人人都能用 AI 寫出網站的時代,SaaS軟體還需要存在嗎?|feat. 微軟 Frontier Company 陳翰申

The Only Bamboo
246粉絲
128 次觀看·2026年8月22日
【李佳達|AI 超級大腦課】2 小時免費線上講座
✅ 參加體驗課送「指揮AI四步驟說明書」:https://shifuclass.com/x9JwC
🧠 不用花 150 萬出國念密涅瓦大學,也能擁有「不被 AI 取代的思考力」
🚀 21 天新手任務|專屬學習報告+AI PRG 個案實戰,系統化養成思考習慣
🚀 20 種職場實戰案例|橫跨財務、銷售、品牌、人力、營運五大面向,解決真實工作難題
🚀 25+ 獨創 AI 工具|AI 超級大腦、實戰演練工具、5 大決策分身...等,讓 AI 幫你升級
🚀 一對一專屬 AI 分身|老師親自討論,針對需求打造最懂你的決策夥伴
AI 時代不等人,別再說「有空再學」👉 https://shifuclass.com/x9JwC
AI 生成·可能包含錯誤
視頻概述
AI 生成本對話探討 AI 如何顛覆軟體開發與 SaaS 商業模式。翰森提出從隨意的「Vibe Coding」轉向系統化的「Harness Engineering」,強調產品核心價值不在於生成代碼,而是在於定義精準的工作流與建立穩定的執行環境,以將 AI 的意圖轉化為可規模化的商業解決方案。
就我寫個東西,我看他做得對不對
做得不對,我再改一下
就很像你在家裡煎蘿蔔糕
我先煎正面,再煎反面
不小心太焦了,偷偷把這個焦的地方刮掉
欸,差不多這個顏色可以了
我就覺得,OK,這道菜就OK了
所以你可以想像
很好啊,現在廚具進步啦
每個人都可以上去煎個東西
可是今天我們在講的是一個
米其林廚房或是一個正式的餐廳
他要出一整套餐
他有各式各樣的鮭魚,他有各式各樣的器械
他有各式各樣的東西要能夠 work together
你可以想像一個事情蠻有趣的
就是說,當你很快的 buy coding 的時候
你可能覺得你花了百分之十到二十的 effort
可是當你後面要維持它
把它變成一個真正的 product 系統的時候
你應該花百分之八十到九十的成本
在 AI 的時代都在學習兩個方向
一個方向就是學習怎麼被取代
一個方向是學習怎麼不被取代
嗨,大家好,我是李嘉達
今天這一集我非常興奮
因為我邀請到我心目中的 AI 大神
因為 AI 圈的人應該都記得
去年我們有一種說法叫做
薩斯斯
有了 AI 之後
我們好像就不需要再買任何的付費軟體了
有時候我們過去想要架一個網站
你會去買什麼網站的版型
或是你會付費去訂閱像什麼 Wix 這種軟體
不過現在我身邊每一個會用 AI 的人
基本上都可以瞬間做出自己的網站
坐在我旁邊這位 AI 大神
他早在 AI 圈討論這個話題之前
就已經跟我說過了
讓我們歡迎目前在微軟 Frontier Company
擔任首席設計師的
翰森
嗨,大家好,我是翰森
今天我們想幫大家拆解三件事
第一,如果有了 AI 大模型
我們是不是真的就未來
不用再買任何付費軟體了嗎?
那下一個趨勢會在哪裡?
第二,如果 AI 讓人人都能寫程式
是不是代表說
之後就不需要工程師了呢?
第三,如果現在做出一個軟體的成本趨近於零
那接下來到底開發什麼東西
才會真正帶來價值呢?
所以我很想先請教翰森的是
當大家有了 AI 之後
我們每天在用的那些軟體
哪一些有可能在
馬上下一波的趨勢當中就直接消失了呢?
當然這是一個SaaS 遺詞
這是一個比較 aggressive 的
就比較激進的一個說法
但是事實上它也反映了就是說
應該反映兩件事
第一個是說
可能原本所謂 SaaS 這個模式
的商業模式
尤其是收取費用或是商業模式
可能會有很大的改變
那第二個是它本身
這整個我們叫 framework 的改變
也就是說
我們其實可以想像我們在解決很多問題的時候
它可能是一個工作流
一個 workflow
那以前的 application 或是軟體
可能都針對一些特定的 workflow
或是一些可能組合起來的 workflow 去做設計
我期待我可能按了 send email 這個按鍵
它應該就把 email send 出去了吧
但我覺得
大家要有一個 clarify
有一個清晰的瞭解是說
這些工作流都還是會存在
只是它已經不再只是單純的線性
像我自己不會寫程式
我就是我現在需要轉檔
把 PDF 轉成某個格式
我的軟體沒有
我就去花錢買了一個軟體
就獲得了一個軟體
我覺得未來這種工作流程會改變嗎
其實你可以想一下
當你現在在用一些
不論是我們 Copilot 或是 Cloud Code
或者是 JGPT
你請它 output 任何格式
好像事實上你就直接可以做到
對對對
所以你會發現以前這些都是要分開的
所以我覺得很多東西它都不是一個黑或白
尤其是我們之前可能
我跟家達也討論過很多
我們在做一個所謂的 AI 的
甚至我們先不談 LLM
AI 的產品也是一樣
它一定有不用 AI 的部分
它也有用 AI 的部分
那用 AI 的部分可能用不同層級的 AI
比如說你可以思考
雖然我要打造一個
Agentic AI 的 product
但是是不是每一個步驟
我都要用 LLM 來處理呢
我能不能結合一些
比較低成本的小訊息模型來處理某些部分呢
那某些部分我是不是其實直接執行演算法就可以了呢
所以我的意思是指說
應該說它的這個程度變複雜了
有一個詞叫做 Intent-Driven Development
Intent-Driven
