2026–09–10 AI 小聚心得：AI 幫你寫，那誰來當編輯？

AI 給了每個人一個寫得無限快的作者。

你要什麼它就給你什麼，一秒一版，不累不抱怨，半夜三點還在線上。

問題是，沒有人教過我們怎麼當編輯。

9/10 晚上的 GAI 小聚在 SPARKFUL，主題是 Claude Design × 簡報／資料視覺化，九位講者，每人十分鐘。而我，幾乎沒在用 Claude Design。設計這塊我走的是另一條路，自己寫了一套 skill 在用，所以看到議程的時候心裡想的是，身為腦殘粉的我，無腦參加就對了。

結果現場參加的人讓我有點意外，多了很多的生面孔，表示這次的主題有精準打到不同的客群，最近這幾次「主題性」的小聚講座，某種程度像個篩子，把類似的人聚在一起，這樣的方式挺好的。

結果九場聽完，我發現他們在做同一件事。

先說清楚，「作者跟編輯」這個比喻是我自己的，台上沒有人這樣講。但九個人示範的東西擺在一起看，形狀就是這樣：他們都在想辦法，把自己腦袋裡的判斷，變成 AI 吃得到的東西。

因為判斷力如果只留在你腦袋裡，AI 用不到（ 你可能也無法展現身為人的價值 XD ）。

今天的小聚，我一樣把我看到類似層面的放在一起，而有些東西是在活動結束後，重新仔細閱讀講者投影片的收穫，一樣整理起來，放在這裡：

彭其捷與李怡志：你得看得出哪裡不對

彭其捷做的是羽球的 3D 資料視覺化，戴資穎對 Momota 的真實對戰資料，不是模擬也不是遊戲畫面。他強調了好幾次：「這是 real data 轉出來的，這個不是 simulation，這也不是 game。」（ 真的比賽資料，不是模擬的，也不是打電動 ）

但我覺得～做成遊戲可能也會很有趣 XD

這個專案他迭代了超過一百版。

有趣的是第三十到四十版的時候，畫面出現人體畸形：

「一般的人類不會劈腿⋯一般的手肘不會一天到晚伸直去碰到球，這根本就不合理。」

因為有著打羽球超過二十年的經驗，所以看得出來哪裡怪。然後他補了一句更關鍵的：

「如果我身邊完全不會打羽球的人，他其實都講不出那些口語，這是極重要的人機協作的部分。」

不會打羽球的人，看到那個畸形畫面只會覺得「喔，怪怪的」，但講不出「手肘不該一直伸直碰球」。講不出來，AI 就修不了。

後來第六十版他找到交大實驗室的 open data，兩萬多拍的標注，品質又好了一截。第一百版加了骨架偵測，畫面更漂亮了。

然後他說了一件我覺得所有在燒 token 的人都該聽的事：

「純視覺化不夠，我們應該要再定義一個問題。我的問題就是贏球才是重要的。」

「要定義你的視覺化目的，不然你就會一直浪費 token，一直迭代而已，不會知道你的終點在哪邊。」

做到第一百版才發現，畫面好看只是過程，能幫人贏球才算數。有了「贏球」這個標準，落點差異跟軌跡變化才變成戰術分析。

李怡志在政大新聞系教書，他這場的題目是「AI 可以教儀表板了嗎？」

他挑的是新聞系學生，而且刻意避開資訊視覺化班，找「並沒有被要求做視覺化」的那種學生。給一份政治獻金的 open data，要求做出可搜尋、可檢索、可互動、而且要有兩層資訊層級的儀表板。

零程式基礎，一節課的一半時間，做出來了。

但重點在他接下來那句反直覺的話：

「過去大家都覺得大學教太多理論⋯可是我真的覺得現在理論很重要，因為實作都沒做好….」

實作門檻降低之後，理論反而更顯重要。因為當每個人都做得出來，能判斷「什麼是好、什麼是不好」的人才有價值。

他把十幾個儀表板理論整理成講義，每個理論點都附實例，再轉成四十幾個檢查點的 checklist 讓學生自查。理論來源包括 Sperling 的圖像記憶、Treisman 的預注意特徵、Shneiderman 的「Overview first」。（ 這邊大推李怡志老師的講義，真的值得一看。 ）

