[心得] spec 寫到 5,000 行，程式還是跑不動：陳宜昌說 spec 是鷹架，AI Native 團隊的人只管決策、理解和探索
適合正在把 Claude Code 這類 coding agent 從個人工具推到整個團隊的工程師和技術主管。講者是 Noopher AI 創辦人陳宜昌（YC），之前在聯發創新基地帶團隊做 Breeze 繁中語言模型；這場是 iThome Hello World Dev Conference 2026 的 Keynote。〔2:05〕 〔2:46〕
一、spec 是鷹架，蓋完就收掉，不要當成藍圖
spec 寫得越完整，AI 寫出來的程式不一定越好。YC 團隊做語音聊天機器人 TASTE2 時，花了整整一個月寫出 5,000 行以上的 spec，後面還附一堆測試過的程式範例。〔10:41〕 〔11:08〕
結果程式生成跑了很久，測下去連基礎 module 都跑不起來，修了很久也找不到問題。他回頭看，是 spec 塞滿細節，模型的 context 沒聚焦在要解決的問題上。〔11:27〕 〔11:54〕
改法是回到軟體工程的老招：把系統拆成三個 submodule，再用一個 orchestrator 串起來，每個 module 各寫一份小 spec。第一個 submodule 一個早上一小時就跑通，整套一兩天跑通。orchestrator 幾乎不用 spec，因為 AI 看得到前面寫好的程式和介面。〔12:30〕 〔13:03〕 〔13:33〕
藍圖是把細節全想清楚再照圖施工；鷹架是幫忙把程式架起來，架完就拆。拆掉之後，AI 看到的程式跟 spec 都比較乾淨。〔13:44〕
- spec 越寫越長時，先停下來把問題拆成獨立 module，每個 module 各寫一份短 spec。
- module 做完就讓 AI 讀現有程式碼去串接，不用再寫一份大 spec。
二、任務好描述就寫 spec，難描述就先做原型
YC 整理了兩派。Matt Pocock 是規格派，用他的 Grill Me skill 讓 AI 一直問你問題，問到雙方對齊再寫 spec 開發。Claude Code 的負責人 Boris Cherny 則主張不寫 spec，直接用 prompt 做原型、測、改、再迭代，原型本身就是 spec。〔14:56〕 〔15:19〕
他自己看任務決定。好描述的走 spec：寫完就能放著讓它跑，去喝咖啡。難描述的走原型：要一直坐在 terminal 前跟 AI 互動，但省掉討論 spec 的過程。〔16:01〕 〔16:20〕
他也坦白說討論 spec 不容易，AI agent 講的語言跟人有落差，要理解它的思路得花力氣。〔16:41〕
- 開工前先問：這件事我說得清楚嗎？說得清楚就寫 spec 放著跑，說不清楚就先做原型。
三、AI 寫的程式碼少看，多花力氣監督和驗證
第二個分歧是 AI 寫的大量程式碼，人要看多少。〔17:08〕
| 誰 | 做法 |
|---|---|
| Simon Willison（Django 共同作者） | 讓 AI 一次產完，再用 AI 導覽的方式回頭理解程式碼 〔17:20〕 |
| Silen Naihin（參與 AutoGPT 開發） | 少逐行看，把力氣放在怎麼派 agent 出去、怎麼驗收 〔17:39〕 |
| DHH | 看系統狀態：新原型可以全交給 AI，Basecamp 那種老 codebase 就要多看 〔17:56〕 |
| Andrej Karpathy | vibe coding 適合拋棄式專案，正式工作還是要監督和驗證 〔18:25〕 |
YC 歸納的共通點是：少看程式碼，多做監督和驗證。〔18:52〕
四、人定架構，AI 拆出互不重疊的單，每張單先對齊再實作
Noopher AI 的流程從人開始：人跟人先討論出大致架構，不用太多細節。接著請 AI 拆單，最重要的是每張單不能 overlap，例如前後端分兩張，或每個 module 一張。〔19:26〕 〔19:42〕
每張單用 Matt Pocock 的 grill-with-docs 對齊，寫出的 spec 放到 GitHub issue。之後把 issue 拉下來用 TDD 實作，做完就關掉 issue，這就是鷹架拆掉的意思。〔20:02〕 〔20:22〕
grill-with-docs 會多產兩份檔案：CONTEXT.md 放統一詞彙，例如 meta-agent 和 member agent 各是什麼；ADR 記架構決策，例如 meta-agent 只指揮、不碰程式。agent 跑到一半有疑問會先查這兩份，不會每次都回頭問你。〔20:57〕 〔21:58〕 〔22:37〕
背後的想法是 DDD（領域驅動設計）：程式的結構和命名跟著業務領域走，人講的話和程式長得一樣，跟 AI 對齊就容易。〔22:48〕
review 他寫成 skill：單元測試、整合測試、spec review，再加變異測試，故意把小於改成大於，單元測試沒亮紅燈就代表測試有洞。〔24:13〕
- 拆單時先檢查每張單有沒有改到同一塊程式。
- 在 repo 放 CONTEXT.md 和 ADR，讓 agent 有地方查詞彙和既有決策。