對,你可以想像我其實蠻早
大概在三年前寫了一篇文章
我在講說
以前我們講的線性是
OK, you have a input
然後你給這個 computer
然後它有個 output
但現在變成是
You have a intent
你想要做什麼
然後它回去
這個介面 Interpret
有哪些 input 進去
是你在做什麼嗎
應該說
你有一個 intent
它把它轉成
computing 能夠懂的 input
然後 computer 它當然會有這些 output
但它轉成你想要的 outcome
你可以幫我們舉個例子啊
舉個例子有點像是說
講一個這個 commerce 的網站
可能比較實際一點
我們假設到了一個 commerce 網站
你可能
我現在就是點這個搜尋吧
我要搜尋一個這個露營的東西
然後我要搜尋一個什麼
然後我把這個物件加到購物車
OK,我就是付費去 deliver 給你
這些東西是一個線性的流程
可是其實我們都知道
其實你買賣一個東西
可能不是這麼簡單
所以當我們正在幫一些知名品牌
在做 shopping 的流程的時候
我們可能就會思考說
它有時候可能來這邊
它有非常 specific
它想要特別想要找的東西
但它有可能來這邊
它只有一個大概的想法
那更多的情況是
它可能會在當中反反覆覆來來回回
所以這個 user intent
它是一個 dynamic 在 change 的事情
所以你可以想像
大體上來講
我的 intent 是來這裡買一個東西
可是我在買的過程
我可能會
OK,我原本想到買
也許幫我的女朋友找
我不是說我現在有女朋友
我是說幫我的女朋友找一個用品
然後這個用品可能是怎麼樣
我可能想送她一個禮物
可是我不是很確定
那這時候有的 agent 他會有些問題
他可能會問各式各樣可能的方向
或是
但我如果更厲害一點
我可能我先設定好
給她更好的 contact 知道說
搞不好是今天就是七夕前夕
他大概想要買什麼東西
可是買了什麼東西之後
我可以說
那這個東西好像它具備了非常多
skill 它其實就像是一些能力
所以它為了要滿足你來購物的這件事情
它有很多能力
它可以依據
你正在跟它溝通的這個 intent
這個動機來做不斷的變化
可是這個好像不是現在才發生的
因為我們常常很多人說
傳統軟體或最大的護城
或他們最大的優勢其實在於說
如果它是一個包著商業邏輯的資料庫
所以它過去蒐集到
比如說它對於它的消費者洞察
越深它的那個護城河就越好
如果它本身
它背後就蒐集了大量
過去它的消費者相關的使用數據的話
那看起來這個軟體本身就算
AI 能夠實際很快的幫你做出一個購物車
好像這種軟體就比較不容易被取代
是這個概念嗎
資料庫是一個那個
可能這個網站或是這些軟體或平臺都需要的
所以包著商業邏輯的資料庫
這當然是一個比較抽象的說法
還是你只能去 build 這個 data pipeline
對不對
就是說它在做不同決定的時候
要用哪些 data 要怎麼去做
但這跟我剛剛講的
所謂的線性或非線性是不一樣的
我們可能說有這個樹狀圖
它執行不是 A 是 B
快到 machine learning 的時候
軟體在寫的東西其實在寫一些 rules
就是說我們碰到 A 情況的時候
麻煩你給我 A 的答案
給我 B 的答案的時候
給我 B 的答案
等到 machine learning 的時候
其實我們是在 show 給它說
這是我要的 outcome
這是我要做的事情
雖然 output 是一個也許不是人寫的演算法
但它能夠得到我想要的結果
那等到我們到第三階段的時候
我們其實已經需要談到的就是所謂的
Agentic Engineering
跟所謂的 Harness Engineering
那這可能更接近
你等於是不再是寫這個 code
而你是在架構
這個結構跟環境
讓你的 agent 能夠去工作
照你剛剛這樣描述的過程
所謂的 AI 時代的開發
跟過去傳統軟體的開發
到底本質上的差別在哪裡
AI 時代的開發跟軟體時代的開發
我覺得最大本質上的不同
是來自於執行的層面
也就是說寫程式這件事情
所以我們可能聽到說 code is free
當然你要用 token
說 code 是不是真的 free
I don't know
Harness Engineering 裡面
或是現在 AI 時代在做的
寫的軟體
有很多部分
事實上跟我們目前正在
AI 時代之前的
並不是完全的不同
不同的地方是在於說
以前你是需要靠工程師去
一行一行寫 code review
我都還記得我以前在 Google 上班的時候
就是上廁所的時候
廁所都會貼那個 code
然後就上廁所看一下
這個 code 怎麼寫
學習一下
上廁所也不要忘記有 code review
而現在變的情況是
AI 幫你 generate 這些 code
然後包括說我們整個
它其實可以幫你一起做這個 planning
它可以去幫你 generate 這個 code
然後可以幫你一起去
evaluate
去看你的 code 的 quality
這些事情
事實上是 AI 時代可以做到
可是在 AI 時代之前
我們同樣也在做這些事情
只是說有更多的人力
可能會花在寫程式的部分
可能更多的人力需要這個 code review
我們在執行一些計畫
我們在做一些決策的時候
像比如說我自己在做使用者分析
那以前可能我們分析完以後
假設我們有錄影下來
有很多這個使用者講了哪些話
那我要講一個策略方面的時候
我希望找到一個 evidence
那我就必須回去翻整個