這裡有件事很有意思：講義內容中提到的理論全部都不是新的。 Sperling 的圖像記憶是 1960 年的論文，Shneiderman 的 Overview first 是 1996 年。

給它們新生命的，是它們現在服務的對象。以前 checklist 是拿來教學生的，現在是拿來驗收 AI 的。

他還整理了五個 AI 生成儀表板的系統性偏誤，我列三個最有感的：不指定風格會導致全班作品審美收斂（ 大家長得一樣 ）、交出功能正確但內容空的介面、只做搜尋框而忽略其他瀏覽路徑。

這些偏誤你不知道，就檢查不出來。

最後他講了一句蠻真心的：「AI 現在變動得非常非常的快⋯其實現在最辛苦的就是老師啦。」（ 講真的～完全能理解 XD ）

Dora Lu、Tinya Huang 與王鉦勛：怎麼讓它每次都認得出是你

Dora Lu 有著多年設計經驗，她處理的是另一個問題：AI 做出來的東西，長得像其他人。

「你是一個企業品牌，或者是你是一個個人的品牌，應該要是可以一眼就被人家看出來說：『哦，這個是你』。」

她的解法是建 Design System（ 設計系統 ），五個步驟：品牌定位、色彩與文字規範、設計風格、打樣、簡報模版。先釐清你是誰，再推導出色彩跟文字要長什麼樣。

但她講的最關鍵的一件事，是文字不夠：

「只有 Design MD 它有點不太夠，因為視覺設計這件事情，其實是很難用文字來表達清楚的。」

同一段七八百字的描述，AI 每次生成的結果落差可能很大。但只要先跟 AI 協作出一張你滿意的參考圖，之後每次都附上那張圖，風格就穩了。

形容詞寫再多，都不如一張圖來得準。

尤其對於像我這種設計能力不足，又沒啥美感的人來說，有時候去翻翻別人設計好的經驗，我覺得不是複製，而是風格對齊 XD。

Dora 提到有一個順序很值得記：先打樣，滿意之後再逆向建 Design System。順序反過來做，你會一直卡在重建系統的迴圈裡。

「先不要急著去想要建 Design System，你先跟 Claude Design 說：『你幫我建一個最基本的、你最喜歡的』。」

反覆調整到按鈕、banner 每個細節都滿意，下載 HTML，再逆向產生設計系統。

Tinya Huang 跟 Emily Ho 都在拼貼趣 PicCollage，但 Tinya 這場走的是相反方向：她把 code 轉回 Figma。

聽起來有點反直覺對吧？都能 vibe coding 了幹嘛還要回 Figma。

她做了內部調查，大約 29 人，結果是工程師、QA、PM 都覺得 Figma 文件重要。工程師的理由最實際：

「開發完之後我們有一個『它最終會（要）長什麼樣』、『 Behavior 是怎麼樣』的依據，這樣才不會大家會在測試中想說這是設計好的，還是這可能是 bug。」

轉換的準確率她給了具體數字：簡單的 UI 首次轉換接近 100%，複雜的（ 像影片編輯器那種 ）迭代之後拉到 90% 左右。關鍵作法是以 code base 為主、screenshot 只當對照，優先套用既有的 design system，再由下而上組裝：按鈕、工具列、大型元件，最後才是完整畫面。

