跳到主要內容

GAI 開發者年會後:AI 時代的真實輪廓與隱藏痛點

今年是 GAI 年會的第二屆,也是第一次真正以「開發者」為主體的聚焦。這是一場不得不面對的轉折 —— 經過數年,大致底定的共同意識是

AI coding 已不只是新工具,它已經改變了開發者的整體生態。

從 LLM 語言模型介入以來,開發者與 AI 的互動逐漸取代了以往的技術單打獨鬥,從 keyword 查詢,進化到情境模擬、任務拆解。我們不再只是寫程式,而是在與一個潛在的「技術同事」協作。

高效下的疑慮

從上面來說,雖然表面是極佳,然而,對管理者來說,一切只剩下最關鍵的一句話:

這樣做,有加快成效嗎?

這幾年最難被量化、也最讓人焦慮的,就是「成效感的失真」

雖然從體感上來說,我們「好像」可以更快做出東西、少請幾個人,但從經營角度來看,實際的交付時間與品質卻未必同步拉升。

事實上,不論是 GitHub Copilot、ChatGPT、Windsurf 等工具,的確進入了開發流程;但它們也伴隨著許多「看不見的重構成本」與「模型理解落差」,「需求感的無法開口」,尤其對尚未建立標準化流程的組織而言,更可能讓節奏走得更亂、更碎。

我們到底需要怎樣的新世代人才?

這是一個被大量低估的議題:

AI 時代對人才輪廓的徹底重構。

過去的開發現場重視專精與深度 —— 你可以沉默寡言,只要技術夠硬;你可以偏執孤僻,只要能解題。

但 AI 帶來的變化,是讓封閉式思考不再適用。你會發現:

  •  不會表達,無法喚醒 AI 的潛力 
  •  缺乏視角,無法跨域建構需求
  •  沒有場景意識,就無法讓 AI 產出有價值的解法

AI 讓寫程式變得更簡單,卻也讓理解問題、轉譯需求、拆解路徑變得更關鍵。 這不是「技術能力」的衰退,而是「溝通與整合力」成為新的槓桿。

真正的轉變,不在技術,而在用戶的期待

AJAX 出現後,沒有人再願意接受靜態頁面;同樣地,AI Agent 的普及,讓使用者開始期待:

  •  服務能即時理解他
  •  回應可以根據他本人調整
  •  一句話就能產出一個方向,而不是等待跨部門回報

這種「千人千面、即時互動」的產品期待,正在成為數位產品的新基準線。 這代表著一件事:產品不再只是做出功能,而是創造能夠持續對話的體驗環境。

Cympack:人與 AI 的協作式新產品導入(NPI)流程

我們打造 Cympack 的初衷,就是基於這樣的觀察:品牌端永遠只會給你一句話,但要做出產品,背後需要一整條鏈。

這句話可能是:「我們想開發一款有故事性的包裝」,也可能是:「能不能幫我們測試一種永續材質?」

這背後牽涉的不只是設計,而是: 

  •  材料選型、包裝結構、印刷適性 
  •  加工方式、物流條件、展示視覺 
  •  生產端的排程與設備兼容性

而 AI 的角色,不是「取代專業人員」,而是成為加速構思、縮短反覆驗證時間的工具。 我們採取的方式是讓 AI 提供初步架構與參考資料,由專業顧問與製造端人員做出可交付的版本。這就是新型 NPI(New Product Introduction)流程的核心 —— 人與 AI 的共構,而非代換。

回到底層問題:AI 改變的,到底是什麼?

我的主觀結論是:

AI 改變的,不是技術本身, 

而是人們對「什麼叫好產品」的定義。

過去的「好產品」是功能健全;現在的「好產品」是會回應、會對話、能適應。 這也是為什麼,我們在產品開發過程中會這麼重視 AI 的角色配置與人機互動界面的建構。

不是因為流行導入 AI,而是:用戶已經不接受沒有 AI 的服務體驗了。

結語:不是「你會不會 AI」,而是「你能不能與 AI 合作」

未來,能在組織中創造價值的,不是那些獨行俠,而是懂得如何問問題、怎麼和 AI 交接 baton 的人。

GAI 年會不只是展示工具進展,更是一個提醒: 產品不會因為有 AI 而自動變快,但會因為不懂用 AI 而落後。

而這場 paradigm shift,我們已經置身其中。

最後工商時間

感謝此次 https://gaiconf.com/ 2025 所有工作人員的辛勞!


