未命名

你上一次寫程式，是什麼時候「真正」在寫，而不是在指揮一個 AI 幫你寫？

如果這個問題讓你愣了一下，那你並不孤單。我們正處於一個奇異的轉折點：軟體開發的定義，正在從「親手建構」變成「精準指揮」。這不是未來，這是現在。在 Y Combinator 最新的一集訪談中，Conductor 的 CEO Charlie Holtz 毫不掩飾地揭開了他自己的 AI 編程工作流程——一個極度高效、甚至有點「駭客」風格的生產力機器。但在他流暢的示範背後，藏著一個讓所有工程師都必須正視的真相：如果你還在用 2022 年的方式寫程式，你已經落伍了。

這篇文章將拆解 Charlie Holtz 的 AI 編程心法，把那些看似炫技的流程，提煉成你立刻能用的核心要點。準備好接受震撼了嗎？我們開始。

要點一：AI 不是工具，是你的「即時編譯器」

多數人用 AI 寫程式的方式，還停留在「問問題、拿答案、複製貼上」的階段。這就像你用一台超級電腦來算 1+1——不是不行，但完全浪費了它的潛力。

Charlie Holtz 的觀點更激進：AI 不該是你的搜尋引擎，它應該是你的即時編譯器。在他的工作流程中，他不會停下來問 AI「這段程式碼怎麼寫」，而是直接把一個半成品、甚至是一個錯誤的程式碼片段丟給 AI，然後說：「幫我把這個修好，讓它跑起來。」

這背後的核心邏輯是：人類負責意圖，AI 負責語法。

傳統開發流程中，你花 80% 的時間在處理語法錯誤、API 文件查詢、框架配置——這些全是「低階的機械勞動」。Charlie 的做法是，把這些全部外包給 AI，自己只保留 20% 的精力在「這支程式到底要實現什麼功能」的純粹思考上。

「我發現，當我停止試圖『教』AI 如何寫程式，而是開始『告訴』它我要什麼結果時，我的生產力暴增了十倍。」—— Charlie Holtz

這不是偷懶，這是策略。當你把語法細節交給 AI，你的大腦就能解放出來，專注在更高層次的系統設計與商業邏輯。這才是 AI 時代真正的「槓桿」。

要點二：你不需要「最好的 AI」，你需要「最快的循環」

市面上充斥著各種 AI 編程工具：GitHub Copilot、Cursor、Claude、GPT-4… 每個都號稱最強。但 Charlie 的選擇標準非常務實：誰的回饋循環最快，誰就是最好的。

在他的示範中，他反覆強調一個概念：「延遲就是生產力的殺手。」 當你在編寫程式碼時，中斷 30 秒去等 AI 生成回應，你的心流就斷了。斷了的心流，需要 15 分鐘才能重新接上。這不是感覺問題，這是認知科學。

因此，他偏好的工具不是因為它寫的程式碼最優雅，而是因為它能在一秒內回應。他使用的設定是：

• 主要編輯器： 一個高度整合 AI 的輕量級編輯器（類似 Cursor 或 Windsurf 的變體）
• 核心原則： 所有 AI 互動必須在編輯器內完成，絕不切換到瀏覽器去開 ChatGPT
• 關鍵技巧： 使用客製化的快捷鍵，一鍵將當前檔案或選取區塊送進 AI，並直接將結果插入程式碼

這聽起來很簡單，但要做到極致，需要你徹底改變工作習慣。大多數人還在「複製 → 貼上 → 切換視窗 → 等待 → 複製 → 貼上」的循環中浪費時間。Charlie 的做法是讓 AI 變成編輯器的一個原生功能，像自動補全一樣自然。

數據會說話： 根據他的經驗，這個「零切換」的工作流程，讓他每天的「有效編碼時間」從 4 小時暴增到 8 小時以上。不是他工作更久，而是他不再把時間浪費在等待和切換上。

要點三：Prompt 的藝術不在「詳細」，在「脈絡」

很多人以為給 AI 的提示詞（Prompt）越長越好，最好把整個專案的 README 都貼上去。Charlie 對此嗤之以鼻。

他的觀點是：AI 不是你的助理，它是你的「極度專注但極度無知」的實習生。 你給它的脈絡太多，它會迷失；你給的太少，它會亂猜。

他的秘訣是建立一個「脈絡層級系統」：

1. 全局脈絡（Global Context）： 放在專案根目錄的一個 ai_context.md 檔案，裡面寫明這個專案的整體架構、使用的技術棧、編碼風格偏好。AI 工具通常會自動讀取這個檔案。
2. 檔案級脈絡（File Context）： 在每個檔案開頭用註解寫明這個檔案的職責。例如：// 這個模組負責處理使用者認證，不應該包含任何 UI 邏輯。
3. 即時脈絡（Instant Context）： 當你要 AI 改動某段程式碼時，只選取那幾行，並提供一句話的指令。例如：將這個函式改成非同步，並加入錯誤處理。

