Previous Review: AI 與產品：2026 Q1

誠如前篇紀錄所言，AI 日新月異、場景流程也持續迭代，前一版本在一個季度後已有許多調整，因此目前的內容僅代表 2026.07 的做法，未來可能隨時大幅調整。

AI 摸索現況

流程中使用的工具是 Heptabase + Claude Code，目前已鮮少使用 Notion。這次約有一半的時間花在優化 AI 的使用流程。補充操作環境設置：

1. local: cmux Terminal + tmux。cmux 最初是為了解決記住 tmux 大量快捷鍵的問題，但由於 SSH 連線中斷後 Session 會遺失，為了確保能在背景持續執行，我選擇 cmux + tmux，讓遠端連線時可以 attach tmux session。

2. remote: 將 MacBook 設定為不休眠，透過 Tailscale + SSH 連線使用 Claude Code。過去提到網路設置的第一印象都是麻煩，但現在有 Tailscale 這項工具，同一帳號的電腦開啟後，即可透過其提供的 IP 位址 SSH 連線，設定非常方便。

產品探索、分解與定義問題

需求方向有、解決方案有，但大量規格細節缺失

大量的規格細節常處於周哈里窗中「知道不知道」的範疇，且瑣碎的不確定性極易遺漏，需要一一釐清並整合進產品思考。舉例而言，開發內部系統時可能同時存在多個對話對象，從 Stakeholder 層級區分就有 3 個以上，加上工程師與主管，單一問題可能需要從 6 個以上的角度進行確認。雖然前篇提到可透過 AI 先行探詢，但在業務邏輯複雜的內部平台或 2B 服務，AI 模擬不同角色的視角僅能作為初篩。因此我選擇致力於提升初篩後的釐清效率，靈感來自 再探需求 - 曼陀號領航計畫 PM 組紀錄。開始測試為每個專案維護 Hypothesis List，整合已知的規格與初步釐清的資訊，進一步檢視該功能的各項假設。這些假設通常是後期需要核對的關鍵點。若需向相關人員確認，也可請 LLM 直接寫好詢問訊息，再逐一排程發出。

問題不確定低與初步解法不確定高

當問題已經確定，但解法完全沒有頭緒，或是不確定執行細節時，這一季主要嘗試優化原型 (Prototype) 製作的效率。過去習慣在 Repo 中開啟 Worktree 並拉出多個分支以進行不同版本的測試，在易用性測試時也需頻繁切換分支。

現在參考參數式設計的方法，在原型開發中加入一項條件：將不同場景透過 Controller 實現。藉此能快速切換參數，比較不同版本的差異。此外，亦可搭配上述的 Hypothesis List 列出不同解法的假設，將其轉化為易用性測試訪綱，並依序執行以收集回饋。

問題不確定性高

在討論問題時曾嘗試過 grill-me 或 superpower 等 Skills，但發現問答過程雖具啟發性，思考卻會被拆解得過於零碎，進而失去宏觀視角。明顯的差異在於：過去習慣在 Heptabase 上分析流程、標記問題點，透過白板查看全局；現在則傾向從問答開始，再堆砌出流程。前者深入透徹但難以平行推動且較耗時；後者雖能將思考標準化，卻容易迷失方向。

在運用 AI 拆解高度不確定的問題（如人員抗拒新系統、留存率下降等）時，如何有條理地兼顧 Top-down 與 Bottom-up 的優點，是現在流程中仍缺乏的。

Agent Team

契機來自讀書會中朋友的分享：「Main Session 的 Context 很貴，大約 20% 左右我就會 Compact 或 Clear。」才發現自己從未注意的 Context 消耗問題。因此，即便尚未有明確痛點，基於好奇心，我開始調整 Claude Code 使用方式：從在 cmux 中開啟大量標籤頁，改為在單一 Main Session 中指派多個 Agent 協作。

過程中大量參考了 EMil Wu Agent Team 實戰 的邏輯，並以可以為 Agent 命名為動力，這一季測試建立以下 Agent，建立順序同描述順序：

1. Define Agent - Yachiyo：衍生自自定義 Skill /digest-agent-work 與 /refine-request，前者是 ticket 與 local markdown 的檔案管理、後者是 Refine 用的問答流程。原以為 Agent 只是 Skills 的集合體，但發現它具備獨立記憶機制，能在過程中累積 Know-how。例如：我會請 Agent 校正問答方式，或在最後指派 Subagent 稽核成果，Agent 能記錄關鍵的業務邏輯決策或我期待的視角。

2. Builder Agent - Kaguya：由自定義技巧 /spec-refine、/prototype-execution 與 /pr-create 組成，負責針對大量卡片進行原型開發。這一季測試新增 agent-browser 流程，實現無需啟動伺服器即可預覽。然而，目前 Playwright 與 agent-browser 執行速度太慢，還未有理想方法快速評比不同 Prototype。

3. Storytelling Agent - Kita：由定期生成日報、週報與分析報告的 Skills 組成。這些 Skills 過去常因對話修正樣版而污染 Context，導致話題偏離。透過 Agent Memory，會累積我的修改偏好，並核對應加入哪些追蹤項目。

雖然社群對於 Agent Team 的必要性有諸多討論，但目前的嘗試更像是心智模型的轉換，成效尚待觀察。但透過 Main 來指揮 Agent 確實啟動了不同思路，例如：可以更容易的從整體資源調度的角度思考、可以更容易看到所有關鍵決策不會混雜執行的資訊。

而隨著流程 Agent 化與遠端連線架設完成，自然而然的也想讓 Agent 持續運作。預計下一個嘗試是建立統籌 Agent，負責管理各處累積的 Hypothesis List 與 Agent 執行紀錄，並分析各處 Next Items 與任務時長，擔任第一個管理角色。

AI 成本

• Claude Code Max 5x：主力
• Heptabase Premium：主力
• Chat GPT Pro：為了 Codex 而訂的，交叉詰問測試中。
• Google One：個人用，主要用 Google Drive & 相簿，但加減玩一下 Gemini。