[{"data":1,"prerenderedAt":25},["ShallowReactive",2],{"post-domain-knowledge-not-coding":3},{"post":4},{"slug":5,"title":6,"date":7,"description":8,"tags":9,"author":14,"cover":15,"draft":16,"readingTime":17,"cta":18,"body":23,"html":24},"domain-knowledge-not-coding","別急著補寫程式：AI 時代，真正稀缺的是「你懂你在做什麼」","2026-07-01T09:00:00.000Z","Anthropic 分析 40 萬次真實 AI 對話發現，會不會寫程式沒那麼重要，懂不懂你手上那件事、能不能驗收，才是駕馭 AI 的關鍵。AI 越強，領域知識的槓桿反而越大。",[10,11,12,13],"AI","領域知識","AI 協作","Vibe Coding","HiHi Digital",null,false,4,{"title":19,"text":20,"label":21,"to":22},"你顧好領域，工程交給我","你最懂你的本業，AI 幫你執行——但「做得對、撐得住、上得了線」需要另一種判斷。這一塊，交給十年經驗的我。","聊聊你的想法 →","\u002Fcontact","\n這兩年我最常被問到兩種焦慮，方向相反，卻同樣讓人睡不好：\n\n一種是「我不會寫程式，AI 時代是不是要被淘汰了？」\n另一種是「現在人人都能用 AI 寫程式，那我的專業還值錢嗎？」\n\n最近 Anthropic 分析了 **40 萬次真實的 AI 對話**，結論很反直覺，剛好把這兩種焦慮一起解掉了：\n\n> 會不會寫程式，其實沒你想的重要。真正決定你能不能駕馭 AI 的，是**你懂不懂手上那件事**。\n\n## 真正的門檻，不是程式，是領域知識\n\n報告裡有個例子我很喜歡：一個從沒碰過 Python 的會計，只要他能清楚說出對帳規則該怎麼設、還能在月結時抓出 AI 漏掉的邊界錯誤——**在那個任務上，他就是專家**。\n\n他不需要會寫程式。他需要的是「知道什麼叫做對」，以及「有能力驗收」。程式，交給 AI。\n\n換句話說，AI 時代的分工大概長這樣：\n\n- **你**負責大部分的「做什麼」（規劃、判斷、定義對錯）\n- **AI** 負責大部分的「怎麼做」（執行、產出）\n\n## 數據：內行人為什麼用 AI 用得更好\n\nAnthropic 的數字很有意思。同樣一句指令，**內行人平均會觸發 AI 約 12 個動作、產出 3,200 字；新手大概只有 5 個動作、600 字**。\n\n差別在哪？內行人敢放手把「更大塊」的工作交給 AI，因為他知道自己驗收得出來。新手不敢，因為他看不出哪裡錯了。\n\n成功率也跟著拉開：\n\n- 嚴格核實的成功率：新手約 **15%**，中階到專家約 **28–33%**\n- 半途放棄率：新手約 **19%**，內行只有 **5–7%**\n\n不是內行人比較會下指令，是他**知道自己要什麼、也知道成果對不對**。\n\n## 最反直覺的一點：這跟你是不是工程師，關係不大\n\n你可能以為軟體工程師用 AI 一定電爆其他人。結果呢？工程師的核實成功率約 34%，其他職業約 29%——**只差 5 個百分點**。\n\n更妙的是，**管理職的成功率甚至略高於工程師**。原因很合理：他們每天在做的事，就是「定義任務、交辦、驗收」——這套能力，轉去指揮 AI 剛剛好。\n\n所以「駕馭 AI」的核心能力，從來不是寫程式，是**把問題想清楚、把「什麼叫做對」說明白、而且驗收得出來**。這件事，各行各業的內行人都有機會做到。\n\n## 這對你的意義：AI 讓領域知識的槓桿變更大了\n\n很多人看到 AI 的第一反應是焦慮，急著去補一堆寫程式的課。但這份數據告訴你，更划算的投資其實是：\n\n> **把你本來就在做的那個領域，弄得更透；把「什麼叫做對」，說得更清楚。**\n\nAI 越強，這件事的槓桿反而越大——因為執行變便宜了，「知道要做什麼、知道對不對」就變成最稀缺、也最值錢的能力。\n\n給你兩個我自己也在用的務實心法：\n\n1. **先想清楚，再交給 AI 加速。** 規劃和判斷是你的責任，別把它也外包給 AI。你把問題定義得越乾淨，AI 幫你做得越準。\n2. **先能驗收，再敢放手。** 你要有能力抓出 AI 漏掉的邊界錯誤，才敢把大塊工作交出去。