你的提示詞可能沒問題:先讓 AI 完成任務,再決定要開發什麼
一位工程師想知道,自己使用 AI 時,哪些工具呼叫最慢。他希望 T3 Code 加一個分析功能,好讓他找出那些拖慢工作的指令。
講者請他打開手機,開一個新的對話,直接把需求交給 Agent。
在〈Your prompts kinda suck〉的示範裡,Agent 整理出工具呼叫報告。有一次搜尋使用者家目錄,竟然花了 41.7 分鐘,另一次也接近 10 分鐘。報告因此建議,搜尋時應該指定專案或已知目錄。
朋友想要的分析,從既有紀錄就能取得。他原本還在等產品增加一項功能。
這支影片談的提示詞問題,大致就在這裡:我們對軟體太熟悉了,習慣先找按鈕、找設定;找不到,就認為必須有人先把功能做出來。即使面對已經能讀資料、執行工具的 AI Agent,還是很少把完整的需求交給它試試看。
工程師太快開始想實作
講者認為,工程師很容易把提示詞也過度設計。一看到需求,腦中就開始拆介面、資料結構和流程分支,卻跳過了一個更直接的做法:先說清楚自己想得到什麼。
他自己也犯過同樣的錯。
他想替 T3 Code 做一個儀表板,把同時進行的工作對話列出來,顯示狀態,建議哪些應該結束、哪些還要繼續。他一路加按鈕:重新命名、重新分類、處理不同的後續操作。後來才想到,可以讓一個能存取這些工作對話的 Agent,依使用者的要求整理。
使用者今天想看進度,明天可能想知道哪些工作已經不值得繼續。每種需求都做一顆按鈕,產品會愈來愈複雜。既有資料足夠時,有些結果可以在對話裡直接取得。
這也改變了哪些事情值得花時間處理。
講者曾為了理解一個 bug,做專用的視覺化;也為了整合自己的音樂聆聽紀錄,把不同來源的資料放在一起。以前,這類個人需求往往因為開發成本太高而作罷。現在可以先交給 Agent 做,用過才知道有沒有幫助。反覆需要的做法,再整理成 Skill 或工作指引。
他說的「不夠會下提示」,其實包含了對任務範圍的低估。提示詞再精密,如果一直只拿 AI 來改幾句話、寫一小段程式,也很難發現它還能幫忙到哪裡。
一個故障排查工具,為什麼最後變成 Markdown?
T3 Code 有使用者在 Windows 上遇到程式不斷崩潰的問題。講者當時替對方寫提示詞,請對方在自己的電腦上用 coding agent 調查。這件事讓他開始做 T3 triage。
他把入口放在終端機,因為桌面程式可能連開都開不起來。
原先的構想很完整:先問第一個問題,根據回答進入下一個階段,再收集資料、判斷原因。他連貼上圖片後要怎麼轉交處理,都花了不少力氣。做到一半才發現,Claude Code 或 Codex 本來就能請使用者貼圖,也能繼續追問。
最後留下的做法,是用程式收集基本環境資訊,啟動使用者選擇的 coding agent,再把資訊和排查指引交給它。依他的說法,原本預期要寫上千行的功能,變成大約五行程式加三十行 Markdown。
指引裡仍然有具體要求:先了解使用者遇到什麼問題,追問重現步驟,讀取機器資訊,查已知問題,必要時檢查原始碼。如果需要回報 GitHub issue,要移除敏感資料,也要先找有沒有相同的回報。
這個案例沒有省掉對工作流程的思考。講者得先知道一次有用的故障調查應該做哪些事,只是把部分現場判斷交給 Agent,沿用它已經具備的對話與工具能力。
對需要固定規則、每次都必須可靠執行的部分,仍然有理由寫成程式。至於有大量未知分支的調查工作,可以先看看 Agent 能處理多少。
卡住之後,才看見真正缺少的能力
影片裡另一個提問,讓前面的做法有了下一步。
講者曾遇到建立新對話時畫面閃爍,懷疑程式沒有記錄足夠的渲染資訊。他於是問 Agent:如果現在請你調查這個問題,你讀得到過去發生了什麼嗎?如果讀不到,應該增加哪些資料,讓你以後查得出來?
