍵常在程式碼以外:先確認專案接受外部貢獻、沒有人已在處理同一問題,並照專案慣用的格式寫說明、附上測試。送出後也要盡快回覆審查意見;有時維護者會接手最後的修改,合併修正並保留貢獻者署名。這些經驗顯示,AI 助理參與寫程式時,也得遵守開源社群原有的合作方式。
同一組 Codex 和 GLM-5.3-Flash,為什麼在兩個排行榜上差了好幾名?作者把兩邊的測試放在一起比較,發現一邊只測終端操作,Codex 排第 4;另一邊也測真實程式專案,Codex 在修功能、找錯誤的 DeepSWE 測試中落後許多,總排名第 10。兩邊使用的 Codex 版本和設定也不同,但作者無法確認這是否造成差距。這提醒使用排行榜時要先看它測的是哪種工作;測試結果不一定能代表自己的程式專案。
AI 助理寫程式和處理事情越來越快,但人跟不上時,就可能看不清它們做了什麼,也更難確認結果對不對。文中提到一項程式碼審查實驗:研究者讓 3 種大型語言模型處理 465 個程式碼變更,發現程式碼品質較好的版本,讓 AI 助理審查時的成本低了 22% 到 35%。另外,AI 助理也可能被人拿來處理長篇服務條款,或替受停權的小商家向 Meta 提告、聯絡政府機關。 這些例子帶出同一個提醒:AI 助理能幫忙做很多事,但人仍要看得懂它的行動、確認結果。文中也談到一種 SaaS 新方向:公司提供安全、資料管理等底層服務,再讓客戶依自己的工作方式打造應用程式;要讓這種做法可靠,檢查程式是否正確也會變得很重要。
AI 能連續完成工作的時間變長,不代表所有任務都進步得一樣快。METR 更新的時間跨度圖顯示,在軟體工程基準測試中,AI 可完成任務的時間自 2021 年起約每 7 個月增加一倍;但這類測試通常有明確的對錯答案。判斷新聞是否有偏見等任務,答案較主觀,進展較慢,能完成的時間也較短。文章提醒,評估模型時要看它要做的那類任務,不能只看整體分數;需要細緻判斷的工作仍應有人參與。
學任何本領都要自己動手練,寫程式也一樣。只看 AI 助理寫出的程式碼,再負責檢查和修改,可能讓人慢慢不熟悉程式怎麼運作,也不容易看出好程式碼的樣子。就像只讀別人的文章、從不自己寫作,很難一直進步;遇到問題也總讓 LLM 代勞,還可能讓人習慣一碰到難題就不想嘗試。想把本領練好,還是得自己動手、自己想辦法。
找出測試裡埋好的漏洞,不代表 AI 程式碼審查工具在日常工作中也可靠。RevHive 用 10 個真實漏洞修補提交,還原漏洞後讓工具檢查,結果抓到 10 個;但作者指出,這種改動會直接刪掉防護程式碼,線索太明顯,而且測試沒有量出工具對正常程式碼誤報多少。實際檢查一般的程式碼提交時,工具約有三分之一都留下了看似合理的意見,很多並非真正問題。團隊因此要求每項發現說清楚哪一行會在什麼情況下出錯,也把不留言視為正確結果。作者認為,評估工具還要看正常程式碼的誤報率、測試案例數量,以及漏洞嚴重程度標籤是否可信。