我花了 12 個小時，和 AI 一起完成了一個產品

我花了 12 個小時，和 AI 一起完成了一個產品── Money Snap。

它是一個協助現金拆鈔、兌幣與統計的小工具。

回頭整理整個開發過程，我發現比起工具本身，更有趣的是這次和 AI 協作的方式。

老實說，我一開始沒有想過什麼 AI Workflow，也沒有刻意設計 Multi-Agent。就只是剛好手邊有 Gemini、ChatGPT 和 Copilot CLI，於是很自然地在不同階段用了最順手的工具。等到產品做完、回頭整理時，我才發現，原來這一路留下了一條很完整的人機協作軌跡。

起點是從一個工作上的問題開始

每個月初，總有一個人必須提早開始工作。 她打開 Excel、整理薪資、計算每個人的金額，再開始思考： 「銀行到底要換多少張一千？」 「這個人全部給五百可以嗎？」 「如果今天銀行沒有那麼多百元怎麼辦？」 我發現，這些工作沒有任何創造性，卻不能出任何差錯。

一開始我其實也想過：「是不是用 Excel 就好了？」

但真正困擾我的並不是公式，而是每次來源資料都不太一樣。有人貼的是 Excel、有人給 CSV、有人直接從薪資系統複製文字，整理格式往往比真正計算還花時間。

於是我開始思考，如果把這整個流程重新設計，而不是只是把 Excel 做得更複雜，會不會更有意義？

這就是 Money Snap 想解決的事情。

我沒有急著寫程式

過去做 Side Project，很容易一想到功能就直接開始寫。

但這次我刻意讓自己冷靜下來多學一點。

我先和 Gemini 討論產品到底要解決什麼問題，而不是先討論技術。很多時候，它不是在回答我，而是在反問我。

「真正的使用者是誰？」

「哪些功能是 MVP？」

產品方向慢慢清楚之後，我再把需求交由 Gemini 整理成 PRD 和 Technical Specification，讓整個產品有一份可以被閱讀、可以被討論、也可以交付開發的文件。

幾乎所有的開發工作，都建立在這份規格之上。

現在回頭看，多花了這一個小時 CP 值很高。

AI 開始接手執行，人開始負責判斷

有了規格之後，我把整個專案交給 Copilot CLI。

它沒有一開始就直接產生程式，而是先閱讀規格、整理計畫、拆解待辦項目，再開始一步一步完成功能。

我面對的不是一個「自動補程式碼的工具」，而是一個會依照規格工作的協作者。

第一次把薪資資料貼進去，看著每個人的面額、統計一起算出來，我反而沒有太大的興奮。 我的第一個念頭是：「真的可以。」 那一刻我知道，後面的工作不再是「做不做得到」，而是「怎麼把它做好」。

我不再一直思考「這段程式怎麼寫」，而是一直在做另外幾件事情：

需求有沒有被理解？

功能是不是符合使用情境？

介面是否真的好操作？

哪些地方需要再調整？

如果發現問題，就重新描述需求，再交回 Copilot 修改。

這樣的循環，重複了很多次。

慢慢地，我發現自己花最多時間的，不再是寫程式，而是一直確認： 「這是不是我要的？」 「使用者真的會這樣操作嗎？」 「這樣算完成了嗎？」 我開始覺得，我比較像產品的把關者，而不是一直埋頭寫程式的人。

原來真正花時間的不是 Coding

整個 MVP 大約花了 8 個小時。

其中大概可以拆成三個階段：

• 需求探索：約 1 小時
• 開發與初步 QA：約 2.5 小時
• Review、版控、Prompt 調整、部署、文件：約 4.5 小時

這個比例其實和我原本想的不太一樣。

我一直以為寫程式會花最多時間。

結果真正花時間的，是讓產品達到「可以發布」的品質。

AI 可以很快產生第一版，但第一版通常不是最後一版。

真正耗時的是那些很細微的事情：

一個按鈕的位置。

一句提示文字。

一個流程是不是順。

一個命名是不是容易理解。

這些都不是 AI 能自己決定的。

發布之後，AI 並沒有離開

MVP 發布完成之後，我又陸續加入了 PWA 和 Google Analytics。

PWA 和 Google Analytics，其實都是我以前沒有做過的東西。 過去遇到這種情況，我可能會先去找教學、看文件，再慢慢開始寫。 但這次，我先把需求講清楚，再和 AI 一起把它完成。

有趣的是，第二次開發幾乎完全沿用了第一次建立的流程。

先討論需求。

更新規格。

交給 Copilot 開發。

驗收。

修正。

發布。

這次大約又花了四個小時。

我開始發現，真正留下來的不是某一個功能，而是一套可以一直重複使用的協作方式。

為什麼不用一個有 Subagent 的 AI 就好？

我在寫這篇文章才想到這個問題。

也許在我有資源的情況下，下個產品我會試試看一個具備 Subagent 能力的平台，讓需求分析、規格整理、程式開發都在同一個工作流完成。

但回頭看這次的過程，我不是刻意的把不同 AI 分配成固定角色。

不是因為 Gemini 不會寫程式，也不是因為 ChatGPT 不會規劃，更不是 Copilot 不能討論需求。

只是當下，我用了自己最順手的工具。

要整理規格時，就切到 ChatGPT。 要真的改程式，又回到 Copilot CLI。 我不是先設計工作流，而是在產品做完之後，才發現工作流已經形成了。

也許未來，一個 Agent 就能完成所有事情。

但我相信，人仍然需要決定產品方向、定義完成的標準，以及負責最後的驗收。

這次最大的收穫

如果要說這個專案最大的收穫，我覺得不是完成了一個工具。

而是重新理解了自己的工作方式。

以前，我把 AI 當成一個回答問題的工具。

現在，我更傾向把它看成團隊中的協作者。

真正重要的，也不再是哪一個模型比較厲害，而是如何建立一套自己可以持續使用的人機協作流程。

因為模型會一直更新，工具也會一直改變。

但產品開發的節奏不會變。

從發現問題、定義需求、建立規格、實作、驗收，到持續迭代，這套流程未來仍然可以套用在之後的產品。

Money Snap 是第一個產品，我不知道下一個產品會是什麼。 但我知道，我大概還是會用同樣的方法開始：先把問題想清楚，再找 AI 一起把它做出來。