Plurk paste

周加恩 【 零基礎，我用 AI 寫了一個機器人 】
——以前要兩個月的學習時間，直接縮短到十天。
󠀠
最近剛好工作上有需求，我想做一個機器人幫我處理一些瑣碎任務。
󠀠
我研究了一些自動化工具，像是 Make、Zapier，然後很快地遇上了卡關，也找不到教學可以解決。
󠀠
卡關完全是我的問題，繼續往下找一定可以解決。但心中一直有種「就算搞懂了，功能終究受限於別人的產品吧？」的感覺，很提不起勁往下繼續找。
󠀠
卡關到一半，腦袋忽然出現這句話：
󠀠
「修但幾壘，大家不是都說可以用 AI 寫程式？我為何不自己寫一個 Python 腳本？」
󠀠
兩年前我試過學 Python，大概學了一個月後放棄。我的程度就停留在 print(‘hello world’) ，跟知道什麼是 Command Line，就這樣。
󠀠
現在有這個想法，心中第一個疑問是：
󠀠
「真的可以嗎？我連機器人要 host 在哪裡都不知道。總不會放在我自己的電腦吧？」
󠀠
我不知道這個問題的答案，
󠀠
但直覺告訴我，可以去哪裡找答案：問 AI。
󠀠
於是我開始跟 ChatGPT 描述我要做的事情，一來一往十分鐘之後，我已經在「寫 code」了。時間快轉十天，我完成了一個部署在雲端伺服器上，有簡單功能的機器人，並且實際交付給案主使用。
󠀠
我被嚇到了。
󠀠
依照兩年前的學習經驗，如果要從零架設出這個機器人，從頭開始讀文件、學伺服器架構、知道怎樣串起來、搞懂工作細節....至少，兩個月以上（包含偷懶時間）。
󠀠󠀠󠀠
因為 AI ，這件事縮短到了十天，至少加速了五倍的程式學習時間。
󠀠󠀠
AI 寫程式不只可行，還真的有點厲害。
󠀠
不過實際操作下來，一切並不是真的那麼輕鬆寫意。有簡單的地方，但也有很多困難的，甚至反直覺的地方。
󠀠
所以這篇文，我想記錄一下我踩過的坑，跟你分享。如果你跟我一樣是想寫一些自動化腳本的小白，也許會對你有幫助。
󠀠
-----------
工具
▋ 0. 我使用的工具：Cursor AI ＋ Claude
核心概念
▋ 1. 「步步為營」是最佳解。
▋ 2. 反身性
▋ 3. 還是要跟著「讀」
▋ 4. 學習程式語言最快的方式
實作方法
▋ 一：除了寫腳本以外，也寫一份文檔紀錄思考。
▋ 二：Git 版本控制很重要。
▋ 三：必要時借助第三方意見（另一個 AI）。
▋ 四：用頭去撞牆。
結論
▋ AI 就能寫程式了，學程式語言還有價值嗎？
󠀠
------------
󠀠󠀠
▋ 0. 我使用的工具：Cursor AI ＋ Claude
󠀠󠀠
當然，你可以直接用 ChatGPT 寫程式。但是這樣做你得一直複製貼上，我覺很沒有效率，最好還是找 AI 寫 Code 的專門工具。
󠀠󠀠
我使用的工具是「 Cursor AI 」，整體成熟度很高，在聊天介面中許願就可以直接針對文檔修改，使用者體驗真的是絲滑。
󠀠󠀠
你可以選擇要串 GPT-4o 或者 Claude 3.5 來寫，GPT 喜歡用列點的，Claude 則比較偏人性。意外地我發現，Claude 在讀懂我的意思跟產出品質上都比 GPT 好一點，不時還會跟你說：「你說得對！我們應該採取這個方式比較好。讓我來修改...」。
󠀠
我沒有認真比較過兩者，應該能力都差不多。我單純喜歡跟 Claude 寫程式那種對話感，很有風見跟阿斯拉對話的感覺。（有年代了，我知道）
󠀠󠀠
▋ 1. 「步步為營」是最佳解。
󠀠
AI 寫程式的過程，最反直覺的事情是這個：
󠀠
「當我越想要描述清楚，就越容易出錯。」
󠀠
這真的，非常弔詭。
󠀠
畢竟任何人直覺，任何提詞教學都是「清晰描述我想要的東西」，對吧？
󠀠
我一開始也是這樣想。
󠀠
可是問題是「怎樣算是清晰」？我應該一次描述多少？
󠀠
例如，假設我要做一個氣象機器人，我們可以從「抽象」推到「清晰」：
󠀠
「我想做一個氣象機器人」
󠀠
「我想做一個氣象機器人，我問了會告訴我天氣預報。」
󠀠
「我想做一個氣象機器人，部署在 LINE 上，結合 Railway.app、WeatherAPI 和 GPT-3.5 語言模型，當用戶發問時會傳送日期、天氣預報、建議穿著」
󠀠󠀠
「我想做一個機器人，它的工作流如下：
1. 用戶對機器人傳送訊息：「招喚氣象先生」
2. 機器人收到訊息，確認明天日期是幾月幾號。