同樣是一次任務失敗,原因可能差很多。Agent 沒有讀取紀錄的工具,跟紀錄裡根本沒有需要的資訊,要補的東西就不同。繼續修改提示詞,也補不回從未記錄下來的事件。
因此,講者把更多開發力氣放在資料、工具和系統之間的連接。他談到透過 MCP 提供操作能力,也談到讓 Agent 產生的視覺化能直接在產品裡查看。這些建設完成後,使用者可以要求的事情才會增加。
他在影片後段也談到工程師的失落:過去花很多年練熟的工作,現在只要幾段提示詞就能完成,難免覺得專業失去了價值。他自己的轉變,是開始投入更深的系統問題,包括執行環境、runtime 與資料連接。對他而言,讓 Agent 有一個更好的工作環境,帶來了更多值得做的工程工作。
影片中的成效來自他的示範與自述。能不能在自己的環境重現,得看 Agent 實際拿得到什麼資料、有哪些工具可用。
這和雙重控制有什麼關係?
整理這支影片時,我想到先前寫的〈AI 時代,主管如何讓組織在交付中學會應變?〉。那篇文章討論 AI Helpdesk:一次交付除了提供服務,也可以幫團隊判斷,接下來該做什麼、目前能開放到什麼程度。
背後借用的,就是雙重控制(Dual Control)。
簡單說,選擇一個行動時,同時考慮它能完成什麼,以及能讓我們學到什麼,幫助下一步做得更好。
想像一個還不知道有多重的箱子,先輕推一下。這一下讓箱子移動,也讓你知道大概要用多少力。你願意先試推,是因為這個資訊會影響接下來怎麼搬。
雙重控制來自控制理論,可參考 Feldbaum 的〈On a class of dual control learning systems〉,以及 JMLR 的〈Dual Control for Approximate Bayesian Reinforcement Learning〉。
用它解讀提示詞與產品開發,是這裡的延伸討論;影片本身沒有提出這套理論。
回到 Agent,請它分析一次工具呼叫,可以取得效能報告,也會發現它能不能讀到完整紀錄。請它排查畫面閃爍,可能找到問題,也可能查明目前的日誌根本不夠。
但如果只是做完以後順便學到東西,還沒有用上這個思路最關鍵的部分。要在選任務時就問:我現在最需要弄清楚什麼?哪一次嘗試,能給我足以改變決定的資訊?為了取得它,我願意多花多少時間查核?
試完之後,路線圖真的能改嗎?
假設主管希望有一套跨專案進度儀表板。
可以先選幾個進行中的專案,請 Agent 從現有紀錄整理進度與阻礙,每項判斷附上依據,再請專案負責人檢查。這是一個假設的試行安排,要釐清的是:現有資料到底夠不夠用來判斷進度?
如果摘要大致可靠,但找資料花了很久,團隊就有理由先改善資料連接。若 Agent 把已解決的問題一直列為阻礙,檢查後發現紀錄從未更新,下一步得先處理資訊的維護方式。只有在資料和判斷都已足夠時,才比較知道固定介面該呈現什麼。
舊文章談的產品路線圖與上線策略,在這裡都會遇到。試行結果可能讓團隊把資料整理排到介面開發之前;也可能發現摘要暫時只適合由專案負責人核對後使用,還不能直接交給所有主管拿來判斷。
比較麻煩的是,團隊查出問題後,有沒有權力修改原先的安排。
如果儀表板已經排進年度計畫,不論試行發現什麼,畫面、欄位與上線日期都不能動,那麼這次學習對投資決策的幫助就很有限。它可能只變成多一份報告。
試行前,主管和團隊得先講清楚:哪些結果會讓我們換方向,由誰決定,多久能決定。如果這些都沒有安排好,AI 很快就能交出另一份分析,原本做錯的事情卻還是照做。
作者簡介
范育銘是 Scrum Inc. 認證培訓師及台灣敏捷協會常務理事,曾陪伴不同規模的企業推動數位與組織轉型。我協助主管對齊目標、釐清決策邊界,建立回饋與協作機制,讓主管能放心授權,團隊也能承擔決策與成果責任。
我也持續在 WeAgile 分享組織變革與敏捷實務文章,並提供公開課、企業內訓及教練顧問服務,幫助企業把自組織與自管理,從理念轉化為真正能運作的管理能力。

發佈留言