---
title: "AI 寫得比我快，我卻學會更慢地思考：Vibe Coding 的真實體驗"
description: "這篇文章記錄了我與 AI 寫程式的真實經歷，從最初的興奮與疑惑，到逐漸學會反思與調整。每一次 prompt、每一場 debug，都讓我更清楚自己對技術的渴望與局限。Vibe Coding 不只是提升生產力的工具，更是一場關於信任、對話與釋放焦慮的自我修煉。"
slug: "vibe-coding-real-experience"
date: 2025-06-07T00:00:00.000Z
url: https://calpa.me/blog/vibe-coding-real-experience/
---

AI 生成程式碼的速度愈來愈快，許多開發者開始驚嘆於它產出的規模與效率。但實際使用之後才發現，這些程式碼常常無法直接上線。它們可能邏輯模糊、測試困難，甚至一部署就出錯。看起來很完美的函式，一放進專案就出現預期外的 bug，甚至連基本的測試環境都跑不起來。AI 生成的速度越快，修復與理解的成本反而可能越高。

對新手來說，錯誤訊息像天書，連該查什麼都不知道，只能困在 prompt 與紅字的迴圈裡。對資深工程師而言，這些來路不明的黑盒 output 難以信任。寧可自己從零開始，也不想接手無法追蹤的程式碼。不同經驗層級的工程師，在使用 AI 開發時產生的落差愈來愈大，反而讓團隊協作變得更斷裂。

但這些困境，其實不是因為 AI 技術不夠成熟。真正需要被調整的，是我們對開發流程的認知方式。當 AI 成為開發的一部分，我們不能再用舊有的方式理解程式的產生與維護。我們需要新的工作節奏、溝通語言與決策架構，讓這些自動生成的程式碼，不只跑得快，也能真的跑得穩。開發這件事，從來不只是寫程式而已。尤其當 AI 開始幫你寫，你才會發現：你到底會不會說話，決定了它能幫上多少忙。

## 問題不在 AI，而在我們是否會發問

![All famous AI chat apps like Character.AI, Perplexity, Claude, Copilot, Chat GPT, Deepseek, Gemini with Appstore icon on an iphone screen.](https://assets.calpa.me/saradasish-pradhan-gEpncIlZq7c-unsplash.avif)

AI 產生的程式碼，從來都不是最終答案，而只是開發過程的起點。真正決定 output 品質的，是工程師能否持續發問、追蹤細節、勇於糾錯，直到產出符合自己邏輯與需求的成品。這就像在與一位資深助理對話，你要不斷調整問題、給出明確的限制，才能逐步收斂出正確結果。

很多人以為 prompt 只是輸入一句指令，其實更像是持續對話與反覆澄清需求的過程。每一次追問，都會讓 AI 理解你想要的是什麼，也會暴露出它誤解之處。經過多輪修正後，程式碼會越來越貼近你的設計思路，最後才能放心納入專案。

讓我們以經典的「費波那契數列」作為 iterative refinement（反覆優化思維）的範例，來展現如何透過多輪提問與回饋，把一個簡單的程式設計問題，逐步精煉成高效又實用的解法。

### 步驟一：最直觀的遞迴解法

初學者常會這樣向 AI 提問：「請寫一個回傳第 n 個費波那契數的函數。」AI 會給出最直接、易懂（但效率極低）的遞迴版本：

```typescript
// 原始版本：純遞迴
function fib(n: number): number {
  if (n <= 1) return n;
  return fib(n - 1) + fib(n - 2);
}
```

這個寫法充分體現了費波那契數列的定義，但每次呼叫都會重複計算大量重疊的子問題。當 n 很大時，計算時間會呈指數級爆炸，幾乎無法實用。

### 步驟二：追問效能瓶頸，改寫為迴圈法

於是你可以進一步追問：「這樣寫太慢了，有沒有更快的方法？」AI 這時會建議用 **迴圈（動態規劃）** 來消除重複計算：

```typescript
// 迴圈版：動態規劃
function fib(n: number): number {
  if (n <= 1) return n;
  let a = 0, b = 1;
  for (let i = 2; i <= n; i++) {
    const temp = a + b;
    a = b;
    b = temp;
  }
  return b;
}
```