3. 機器人使用天氣 API 查詢明天天氣
4. 機器人回傳明天天氣。
5. 機器人從圖庫傳送一張圖片給予今天的穿搭建議
...（下略）」
󠀠󠀠
基本上，如果你把「清晰」做到最徹底，你已經把程式寫完了。
󠀠
一開始我以為要做到這樣的程度，用自然語言一次寫完整個工作流程，AI 才能寫成可以用的程式。反覆失敗撞牆，重來幾次之後，我意識到：
󠀠󠀠
「不對啊，這個程式處在我的知識邊界之外。
我注定無法一開始就做到『有效的清晰』這件事。」
󠀠
因此，真正的問題是：
󠀠
當你完全不懂一件事的時候，要怎樣憑空做出「這件事」？
󠀠󠀠
我發現，這個過程很像攀岩。
󠀠
沒有人可以一次從地面跳到 300 公尺高的懸崖頂端，沒有人可以一次寫完整個程式。
󠀠
你需要先從離你最近的「攀點」開始，一次確保三個點踩穩抓穩，然後只移動一個點。
󠀠󠀠
「步步為營」。
󠀠󠀠
每一步驟都跟 AI 一起搞清楚：一邊讓 AI 更了解「我要什麼」，一邊讓我更了解這個程式「究竟是什麼」。
󠀠
這跟寫作很像——你不是有了清晰後才寫作，而是寫作之後才有了清晰。
󠀠
不要貪心一次做出整個「氣象機器人」。
󠀠
先做一個「部署在 LINE 上可以跟你說嗨的機器人」。
󠀠
成功之後，加上 GPT-3.5。
󠀠
再加上天氣 API。
󠀠
再加上細節提詞。
󠀠
再加上傳送圖片功能。
󠀠
這已經不是「最小可行產品」（MVP）了，是更小的「最小單位部件」，一次只專注做一個最簡單的功能。反覆迭代，過沒多久你就有一個完整的氣象先生。
󠀠󠀠
我認為這個方法有用，主要原因是「Token 限制」。
󠀠󠀠
AI 有 Token 限制，你一次給它越多資訊，它就越容易犯錯。
󠀠
人也有 Token 限制，你一次想要描述越多東西，你也越容易犯錯。
󠀠
回頭看，每次我失敗的時候，都是躁進想一次做完的時候；
󠀠
成功推進的時候，都是一次只做一個小功能，最不貪心的時候。
󠀠
實際操作上，我認為最好的方法是「聊天」。像是跟朋友聊到這件事一樣跟 AI 一起開發：
󠀠
我：「我想要做一個氣象先生機器人，串接語言模型回答我的天氣問題。你怎樣看？」
GPT：「（回答）」
我：「你說得不錯，可是我想要它做到Ｘ功能...」
GPT：「（回答）」
󠀠
這樣的一來一往，一陣子之後我就可以開始做第一個功能了。
󠀠
（你完全也可以請 AI 幫你把大概念拆解成小功能）
󠀠
▋ 2. 反身性
󠀠
你有沒有搭過一種電梯，除了門以外三面牆都是鏡子，因為無數次影像反射，產生出無限的鏡像層次？
󠀠
跟 AI 一起開發的感覺，很像是那樣。
󠀠
我稱之為「反身性」：我把雛形拿給 AI，AI 丟回應給我，我修正後再丟回去，它再丟給我...每一次反射，都是把 AI 當成槓桿，放大碰撞且迭代我的想法。
󠀠
就是在這種一來一往之下，我做完了整個開發的過程：
󠀠
- 先有一個「想法」（雛形）
- 餵給 AI 請他寫成 Python（AI 加強）
- 我看程式哪裡不合理＋實際部署後將錯誤訊息丟給 AI （我加強）
- AI 修正錯誤，寫出更好的版本（AI 加強）
- 反覆迴圈。
󠀠
這個「反身性」不只用來寫程式，也可以用在任何 AI 協作領域。
󠀠
例如快速學習的場景。假設我不會西班牙文，怎樣在最短的時間內學到基本會話程度？
󠀠
我只需要知道一個核心概念：「學會 100 個單字，就可以掌握 50% 語境」，
󠀠
然後直接告訴 ChatGPT：
```
語言專家 Gabriel Wyner 說，「你只要專注在 1000 個最常用的單字，既可以掌握平均 70% 的文本。當你掌握 2000 的單字，你可以掌握 80% 。」
我現在想學西班牙文。請從語言學家 Wyner 的概念出發，幫我設計西班牙文中最精要、最高頻率使用的 100 個單字，每個單字都要附上一個例句。
你不用一次給我 100 個，先給我 20 個就好，我學習完了會跟你要下一個部分。
這些高頻率使用單字中，一定有大量的連接詞、主詞、受詞等，請也介紹基本的文法，並且附上使用情境與範例。
範例可以來些幽默點的，輕鬆些，不要都沉悶的。
```
󠀠
你可以看看結果（連結放留言），這個西文單字表可能是我目前看過最好玩的。
󠀠󠀠
而記完這些單字例句，你可以用同樣的概念，請 AI 抓出最重要的發音、文法、介系詞、語助詞、20 個最常用的日常口語例句...
