Files
Obsidian/CSDN等国内/規格驅動開發 (Spec-Driven Development) 與 AI 協作全流程實戰.md
coco 8b94d76799 a
2026-07-21 13:57:15 +08:00

57 KiB
Raw Permalink Blame History

title, source, author, published, created, description, tags
title source author published created description tags
規格驅動開發 (Spec-Driven Development) 與 AI 協作全流程實戰 https://xn--uy0a.tw/AI/sdd-ai-copilot-codex-devops-workflow/
Jim Chen
2025-09-17 2026-03-13 AI 是不知疲倦的工作者,它們為了我的輕鬆而努力。
clippings

琳

請你產出一份指南,教導傳統的資深軟體工程師如何進行 Spec-Driven Development 規格驅動開發。請深入解釋 SDD,並且在傳統程式開發、Vibe Coding、SDD 三種開發方式之間進行比較 the pros and cons

Warn: 我想要的不是 github/spec-kit 的工具使用教學、不是 GitHub Copilot Coding Agent、也不是特定工具的使用方式,而是高階視角的概念、心法、工作流程。

Felo Search

本指南旨在協助傳統資深軟體工程師理解並轉向 規格驅動開發(Spec-Driven Development, SDD)。 在 AI 輔助程式設計時代,開發範式正從傳統的手工編碼,以及新興但混亂的「Vibe Coding」,演進到一個更具結構化、可維護性的新階段。SDD 並非要拋棄數十年來積累的軟體工程原則,而是將這些嚴謹的實踐(如需求分析、系統設計)與 AI 的強大生產力相結合,形成一種 「意圖即為真理來源 (Intent is the Source of Truth)」 的全新工作哲學。

其核心是將開發流程的重心從「撰寫程式碼」轉移到「定義規格」。 透過一個結構化的流程,將模糊的業務需求層層轉化為清晰的規格文件、技術藍圖與可執行的任務清單,再由 AI 代理執行具體的編碼工作。對資深工程師而言,這意味著角色的轉變:從主要的程式碼生產者,轉變為系統意圖的架構師、品質的把關者與複雜問題的解決者。本報告將深入剖析 SDD 的核心理念與工作流程,並透過與傳統開發及 Vibe Coding 的對比,闡明其在現代軟體工程中的獨特價值與實踐心法。

開發範式的演進:從傳統到 AI 世代

在深入 SDD 之前,我們必須先理解當前軟體開發領域並存的三種主要模式:傳統開發、Vibe Coding,以及作為兩者演化方向的 SDD。

傳統開發模式

傳統開發,無論是瀑布式(Waterfall)或敏捷式(Agile),都建立在嚴謹的流程之上 1 2 。工程師遵循明確的步驟,從需求分析、設計、編碼到測試,一步步建構軟體 3 。

  • 優點 :
    • 高度可控 :流程嚴謹,產出品質與架構有較高保障 4 5 6 。
    • 適合複雜系統 :對於需要高度客製化、高安全性或需長期維護的核心系統,傳統開發提供了必要的穩定性與延展性 7 8 9 。
  • 缺點 :
    • 開發週期長 :從需求變更到功能上線,可能需要數月甚至數年,難以應對快速變化的市場需求 1 2 。
    • 文件與程式碼脫節 :規格文件一旦撰寫完成,往往因後續的程式碼頻繁迭代而迅速過時,成為無人敢信的「殭屍文件」,增加了維護與知識傳承的難度 10 11 12 。

Vibe Coding:跟著感覺走的 AI 程式設計

隨著大型語言模型(LLM)的興起,一種全新的開發模式應運而生。由 OpenAI 共同創辦人 Andrej Karpathy 於 2025 年 2 月提出的「Vibe Coding」,指的是開發者主要透過自然語言提示(Prompt),引導 AI 快速生成程式碼,專注於「感覺」與「意圖」,而非程式碼的語法細節 13 14 15 16 。