整個我們 interview 的過程
說我找了這兩句
或者是這個 user 寫了這個 code
來支持我做這件事情
我還是需要這件事情
可是 AI 可能可以很快的
我有一些方式能夠讓它
幫忙我一起來完成這件事情
更快速
而且它能夠處理的資訊量更大
所以那現在你覺得
要怎麼看哪些 SaaS 公司
可能會是在這一波會被淘汰掉的
是根據他們過去收集到的數據資料
還是他們的工作流程
還是他們呈現他們軟體的方式
這個問題我可能就比較保留一點
我不敢說哪些 SaaS 公司一定會被淘汰
但是我在想 SaaS Instead 的這件事情
比較在講的是說
顯然的這個流程
跟原本軟體開發的方式
還有原本軟體需要的職位
這些都會有一些變化
但大家可能在這邊的時候會有一些想法
覺得說
這是 AI 改變了人的能力
所以我們可能看到說
現在產品經理
他也可以很快的做一個 prototype
現在 designer
好像我也可以很快的分析
我可以很快的去做出一些
甚至我可能連個 API 設計
可能以前都覺得蠻困難
現在好像變比較方便
那可能 engineer 他也覺得
我突然覺得我好像
定義好了這個設計的 design MD 這樣的文件
好像這個東西就可以做起來了
但是這些事情是這些事情的表象
看起來好像是功能之間
因為 AI 對
去做改變
事實上是倒過來
在做這個 workflow
在做這個軟體的方式
本質上發生了改變
所以才會造成這些角色開始改變
就像你剛剛提到那個傳統的開發流程
PM 都要等工程師
就是做出一個 prototype
他纔能夠 follow up
所以那過去的這些
好像專業的價值
現在有 shift 到哪裡
或是有什麼不一樣的變化了嗎
你要做出一個成功的產品
它能夠反映使用者的需求
這件事情
你該怎麼把它定義成對的 workflow
該怎麼樣去理解
然後到確定
我們學習到了使用者有不一樣的
也許跟我們原本預設的不太一樣
或是有新的發現
我們怎麼樣回來去改變這個系統
我覺得這個大體的方向上
是並沒有改變的
這邊我可能要稍微引用一點
這個 Steve Jobs 以前講的
就是說 working on the technology
and then find the user needs
customer needs
即便是我現在在開發 agent
我還是一樣會跟 user 去做 user interview
只是我能夠去
從他們身上學習到的方式可能不同
或者說也許我不需要本人
一定跟他們接觸
不過也許可以很快做個 prototype
然後那個不是隻是一般的 prototype
我在旁邊我可以有個 agent 去 observe
也許我們今天開一個會
我們用 Teams
不管你用什麼樣的軟體
完了以後
我們有這個 script
那除了做比較
我們能不能就直接用這個來
幫我們分析做成一個
不一樣的策略的建議呢
如果你今天跟客戶聊了半天
他沒辦法跟你有好的溝通
你還是一樣
沒辦法做出好的判斷
那麼當然 AI 可以
在 average 裡面幫忙你
但你能不能真的解決這個痛點
我覺得是那個不變的部分
所以那個問題解決的流程
包括跟人的互動跟溝通的本質
其實還是一樣的
我不敢說是完全一樣
但是應該是說
找到問題 解決問題
這個產品
或是我們要叫 agentic product 也沒關係
為什麼開始越來越不太一樣
因為以前的軟體
就像單純是一個工具
我今天要做
像你講要做 PowerPoint
我今天要計算這個 POS 的 system
它就是一個工具
所以你依據這個東西換一個軟體
就像是你看一家餐廳
這個椅子你不喜歡
你把椅子換掉
但當我們在講
Agentic Solution 的時候
它有很多很多的事情
你在講的是
整個廚房該怎麼運作
事實上在剛開始
我們等一下晚點會講這個
所謂 Vibe Coding
到 Harness Engineering
或 Agentic Engineering
它區別就在於
你不知道一般人怎麼 Vibe Coding
就我寫個東西
我看它做得對不對
做得不對我再改一下
就很像你在家裡煎蘿蔔糕
我煎正面再煎反面
我來看看它焦
不小心太焦了
偷偷把焦的地方刮掉
差不多這個顏色可以了
我就覺得
OK 這道菜就OK了
這個是 Vibe Coding
所以你可以想像
很好啊
現在廚具進步了
每個人都可以上去煎個東西
可是今天我們在講的
是一個擬形廚房
或是一個正式的餐廳
它要出一整套餐
它有各式各樣的規矩
它有各式各樣的器械
它有各式各樣的東西
要能夠 work together
這其實 Harness 就已經提到了
我們其實在第二個 part
漢森剛剛一直在描述
未來我們說 Agilentic AI
就是一個智能體的開發的流程
會跟過去有什麼樣的不一樣
這邊是要先提到
剛剛漢森反覆提到的 Vibe Coding
提出這個概念的人
叫做 Andrew Caprasi
如果你對 AI 圈比較不熟悉的話
我大概用兩句話
你就知道它有多重要
它是 OpenAI 最早的聯合創始人之一
然後它過去曾經在 Tesla 裡面
一手帶起整個
Tesla 自動駕駛的視覺系統
去年它提出的 Vibe Coding 的概念
就是現在有了 AI
我們所有人都可以分為編程
就是我們可以自己
想到什麼就跟 AI 互動
然後就叫 AI 幫你做出來
但是其實它從去年開始
提了另外一個概念
就是說好像 Vibe Coding 不太夠用了
那這邊可以請漢森幫我們講一下
就是這個 shift 這個轉折
到底發生了什麼事情
