Peggy Lo：我的麻瓜 AI Coding 之路

1. 一句話總結

一位在四人基金會秘書處工作的文組媽媽，用女兒起床前的清晨時間跟 AI 一起把查帳、填表、行政客服拆解成三十多個小幫手，並在結尾丟出一個犀利觀察：AI coding 對組織裡最底層、雜務最多的人來說，反而是一種階級翻身的工具。

2. 重點筆記

Peggy 自我介紹是正宗文組人，五年前加入一個企業旗下的基金會（機構名稱待查證），任職於秘書處。她形容基金會的任務——用補助設計改變教學行為——很神聖，但神聖背後其實是大量瑣碎行政與打雜堆疊出來的日常。她管理的學校數已經超過一百所，過去每次有老師用 LINE 問補助進度，她都要一則一則仔細查完再回覆，規模大了就完全撐不住。

案例一：查帳小幫手

她用 ChatGPT 協助做出一個查詢網站，老師只要輸入姓名和身分證字號後四碼，就能查到整個計畫下所有補助的進度。背後其實只是她原本就在維護的三張 Google 試算表，改一次表格、網站資料就自動更新。她請所有老師以後不要再用 LINE 找她，改上系統查詢。

案例二：重複填表小幫手（Computer Use agent）

基金會資源有限，她被迫沿用一套外部開發、已經被放棄維護的系統，裡面唯一能編輯贊助資料的方式是一筆一筆點開鉛筆圖示手動修正，因為右上角原本該有的批次匯入功能早就壞掉、沒人會修。她在自己電腦架了 Docker 環境，寫程式驅動一個 Computer Use 代理人（她提到這個技術是前面 Wisely Chen 場次介紹過的 computer use），讓代理人自己辨識畫面上該點的鉛筆位置，完成上百筆操作。畫面上她自己的滑鼠完全沒有動，操作全部是代理人在跑。她要求代理人每完成一筆就回報到 Excel 的狀態欄，也故意夾帶系統裡根本不存在的假資料做測試，結果代理人在沒有被告知錯誤類型定義的情況下，自己判斷並寫下「not found」，讓她覺得這個小幫手蠻聰明的。

案例三：多重角色小幫手

基金會秘書處只有四個人，她常常得升階扮演不同角色：用 Windsurf 把過去要在 PowerPoint 裡一張張裁切成圓形的講者照片自動化；Google 表單無法指定時間自動關閉，她原本得在手機設一堆鬧鐘提醒自己準時關閉報名，後來改用 Apps Script 自動關閉，不用再設鬧鐘；也做了 Outlook 小幫手處理客製化客服信件，以及用類似爬蟲的方式研究其他基金會的做法。過去半年的 GitHub 記錄大致維持每一到兩週就生出一個新工具，累計已經開發三十多個小幫手，而且都實際用在工作中。

從「乖乖照做」到「長出手腳」的學習歷程

她把自己的成長拆成幾個階段：

• 拆分測試：一開始她非常聽話，GPT 說什麼就做什麼，但 GPT 習慣把測試放在最後一步，導致她照做卻不知道有沒有做對，直到最後測試失敗才發現，非常難除錯。後來她養成習慣，會主動要求 GPT 把開發拆成更小的階段，每個階段都給一個可以測試的點，哪怕只是建一個 API，也要有測試點確認方向正確。
• 版本控制：一開始她用 ChatGPT 側邊欄做土法煉鋼版控，每完成一段就建一個對話、寫上編號和「運作順暢你很棒」之類的註記，要找舊版本就複製那個對話裡最後一個版本出來用。後來改用 Cursor 開發，工程師朋友建議她學 git 指令，但她記不住，發現 Cursor 其實聽得懂白話，她現在都直接說「幫我存一個新的分支」，其餘指令交給 Cursor 自己判斷。
• 使用 API：像查帳小幫手就是靠 Google Sheets API 才能調用試算表資料，但她直言 Google Cloud Platform 的 API 管理介面複雜到很容易迷路。她學到的訣竅是「截圖貼上」——GPT 說要生成某個 API 憑證，她不知道要點哪裡就直接截圖給它，GPT 能準確定位該點哪裡。她人生第一支 API key，是截圖超過十次之後才由 GPT 帶著她點出來的。