  • 優點 :
    • 極致的速度 :能夠在數小時內完成一個基本版本的產品原型(MVP),極大地縮短了從想法到驗證的週期 17 18 16 。根據 GitHub Copilot 的數據,開發者平均可提升 55% 的編碼速度 19 。
    • 降低技術門檻 :非工程背景的產品經理、設計師甚至創業者,也能透過自然語言將創意轉化為實際產品 20 21 22 。
  • 缺點 :
    • 品質與技術債 :AI 生成的程式碼品質參差不齊,往往缺乏良好架構,容易引入安全漏洞與效能問題 23 24 25 。一份報告指出,70% 使用 AI 產生程式碼的公司在部署後六個月內報告了嚴重的技術債問題 13 。
    • 除錯與維護困難 :由於程式碼並非由開發者親手撰寫,一旦出現問題,除錯過程將變得極其困難,長期維護成本高昂 23 16 。
    • 信任度低 :僅有 43% 的開發人員對 AI 輸出的結果信任度較高,這顯示了業界對其可靠性的普遍疑慮 13 。 Vibe Coding 的出現揭示了一個核心矛盾:我們獲得了前所未有的開發速度,卻犧牲了軟體工程最重視的品質、可維護性和安全性。這正是 Spec-Driven Development 試圖解決的根本問題。

深入解析:規格驅動開發 (Spec-Driven Development, SDD)

SDD 並非一個全新的發明,而是將傳統軟體工程中「設計先行」的嚴謹思維,與 AI 的自動化能力相結合的現代實踐。它不是要你寫更多文件,而是要讓「規格」本身成為可執行、可驗證、並能驅動開發流程的「活資產」 26 12 。

核心哲學:意圖即真理 (Intent is the Source of Truth)

傳統開發的真理來源是「程式碼」,而 Vibe Coding 則幾乎沒有真理來源。SDD 的核心轉變是將「規格」或更精確地說是「開發意圖」,確立為唯一的真理來源 27 23 28 12 。

這意味著,任何程式碼的產生、修改或測試,都必須源自於一份清晰、明確的規格。這份規格不再是開發完成後束之高閣的靜態文件,而是整個開發生命週期的起點與核心 10 11 。當需求變更時,我們修改的不是程式碼,而是規格;規格的更新會自動觸發後續技術設計、任務清單乃至程式碼的連動變更 29 30 。

SDD 通用工作流程

雖然不同工具有其特定實現,但一個典型的、工具無關的 SDD 流程包含以下幾個關鍵階段,每一階段都產出對應的 Markdown 文件作為交付物 31 32 33 :

  1. 第一階段:規格定義 (Specify - The "What" & "Why") 這個階段的目標是回答「我們要做什麼?」以及「為什麼要做?」,完全不涉及技術實現 34 12 。資深工程師需要與產品團隊協作,將模糊的商業需求轉化為結構化的規格文件(相當於 requirements.md )。
    • 產出 :一份包含使用者故事(User Stories)和驗收標準(Acceptance Criteria)的清晰文件。
    • 心法 :採用標準化語法來消除歧義。例如,EARS (Easy Approach to Requirements Syntax) 語法,透過「WHEN-THEN-SHALL」的格式,將每個需求都轉化為一個可測試的場景 31 35 32 。
    • 範例 :
      # 需求:增加亮色模式主題
      ## 使用者故事
      AS a user,
      I WANT to be able to switch between light and dark themes,
      SO THAT I can choose the most comfortable viewing experience.
      ## 驗收標準 (EARS 格式)
      WHEN a user visits the site for the first time,
      THEN the system SHALL display the page in the default dark theme.
      WHEN a user activates the theme toggle control,
      THEN the system SHALL switch the site's appearance to the light theme.
      
  2. 第二階段:技術規劃 (Plan - The "How") 當「做什麼」被明確定義後,才進入「如何做」的階段。此時,AI 代理會基於第一階段的規格文件,以及預先設定好的專案技術限制(如技術棧、架構模式、命名慣例等),生成一份詳細的技術藍圖(相當於 design.md ) 31 32 。
    • 產出 :包含技術架構決策、資料流程圖(如 Mermaid 圖)、API 端點定義、資料庫 Schema 變更、前端元件劃分等內容的設計文件 31 。
    • 心法 :這是資深工程師發揮最大價值的環節。你需要審核 AI 產生的設計方案,確保其符合專案的長期架構、具備良好的延展性與效能。你的角色是「把關者」,而不是「執行者」。
  3. 第三階段:任務拆解 (Tasks - The Work Breakdown) 一旦技術藍圖被確認,AI 會自動將其分解為一系列具體的、有依賴關係的、可獨立執行的開發任務(相當於 tasks.md ) 31 32 。
    • 產出 :一份精細的任務清單,每個任務都直接關聯到設計文件和原始需求,建立了清晰的可追溯鏈 31 。
    • 範例 :
      # 任務清單
      - [ ] T01: [DB] 在 \`users\` 資料表中新增 \`theme_preference\` 欄位。
      - [ ] T02: [API] 建立 \`PATCH /api/user/preferences\` 端點以更新主題偏好。
      - [ ] T03: [Frontend] 建立 \`ThemeToggle\` React 元件。 (依賴 T02)
      - [ ] T04: [Test] 為 \`ThemeToggle\` 元件撰寫單元測試。 (依賴 T03)
      
