KeyFrame內部研究專用

唔識寫 code 用 AI 就整到有用嘅軟件? 過萬訪客 website 嘅真實案例 |#學識AI EP14

學識 Hok640 min中文
觀看原始影片

三句話摘要

AI能否完全取代專業軟件開發?探討無編程背景的人用AI開發真實應用的現實能力與限制。 AI加速軟件開發但無法替代經驗積累;無編程背景可做小工具但做專業應用需學會監督AI、理解成本權衡,邊做邊學遠比理論學習更有效。 AI Reverse Engineering 的真相:雖新聞聲稱Adobe Photoshop等軟件被開源,但實際開源版本遠非完美,功能永遠有缺失。專業軟件經過數十年開發積累細節太多,逐一追蹤不知何時才完成,所以現存項目都做不到100%複製。

重點整理

  1. AI Reverse Engineering 的真相:雖新聞聲稱Adobe Photoshop等軟件被開源,但實際開源版本遠非完美,功能永遠有缺失。專業軟件經過數十年開發積累細節太多,逐一追蹤不知何時才完成,所以現存項目都做不到100%複製。

  2. 無編程背景也能成功的條件:Keith的香港交通即時資訊網站完全由AI協助、他本人零編碼經驗。但成功關鍵是持續的「human in the loop」——不能丟給AI自己做,要不斷檢查、引導、修正。當AI說做不到某功能時,要反問有無替代方案,而非照單全收。

  3. AI會失控,需多層監察:AI容易中途偏離目標、忘記計畫、採用捷徑方法。大型項目應配置多個監察Agent(forensic檢查正確性、architect設計架構、poet確保代碼優雅、sentry防止重複失敗),代價是額外token消耗但比人工監察效率高。

  4. 隱形的成本與經驗陷阱:無IT背景的人問AI怎樣建大型應用,AI傾向給「保守但昂貴」的方案(完整三層架構)。有經驗的開發者才知道何時用Serverless簡化。專業級差異源自踩過的坑,不是讀完IT學位就懂,邊做邊學才是累積經驗的真實路徑。

實用技巧與重點

  • Keith交通網站技術資訊:
  • 數據來源:香港政府數字政策辦公室的開放數據網站
  • 功能涵蓋:實時巴士位置、預計到站時間、停車場空位、電單車泊位等
  • 架構類型:Serverless(無需傳統伺服器)
  • 技術核心問題:實時數據量龐大(萬用戶×萬數據點/秒),需優化成本而非直接調用API
  • 四層監察系統(Multi-Agent Architecture):
  • Forensic Agent — 檢查錯誤與不合規
  • Architect Agent — 設計整體架構
  • Poet Agent — 確保代碼美觀(精準表達邏輯)
  • Sentry Agent — 防止無限循環(同方法失敗2次強制換方法)
  • AI平台選擇建議:
  • 完全無基礎:Lovable(整合DB、email、支付、域名等,無需懂infrastructure,費用較高)
  • 有基礎在港推薦:Cursor(原生Grok 4.7,無需VPN或外國信用卡)
  • 進階開發者:Claude Code、ChatGPT Codex
  • 與AI溝通技巧:
  • 不接受「做不到」單一答案,反問替代方案
  • 定期檢查AI是否偏離計畫、使用捷徑、改變目標
  • 大項目需書面計畫讓AI參考,小項目口頭要求可行
  • 發現AI走失時要引導回正軌,不能一次丟完就睡覺
  • 學習路徑建議:
  • 從自己用的小工具開始,勿想一步到位做產品級應用
  • 找朋友beta測試發現問題,比閉門造車更有效
  • 問題出現時回問AI「為什麼失敗」而非放棄
  • 某些問題需找真人(經驗開發者)快速解答,AI無法完全替代

結論

AI加速軟件開發但無法替代經驗積累;無編程背景可做小工具但做專業應用需學會監督AI、理解成本權衡,邊做邊學遠比理論學習更有效。

完整解析

這集對話核心在於回應一個流行說法:既然AI能reverse engineer專業軟件並開源免費,那麼SaaS商業模式是否已死、每個人是否都能輕易做出軟件?主持人和Keith從實戰角度逐層拆解這個看似簡單的問題。

AI的reverse engineering能力確實驚人,但遠非完美複製。以Photoshop為例,開源版本雖有基本功能,卻永遠無法達到100%複製。原因很簡單——這類軟件經過數十年磨練,積累了無數邊界情況、優化細節、使用者習慣的適配,一個接一個追蹤太耗時。所以新聞報導固然吸引眼球,實際效用卻大打折扣。

Keith的香港交通即時資訊網站是個有趣反例。他本人完全無編程背景,卻成功開發出日均數千使用者的應用,能實時展示巴士位置、預計到站、停車場空位、電單車泊位等資訊。乍看之下,這印證了「AI時代不需學編程」的論調。但Keith坦言,成功絕非丟給AI就完事,而是他擔任「製作人」角色——監工、檢查、引導。當AI說「地鐵無實時位置數據所以做不到」時,他沒有放棄,而是反問:有無替代方案?答案出現了——利用起點時間、終點時間、路線長度推估車輛位置。這種反覆對話、不接受單一答案的態度,才是成功的真實要因。

對大型項目,Keith甚至配置了多層監察系統——四個專門的Agent監視AI的編程過程。Forensic Agent檢查邏輯錯誤、Architect Agent把關架構決策、Poet Agent確保代碼表達優雅、Sentry Agent防止AI陷入某種無限失敗循環(比如AI用同樣方法重試一萬次卻永遠失敗)。這套系統的代價是額外的token消耗和時間投入,但相比人工逐行檢查,效率高得多。有趣的是,這個做法體現了企業管理邏輯——即使員工能力再強,管理層也需要監察機制,AI亦然。

然而,無編程背景的人真能用AI做出專業級應用嗎?Keith給出了務實的答案:理論可以,但會遭遇隱形陷阱。無IT基礎的人若問AI「怎樣建一個支持萬人的網站」,AI傾向給出「保守而昂貴」的方案——必然包含正式數據庫、應用伺服器、網頁伺服器的三層架構。這確實穩健,卻成本高昂。有十多年經驗的開發者才知道,這個交通地圖用Serverless架構足矣,完全不需三層結構,可節省大量成本。而且AI有時為了節省token,會採用「quick and dirty」的編碼捷徑,表面能運作卻架構不夠漂亮。無基礎的人根本看不出問題,照單全收反而自陷困境。

那專業級開發者的優勢究竟在哪?不是因為讀過四年IT學位(即便如此仍會出錯),而是因為他們「舐東西舐得多」——踩過同樣的坑無數次,第二次就知道避免方式。所以比起前期理論學習,更實用的是「邊做邊學」:先從自己用的小工具開始,成功率高、見效快;找朋友幫忙測試,問題自然浮出;發現問題後回頭問AI「為什麼失敗」,慢慢累積經驗。有時AI也解釋不清,需求助真人(有實務經驗的開發者),一眼就看穿AI需run十五分鐘才能說清楚的問題。

最後Keith推薦了不同程度使用者的AI平台選擇。完全無基礎的新手用Lovable——它整合數據庫、email、支付、域名等所有常見service,無需理解基礎設施,直接拖拖拉拉就能連接,代價是費用較高。已有編程基礎但想快速上手的人,用Cursor(原生Grok 4.7模型,香港無需VPN或外國信用卡)最便利。進階開發者可用Claude Code或ChatGPT Codex。選擇合適平台往往比前期學習重要——不同模型有不同個性,Claude傾向謹慎、OpenAI較為嚴肅、Grok則強調速度,匹配自己的項目特性最高效。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。