Vibe Coding 要講更簡單一點
就是你以前寫程式要敲鍵盤
那當然現在你可能還是可以敲去打
但是我們以前必須要用程式語言
來跟 AI 或是我們的這些
Computing 去做溝通
可是我們現在可以用自然語言來跟它溝通
Vibe Coding 就是說
我用自然語言來達到以前寫程式
好像能夠做到的方式
原本最早的 Vibe Coding 它是一個
一對一的關係
什麼意思
就是說麻煩你幫我寫一個
加達的課程網頁
它可能劈哩啪啦做一些東西
然後它根據它以前學過的例子
可能就
好像它也幫你預設了有一個購物車
有一個好像簡介
然後你可以搜尋
你可以看
有個 Video
它放一個 Placeholder
然後你可能就開始看說
我跟你講這個按鈕顏色不對
所以你還是一個一個
像我剛才說的金蘿蔔糕的概念
你開始一個一個去改
可是你會發現這個東西
它不斷改不斷改
它會越累積越多
各式各樣的問題
你常常會發現說
我請它改 A
等到它改 A 的時候
它又不小心動到 B
你請它改 B
它又不小心動到 C
你請它改 C
它又不小心動到 D
然後最後你就要跟它講說
等一下
我 B 跟 E 沒有要動
麻煩你再幫我改回 C
然後最後為什麼大家
很多人
MyCoding 到一個程度以後
最後就做了
就不知道該怎麼辦
這是第一點
第二點是說
工程師的朋友會很有感
有時候有些人把這個
他 MyCoding 想到哪裡做到哪裡
都拿給你的時候呢
你可能會覺得說
哇
這個他們就
對我不知道這個東西應該怎麼用
這是真實的結果
比如說
你先 MyCoding 可能
MyCoding 了兩天
你中間其實有很多決定
比如說
欸我做到這邊的時候
我纔想要
等一下
讓這個東西跳出來
變成一個大家
可以
overlap
覆蓋在這個訊息上面的
然後等大家
按確定之後再把它改掉
還是
我應該直接跳到下一頁
可是當你把這些東西全部做完
欸
你覺得很滿意
你看
我做的網頁都有互動
當你把它給工程師的時候
工程師
他看這個東西他
呃
他先
他先用他的 IDE
或他
打開之後他就覺得
嗯
他有這個前端
但他沒有定義功能
這個東西
他最後就是
他看完之後他也不知道該怎麼下手
不只是做原過的
而是說你最後
因為傳統開發就很像是說
不管你是要 AI agent 來寫這個 code
這個 code 也必須要有它
該有的質量
所以你會發現 MyCoding 有時候
有一些 code 它會多寫一些沒有必要的東西
但你可能因為你不懂 coding
所以你根本
也不覺得那有什麼
你想像當這個工程師第一次打開
第一次看到的時候
那這就是
MyCoding 的一個
的一個問題
那你可能說
那我們就來做 Prime Engineering
Prime Engineering 是什麼意思呢?
提示式工程就是說
好
那我來寫一下能夠讓 AI 更
AI 更懂
我在幹嘛
或者我寫得更長
沒錯
它是可以 improve
因為你講得更清楚
比如說
我寫的 bullet point
對我需要怎麼做
怎麼做怎麼樣
可是你會發現
當你把
所有
你可能有想法
很好
我把我手上所有東西
全部丟進去
我不瞞你說
就是 OpenAI 剛開始也是這樣做
那我就把文本做
上下文本做超大
可是你就會發現
它最後它會 lose 這個 focus
它也會逐漸的去
有一個詞叫做 rotting
或是所謂的 drifting
它開始慢慢的去好像
沖淡了它原來
你給它的這些提示
原來要做的事情
它也不太確定
你原本要做的主軸是什麼
所以未來的方向不是
增加各廠的提示詞
也不是給它更多的上下文
那到底未來的方向是什麼
應該說不是未來的方向
應該說現在的方向
也許一兩年前
那可能大家會比較在想
喔我們這
engineering
然後可能你會講到
context engineering
好那我就給它更多上下文
對那更多上下文
可能也不只是
只是上下文
它事實上是已經牽涉到
你有哪些工具有什麼
事實上 context engineering
也有它的定義
什麼是它的知識
knowledge base
知識庫
它可以去reference
它可以去參考的東西
什麼東西是
god real
為什麼需要god real
可以避免一些
我們早期聽到的慘劇說
欸它怎麼把你整個
data base 刪除了
對你該給它什麼規則
就類似這些
其實都是屬於context engineering
或是你說reg
也包含在裡面的一個部分
甚至agentic reg
假設你說prime engineering
是解決一個
你目前要解決的workflow
context engineering
應該說它可以
更清楚這個workflow
有需要哪些事情
而hardness engineering
則是這個系統
它怎麼handle不同的workflow
多描述什麼叫hardness好不好
這個名詞現在很多
新手夥伴可能還沒有聽過
但現在大家很多人都會用
這個方式重新去架構
自己的開發流程
我先強調的是說
hardness engineering
hardness的字以前叫做馬句
那這個詞也並不是因為
LM才開始的
其實軟體
Machine Learning裡面
都有用到hardness這個詞
我們剛才講
AI可能做了很多
你無法預期的事情
那你需要能夠控制它
讓它能夠朝向
你希望控制的方向走
你在prime engineering的時候
好像是你在做一個
某一個機器
然後你在做context engineering的時候
它好像是
這機器中間有很多