看不懂成果的人，不是在用 AI，是在賭運氣。\n\n## 但有件事，領域知識補不了\n\n這裡我要補一個工程師的角度。\n\n領域知識負責「做什麼、做得對」，但一個東西要真的**上得了線、撐得住、不出資安包**，靠的是另一種判斷——穩定度、可維護性、資安、部署維運。這正是我之前那篇〈[Vibe Coding 的四個隱形成本](\u002Fblog\u002Fvibe-coding-hidden-costs)〉在講的事。\n\n這兩件事不衝突，而是互補：\n\n**你顧好你的領域，AI 負責執行，而工程的地基有人幫你把關**——這時候 AI 才真的變成生產力，而不是一個越改越糟的半成品。\n\n所以我的建議很簡單：別焦慮去跟 AI 拼寫程式。把你的本業弄到別人取代不了的深度，學會把需求說清楚、把成果驗收好。剩下那塊「做得對、撐得住」的工程判斷，需要的時候，再找懂的人補上就好。\n\n> 資料佐證來自 Anthropic 對 40 萬次真實 AI 對話的分析報告。\n","\u003Cp>這兩年我最常被問到兩種焦慮，方向相反，卻同樣讓人睡不好：\u003C\u002Fp>\n\u003Cp>一種是「我不會寫程式，AI 時代是不是要被淘汰了？」\n另一種是「現在人人都能用 AI 寫程式，那我的專業還值錢嗎？」\u003C\u002Fp>\n\u003Cp>最近 Anthropic 分析了 \u003Cstrong>40 萬次真實的 AI 對話\u003C\u002Fstrong>，結論很反直覺，剛好把這兩種焦慮一起解掉了：\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>會不會寫程式，其實沒你想的重要。真正決定你能不能駕馭 AI 的，是\u003Cstrong>你懂不懂手上那件事\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch2 id=\"%E7%9C%9F%E6%AD%A3%E7%9A%84%E9%96%80%E6%AA%BB%EF%BC%8C%E4%B8%8D%E6%98%AF%E7%A8%8B%E5%BC%8F%EF%BC%8C%E6%98%AF%E9%A0%98%E5%9F%9F%E7%9F%A5%E8%AD%98\" tabindex=\"-1\">\u003Ca class=\"header-anchor\" href=\"#%E7%9C%9F%E6%AD%A3%E7%9A%84%E9%96%80%E6%AA%BB%EF%BC%8C%E4%B8%8D%E6%98%AF%E7%A8%8B%E5%BC%8F%EF%BC%8C%E6%98%AF%E9%A0%98%E5%9F%9F%E7%9F%A5%E8%AD%98\">真正的門檻，不是程式，是領域知識\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>報告裡有個例子我很喜歡：一個從沒碰過 Python 的會計，只要他能清楚說出對帳規則該怎麼設、還能在月結時抓出 AI 漏掉的邊界錯誤——\u003Cstrong>在那個任務上，他就是專家\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>他不需要會寫程式。他需要的是「知道什麼叫做對」，以及「有能力驗收」。程式，交給 AI。\u003C\u002Fp>\n\u003Cp>換句話說，AI 時代的分工大概長這樣：\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>你\u003C\u002Fstrong>負責大部分的「做什麼」（規劃、判斷、定義對錯）\u003C\u002Fli>\n\u003Cli>\u003Cstrong>AI\u003C\u002Fstrong> 負責大部分的「怎麼做」（執行、產出）\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2 id=\"%E6%95%B8%E6%93%9A%EF%BC%9A%E5%85%A7%E8%A1%8C%E4%BA%BA%E7%82%BA%E4%BB%80%E9%BA%BC%E7%94%A8-ai-%E7%94%A8%E5%BE%97%E6%9B%B4%E5%A5%BD\" tabindex=\"-1\">\u003Ca class=\"header-anchor\" href=\"#%E6%95%B8%E6%93%9A%EF%BC%9A%E5%85%A7%E8%A1%8C%E4%BA%BA%E7%82%BA%E4%BB%80%E9%BA%BC%E7%94%A8-ai-%E7%94%A8%E5%BE%97%E6%9B%B4%E5%A5%BD\">數據：內行人為什麼用 AI 用得更好\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>Anthropic 的數字很有意思。