- review 流程加一步變異測試，確認測試真的抓得到錯。
五、Agent Team 要看得到進度，但別叫 agent 自己回報
流程跑順後，YC 發現自己整天坐在電腦前按同意，像在幫 AI agent 服務的小弟。他想要流程自己走，卡住再來問他。〔24:56〕 〔25:21〕
v1 用 Claude Code 原生的 subagent：planner、worker、reviewer，用 worktree 隔開環境，主視窗當 meta-agent 指揮。單之間沒耦合，可以平行跑好幾張。問題是所有訊息都擠在一個主視窗，他上個廁所回來，「選 A 還是 B」的問題已經被洗上去，subagent 全停著等他。〔25:35〕 〔26:24〕 〔26:39〕
v2 改成看板：Backlog、To do、Doing、Review、Done，agent 在 ticket 上寫思路並自己移卡。人看得懂了，但 agent 要多學一套看板規則。他一個月燒掉十億等級的 token、寫了一堆 skill 和 instruction 想修好，新任務還是會零星出錯。〔27:20〕 〔28:12〕 〔28:30〕
他回到 v1，另外加一個看得到每個 agent 在做什麼的機制，寫成開源的 oat-agents（MIT 授權）。結構只有一個 meta-agent 加一群 member agent，規則和角色用 plugin 定義；底下跑原生的 Claude Code 和 Codex，不另外包一層 harness。TUI 畫面一次看到每個 agent 的狀態、token 和花費，要介入就透過 tmux 進那個 session。〔30:28〕 〔31:00〕 〔31:20〕 〔31:48〕 〔32:07〕
- agent 一多，先想資訊怎麼流到你眼前，不要讓 agent 多做回報工作。
六、AI Native 公司把實作全交給 AI，人負責決策、理解和探索
YC 先講分工依據。AI agent 執行力高、能平行、很細心，改一個變數型別會把每個該改的地方都改到。它的弱點是容易陷進細節、看不到大局，跟人對齊也不容易。〔32:42〕 〔33:18〕 〔34:14〕
他舉例：AI 說架構只能選 A 或 B，他提示可能有第三條路，AI 還是想不出來；他說出解法後，AI 馬上大力稱讚。〔35:29〕 〔35:55〕
所以公司裡拆成兩隊。執行團隊全由 AI 負責實作、測試、除錯和 review，人不寫程式碼。決策團隊由人組成，做三件事：技術選型和架構取捨；理解工程，用 AI 幫忙讀懂整個系統；探索工程，在原型上試 A、B、C、D 版，或帶著原型上網找資料再做新原型。〔34:56〕 〔35:19〕 〔36:23〕 〔38:01〕
他提到新人處境變了：以前問老鳥改哪個檔案就能交差，現在新人要指揮 AI，一進來就得懂整個系統。〔36:47〕 〔37:28〕
七、原型期的人只鎖驗證、介面和 use case，程式碼幾乎不看
人跟人分工時 scope 要拆得很開，不然會打架。〔39:07〕
打造原型時，他們只守三個關卡：怎麼驗證系統、前後端和 module 之間的介面、系統的 use case 和怎樣才算跑通。這三樣鎖死，程式碼幾乎不看。〔39:16〕 〔39:48〕
他也說，公司長大離開原型期後做法可能要改，他們還沒走到那一步。〔39:58〕
- 讓 AI 做原型前，先由人寫定驗證方式、介面和 use case。
八、AI 時代最值錢的是判斷力
YC 最後的看法：決定做什麼要靠眼光和品味；過程中 AI 會丟出很多雜訊和發散的選項，要能從中挑出訊號。〔42:33〕 〔42:53〕
判斷力靠認知，而 AI 能幫你拓寬認知。他開公司沒請會計師和記帳士，靠 AI 學會計，再用 AI Coding 寫一套自己作帳的系統。〔43:17〕 〔43:28〕
明天就能做的事
- 把越寫越長的 spec 拆成獨立 module，每個各寫一份短 spec。
- 開工前判斷任務好不好描述，好描述寫 spec，難描述先做原型。
- 拆單時確認每張單不會改到同一塊程式。
- 在 repo 放 CONTEXT.md 和 ADR，給 agent 查詞彙和決策。
- spec 放 GitHub issue，做完就關掉。
- review 加變異測試，確認測試抓得到錯。
- 原型開工前，由人先定驗證、介面和 use case。
資料來源
- AI Coding 新時代的團隊開發：從一個人用 AI 到 AI Native 公司｜陳宜昌 YC｜HWDC 2026 Keynote（原始影片）｜YC不只加速器（YouTube）｜2026
- Noopher-AI/oat-agents｜Noopher AI（GitHub，MIT）｜2026
- TASTE2 專案頁｜陳宜昌｜影片說明附的連結
- YC 的數位名片｜Noopher AI｜影片說明附的連結
※ 逐字稿以 Whisper（medium，中文）轉寫影片原音，並對照頻道上傳的繁中字幕校正。圖片截自原片投影片。〔時間〕連結開啟原片對應段落。5,000 行、一個月、十億等級 token 等數字是講者自述，沒有另外查證。海外開發者的看法依講者投影片整理，本文沒有逐一回查原出處。本文為非官方整理，以原影片為準。