她估計這幾個「長手腳」的階段大概能完成麻瓜需求的八成，剩下兩成她會去 GAI 年會辦的 AI 讀書會請教真正的工程師。工程師通常不會直接幫她除錯，而是教她策略層次的東西，例如「你可以先做某個測試來確定是權限問題還是更複雜的問題」，或是用 batch 處理省下 API 成本的觀念。這讓她開始思考：能不能讓 AI 本身也教她這種更上位的策略，而不是被動接受 AI 給的開發步驟？於是她開始主動問 Cursor：「雖然我們已經討論過需求了，但有沒有一些屬於開發上要決定的事情，也拜託你跟我討論？」這樣問了之後，Cursor 開始主動提出以前不會拿出來討論的東西，例如某個功能該用 decorator 寫法還是直接修改 API、兩者的差異在哪、該怎麼思考取捨。她通常會花至少三十分鐘到一小時，耐住性子把裡面的專有名詞一個一個請 Cursor 用白話解釋。做到這裡之後，她發現自己開始能「打臉」Cursor，指出它在做一些自己腦補的事，Cursor 也會承認「麻瓜你講的才是對的」。

開發文件：麻瓜與 AI 的羅盤

當跟 AI 討論的東西越來越多，她發現自己腦容量不夠，於是請 AI 在寫任何一行程式碼之前，先幫她建立一份「開發文件」，記錄下所有共同討論出來的決策：最終產出是什麼、她重視的開發原則（分段開發、可測試）、討論出的開發順序、檔案結構，以及每一項設計決策。這份文件後來成為她跟 AI 之間共同的語言——每次開新對話、Cursor 沒有上一次的記憶時，她就叫 Cursor 先讀開發文件再問下一步該做什麼；開發中如果做了新的決策，也會請 Cursor 回頭更新文件，讓那次決策背後的思考過程可以被之後不斷回收使用。她形容這份文件像一個羅盤，就算迷失在複雜的開發階段，也可以問 Cursor「告訴我現在在開發文件的哪裡」。她說過去 AI coding 大概九成時間都在除錯，現在反而九成時間花在討論和寫文件，雖然比較累，但可以做出比較複雜、需要重複使用的專案。

三條繞的遠路

• 太快刷卡買自動化工具：她曾經課金訂閱 Zapier，但認識 AI coding 一個月後就再也沒打開過。理由是 AI coding 高度仰賴除錯，GPT 對 Python 等程式語言很擅長，但如果在 Zapier 卡關截圖問 GPT，它通常答不好；而且只要她能把需求講清楚，AI 通常可以直接幫她把該功能寫出來，不必依賴現成的 Zap。她的建議是，如果評估自己終究會走上 AI coding，訂閱付費自動化服務這件事值得三思。
• 去學上游的東西：她去年去上了台大李宏毅老師開的生成式 AI 導論課程，而且是每週五請假到現場聽、不是線上看重播。她形容這堂課「本來要學讀書，結果好像不小心去學造紙」——課程內容比較偏模型訓練原理，跟開發者年會場次會討論的主題接近，是一堂很棒但不是在教 AI coding 的課。後來她找到吳恩達的 AI Python 課程，才發現原來教 AI coding 也有光譜之分：一端是學完馬上解決工作問題，另一端是學程式語言本質（變數、for 迴圈等），吳恩達的課偏向後者。她投資了不少週末跟著學變數和 for 迴圈，卻始終感覺不到這跟工作問題的關聯，事後建議如果時間有限、想馬上解決工作問題，找一個具體題目直接開發最有效率；如果是學生或已經有 AI coding 經驗、想往更難的問題邁進，再回頭上這類課程比較合適。

麻瓜地圖與選題燈號

她整理出一份麻瓜工具地圖：線上文件任務交給前面 Vivi 介紹過的 Google Apps Script；有前台網頁需求用免部署的 Hugging Face Spaces；本機文件用 Cursor；網頁操作用瀏覽器開發工具；需要判斷的重複性操作用 Computer Use；如果因為身處企業基金會而有資安規範，就退回用 VS Code、本機存檔、環境變數與 gitignore 管理機密資訊。她說每個工具最難的地方在於搞清楚它的「守備範圍」，因此每個工具第一次用之前，她都會找工程師朋友花十分鐘講解能做和不能做什麼，抓出邊界感之後，剩下的就靠自己打破砂鍋問到底跟 GPT 一起打磨。