    • 心法 :確保每個任務的粒度足夠小,可以在 1-2 小時內完成,這有利於 AI 自動執行和人類進行審查 36 。
  4. 第四階段:實作與驗證 (Implement) AI 代理或開發者依照任務清單逐一完成編碼工作。與 Vibe Coding 的巨大程式碼傾倒不同,SDD 模式下的程式碼提交是小而聚焦的,每一次變更都直接對應一個具體任務 12 。
    • 心法 :程式碼審查(Code Review)的重點從「這段程式碼寫得好不好?」轉變為「這段程式碼是否忠實地實現了 T03 任務所描述的規格?」。審查變得有據可依,效率和品質都大幅提升。

資深工程師在 SDD 中的新角色

SDD 不會取代資深工程師,反而會放大你的價值。 你的工作將從繁瑣的編碼中解放出來,更專注於以下高價值活動:

  • 意圖的架構師 :你的核心職責是撰寫高品質的規格,清晰地表達業務意圖。
  • 系統的治理者 :定義專案的技術邊界與品質護欄,確保 AI 的產出符合團隊規範 32 36 。
  • AI 的導師 :將 AI 視為一個能力極強但缺乏經驗的初級工程師,為其提供清晰的指令、上下文和指導 37 38 。
  • 複雜問題的攻堅者 :專注於處理 AI 難以勝任的複雜架構設計、演算法優化和疑難問題排查 39 40 。

三種開發模式的比較分析

為了更直觀地理解 SDD 的定位,下表從多個維度對三種開發模式進行了比較:

評估指標 傳統開發 (Traditional Development) Vibe Coding 規格驅動開發 (Spec-Driven Development)
核心理念 流程與紀律 速度與直覺 意圖與結構
開發速度 慢 極快 (僅限原型) 快 (功能開發)
程式碼品質 高 低 高
可維護性 中(文件易過時) 極低 高(活文件)
技術債 中 極高 低
文件 靜態,易與程式碼脫節 幾乎沒有 動態,與程式碼同步(活文件)
開發者角色 實作者、工程師 提示者、實驗者 架構師、審查者、指揮者
適用場景 高度監管的行業、大型核心系統、遺留系統維護 7 9 快速原型驗證 (MVP)、個人專案、創意探索 17 18 16 複雜功能開發、企業級應用、注重長期維護的新專案 41 35

從比較中可以看出,SDD 巧妙地在 Vibe Coding 的「速度」與傳統開發的「品質」之間取得了平衡 37 42 。它吸收了 Vibe Coding 由自然語言驅動的優勢,同時透過引入結構化的軟體工程實踐,克服了其混亂和不可靠的致命缺陷。

擁抱 SDD 的心法:給資深工程師的轉型指南

要成功轉型到 SDD,不僅是學習新工具,更是一場思維模式的變革。

  1. 從「如何做」轉向「為何做」 在思考任何技術實現之前,先強迫自己清晰地闡述功能的商業價值、使用者場景和成功指標。練習撰寫高品质的 requirements.md 是第一步,也是最重要的一步 34 12 。
  2. 將 AI 視為你的「初級開發夥伴」 不要期待 AI 能讀懂你的心思。你需要像指導一位新進成員一樣,為它提供清晰的規格、完整的上下文(現有程式碼、架構約束)和明確的目標。你的經驗將體現在你提供給 AI 的「指導品質」上 37 38 。
  3. 擁抱「活文件」生態系統 徹底拋棄「先寫程式碼,後補文件」的舊習慣。在 SDD 中,文件是驅動程式碼的引擎。要習慣於在 design.md 中規劃架構,在 tasks.md 中追蹤進度。這些文件是專案知識傳承的核心,其價值甚至高於程式碼本身 26 12 。
  4. 從「編碼者」轉型為「指揮家」 你的價值不再由你寫了多少行程式碼來衡量,而是由你設計的系統有多麼健壯、可維護來決定。將你的時間和精力投入到更高層次的架構決策、設計方案審查和定義品質標準上 39 37 。
  5. 採取漸進式導入策略 不要試圖一夜之間改變整個團隊的開發流程。從一個新的、相對獨立的功能模組開始試驗。為這個模組完整地走一遍 SDD 流程,並與團隊過去的開發方式進行對比。用實際成果(更高的品質、更少的返工、更清晰的文件)來證明 SDD 的價值,是推動變革最有效的方式 13 41 。