使用手冊
有很多不同的
而這機器需要加機油
需要加什麼
不同的東西去support
這個機器本身的運作
而hardness engineering
就像是你準備build一個工廠
這工廠有更完整的
整個的架構
你可以講說
agent
什麼是一個agent
那當然每個人都會有不同的
定義方式
那我可以從兩個角度來看
第一個定義方式是說
agent就是它會
planning這些事情
然後它會有一些action
去執行這些事情
然後在執行之後
你會有一個
去看它執行好還是不好
那執行不好的時候
它就有一個loop
回來去把這個東西
優化優化完之後
可能又開始執行下一輪
這是一個最簡單
最簡單的一個概念
簡單講
hardness engineering的定義
可以非常複雜
我想我們今天可能也許
沒辦法仔細講它的每一個層面
簡單來講
agent
你可以把它解釋成
它就是model
加上hardness
hardness這個領域一直不斷在變化
你可以想像
除了model以外
其他所有
能夠幫助agent執行到
你想要執行的事情
能夠成功執行的
這個東西都可以叫hardness
因為大部分人可能認為說
欸我就有大學模型
不就解決所有問題了嗎
當然我們說未來有可能
但以目前來說
大概agent在解決一個問題
在執行你要的事情的時候
model大概佔10%
剩下90%都是hardness
可是那像對於我們剛剛講的這些
已經開始上手在做5 coding
而且覺得自己做出很多東西的
這些AI新手們
他有辦法過渡到
從一開始只想到
怎麼用自然語言描述自己的需求
到開始去建立一個
像你講的所謂的一個工廠
或者是米其林規格等級的
開發的架構
他怎麼去過渡到這個
銜接的開發的階段呢
那他就不能留在新手
就是因為這個問題像是說
如果我只會寫python code
我要怎麼樣過渡變成一個
backend engineer
我們不如這麼說吧
就是說hardness engineering
他其實在做的事情
也不見得都是新的
因為AI時代纔有的
只是AI能夠幫助我們
把這些架構好做好
因為我們真的講
hardness engineering
我舉個例子
當初其實OpenAI他在做實驗的時候
他做了一個瘋狂的實驗
他說我能不能不要讓工程師碰
coding的介面
我讓AI跟我來架構好這些東西
架構好所有他需要的這些事情
他能不能就執行這個東西
他一開始是在做這樣的事情
所以他其實並不是一個
第一個他還在不斷的進展
二他並不是一個簡單的
說我學習某一種方式
我就可以這麼去做
他必須對Agentic Engineering
所涵蓋的領域
包括How to build
Agent tool
Skill
甚至我們有一些
我們英文就是所謂Framework
NCP
你今天要runtime
這些cloud該有的framework
Security
甚至你要理解說
我怎麼知道
這個Agent在做的事情
是對的事情
所以Observability
又是什麼意思
或Tracing是什麼意思
就是說
好我知道Agent
我已經預設好
我也確定這樣子做是對的
可是Agent實際操作的時候
他有沒有照著這個方式去做呢
假設你現在自己還覺得說
我們好像用自然語言去寫程式
然後已經可以做很多很不錯的東西
可是你會發現好像
有些東西很難再規模化
或是某些時候遇到某些瓶頸
甚至很難維護的話
看起來就是
好像我們只是在自家廚房
做得太開心
我們需要實際進到一個
米其林的等級的廚房
去看一下
真正一個好的開發的規格上面
是怎麼做計畫的
怎麼做評估的
甚至你要怎麼去研究
我該如何去
持續性的迭代跟優化
那這其實會是有一些
固定的結構或是方法可以被學習的
對 應該是說
我們剛纔在講
就是說假設你想兩個軸線
我的左手邊是所謂的body coding
可能就是我們剛才講一對一的關係
那最右邊是我們說的Agentic Engineering
你可以想像我們剛才說的
最左邊可能是一對一的關係
然後我們進到稍微比較structured
就是OK
我們有更多Context Engineering
這些部分讓你可以在執行
你想要做的workflow的時候
它可以執行得更好
然後執行得更對
你可以想像一個事情蠻有趣的
就是說
當你很快的body coding的時候
你可能覺得你花了百分之
10到20的effort
可是當你後面要維持它
把它變成一個真正的product性能的時候
你應該要花百分之80到90的成本
Agentic Engineering
或是我們Agentic Engineering正好是倒過來
你可能開頭
你可以想像
時間可能要花到百分之80的時間
來設定好所有的事情
把所有的東西都做好
所以前面其實很花時間
但是後面
就像想像
當你把這個廚房建構好之後
它接下來能夠帶來的consistency
一致性
它的這個
後面可以維持的成本
顯然就會有很大的
質量很大的不一樣的進步
因為像我剛好最近就是
在做蠻多的大量的諮詢
聽了蠻多不同學員的痛點
然後如果我們用剛剛這樣三個流程的架構
像從計畫到評估
到怎麼樣去迭代優化
如果我們來看一下就是
這些我們遇到這些AI新手的夥伴
他們遇到的痛點
可以幫我們給一些建議跟想法
他們可以怎麼樣去切入好嗎
那像第一個我看到的是一個
他是一個電子業的集團的一個
BU事業處的主管
然後他現在就是
他很希望打造一個新的AI工具
應該說他第一個痛點是
他每天要去從各種不同
包括從工廠
從各種不同的渠道
還有不同的同仁那邊
蒐集到各種相關的數據