同樣一句指令，\u003Cstrong>內行人平均會觸發 AI 約 12 個動作、產出 3,200 字；新手大概只有 5 個動作、600 字\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>差別在哪？內行人敢放手把「更大塊」的工作交給 AI，因為他知道自己驗收得出來。新手不敢，因為他看不出哪裡錯了。\u003C\u002Fp>\n\u003Cp>成功率也跟著拉開：\u003C\u002Fp>\n\u003Cul>\n\u003Cli>嚴格核實的成功率：新手約 \u003Cstrong>15%\u003C\u002Fstrong>，中階到專家約 \u003Cstrong>28–33%\u003C\u002Fstrong>\u003C\u002Fli>\n\u003Cli>半途放棄率：新手約 \u003Cstrong>19%\u003C\u002Fstrong>，內行只有 \u003Cstrong>5–7%\u003C\u002Fstrong>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>不是內行人比較會下指令，是他\u003Cstrong>知道自己要什麼、也知道成果對不對\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Ch2 id=\"%E6%9C%80%E5%8F%8D%E7%9B%B4%E8%A6%BA%E7%9A%84%E4%B8%80%E9%BB%9E%EF%BC%9A%E9%80%99%E8%B7%9F%E4%BD%A0%E6%98%AF%E4%B8%8D%E6%98%AF%E5%B7%A5%E7%A8%8B%E5%B8%AB%EF%BC%8C%E9%97%9C%E4%BF%82%E4%B8%8D%E5%A4%A7\" tabindex=\"-1\">\u003Ca class=\"header-anchor\" href=\"#%E6%9C%80%E5%8F%8D%E7%9B%B4%E8%A6%BA%E7%9A%84%E4%B8%80%E9%BB%9E%EF%BC%9A%E9%80%99%E8%B7%9F%E4%BD%A0%E6%98%AF%E4%B8%8D%E6%98%AF%E5%B7%A5%E7%A8%8B%E5%B8%AB%EF%BC%8C%E9%97%9C%E4%BF%82%E4%B8%8D%E5%A4%A7\">最反直覺的一點：這跟你是不是工程師，關係不大\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>你可能以為軟體工程師用 AI 一定電爆其他人。結果呢？工程師的核實成功率約 34%，其他職業約 29%——\u003Cstrong>只差 5 個百分點\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>更妙的是，\u003Cstrong>管理職的成功率甚至略高於工程師\u003C\u002Fstrong>。原因很合理：他們每天在做的事，就是「定義任務、交辦、驗收」——這套能力，轉去指揮 AI 剛剛好。\u003C\u002Fp>\n\u003Cp>所以「駕馭 AI」的核心能力，從來不是寫程式，是\u003Cstrong>把問題想清楚、把「什麼叫做對」說明白、而且驗收得出來\u003C\u002Fstrong>。這件事，各行各業的內行人都有機會做到。