總結而言,Spec-Driven Development 是 AI 時代下軟體工程嚴謹性的回歸與升級。對於資深工程師來說,這不是威脅,而是一個契機——一個將你從重複的編碼勞動中解放出來,讓你真正專注於架構、設計與品質,從而最大化自身經驗價值的歷史性機遇。

琳

請以此流程為例進行完整的講解: 以 GitHub Copilot in VSCode 製作第一、二、三階段的 Spec docs 並加入 Git 版控中,以 GitHub Copilot in VSCode 規劃 tasks 並開為 GitHub Issue,此 Issue 會包含完整的開發 context 和範例程式邏輯。接下來工程師在本地驅動 Codex-CLI 讀取 Issue 內容進行實作且自動推送 PR,在 PR body 內撰寫實作報告,最終由工程師檢視合併,或者 request changes 後驅動新的 Codex-CLI 修正 PR。

Note: 搭配 GitHub MCP 能允許讓 AI 操作 GitHub,將 DevOps 操作完全自動化。DevOps 平台非常適合揉合 SDD 使用。不要提供 pseudocode 、程式碼、指令,而是以自然語言回覆我。
Warn: 本指南不應涉及 GitHub Copilot Coding Agent,這是另一個完全不相關的產品。

Felo Search

本報告深入剖析一個整合 GitHub Copilot 與 Codex CLI 的現代化規格驅動開發(Spec-Driven Development, SDD)工作流程。此流程展示了一種人機協作的混合模型,將開發過程精確地劃分為「人類指導下的 AI 規劃」與「AI 自主執行」兩個階段。

開發者首先在 VS Code 環境中,利用 GitHub Copilot 的上下文理解與程式碼生成能力,完成從需求定義、技術設計到任務拆解的規格文件( requirements.md, design.md, tasks.md ),並將其轉化為一個包含完整開發脈絡的 GitHub Issue。接著,開發流程的重心轉移至本地執行的 Codex CLI,此 AI 代理(Agent)被賦予讀取該 GitHub Issue 的能力,自主完成程式碼實作、建立 Pull Request,並在 PR 內生成詳盡的實作報告。最後,人類工程師的角色昇華為最終的品質把關者,負責審查、批准合併,或提出修改建議以驅動 AI 進行迭代修正。此工作流程不僅體現了 SDD 的核心精神——「意圖即為真理來源」,更透過 GitHub 平台與模型上下文協定(Model Context Protocol, MCP)將開發與維運(DevOps)無縫整合,實現了從規格到交付的高度自動化與可追溯性,為複雜軟體專案提供了一個兼具速度、品質與治理的先進開發範式。

階段一:運用 GitHub Copilot 進行規格定義與任務規劃

此工作流程的起點是開發者的整合式開發環境(IDE),在此階段,人類的意圖與 AI 的輔助能力緊密結合,共同產出驅動後續開發的核心規格。

規格文件撰寫與版控

開發者在 Visual Studio Code 中,開啟專案的工作區(Workspace),並啟動 GitHub Copilot Chat 43 。此階段的目標是產出 SDD 的前三份核心文件:

  1. 需求規格 (requirements.md) :開發者透過與 Copilot 的對話,將模糊的產品概念轉化為結構化的使用者故事與驗收標準。開發者可以提供初步想法,並要求 Copilot 依據標準格式(如 EARS 語法)進行精煉。
  2. 技術設計 (design.md) :基於已確定的需求,開發者會要求 Copilot 規劃技術實現方案。透過提供專案的上下文(例如使用 #filename 標籤或 @workspace 引用關鍵的現有程式碼檔案),Copilot 能夠提出更貼近專案架構的建議,例如 API 端點設計、資料庫結構變更、前端元件劃分等 44 45 。開發者的主要職責是審核與修正 AI 產生的設計,確保其符合長期的技術願景與品質標準。
  3. 任務拆解 (tasks.md) :技術設計一經確認,開發者便會指示 Copilot 將設計藍圖分解為一系列具體、可執行的開發任務清單。