有PET有Excel有Word檔
然後甚至有些網頁
要把一份一份看完之後
自己手動彙整完
然後去提出一個轉型的方向
然後每個月要跟董事會報告
每次每個月要重新去整理跟
跟董事會去分析不同的方向
這件事情對他是很大的困擾跟
跟麻煩
這是他希望能夠透過AI去
幫他開發的工具
像你聽到像他的流程跟痛點
你會覺得他可以怎麼樣透過
像剛剛這三個流程去重新思考
他怎麼去架設這個AI工具
講個笑話
以前有一個有錢人
工作的場地跟他住的地方
離得比較遠
可是因為他很有錢
他想說
我還是蠻想過我的葡萄園的
那這樣他就請建築師說
你們幫我設計一個架子
我平常工作的時候
我萬一太晚我就可以留在那邊
照顧我的葡萄園
然後我來
因為我回家的時間比較長
那能不能幫我計劃一下
蓋一個這個
後來那個建築師就把他拿來算一下
他說
我覺得其實你可以買一臺跑車
因為跑車來回的時間
可能會省你比較多
錢也比較便宜
所以我以前跟翔哥有點類似
但你也可以用法拉利去送Uber E
還是回到剛才說的
You don't work on technology
and back to user need
他如果這個例子
他自己是user
我會比較好奇的是
這個痛點是什麼
你甚至可以倒對話說
身為
假設這些董事會的人
都是你的使用者
他們需要看到什麼
我可能會比較好奇的是
有沒有問過這些董事會的成員
這些insight對他的幫助是什麼
因為這個AI幫不了你
除非
你做了一個AI agent
然後請每個董事都跟他講話
跟他去聊
所以如果說我覺得
哪怕就像你像OpenAI一樣
做這個實驗也是一樣的
你應該要先清楚
你知道痛點在哪裡嗎
你有一個full picture嗎
你知道這些context是什麼嗎
然後倒過來我會在想
那痛點是
你覺得時間花太多
如果報告出錯了呢
這個代價是什麼
今天我們如果在做一個
交友軟體還是食物推薦軟體
好吧我今天吃了這個小籠包
真的是不好吃
給他一顆心氣死我了
但算了
肚子勉強吃一下
但如果今天這個汽車報告
銷售的這個營業額少了一個零
哇
還是說
有些關鍵數據
他每個數據都要自己把關的原因
但這一定是有一些方式
你能夠去確定去做
但就我們剛才講的
他可能也不會是你用
by coding的方式
因為很多企業主他會來跟我講說
我覺得AI有時候很不好用
我說AI為什麼不好用
我說你看
我這個對話我叫他做這個
他又再說做到後面他又忘記這個
你在一個by coding的level
期待他有一個企業級的一個
不能出錯的
Authentic AI的表現
這個本身可能會跟你的情況有一些落差
但是我還是要反覆強調
我相信後面幾個例子也會用到
你第一件事情
人最能理解的
還是我們剛才講的planning這個部分
他應該先花更多心力去
看看他背後最後要闡述的東西
他的這些使用者需求是什麼
其實蠻有趣的
有些人他可能是
很知道自己要做什麼
可是不知道該怎麼做
那也許有些engineer是
很知道怎麼做
可是不知道自己該做什麼
或是說不知道這些東西跟他
怎麼做
能夠連結上
所以我同樣的
我也希望不論是思維層面或科學層面
或是像我們現在講這個案例
都能夠提供一個就是說
不管你從哪個切入點
就是你還是得搞清楚
你在解決什麼問題
然後
我最近遇到非常多這樣類似的案例
就都是大概目前可能五六十歲
然後在某個專業領域已經
累積了二三十年的經驗
比如說什麼四大會計師事務所
幫別人做了一輩子的
就是那種什麼稅務的設計
財務管理的一個機制
然後他們希望說未來退休之後
可以透過AI
或是設計一個什麼樣的工作流程
讓我們創造一個新的事業曲線
然後他們現在遇到的幾個痛點
包括第一個就是
我要怎麼去整理我過去
這二三十年來的這些專業的經驗
它不可以直接用客戶的例子
那它好像也缺乏直接可以讓它
拿來重新做分析
讓AI理解它是怎麼去分析的這個流程
跟設計的相關的資料
就算做出來這個東西了
是要做出一個AI的Agent
然後讓它的客戶直接使用嗎
還是要配合它的一個諮詢的服務
變成是一個其中的一個賣點呢
他們要說怎麼樣去結合AI做
最好的一個設計
剛剛他所描述問題裡面
他最大的問題是
他其實並不知道自己要做什麼
他很希望做的事就是
他退休之後繼續做類似個人的顧問諮詢
像比如說他繼續做像類似這樣
稅務的Consulting
或者是個人財務的規劃
或者是一些財務的傳承
這個他覺得他很會
服務的提供者
對對對 這個他很會
大家現在世界盃嘛
對 這個
你來講說 欸 阿根廷很強
就是梅西
欸 可是他這個個人能力很強嗎
真的是這樣而已嗎
其實你會發現
整個阿根廷隊的人都在
圍著他跑
在完全配合他用戰術
所以
如果是我第一來想這個問題
我可能會先思考說
我以前在這四大事務所的時候
有哪些部分
是我的個人能力
有哪些部分是這事務所
所設定的System
像我剛才說
不知道要做什麼原因是
你是要做怎麼樣子的稅務規劃呢
你有跟以前在四大事務所
一樣的資源嗎
一樣的數據嗎
一樣的Marketing嗎
客觀的事實就是
退休以後跟在公司上班
顯然你所用的資源跟工作流程
應該會不太一樣
可是他之前完全沒有想到這一塊就是
如果他現在在設計他的AI相關的工具
或者是整個工作流程的時候
應該要把他之前在四大
或是在他之前的這個體系裡面
在團隊裡面
得到的Support要拿出來想一下
怎麼把他整合到現在的工作流程裡面
這是一個非常棒的建議
所以如果我們現在把鏡頭拉遠一點
我想知道漢森會怎麼看
未來AI的可能一些發展
比如說像之前Kabasi就說
這Agent其實是十年
不是一個元年
具體來說就是