\u003C\u002Fp>\n\u003Ch2 id=\"%E9%80%99%E5%B0%8D%E4%BD%A0%E7%9A%84%E6%84%8F%E7%BE%A9%EF%BC%9Aai-%E8%AE%93%E9%A0%98%E5%9F%9F%E7%9F%A5%E8%AD%98%E7%9A%84%E6%A7%93%E6%A1%BF%E8%AE%8A%E6%9B%B4%E5%A4%A7%E4%BA%86\" tabindex=\"-1\">\u003Ca class=\"header-anchor\" href=\"#%E9%80%99%E5%B0%8D%E4%BD%A0%E7%9A%84%E6%84%8F%E7%BE%A9%EF%BC%9Aai-%E8%AE%93%E9%A0%98%E5%9F%9F%E7%9F%A5%E8%AD%98%E7%9A%84%E6%A7%93%E6%A1%BF%E8%AE%8A%E6%9B%B4%E5%A4%A7%E4%BA%86\">這對你的意義：AI 讓領域知識的槓桿變更大了\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>很多人看到 AI 的第一反應是焦慮，急著去補一堆寫程式的課。但這份數據告訴你，更划算的投資其實是：\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>把你本來就在做的那個領域，弄得更透；把「什麼叫做對」，說得更清楚。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>AI 越強，這件事的槓桿反而越大——因為執行變便宜了，「知道要做什麼、知道對不對」就變成最稀缺、也最值錢的能力。\u003C\u002Fp>\n\u003Cp>給你兩個我自己也在用的務實心法：\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>先想清楚，再交給 AI 加速。\u003C\u002Fstrong> 規劃和判斷是你的責任，別把它也外包給 AI。你把問題定義得越乾淨，AI 幫你做得越準。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>先能驗收，再敢放手。\u003C\u002Fstrong> 你要有能力抓出 AI 漏掉的邊界錯誤，才敢把大塊工作交出去。看不懂成果的人，不是在用 AI，是在賭運氣。\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Ch2 id=\"%E4%BD%86%E6%9C%89%E4%BB%B6%E4%BA%8B%EF%BC%8C%E9%A0%98%E5%9F%9F%E7%9F%A5%E8%AD%98%E8%A3%9C%E4%B8%8D%E4%BA%86\" tabindex=\"-1\">\u003Ca class=\"header-anchor\" href=\"#%E4%BD%86%E6%9C%89%E4%BB%B6%E4%BA%8B%EF%BC%8C%E9%A0%98%E5%9F%9F%E7%9F%A5%E8%AD%98%E8%A3%9C%E4%B8%8D%E4%BA%86\">但有件事，領域知識補不了\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>這裡我要補一個工程師的角度。\u003C\u002Fp>\n\u003Cp>領域知識負責「做什麼、做得對」，但一個東西要真的\u003Cstrong>上得了線、撐得住、不出資安包\u003C\u002Fstrong>，靠的是另一種判斷——穩定度、可維護性、資安、部署維運。這正是我之前那篇〈\u003Ca href=\"\u002Fblog\u002Fvibe-coding-hidden-costs\">Vibe Coding 的四個隱形成本\u003C\u002Fa>〉在講的事。\u003C\u002Fp>\n\u003Cp>這兩件事不衝突，而是互補：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>你顧好你的領域，AI 負責執行，而工程的地基有人幫你把關\u003C\u002Fstrong>——這時候 AI 才真的變成生產力，而不是一個越改越糟的半成品。\u003C\u002Fp>\n\u003Cp>所以我的建議很簡單：別焦慮去跟 AI 拼寫程式。把你的本業弄到別人取代不了的深度，學會把需求說清楚、把成果驗收好。剩下那塊「做得對、撐得住」的工程判斷，需要的時候，再找懂的人補上就好。\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>資料佐證來自 Anthropic 對 40 萬次真實 AI 對話的分析報告。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n",1782893513293]