她也提出一套「麻瓜選題燈號」，以查帳小幫手的五個步驟（收到紙本收據、上公司系統 key 單、主管核准後寄紙本給財務、確認入帳日填入試算表、LINE 上告知）為例：技術面，只要限縮在單一 Google 體系試算表就是綠燈，可以直接用 Apps Script 做；牽涉 Excel、Office 體系就要在本機裝編輯器（例如 Cursor）才能處理，屬於黃燈，她建議初學者先不要碰；牽涉公司自己打造的內部系統、有自己的 API 規定或 IT 規範，屬於紅燈，不要碰以免踩到組織紅線。溝通面則要評估「叫不動的人」（例如組織內部要遵循既有流程的財務部門同仁）是紅燈，「叫得動的人」（例如組織外願意配合改變習慣的申請補助教師）是綠燈。她的查帳小幫手正好落在技術與溝通雙綠燈的區塊，這也是她認為它能真正上工的原因。

AI Coding 對她的兩層意義

她在基金會也曾嘗試帶老師導入 AI，分成「本業導入」（英文科、數學科加入 AI）和「行政周邊導入」（用 AI coding 做行政減量）兩條路徑，追蹤下來發現老師真正願意嘗試的多半落在行政這一塊，她的解讀是本業要導入 AI 先天排斥感就比較強，但很多老師會兩手一攤說「我行政做超差，AI 快來解救我吧」。她建議如果在座有人負責組織內的 AI 導入，本業推動固然重要，但可以把「用 AI coding 做行政減量」當成輔助支線任務，這有機會成為降低整體組織對 AI 排斥感的一個破口。

第二層意義，她說身為 NGO 工作者，加入基金會後她希望資源能真正到到每一位老師手上而不只是到學校層級，這讓她的行政量大增，也讓老闆常提醒她「我們基金會只有四個人，拜託簡化你的補助模式」。但這幾個月跟 AI coding 互動下來，她感覺自己比較少需要用 NGO 工作者常掛在嘴邊的「人力不足」來把服務打折，AI coding 變成她實踐、細緻化理念服務背後的靠山。

她最後坦言自己是當天少數不是創辦人、執行長身分的講者，只是企業基金會秘書處的一名專員，這讓她上台很焦慮。但她把這個位置反過來看：當你是整個組織裡最底層、手上人工雜務最多的人，那正是培養 AI coding 這種新技能的絕佳溫床——更直白地說，她的老闆大概已經學不會 AI coding 了，因為根本沒有應用場景。她因此認為，AI coding 其實帶有某種階級翻身的意味。

3. 關鍵數據與案例

• 管理的補助學校數超過一百所。
• 過去半年 GitHub 記錄大致每一到兩週生出一個小幫手，累計開發三十多個小幫手，全部實際用於工作。
• 拆分測試、版本控制、使用 API 這幾個「長手腳」階段，估計能完成麻瓜需求的八成。
• 她人生第一支 API key，是截圖超過十次之後由 GPT 帶她點出來的；學習查閱開發文件裡的專有名詞，她通常會花三十分鐘到一小時逐一詢問。
• 過去 AI coding 九成時間在除錯，現在反過來九成時間花在討論與寫開發文件。
• 基金會秘書處僅四個人編制。

4. 金句

• 「AI coding 對我來說，不是要變工程師，而是讓麻瓜也能參與開發的討論。」
• 「我最近好像比較常可以不要用我們 NGO 工作者常常掛在口中的人力不足，來把我的服務打折。」
• 「你我的老闆大概已經學不會 AI coding 了，因為根本沒有應用場景。」
• 「越底層，越多冗工，是培養 AI coding 技能的絕佳溫床。」
• 「AI coding 其實具有某種階級翻身的意味。」
• 「我其實原本要學的是讀書啦，但我好像不小心去學造紙。」

5. 提到的工具與名詞

ChatGPT、Cursor、Git、Google Sheets、Google Apps Script、Hugging Face Spaces、Windsurf、Computer Use、Docker、VS Code、Outlook 小幫手、Zapier、decorator、batch（API 批次處理）、李宏毅生成式 AI 導論、吳恩達 AI Python 課程。

6. 延伸觀察

Peggy 這場的方法論比 Vivi 更系統化：她把「拆分測試、版本控制、使用 API」這種戰術層次的能力，和「開發文件、讓 AI 教策略」這種戰略層次的能力分開講，路徑感很清楚，也解釋了為什麼她能從查帳小幫手一路做到 Computer Use 代理人這種複雜案例。最值得記下來的還是結尾那個階級翻身的論點：她把「基金會只有四個人」「老闆學不會 AI coding」這兩個看似無關的細節連在一起，指出組織底層雜務最多的人反而最有動機、也最有空間去長出這個新技能。這個觀察跟海馬那場對照著聽很有意思——一個是組織裡最底層的專員，一個是家庭裡最年幼的成員，兩人都是在「別人不會去用 AI 解決」的縫隙裡，靠著大量重複的小任務把自己訓練起來的。

7. 資料來源