好像很多事情會很快的發生
很多事情不會這麼快發生
我們如果拿工業革命來舉個例子的話
這個鋼鐵要怎麼塑造出來
要怎麼成形
模子一壓就產生了
這是很快
可是大家都忽略了一個
就是說工業革命之前大家都講說
最有名最偉大的發明是電
最偉大的發明是這個石油
最偉大的發明是蒸汽機
其實工業革命裡面最偉大的發明是公司這件事情
為什麼我是講FDE越來越重要
我至少在我們這個短期內越來越重要
當然這只代表我自己個人的立場
AI目前一個非常好的應用場景就是B2B
並不是因為說
B2B的軟體它的量體比較大
而是因為它在Touch的
是整個組織的工作流
整個組織參與的人
整體的一個變化
你可以想像以前
會計就用會計軟體
我是設計師我就用Figma
你是工程師你可能用什麼
你就是商業的我就用JIRA
我就用什麼來做這個東西
它不但只是非線性
但非線性只是它的表象
真正是它整體重組
我舉個例子
我們剛才講到卡帕西
他之前在做這個Tesla的車子
那時候我曾經也犯過一個錯誤
就是說當時有一個爭論跟討論
我們以前在Google的時候
或是以前在講到自駕車
現在不只有Google
我們那個時候所謂的LiDAR
LiDAR就是你想像它是一個小型的雷達
當自駕車在開的時候
它會像一個小型的雷達一樣偵測
是不是真的有物體
這個物件反射回來
Elon Musk就有一個理論
他就說
我不覺得
我覺得人就是靠視覺看就可以開車了
我認為同樣的道理也可以這樣
所以不能不得不說
它為什麼低新原則應用得這麼好
所以卡帕西他們就開始用這個視覺圈
但我到很後面的時候我才理解到說
哇這是一個巨大的改變
為什麼
因為這並不是隻是在改變
input data的形式
而是你有這麼多的鏡頭
這個自駕車會用一個不一樣的方式
來學習周圍的環境
這其實是個非常大的爭議
很多人就說
那時候說Tesla一定會失敗
就是因為他把那個光達雷達拿掉了
他覺得用純視覺一定會失敗
我也是
我那時候也想說
世界上還有比這個雷達
但事實上並不是的
事實上你就低估了第一個
是視覺能力的辨識
二來就是當然啦
這裡面有很多細節
我本身也並不是自駕車的專家
我只能說就我自己理解的範圍
去理解
當時我也是認為說
用看的不太可能
但後來我才理解到
就像是Kavazi講的一樣
你把一臺車
build了它有這些data能夠
用各種方式各個角度在訓練
理解它的環境
我們可以把這個類比放在
就是現在我們自己在
做自己的AI的工作的場景嗎
好像就類似我們現在需要去
開這麼多的鏡頭
去看到各種不同的東西
才會讓你現在的工作流程
變得比較不是這麼的線性
假設還是我們回到說
我們有一個planning的過程
我們有一個generate
在產生的過程
我們有一個evaluation
這個做的過程
對不對該怎麼去改
這三個事實上
你也可以講這像是一個
最簡單的概念
Harness Engineering
大體上在做什麼
我覺得兩個部分很重要
一個是理解到這個結構
那一部分就是planning這部分
那planning這部分當然我知道
加達老師也有很多
這些思考法的課程
在planning的時候
我常常在抓AI的錯誤
因為我不知道大家怎麼用AI系統
但是我常常用AI來
反反覆覆的辯證考驗我
沒有辦法想像
沒有想到的事情
我認為AI是
除了它是一個很好執行工具以外
它本身也是一個
很好的能夠幫助人腦進步
training的一個工具
我個人覺得有兩件事情很重要
就是說
AI時代我覺得
人類最大的幫助
是做決定的速度
第二點是找到你的盲點
AI是一個非常好去檢視
理解自己盲點在哪裡
一個工具
這塊其實就可以連結到
今天最後一部分想要
想要請教翰森的也是
所有收到各種資訊最多的來信
就是家長們非常的焦慮
我到底要幫孩子準備些什麼
我纔能夠讓他們
更快速的看到盲點
也能夠更快速的做出
人生當中一些比較重要的決策
對 我希望將來有機會
也可以推薦加達來訪問我這位朋友
他現在正在做一個
案子有一天我在跟他聊
讓我覺得非常驚訝的時候
他非常在重新思考說
什麼是AI native的世代
我自認為我算是
不是AI native的世代
我只能說我是半個AI native
但可能現在小學
甚至六歲以下的小朋友
他們是成長在一個AI native的時代
有一個朋友的小朋友他
用麥克風做了一個遊戲
玩得很開心
然後我的朋友的朋友他
出去買個東西回來
發現他們家小朋友
全部都在玩那個遊戲
他覺得蠻驚訝
覺得怎麼發生什麼事情
為什麼會這樣
他就問他小朋友說你做了什麼事
他說我就自己玩這個遊戲
我覺得很好玩
我想說那我們大家
怎麼可以一起玩呢
我就問AI
AI說可以用Wi-Fi連
我現在講的是一個
12歲以下小朋友
然後AI就跟我討論安全的問題
這就是AI native的世代
他知道怎麼去做
我們教育的過程當中
很少訓練他如何
很有系統
structurally 去表達
你要做什麼
那小孩是不是什麼都不要學了呢
你會發現
你在跟小朋友做這事情的時候
他也會沒有耐心
我們也覺得做計畫
好像就是一個自制模式
前提怎麼樣幹嘛
我們覺得那是一種
但是我們這時代
你必須要學習非常邏輯的
structured的
去描述你要做什麼
我認為這是AI native世代
最需要的訓練
可是AI會不會反而本身去讓他
就是不會接觸到這種訓練
因為如果什麼都
他就直接
講一句話
然後AI就幫他做完了
所以我們需要刻意練習這件事情
非常崇拜的一位
也是我們臺灣的國師
簡立峯 簡博士
他一直在講的1%
事實上
我都開玩笑講
我為什麼每天都花這麼多時間
不只是要把工作做好而已
