兩個 AI 接力，改了一整晚還沒結束 讓 AI 寫程式，再請另一個 AI 檢查，找到問題就回去修，聽起來應該能自己把工作完成吧？ 開發程式代理 Claude Code 的 Anthropic 團隊，就遇過相反的情況。 他們在工程經驗分享裡提到，有一批程式修改，一個晚上來回審查超過 50 輪，最後由負責的人把它停下來。 回頭追查才發現，後來找到的問題，有不少在第一輪送審的版本裡就已經存在，只是沒有一次找齊。 所以每輪都能交回新問題，卻不代表工作快完成了，也不一定是上一輪修改又弄壞了什麼。 來回 3 輪後，先重新看做法 團隊後來安排，審查與修改來回 3 輪後，請負責這批修改的人重新考慮做法。 這是回頭看方向的時機，跑完 3 輪不代表自動通過。 審查者也會避免重複回報已經提過的問題，遇到同一類錯誤就一起說清楚，讓修改者一次處理，不必這輪改一處、下一輪再補一處。 對交辦工作的人來說，可以借用的就是這個回頭看的時機：整理每輪改了什麼、還卡在哪裡，再判斷要不要換一種做法。 流程示意：釐清複查範圍、避免重複回報，並安排重新評估的時機，非產品實際畫面。 不讀程式，也能問出工作做到哪裡 假設你請 Agent 替網站表單加上必填檢查，這次要確認的，就是空白能不能送出、錯誤訊息看不看得懂，以及正常填寫後能不能提交。 如果它又發現其他頁面不好看，可以先另外記下，不必順便整站重做，才看得出原本那件事完成了沒有。 交回成果時，可以請它附上正常填寫與空白提交的操作結果。 像是畫面雖然跳出紅字，空白資料卻照樣送出去，就還沒有達到原本的目的。 這也是為什麼「另一個 AI 看過程式」還不夠，Anthropic 的 GitHub Code Review 服務會讀取程式並提出問題，但不會替專案執行測試，實際操作要另外安排。 如果幾輪後還改不完，就先請 Agent 整理原本目標、已做修改、實際測試與剩下的卡點，再決定下一步。 你不需要逐行讀程式，也能藉這些結果知道，原本想做的功能現在能不能用了。

我最近這幾天，一直在做「創作者工作台」。 這就像是儀表板，目的是將所有資訊來源彙整到同一個頁面上。 因為我們平常經常會把文章、圖片、影片和講稿散落在不同資料夾，AI 助手的技能和排程也在不同位置。 假設你平常工作要開十幾個資料夾，光是要找這些目錄，你就累了，還得去記路徑。 所以我跟 AI 說，我想打開瀏覽器就看到自己的專案、文章、圖片和影片。 哪些 AI 技能可以用、哪些排程正在跑，也要在同一個畫面看得到。 後來做著做著，我也讓他去調查我每月的訂閱紀錄和電腦環境也放了進去。 現在打開工作台，我就知道自己手邊有什麼、進行到哪裡。 創作者工作台，把專案、技能、排程、帳務與環境放在同一個畫面。 這個工具，是我用 AI 慢慢做出來的。 創作過程也是一點一點地把功能加入，例如我要先看到所有專案資料夾。 當 AI 做出第一個版本，我就自己點進去用。 哪裡看不懂、哪裡不好按、哪裡少了東西，我把問題講清楚，它繼續改。 改完我再檢查一次。 就這樣來來回回，一次解決一個問題，工作台才慢慢變成現在的樣子。 所以你不一定要一開始就知道完整的答案，沒有什麼提示詞可以讓你一次達成目標。 先有一個模糊的想法，讓 AI 做出一個能用的版本。 真的用過之後，你才會越來越知道自己需要的是什麼。 接下來，我想把社群發布的內容也放進工作台。 以後有創作需求，直接在這裡找素材、寫內容、看排程，不用再把進度記在腦袋裡。

新增功能前，先請 AI 找出要改哪些檔案 請 AI 找出新增功能會動到哪些程式檔案，Haiku 和 Opus 找到的數量只差 1 個，費用卻差了十幾倍？ Reddit 有位使用者把專案中的 6 項工作交給不同 Claude 模型，想知道哪些事情能換成便宜的模型來做。 他拿出 Opus 已完成的任務，讓其他模型用相同提示與檔案重做，再核對結果。 其中一題，新增功能實際涉及 48 個檔案，Haiku 5.5 找到 44 個，Opus 5.5 找到 45 個。 兩者都設為 High，也就是這次選用的推理強度；Haiku 花約 0.44 美元，Opus 約 6.17 美元。 光看這項工作，便宜的模型確實交出了很接近的清單。 換成查規則，答案還能直接用嗎？ 這 6 項工作，除了找程式檔案，還有 3 項網路研究，以及 2 篇部落格文章的事實查核。 查運動聯盟的當季規則時，Haiku 沒能開啟官方 PDF，就改用上一季資料回答。 換成 Google Play 帳號規定，原作者整理了 12 個要點來核對，Haiku 答對 5 個，Opus 答對 12 個。 請它檢查文章也碰到麻煩：Haiku 找到 4 處真正的錯誤，卻同時把 30 處原本正確的內容判成錯誤。 如果照著這份建議修改，原本寫對的地方反而可能被改錯，還得再花時間確認。 原作者後來把 Haiku 的推理強度提高到 Xhigh，重做同一組工作。 這次它讀到了官方規則，研究結果也有改善，但文章查核仍把 28 處正確內容判成錯誤。 在這輪的 5 項網路工作中，Haiku 花約 2.28 美元、34 分鐘，Opus High 則約 4.81 美元、16 分鐘。 帳單較低，等待卻更久，拿到的查核結果也還不能直接採用。 先看工作結果，再決定模型怎麼分工 原作者在討論裡交代的做法，是保留 Haiku 搜尋程式碼，研究與事實查核交給 Opus。 找檔案可以拿實際清單比對，查規則得確認引用的是哪一季，檢查文章則要分清真正的錯誤和誤判。 同樣是請 Agent 工作，這幾件事需要核對的地方差很多，也就不能只憑模型的價格決定。 如果你正在考慮替工作流換模型，可以拿自己重複會做的一項工作，用相同資料與要求比較結果，再一起看費用和完成時間。 便宜模型交回的成果能通過原本的檢查，才真的省到了；如果多出重查、重改的時間，也得一起算進去。 圖：找檔案要核對清單，查資料還要確認引用與日期，圖中為案例示意。