這個過程充分利用了 Copilot 作為「AI 配對程式設計師」的優勢,它擅長理解上下文、生成樣板程式碼以及輔助撰寫文件 46 47 48 。完成後,這三份 Markdown 文件會被提交至 Git 儲存庫,成為整個功能開發週期的「單一真理來源」,確保所有後續工作都有據可依。

建立可執行的 GitHub Issue

規格定義完成後,下一步是將其轉化為一個可供 AI 代理執行的正式任務。開發者繼續在 VS Code 中使用 GitHub Copilot Chat,執行以下操作:

  • 生成 Issue 內容 :開發者指示 Copilot 根據 tasks.md 的內容,草擬一份新的 GitHub Issue 49 50 。
  • 注入完整上下文 :這份 Issue 的描述(Body)不僅僅是任務列表的簡單複製。開發者會引導 Copilot 將 requirements.md 的核心目標、 design.md 的架構決策、相關的程式碼片段範例,以及必要的環境設定等資訊,全部整合進 Issue 的描述中 51 52 。這一步驟至關重要,它將一個人類可讀的任務,轉化為一個機器(AI 代理)可讀、上下文豐富的「任務包」。
  • 透過 MCP 建立 Issue :利用 GitHub 的模型上下文協定(Model Context Protocol, MCP),Copilot Chat 能夠直接在 VS Code 內呼叫 GitHub API,將草擬的內容建立成一個真正的 GitHub Issue,並為其設定標籤、指派人員等 53 。這實現了從 IDE 到 DevOps 平台的無縫銜接。

最終產出的 GitHub Issue,成為連接「規劃階段」與「執行階段」的關鍵橋樑。

階段二:Codex CLI 的自主實作與迭代

當 GitHub Issue 建立完成後,開發流程進入下一個核心階段:由本地 AI 代理 Codex CLI 接手執行。人類的角色從「指導者」轉變為「監督者」。

讀取任務並自主開發

開發者在自己的本地終端機中,於已複製(Clone)的專案目錄下啟動 Codex CLI 54 55 。

  • 任務啟動 :開發者向 Codex CLI 下達一個初始指令,要求它讀取並執行前一階段建立的 GitHub Issue。 雖然直接從 URL 讀取 Issue 內容的功能有時不穩定 56 57 ,但更可靠的做法是將 Issue 的完整內容複製貼上至終端機,或將其儲存為本地檔案後提供給 Codex CLI。
  • 自主執行 :Codex CLI 作為一個本地運行的代理,被授權讀取本地檔案系統 54 58 59 。它會解析 Issue 中的所有上下文,包括需求、設計、任務清單和程式碼範例。接著,它會以 auto-edit 或 full-auto 模式開始工作,自主地修改程式碼、建立新檔案、安裝相依套件,並執行測試指令 60 61 62 。所有操作都在一個安全的沙箱環境中進行,以防止意外的系統級變更 60 61 。

自動化 PR 建立與報告生成

當 Codex CLI 判斷任務完成後(例如,所有測試都已通過),它會自動執行以下 Git 操作:

  1. 提交變更 :將所有修改過的檔案執行 git commit 63 。
  2. 建立 PR :自動將本地分支推送到遠端,並建立一個指向主分支的 Pull Request 64 。
  3. 生成實作報告 :這是此流程的亮點之一。Codex CLI 會在 PR 的描述(Body)中,自動生成一份詳細的報告 65 。這份報告通常包含:
    • 任務目標摘要。
    • 具體的變更說明。
    • 執行的關鍵指令與其輸出日誌。
    • 引用其修改或參考過的檔案路徑與行號,提供完整的可驗證性與可追溯性 63 。

階段三:人類審查與修正循環

AI 完成了初步的實作與報告後,控制權再次交還給人類工程師,進行最終的品質驗證。

審查與合併

工程師打開該 PR,此時的審查重點不再是逐行檢查語法細節,而是更高層次的驗證:

  • 意圖符合性 :PR 的實現是否完全符合原始 GitHub Issue 中定義的需求與設計?
  • 邏輯正確性 :程式碼的邏輯是否健全?邊界條件是否處理得當?
  • 架構一致性 :變更是否遵循了專案既有的架構模式與編碼規範?