她提到一句話我很有感覺：

「我們在 Vibe coding、你在改東西的時候，我們下的 prompt 其實本身就是 在做規格化了。」

你跟 AI 講的那些話本身就是規格書，只是大部分人講完就丟了。

收尾她說「工具方法沒有最好，只有最適合你們團隊的」，這句話放在一場工具分享的最後，還蠻誠實的。

王鉦勛在中研院數位文化中心，他要解決的那個問題，在 AI 出現以前就存在幾十年了。

他想處理的是專家審訂的 Word 表單。一筆概念要審六頁、九個區塊、三個翻譯版本比較、七個候選詞逐詞判斷，填一筆要六十分鐘。

但他示範了另一件很重要的事：AI 讓「重做一個流程」這件事，突然變得划算了。

以前沒有人會為了六十份審查表去開發一套系統，不划算。現在一週就能做出方法測試加介面雛形。於是那些大家忍了很久的爛流程，突然全部值得重做一次。

成果是單筆從六十分鐘降到十五分鐘。

他分享的四個協作技巧裡，有三個我覺得可以直接抄：

第一，用領域術語跟 AI 講話。他說「Tooltip（ 滑鼠移過去會浮現的提示文字 ）」比口語描述「滑鼠移上去會出現說明」更能讓 AI 精準理解。專業術語是壓縮過的共識，這在跟 AI 溝通的時候特別值錢。

第二，不要被自己一開始設下的限制綁住。他本來認定「只能用單檔 HTML、不部署」，後來追問了一句：

「目前的設計已經是最好的了嗎？就是還有沒有其實有更好的設計，還是只是沒有更好的提案？」

結果發現 Google Apps Script 加 Google Sheet 也能做到離線可用又即時回傳。

第三，要求舉一反三。只描述單一問題時，AI 就只會修那個單點，要明講「類似這些空間分布問題呢，請你舉一反三」，同類型的問題才會一起被處理。

他最後那句有很好的餘韻：「如果我們可以用 AI 快速地完成，然後能夠讓專家少一點認知的負擔，多留一分注意力，那我就覺得它就是很有價值。」

李慕約與 Emily Ho：意見送不回去，判斷力等於不存在

李慕約是小聚的策展人，他這場講年會官網跟識別證系統。

開場第一個觀點就很有力：

「現在的瓶頸其實已經不是『AI 做不出來』，現在的瓶頸是『AI 做太多』。」

AI 產出太多、太新，人沒有時間 review。所以需要好的介面，讓資訊能被吸收。

（ 這一點最近真的超級有感的，尤其後面會提到 Jackle 的工具，我只是想讓 AI 讀過一遍，就自動幫我發 PR 回去了….，這真的太多了啦 XD ）

然後他很誠實地講了自己的坑。年會識別證網站，他同時想做十項功能：心理測驗、多語言、資訊圖表、多講者簡報彙總⋯結果每項只做到六七十趴，上線前全部砍掉只留最少的功能。

「最貴的東西是你花 token 在沒有用的功能，就是沒有真的被使用、沒有真的上線的東西。假如你花了七十趴，可是不上線，這比你花零趴還差很多，你就花很多錢。」

這句話值得所有最近覺得自己開發速度變快的人貼在螢幕上。

更痛的是第二個坑。他以為識別證系統只有三個功能：寫名字、選號碼、生圖片。上線前才發現沒設計搶號機制，多人同時搶同一個號碼會失敗。

解法還挺有巧思的：保留好號碼、先配爛號碼、設計特別號，讓使用者在搶號的時候還有「變好」的參與感。

他的結論是：「你不要想要全部都一起上，那會很可怕。」

（這邊就可以知道一場年會的活動，光是網站的流程設計就需要多少的巧思。）

Emily Ho 在拼貼趣做 Product Designer，她的團隊有個產品叫 Glimpse，大約四個人在做，用戶可以傳照片、emoji、留言，顯示在 iPhone 的 Widget 上。

他們收到的需求超模糊：「用戶看不到自己在產品裡累積的東西。」

這種題目過去只能靠 whiteboard 跟 sketch 各自想像。現在她把品牌風格跟想測試的目標交給 Claude Design，直接產出可以操作的 prototype，讓團隊「體驗」而不是「看畫面」。

「原來這個 concept 是長這種感覺，原來是可以這樣子互動的。」

但方向確定之後，她還是把 HTML 透過 Figma MCP 轉回 Figma 做多輪精修。理由是 AI 生成的東西有時會多出不必要的功能，或不符合品牌調性，直接照用的話，產品會長得跟市面上其他產品很像。