這種寫法只需線性時間，每個數字只算一次，而且空間複雜度 O(1)，非常適合大數運算與實務需求。

### 步驟三：進一步思考可讀性與記憶化

你可能會問：「如果我還是偏愛遞迴，有沒有辦法讓它又快又可讀？」這時 AI 會推薦 **記憶化（memoization）**，讓遞迴也能享有動態規劃的效能：

```typescript
// 記憶化版：遞迴 + memoization
function fib(n: number, memo: Record<number, number> = {}): number {
  if (n in memo) return memo[n];
  if (n <= 1) return n;
  memo[n] = fib(n - 1, memo) + fib(n - 2, memo);
  return memo[n];
}
```

這種寫法利用物件暫存已算過的結果，不僅維持遞迴的結構清晰，也能大幅提升效率。適合喜歡用遞迴解題、但又在意效能的開發者。

我們可以整理一下三種常見解法在效能與適用場景上的差異：

| 方法                   | 時間複雜度      | 空間複雜度      | 適用場景                        |
|------------------------|----------------|----------------|--------------------------------|
| 遞迴（原始）           | O(2^n)         | O(n)           | 適合理解演算法結構、教學、小 n  |
| 迴圈（動態規劃）       | O(n)           | O(1)           | 實務需求、效能要求高時          |
| 記憶體（memoization）  | O(n)           | O(n)           | 遞迴需保留中間結果、強調可讀性  |

這個簡單的數列問題，實際上就是一個「持續優化提問」的練習：每多問一個 Why，就能讓 AI 產生更貼合需求的 output，讓你學會如何拆解問題、選擇最佳解法。Vibe Coding 的核心精神，就是這種有意識地反覆修正、精進的創作流程。讓程式設計不只是實作，更是思考與溝通的藝術。

## 從「怎麼做」到「為什麼要做」

![Gary Butterfield](https://assets.calpa.me/gary-butterfield-YG8rZ323UsU-unsplash.avif)

成為獨立開發者之後，我發現自己對專案的思考方式產生了巨大的變化。過去接到任務時，總是習慣直接動手寫程式，思考資料結構、挑選框架，彷彿只要技術到位，任何問題都能迎刃而解。但當所有產品決策、技術選型都由自己負責時，我開始反思：「這個功能真的有必要嗎？」、「做完這件事，產品會變得更好嗎？」

有好幾次，我原本打算實作一個看似炫酷的 API 或自動化腳本，但在動手前仔細想想：這件事真的會節省我的時間，還是只是技術上的自我感動？比如說，為自己的 side project 加上即時推播功能，表面上很有成就感，但實際用戶根本不在意。結果往往是花了大量時間優化細節，卻無法提升產品的核心價值。

AI 工具開始協助開發以後，這種「先質疑、再實作」的習慣變得更加徹底。AI 可以省下我查文件、寫 boilerplate code 的時間，但它不會告訴我「這樣做有沒有價值」。每次產生新想法時，我都會停下來問自己：「這個需求解決了什麼痛點？有沒有更簡單的替代方案？」很多時候，最好的選擇其實是「不做」。

我逐漸學會把精力集中在真正有意義的功能上，主動排除那些「只是因為可以做」的開發衝動。像是自動化部署、數據備份這些重複性高又容易出錯的流程，我會優先用 AI 生成腳本來解決，減少發生人為錯誤的機會。反而那些難以定義、需要創意解決的核心功能，才值得花時間深究。

這種轉變讓我更能專注於產品的本質，解決實際問題，而不是技術炫技。現在的我，每次開始一個新專案，都會先用白紙把用戶流程、主要痛點寫下來，再決定哪些功能值得投入。AI 是我的輔助夥伴，但最終判斷什麼該做、怎麼做，還是要靠自己不停地自問：「這一行程式碼，真的讓我的產品更好嗎？」

我發現，獨立開發的最大收穫不是學會了多少新技術，而是更懂得取捨、更善於自我審視。只要持續保持這種質疑和反思的習慣，不管身處什麼技術浪潮，都能走出屬於自己的開發道路。