如果 PR 品質達標,工程師便可直接批准並合併,完成整個開發循環。

請求變更與 AI 迭代

如果審查發現問題,工程師無需親自修改程式碼。他們只需在 GitHub PR 的審查評論(Review Comments)中,用自然語言清晰地寫下需要修正的地方。

接著,開發者會啟動一個新的 Codex CLI 實例,並將這些審查評論作為新的指令輸入。AI 代理會讀取這些回饋,理解需要進行的修改,然後在同一個分支上提交新的修補程式碼,自動更新該 PR 66 67 。這個「審查 -> 回饋 -> AI 修正 -> 再次審查」的循環可以重複進行,直到 PR 達到可合併的品質標準為止。

協作模型分析

這個工作流程清晰地劃分了人類與不同 AI 工具的職責,形成一個高效的協作體系。

參與者 核心角色 主要任務 關鍵能力/工具
人類工程師 意圖定義者、品質把關者、最終決策者 提出初始需求、審核 AI 設計、建立 Issue、審查 PR、提出修改建議、合併程式碼 專業領域知識、架構判斷力、批判性思維
GitHub Copilot 規劃助理、上下文整合者 輔助撰寫規格文件、將設計轉化為任務、整合上下文並建立 GitHub Issue IDE 整合、上下文理解 (@workspace)、程式碼生成、文件撰寫、MCP 協定 68 69 53
Codex CLI 自主執行者、實作代理 讀取 Issue、修改本地程式碼、執行測試、提交變更、建立 PR、生成實作報告、根據回饋修正 PR 本地檔案存取、命令列執行、沙箱環境、Git 自動化、報告生成 54 58 59 55

優勢與挑戰

  • 優勢 :
    • 職責分離 :明確區分了 Copilot 在 IDE 中的「規劃輔助」角色和 Codex CLI 在終端機的「自主執行」角色,避免了單一工具的權責不清。
    • 高度可追溯 :從規格文件到 GitHub Issue,再到 PR 的每一次提交,都建立了清晰的連結,極大地方便了後續的維護與審計。
    • 提升開發者價值 :將開發者從繁瑣的編碼工作中解放出來,使其能更專注於架構設計、需求分析和品質控制等高價值活動。
  • 挑戰 :
    • 上下文傳遞的保真度 :流程的成敗高度依賴於 GitHub Issue 中上下文的品質。如果 Issue 描述不清或有歧義,Codex CLI 的執行結果可能偏離預期 70 71 。
    • 工具鏈的穩定性 :此流程依賴多個工具的協同工作,任何一個環節(如 API 連線、工具版本相容性)出現問題都可能中斷流程 72 73 。
    • 對 AI 的過度信任 :即使 AI 能夠生成報告並通過測試,其程式碼仍可能包含隱蔽的邏輯錯誤或安全漏洞,人類的最終審查依然不可或缺。

結論與未來展望

本報告所闡述的整合工作流程,不僅是 SDD 理論的一個具體實踐,更代表了 AI 驅動軟體開發走向成熟的一個重要里程碑。它成功地將 GitHub Copilot 的互動式輔助能力與 Codex CLI 的自主代理能力結合,在 DevOps 平台上形成了一個從意圖到交付的閉環自動化系統。

展望未來,隨著 AI 代理能力的進一步增強,特別是像 GPT-5-Codex 這樣專為程式碼任務優化的模型的出現,我們可以預見此工作流程將會更加流暢與整合 74 75 76 。目前在 Copilot 和 Codex CLI 之間清晰的職責劃分可能會逐漸模糊,演化為一個更統一、更強大的「開發超級代理」。這個代理或許能夠在接收到一個高層次的 GitHub Issue 後,自主完成從規劃、設計、編碼、測試、報告到修正的全過程,而人類開發者的角色將徹底轉變為專案的「首席架構師」與「產品策略師」,專注於定義「做什麼」與「為何做」,而將「如何做」的絕大部分工作安心地委託給 AI。