她的結論跟 Tinya 是同一件事的兩面：

「不能把所有東西全部都交給 AI，我們要學會如何去消化它給的建議、判斷跟篩選，然後並且把它沒有做到的事情補足進去。」

Harry Cheng：但你得先有東西可以選

前面講了一堆「要有判斷力」，這場補上了我漏掉的前半段。

Harry Cheng（ 哈利 ）是《科技浪 Tech.wav》的主持人、前資料科學家，Podcast 累計播放量超過六百萬次，大家可能比較熟悉的是他 Youtuber 得身分？他現在做的是氛圍學院 VibeAcademy，一個 AI 原生的互動式學習平台。

他分享的東西裡，最反直覺的是這個：前三個月，他們完全不追求產品進度。

產品每週都長不一樣，連已經簽約的合作方都一度不清楚他們在做什麼（ 笑 ）。

「大家會把 AI 想像成是提升你的生產力，但其實 AI 也可以大幅地增加你的探索範圍。」

「不要追求進度，然後大方向一開始不定也沒關係。」

他們的做法是四步驟：爆量做出版本、自己實際去玩找出真正有感的互動、留下核心體驗再問它還缺什麼、然後再發散再收斂。

用「一百個體驗找到一個真的好」的方式收斂，最終呈現的內容不到早期探索產出的 5%。

這件事修正了我前面整篇的論點。收斂很重要沒錯，但收斂的前提，是你得先有夠多東西可以選。

彭其捷的一百版是這樣，哈利的一百個體驗也是這樣。判斷力是從一堆廢版本裡面熬出來的。

他簡報裡有一句話，我認為是整場小聚的總結：

「執行越便宜，判斷力與品味就越值錢。」

至於商業判斷的部分，剛好可以套用哈利說的「網紅的終點就是賣課」XD，但我想這應該是另一個議題了….

但？如果這些東西，AI 自己也能造呢？

寫到這裡，得先承認一件事。

前面講了一堆「把判斷力變成 AI 吃得到的東西」，但你回頭看會發現一個問題：這些東西 AI 自己都能造。

Claude Design 可以逆向工程生出 Design System，李怡志的四十幾個檢查點可以直接餵給 AI 讓它自查，Tinya 的 master component 她自己就明講是 Claude Code 生成的，等一下要講的 html-visualizer 本身就是 AI 寫出來的東西。

那人到底還可以扮演什麼角色？

我看完九場的答案是：AI 可以把這些東西造出來，但決定不了它們要收在哪個方向。

彭其捷可以讓 AI 生成一百種視覺化，但「贏球才重要」這個標準必須是他定的。李怡志可以讓 AI 產出 checklist，但哪些理論該進 checklist 是他選的。

AI 負責造，人負責定方向。

還有第二件事要誠實講：收斂是會過頭的。

規則訂太死，AI 產出就變成樣板，那等於把 AI 的價值殺掉了。這個風險不用我說，Dora 自己就示範了解法：先打樣、滿意了再逆向建系統。先有滿意的東西，再從它身上長出規範。一開始就把規則全部訂死，只會把自己綁死。

最後，我也不想假裝九個人在講同一件事。

Emily 用 Claude Code 直接產出 iOS 的轉場程式碼、Tinya 的 UI 手刻從一小時縮到二十分鐘，那些就是單純的效率提升，跟判斷力沒什麼關係。硬要塞進這條線才做作。

他們的核心都指向同一件事，但各自還有別的意涵。

Jackle 陳泰呈：編輯下班了

最後一場，也是我覺得整晚最尖的一刀。 （ 補充：剛好前一晚有幸，參加讀書會先聽 Jackle 先綵排了一次，再聽一次，更有不同的感受。）

Jackle 陳泰呈在卡柏蒂當資訊長。他的起點很小：同事回報公司知識庫偶爾會答錯。

追查下去，源頭是 AI 整理的會議紀錄把「A 說的話寫成 B 說的」。會議紀錄污染了知識庫，知識庫再把錯誤答給每一個人。

這種事本來有對策，就是 human-in-the-loop（ 人在流程中的介入 ），開完會請大家回去 review，抓到錯就回饋給 AI 修正。

問題是大家根本不會看，不會看～不會...。

因為那份會議紀錄就是一堆字，沒有人看得下去。

於是他去改版。從結構化格式（ 決議、待辦分欄 ），到文章版排版，再到流程圖視覺化（ 流程圖、角色交接圖、狀況處理圖 ）。改到後來，大家（嗯，至少他自己？）真的開始回看了，錯誤也就被抓出來了。