回放票資訊,

📅 年會資訊:

5/23(五)|開發者年會

5/24(六)|主論壇

專屬連結:https://pse.is/7jrlqq

專屬 $250 折扣碼:CAESARCHI777

可獲得折扣 :D


留言

這個網誌中的熱門文章

Vibe Coding:為什麼 Junior 更快上手?Senior 要如何追趕?

現象層面(市場觀察) 最近有篇文章討論 junior & senior 開發者在 AI 時代的角色轉變,非常熱門。 身為 Cympack 產品開發團隊 ,我們也一直關注這個議題,在閱讀這篇文章時觀察到一些有趣的現象,對我們來說,這正好反映出 AI 正在改變開發生態,junior 借力 AI 快速成長、senior 則需要在 「架構思維」 與 「多 agent 協作」 中找到新定位,其中有些啟發(insight) 可以跟大家分享。 為什麼 Junior 更容易上手 vibe coding? 心智負擔低 → Junior 沒有太多傳統 code workflow 的框架包袱 敢於嘗鮮 → Gen Z / 年輕工程師天生習慣用 prompt-based 工具、跟 LLM 互動 少「優雅程式設計」的束縛 → 不太糾結「這樣寫會不會不夠優雅」,反而 embrace 快速迭代、快速出成果 反觀 Senior: 熟悉大型系統設計 有豐富的「工程正統流程」知識(架構設計、測試策略、效能優化、設計模式) 對 AI 生成 code 的品質 / 維護性通常比較保留 部分 10+ 年資深工程師,對 prompt engineering 沒那麼熟練,還在觀望 技能面(未來的關鍵能力) Vibe coding 本質上 = prompt engineering + AI co-pilot 管理能力 能力項目 誰目前比較有優勢? Prompt 撰寫 / AI 互動 Junior 較強(熟悉 chat-based 流程) 系統設計 / 架構把關 Senior 較強 AI 生成 code 驗證 / Bug 察覺能力 Senior 較強(能看出潛在問題) 快速疊代 / Hackathon 式開發 Junior 較強 長期維護性 / 穩定性 Senior 較強 總結 Junior 確實更快適應 vibe coding,並且更習慣以 「chat-based coding」 的工作流開發。 Senior 擁有驗證 AI 產物與系統設計的深度能力,但若不主動練習 vibe coding,長期會逐漸落後於新一波開發潮流。 就如同在 GAI 技術年會分享,希望帶給各位的感受, 『與 AI 協...