用 AI 做好遊戲，先傳給誰玩？ 體育創作者 Frank 用 Claude 協助做出 GeoSports，讓玩家每天看 5 道體育題，在地圖上點出答案的位置。 他先請 Claude 整理開發規格，再透過 Claude Code 反覆修改網站，做到可以玩的版本，才把網址傳給家人與朋友。 他在 Starter Story 訪談裡說，自己先觀察親友會不會再把遊戲傳出去，發現有人分享，才開始在自己的體育社群介紹。 從早期開發紀錄也能看到這段經過：第一天有 79 人玩，第二天增加到 575 人。 到了第三天，一位體育電子報作者介紹這款遊戲，還沒到中午，當天玩家就超過 4,000 人。 玩家分享的，是朋友也能挑戰的同一組題目 要看懂這款遊戲怎麼傳開，可以先看玩家玩完會拿到什麼。 每天答完 5 題，玩家會拿到當天成績，可以連同遊戲網址分享給朋友。 收到的人看得到每題表現，也能直接打開網頁，挑戰同一組題目。 Frank 選擇做網頁版，讀者在 X 或群組看到網址，就能點進去玩，不必先下載 App。 所以他除了自己介紹遊戲，也持續觀察玩家會不會把成績傳出去，以及隔天會不會再回來。 不過，Frank 原本就是體育內容創作者，各平台累積超過 400 萬名追蹤者，推出初期也會在自己的社群介紹，這是理解成長經過時需要一起看的背景。 邀請已經在玩的人，替某一天出題 後來，他注意到一些體育媒體工作者和運動員也在玩，還會對遊戲貼文按讚，便從追蹤者較多的人開始，私訊邀請合作。 要做的事情很具體：替某一天的遊戲寫 5 道題目。 題目上線時，Frank 發文介紹當天的出題者，對方通常也會轉貼，原本追蹤對方的讀者，就有機會點進來玩。 合作對象有自己寫的題目可以分享，玩家能挑戰不同人的題目，Frank 也多了新的內容與接觸新讀者的機會。 這段合作是從對方已經在玩、也有互動開始，再邀請他參與一件明確的事。 如果你也準備做產品，可以先找第一批試用者 看完這個案例，可以先問自己：第一版做出來，手邊有誰願意試用？ 如果你剛起步，可以先找接觸得到的親友或社群，完成一個用途，觀察大家在哪裡停下來、會不會再用，以及會不會主動分享。 等到有人持續使用，再想想能不能邀請他參與內容，讓對方有自己的成果可以介紹給別人。 圖：玩家分享成績，再邀已在玩的創作者出題，讓對方也有內容可以介紹給讀者。

想請 AI 做 Claude Mods，可以從「在右側顯示工作步驟」這種具體需求開始，但目前官方開放的功能，不能把整個 Claude 桌面 App 重新畫一遍。 這期電子報用遊戲 MOD 做比喻，也介紹了我自己做的技能流程面板。 Skool 教室的延伸文章則補上製作前需要知道的範圍：哪些畫面能改、什麼事情發生時 MOD 能收到通知，以及它能更新哪些資料。 例如，輸入框上方可以放提醒，對話裡部分訊息和工具結果可以調整呈現，整個 App 的導覽與內建權限提示則不在同一個修改範圍。 資料也要分清楚：更新面板上的進度、調整這次交給 AI 的文字，以及真的覆寫硬碟檔案，是三種不同的操作。 把 Email 在畫面上遮住，不等於 AI 沒有讀到它；在技能開始時加一段規則，也不代表原始技能檔案已經改了。 文章會用我的流程面板說明這些差別，並附上一段可以交給 Agent 的製作需求，讓你從想看到的結果開始，不必先讀懂程式裡每個函式。 完成之後怎麼檢查，也包含在文章裡：面板顯示等待確認時，AI 是否真的停止指定動作，以及重新開對話後能否載入，都需要各自確認。 可以搭配這期電子報閱讀，再挑自己經常使用的一個技能，找出最想放到畫面上的資訊，交給 Agent 做第一個可測試的版本。 當期電子報：Claude Mods：把介面改成你要的樣子 #91 教室技術全文：Mods 運作拆解 #91