他把這套做法開源成 html-visualizer，三個步驟很白話：給我看畫面、讓我直接回應、幫我整理回傳。他拿它來做功能設計對齊（ AI 生成多個介面方案，直接在視覺稿上圈選評論 ）、補齊 edge case（ 一口氣列出十六個操作情境做成可互動 prototype，找第一線使用者逐條確認 ），還有非同步蒐集回饋。

然後他講了那句話：

「這樣不行啊，我們就是把我們的思考給外包了。」

整晚所有人都在講怎麼讓 AI 做更多，只有他在講一件相反的事：人正在停止思考。

為什麼這句這麼有感？

因為 AI 每次問「這樣可以嗎」，我們都按 OK。一次兩次沒差，按了三個月，那塊判斷的肌肉就鬆了。（相信看到這邊應該很多人都在點頭了，不知道還有多少人會盯著 AI 寫程式？ XD ）

所以他做的那個工具，表面上是在做 UX，骨子裡是在搶救人的注意力。

大家不回看會議紀錄，不是因為懶。是因為介面讓思考變太貴了。你要花二十分鐘讀一整片紙才能講出一句意見，那大部分人就會選擇不講。把成本降下來，意見自然就回來了。

他最後說：「我要服務讀者⋯你要先讓大家願意看⋯讓他好理解⋯讓他的意見好表達。」然後補了一句：「我們不要再讓 AI 說什麼你都 OK OK 同意同意，我們要保持獨立思考，然後勇敢提供我們的意見。」

html-visualizer 我後來真的裝來用了。

提供的連結就是我使用 html-visualizer 整理了李怡志老師講義的內容，大家也可以看看這樣的內容閱讀上有沒有更容易吸收？

安裝很簡單，給 AI 一句話就好：/plugin marketplace add chenjackle45/html-visualizer MIT 授權，免費。除了 Claude Code 之外，Codex、Cursor、Cline、GitHub Copilot、OpenCode 也都能用。

聽完之後，我們可以做什麼？

開場我說，這場的主題是我最不用的工具。

聽完之後我的想法變了。用不用 Claude Design 是其次，那只是一個當下方便的工具，兩年後叫什麼名字都不知道。九個人真正示範的，是同一組動作：把自己腦袋裡的判斷，變成一個 AI 吃得到、而且下次還能再用一次的東西。

有人把它變成校正用的領域知識（ 彭其捷的羽球、李怡志的理論 ），有人把它變成規範（ Dora 的參考圖、Tinya 的 master component、王鉦勛的 UX 術語 ），有人把它變成介面（ 李慕約的識別證系統、Emily 的 prototype、Jackle 的 html-visualizer ）。

形式不一樣，動作是同一個。

而這些東西沒有一樣是 AI 時代發明的。Design System 走了十幾年，李怡志引的圖像記憶研究是 1960 年的論文，王鉦勛用的使用者體驗五要素是 2002 年的書。它們一點都不新。

新的只有一件事：它們現在服務的對象從人變成了 AI。

真正該問的，可能是一個更值得思考的問題：

你還在當那個編輯嗎？還是已經一路 OK、OK、OK 按到底了？

你呢？最近一次真的跟 AI 吵架、堅持它是錯的，是什麼時候的事？

另外補兩個我私心最愛的。彭其捷一開場秀的雲端辦公室，前面沒寫進來，因為有點偏離主題，但我最近也在做類似的東西。還有今年不知道會上台幾次的 Jackle，他的 html-visualizer~~有發現嗎？骨子裡還是延續他之前說的上下文衍生，這次標題害我也差點沿用（太變態？…XD）。

最後照慣例，這是憑我粗淺的記憶加上一堆筆記寫出來的心得，一定有漏掉跟理解錯的地方。上一次就有被講者糾錯了，所以這一次如果有講者看到錯誤的，請務必回饋給我，讓我來修正其中的內容。想看完整內容的，強力建議去訂閱李慕約的 2026 AI 訂閱，有影片的回放，讓你更能感受當天的氛圍喔。