## 保持開放心態，重新學習語言作為開發工具

![A panorama view of Monaco](https://assets.calpa.me/tom-s-3dk2G4_8K-s-unsplash.avif)

我深刻體會到，只要善用 AI，學習 Go 這類原本看似遙不可及的系統語言，其實可以非常直觀且高效。最初接觸 Go 的時候，光是 goroutine、channel 這些並發機制就讓我感到有點壓力，還有錯誤處理、型別系統、指標等，和我熟悉的 JavaScript/TypeScript 差異極大。但隨著 AI 協作工具的進步，這些技術門檻變得不再那麼可怕。

我的做法是：每當有想法或需求時，會先用自然語言把目標和預期流程拆解得越細越好，例如：「我要寫一個 Go CLI 工具，需要支援參數解析、能夠讀寫 YAML 設定檔、具備多執行緒下載功能，並且要有清楚的錯誤提示。」接著把這些需求丟給 AI，請它幫我產生 scaffold code。遇到不懂的語法、錯誤訊息或設計模式時，也會直接問 AI：「這個 context.Context 的用途是什麼？」、「為什麼要這樣寫 error handling？」甚至「有沒有更 idiomatic 的 Go 作法？」這樣的互動大大加速了我的學習曲線。

AI 不只是在寫程式碼的時候提供幫助，連很多 Go 生態圈的慣例、最佳實踐，甚至是 CI/CD、單元測試、效能優化，也能即時解釋並舉例。像是我用 Go 開發網路工具時，會問 AI：「怎麼用 goroutine 實現大量 HTTP 請求但不會打爆記憶體？」AI 不只會給出程式碼，還會解釋背後的資源管理原理，讓我更容易理解為什麼要這樣設計。

更重要的是，Go 的簡潔語法和極佳的可讀性，讓我每次從 AI 那裡拿到程式碼後，都能快速地理解每一行的用途，進一步調整成最適合自己專案的結構。即使遇到複雜的第三方套件或框架，也能靠著 prompt 一步步拆解細節，問到自己完全明白為止。

現在的我，已經不會再害怕「換語言」這件事。Go 對我來說，就是一個直接把想法落地的強大工具，只要能清楚描述問題和需求，AI 就能補足我在語法、標準庫甚至設計思維上的不足。語言本身已經不再是學習路上的絆腳石，而是我探索更高效開發模式的橋樑。AI 讓我敢於主動面對未知，不斷突破自己的技術邊界。

## 總結：Vibe Coding 不是放棄專業，而是重構流程

![Shirakawa Lane](https://assets.calpa.me/japan/ShirakawaLane.avif)

一開始我以為，AI 會讓開發變得更快。只要下一行 prompt，就能產出整套 UI、串接 API，甚至補好錯誤處理。效率看起來提高了，產出看起來也更豐富。但我很快發現，這些「看起來不錯」的結果，其實沒解決什麼真正的問題。那時我開始懷疑，問題從來不在 AI 的能力，而是在我是否真的知道自己在做什麼。我沒有慢下來問清楚需求，也沒有釐清每個步驟的必要性，只是順著生成繼續往前。

直到某天，我開始刻意把 prompt 寫得更慢、更細，甚至在送出前先問自己一句話：這是我真正想要的嗎？AI 不再只是工具，而變成一面鏡子，照見我的猶豫、含糊、甚至逃避。它沒有責備我，只是誠實地給出根據我語言所理解的結果。每一次對話，都像是一場交叉檢查。當我開始反覆重構 prompt，補充上下文，釐清邏輯，我才意識到，我其實是在重新設計整個思考流程。不是為了讓 AI 更聰明，而是讓我自己更誠實。

現在的我，比以前更慢也更穩。我不再用 AI 來證明我能做多少，而是用它來幫助我判斷什麼值得做。技術力不是我最想強調的事情，思考力才是。我學會用語言提問、拆解、驗證，也學會在每次選擇的交叉口上停下來，問自己一句：這一行程式碼，真的讓使用者得到幫助了嗎？如果沒有，那我寧可不寫。這才是我心中的 Vibe Coding，一種與自己對話的節奏，也是一種誠實的開發方式。