我永遠都是要
不斷的
push到自己的極限
原因是因為
我也是嘗試著希望能變成
所謂的super human
當你在做AI的這些事情
你能夠去找出他邏輯不對的時候
那代表你已經開始
有surpass他的能力
在AI的時代都在學習
兩個方向
一個方向就是學習怎麼被取代
一個方向是學習怎麼不被取代
當你發現你在做的事情是
你已經知道怎麼做
只是把它越做越快
那
有一天AI會做得比你快
可是當你發現你在做的事情
他不是
這麼確定
AI可能沒辦法告訴你
一個很完美的答案
沒辦法做什麼
恭喜你正在發現一些
不一樣的事情
應該這樣講就是說
你也可以說我過度樂觀
但我覺得人類之所以
跟AI比較起來最不一樣的能力
就在於
因為人類不是perfect
我們並不完美
你要知道所有的innovation
所有的創新
一開始都是不完美的
我認為人類至少在目前
有比AI
更多的tolerance
在這個不完美的部分
所以我們要訓練小朋友
不是隻是structurally
重複我們希望他做的事情
而是去像剛剛那個小朋友一樣
他想可以這樣做
可以嗎
怎麼試
試試看
所以要學會結構性的表達
而且你要學會怎麼快速試錯
但是同時在快速試錯當中
你要知道
我在試錯的過程當中
有什麼還可以繼續優化的地方
不是反覆的一直試
然後一直錯而已
希望回到我們今天開始的主題
今天你在y-coding的時候
你一直不斷用
這方法寫prong
然後
你發現說
今天當你發現到
我這個prong
所以你剛剛問說建議新手
我覺得可以先測試自己的極限
也許你先寫prong
也許prong engineering先做好
然後你發現你這個
不太行了
OK我們試試看
context engineering
我們來弄個rag
我們來弄個scale
我們來試試看
能不能再做得更好
然後我逐漸的知道
假設我現在開始瞭解到
harness engineering的概念
我越來越瞭解說
原來還有哪些部分是我
沒有知道
原來是怎麼樣的東西
我才能trace agent
但是你還是必須有你想做的事情
它還是不會去取代你對這些事情的
你自己的判斷能力
可能要先找到你自己的痛點
到底要解決什麼東西
而且你要解決到什麼程度
如果你連這件事情都不知道
其實你都在瞎子模像
都不知道自己在幹什麼
這很重要
如果到最後
不知道有沒有辦法
請翰森幫我們預測一下
就是我之前看到卡帕斯的訪談
我最後一段我很喜歡
他說我們常常過了一段時間才發現
大家好像都在做同樣的事情
比如說90年代
現在回去看
好像那時候大家都在做網站
然後2010年代我們回去看
好像大家都在做手機的app
然後這十年很多人都在做
就是付費的軟體
SaaS的相關的服務
我覺得如果我們現在過了五年
回來看現在2026
我們發現
其實大家百分之八九十
都在做同樣的一個什麼事情
也許我們回頭來看匯聚也發現說
我們現在這個
今年正在做的事情就是
make agent more reliable
甚至開始explore
除了agent以外
我們是不是能真正創造
real intelligence computing
我好喜歡這段的結尾
因為好像除了
我們一直不斷在看科技的進步之外
其實我們也在同步的透過科技
看人到底是什麼東西
人的思考
人的智能是到底怎麼產生的
這個東西又會再湧現出下一波
可能科技的新一波的未來
會長什麼樣子
所以最後如果只能留一句話
給現在還在觀望
或是不太知道什麼
入手學AI的新手
你會對他們說什麼
我覺得你必須培養一個思考能力
尤其是更能夠找出
事實上有哪些事情是不變的
然後對於變動的部分
就是拼命地學習
可能我的方法比較土
或是比較沒有這麼那個
像很多人問我說
什麼東西覺得一定會改變
我覺得工業革命時代留下來的
經濟體的方式一定會改變
我們每個人現在有很好的機會
能夠在多元的情況下
能夠有一些這些
intelligence的mental
能夠幫助我們的情況下
能夠在我們的一生當中
去重新remade我們的人生
我常常覺得
我越來越從焦慮變成
已經習慣說
如果我明年跟今年變得完全不一樣
我覺得是一件很好的事情
我常常在看說
我好像已經跟兩年前
在看AI的方式或做的
就不太一樣了
如果自己來做個小學的話
第一個是
對於所有AI的新手夥伴
第一個真的不是再去學更多的工具
而是你要怎麼先讓自己問對問題
找到你真正想要解決的痛點跟方向
然後
今天給我最大的啟發
其實應該是剛剛最後
漢森所做的小結就是
如果AI現在是一個
重新開展你的人生的一個
最大的槓桿點
讓你在這個有限的時間裡面
可以活出幾十種
甚至幾百種各種不同的人生
你會想要如何讓自己的人生
變得更加多彩多姿呢
今天非常謝謝漢森來到我們的節目
然後跟我們分享了這麼多
從很專業的
Agentic Engineering的一些
專業的方法
到就是怎麼看待AI未來
對於人生 對於價值的變化
那非常謝謝漢森今天的分享
那最後跟各位觀眾朋友說聲掰掰
謝謝大家
好 聽到這裡
你可能會跟我一樣有點興奮
但也有點焦慮
漢森剛剛有說一句話我很喜歡
他說在AI的時代
我們每一個人都有機會
在一生裡面活好幾輩子
我在過去這段時間花了非常多的精力
把我自己怎麼用AI來思考、學習
做決策的整套方法
整理成了一門課
叫做
它不是教你工具操作
不是教你哪一個提示詞的技巧
它要解決的問題是
在訊息爆炸
AI可以幫你做很多事情的年代
你如何讓自己不被取代
越來越強
如果今天這一集讓你覺得有收穫
你應該會喜歡
AI超級大腦課
現在我有辦一場免費的體驗課
我把課程連結放在資訊欄
我們下集見囉