RAG 和 Prompt 原理超簡單解說!想知道 AI 怎麼找答案看這篇

這篇文章是給對於你已經開始使用所謂的 ChatGPT / Claude / Gemini 之類的 AI 服務,甚至是 Siri (嘿丟,他也是一種 AI 應用服務喔) 簡單來說是非 技術人員, PM,小白,想要趕快惡補的人 ,直接花十分鐘可以看完的一篇科普業配文章。 或者是概念僅止於,AI 這東西會幻想,會有誤差,會對於生活有些幫助但沒有幫助的人們,做個簡單又不是太簡單的介紹,希望用一個非常入門的方式讓你們有個了解。 當然,這篇文章目的很簡單, 就是引流 ,如果你身邊有已經對於 Web 技術開發的人員,歡迎報名分享給他,年末出國不如學一技在身,參加今年我們舉辦最後一場 RAG 實作工作坊,報名連結 , https://exma.kktix.cc/events/ai-for-dev-course-rag-2 注意: 接下來每個大段落結束都會有一段工商導入,但文章絕對精彩,請注意! 為了讓各位容易想像,我們將整個世界的資訊,先濃縮到這本『西遊記』的世界觀當中,我們整個世界都在這個 『西遊記』 ,而 大型語言模型 我們用 『書精靈』 來描述。 PS. 我們先預設各位,應該都有聽過,西遊記!如果沒有聽過西遊記的,請右轉出去,謝謝! 先來談談向量 在《西遊記》的世界裡,我們可以把 向量想像成一種「內容座標」 ,讓系統知道每個角色、場景、法術等的 「位置」和「距離」 。向量幫助語言模型知道不同內容之間的關聯程度。 向量就像內容的「距離」和「位置」 比方說,唐三藏的 「位置」(向量)會接近「佛經」和「取經」 的概念,因為他一路上都是為了取經而前進。孫悟空的 向量位置則會更靠近「金箍棒」和「七十二變」 這些概念,因為這些是他的特徵。 相似內容靠得更近:像「佛經」和「取經」會靠近唐三藏的向量,因為它們彼此有很強的關聯。 相差較大內容會離得較遠:像「取經」和「妖怪」「妖怪的寶藏」就距離比較遠,因為妖怪的寶藏和取經的目標關聯性不大。 是誰決定的這些位置? 簡單來說,這些位置和關係是模型自己學出來的。語言模型會閱讀大量的資料和這世界觀的資訊,觀察哪些詞語經常一起出現,根據「共同出現的頻率」來決定它們的關係,並且自動生成向量。例如: 如果模型看到 「唐三藏」 總是和 「取經」 一起出現,它就會讓「唐三藏」的向量靠近「取經」。 ...

Vibe Coding 協作到自建 Dev Agent?從 Claude / Codex 到 OpenHands

過去一年,越來越多工程師開始 把 AI 真正帶進工作流程 。從一開始用 ChatGPT、Claude 來問語法問題,到後來很多人愛上 Cursor,直接在編輯器裡讓 AI 幫忙改 code、補 test case、甚至自動整理 PR。這樣的開發體驗,已經大大改變了我們寫程式的方式。 更現實的是,在很多企業內部、政府單位、或涉及機密資料的專案裡, 其實根本不能直接用 Cursor 或雲端 LLM 工具。   畢竟這些服務通常會把資料傳到雲端模型做處理,萬一專案裡有未公開的技術、敏感客戶資料,或是受限於法規 (像金融、醫療、政府標案) ,直接用雲端 AI 工具就會踩 紅線 。  因此,許多團隊反而更希望 「自己架一套 Dev Agent」 ,可以在內網執行,資料完全掌握在自己手上,該整合的內部工具、該讀的私有 repo、該串的 CI/CD pipeline,全部客製化、安全可控。 這時候,像 OpenHands 這樣的開源 Dev Agent 框架就特別有價值。它的出發點不是單純的 AI 助手,而是讓你能夠打造出一個真的可以跑在自己環境裡、可以理解整個開發流程的 AI 工程師。從建置到部署,從 CLI 操作到瀏覽器查詢, 從多檔案編輯到自動測試,全部都能自己完成,甚至還能針對不同專案調整專屬的工作流。 對很多開始探索 AI 協作開發的團隊來說,這是一條 從 「AI 幫你寫一段程式」,走向「AI 幫你解決一整個任務」 的進化路徑。而且,還是在可控、可自定義、安全的環境裡完成的。 🧩 主要概述 OpenHands 是由 All‑Hands AI 開發的開源「軟體開發代理人平台」,能模仿人類工程師從建立程式、修改程式碼、執行指令,到瀏覽網頁、呼叫 API……等一整套開發流程 它提供雲端(OpenHands Cloud)與本地 Docker 運行版本,用戶能配置 LLM(如 Claude、OpenAI、Gemini…) 📚 核心特性與怎麼使用 代理人的工具能力 支援代碼編輯、命令行、執行環境、網頁瀏覽、API 呼叫—接近人類開發者完整技能。其中 OpenHands Cloud 版本提供 $50 試用額度讓大家方便使用,又或者如果自己本機有 docker 的話,可以自己Local 版本透過 Docker 自架環境。 ...