󠀠
不用幾天，你就有 A1 西班牙文的程度了。
󠀠
你可以這樣理解「反身性」的概念——
󠀠󠀠
搜尋引擎問世之後，「知道答案」變得不重要，「知道怎樣搜尋答案」變得很重要。
󠀠
AI 問世之後，「會不會」變得不重要，「知道怎樣可以會」變得很重要。
󠀠
使用雛形餵給 AI，然後開始來回碰撞，你很容易有意想不到的產出。
󠀠󠀠󠀠
▋ 3. 還是要跟著「讀」
󠀠
我記得大約是在腳本長度超過 600 行之後，Claude 開始出現問題。
󠀠
例如，在一個區塊裡 AI 沒有讀到它認為該有的物件，就跟你說要重新編輯，可實際上那東西只是放在腳本的一開頭。
󠀠󠀠
或者，我發現 import 的部分有報錯，AI 就說這是版本問題，重新安裝 LINE SDK、Python 版本、重新跑虛擬環境....然後問題還在，重來，再重來，再重來...直到第五個循環我受不了，手動殺掉這個迴圈才終止。
󠀠󠀠󠀠
這些問題一定都超簡單，是工程師一眼就能看得出來那種。
󠀠󠀠󠀠
但問題我是小白。
󠀠󠀠
所以這個過程就是在跟 AI 比賽你的「程式直覺」：常識上來說，這個元件放在這裡合理嗎？這個流程合理嗎？為什麼寫這個步驟？
󠀠
因此你不能只是躺平許願，你還是要跟著一起「讀 code」。
󠀠
至少要知道整個架構怎樣運作，能判斷模型什麼時候在出錯，否則很快就會遇上瓶頸（我的話是 600 行）。
󠀠
▋ 4. 學習程式語言最快的方式
󠀠
單從「開發」的目的來說，因為還是要跟著讀，AI 目前還沒有完全取代「寫程式」這件事，操作者還是要會基本的程式概念。
󠀠
但如果從「學習寫程式」來說，這個方法絕對是最光速的方式。
󠀠
這次開發過程，我從連「函數怎樣寫」都忘了，到讀懂了大量 Python 語法、搞懂伺服器怎樣運作、實際部署 Git 、Control Flow、OOP...只花了十天。
󠀠
因為直接處理「實際應用場景」，所以你學的一切都是「最需要用到的核心技巧」。
󠀠
如果是傳統的線上課或互動軟體，十天我可能都還沒開始「用 python 寫計算機」之類的練習。寫計算機沒有不好，只是真實世界裡，你通常不需要自己寫一台計算機。
󠀠󠀠
不過，這種學習方式還是有限制的。我確實快速學會了 Python 的核心概念，但僅限於「讀」。真的要寫，還是只能靠 AI。
󠀠󠀠󠀠
可是回頭來想：「會不會，只要這樣就夠用了？」
󠀠
如果我維持「只會讀 code」的狀態，究竟到哪裡我才會開始撞牆，必須要手動寫 code？
󠀠
這非常有趣。
󠀠
我目前正在寫下一個腳本，這次用的語言是 JavaScript。也許我很快就會撞到這堵牆，再跟你回報。
󠀠
但假設沒有這堵牆，那是很可怕的一件事：只要你想，你可以快速學習各種程式語言：JS、C++、Go、php、Rust...甚至 Lisp，如果你想不開的話。
󠀠
當語言學習成本減少到五分之一時，我們怎樣重新看待「寫程式」這件事？
󠀠
一個單獨工程師的能力邊界，可以被增強放大到哪裡？
󠀠
----
全文未完，剩下：
實作方法
▋ 一：除了寫腳本以外，也寫一份文檔紀錄思考。
▋ 二：Git 版本控制很重要。
▋ 三：必要時借助第三方意見（另一個 AI）。
▋ 四：用頭去撞牆。
結論
▋ AI 就能寫程式了，學程式語言還有價值嗎？
我放在《書不起》： https://www.chiukaun.com/p/ai-192