這個系統的威力在於：你讓 AI 知道「邊界」，而不是「路徑」。 你告訴它「不能做什麼」，遠比告訴它「要做什麼」更有效。

實戰案例：在訪談中，Charlie 示範了一個重構任務。他沒有說「幫我重構這個類別」，而是選取了一個方法，然後說：「這個方法違反了單一職責原則。幫我把它拆成兩個方法，並在呼叫端更新。」AI 不僅正確拆分了，還自動產生了單元測試。為什麼？因為全局脈絡告訴了 AI 這個專案使用 Jest 框架，檔案級脈絡告訴了 AI 這個類別的邊界，而即時脈絡給了明確的任務邊界。

要點四：測試不再是「驗證」，而是「規格」

這可能是最反直覺的一點。Charlie 的工作流程中，測試程式碼的優先級，高於功能程式碼。

傳統思維是：先寫功能，再寫測試來確認功能正確。Charlie 的做法是：先寫測試，然後讓 AI 根據測試來生成功能程式碼。

為什麼？因為測試是一種「可執行的規格書」。當你寫下：

expect(add(2, 3)).toBe(5);

你其實是在對 AI 說：「我需要一個叫做 add 的函式，它接受兩個參數，並回傳它們的和。」這比任何文字描述都精確。

他稱之為 「測試驅動開發（TDD）的 AI 版本」。但這裡的 TDD 不是為了確保程式碼品質（雖然那是一個副產品），而是為了減少 AI 的幻覺空間。當 AI 看到一個測試案例，它必須通過這個測試，它的輸出就會被嚴格限制在一個可驗證的範圍內。這大幅降低了 AI 生成垃圾程式碼的機率。

「當我給 AI 一個測試，我就把它關進了籠子裡。它可以在籠子裡亂跳，但絕對跑不出籠子。」—— Charlie Holtz

這個做法還有一個隱藏好處：當你的測試寫得夠好，你幾乎不需要手動除錯。 因為 AI 在生成功能程式碼的同時，你已經用測試定義了所有成功路徑。如果 AI 寫錯了，測試會立刻告訴你哪裡錯了，而且通常 AI 自己就能根據測試失敗的訊息來修正。

要點五：版本控制的「終局之戰」——讓 AI 幫你寫 Commit

最後一個要點聽起來像小事，但 Charlie 認為這是生產力提升的最後一塊拼圖：讓 AI 自動生成語義化的 Git Commit 訊息。

你可能覺得這很 trivial，但仔細想想：你一天寫了多少次 git commit -m "fix bug"？這種垃圾訊息在一個月後對你完全沒有意義。但如果你能養成習慣，讓 AI 分析你的變更內容，並生成像 refactor(auth): extract token validation logic into a separate middleware 這樣的訊息，你的專案歷史就會從「垃圾堆」變成「一本書」。

Charlie 的做法是設定一個 Git Hook，在每次 commit 之前，自動將 diff 送給 AI，並要求它生成一個符合 Conventional Commits 規範的訊息。他只需要確認或微調即可。

這看似只節省了 30 秒，但它的真正價值在於長期可維護性。當你三個月後回頭看一個 commit，你能立刻知道當時改了什麼、為什麼改。這讓程式碼審查（Code Review）和回溯（Revert）變得極度高效。

核心觀點匯總表

總結：你該如何開始？

看完這五個要點，你可能覺得有點 overwhelm。沒關係，你不需要一夜之間全部做到。Charlie 本人也是花了數個月才迭代出這個流程。

但有一件事你現在就可以做：明天開始，強迫自己在編輯器內完成所有 AI 互動。 關掉瀏覽器上的 ChatGPT 分頁，學會你常用編輯器的 AI 快捷鍵。就這一個改變，就能讓你感受到生產力的質變。

接下來，你可以逐步導入測試優先和脈絡分層。這不是一個關於「工具」的故事，這是一個關於「工作哲學」的故事。AI 不會取代工程師，但懂得指揮 AI 的工程師，會取代不懂的工程師。

最後，留給你一個值得深思的問題：

如果 AI 可以幫你寫出 90% 的程式碼，那剩下的 10%，你打算用來做什麼？

是繼續跟語法搏鬥，還是開始思考那些真正值得你花費腦力的問題？答案，決定了你在下一個十年，是駕馭浪潮，還是被浪潮淹沒。