為什麼要學？
別再自己寫程式了 —— 指揮一支 AI 團隊替你交付
過去兩年，我們學會了怎麼讓 AI 幫忙寫程式。
接下來要學的，是怎麼讓「一群 AI」協作，把事情真正做完。
這兩件事的難度差距，比多數人想像得還要大。一個 AI 寫錯，你通常看得出來；但當五個 AI 同時修改專案，其中一個宣稱完成、測試卻根本沒通過時，你可能連問題出在哪裡都不知道。
多代理（Multi-agent）不是同時開五個 AI 專案就會自動變快，這本質上是一個涉及 Context 工程、規格設計、任務邊界、品質閘門與成本控制的「系統工程問題」。
這堂課將使用一個真實的 FastAPI 專案，帶你從頭建立完整的工作流：設計 Context、拆分可並行且可驗證的任務、編排 AI 團隊、讓 Claude 與 Codex 互相審查，再將驗證閘門接進 CI。你甚至會親眼看到，自己建立的品質閘門是如何被 AI 繞過，並學會找出漏洞、補強機制。
我不會告訴你多代理有多神奇。
我會告訴你它在什麼條件下有效、什麼時候不該使用，以及當整套流程壞掉時，你應該從哪裡開始找問題。
- AI 協作模式升級：AI 已具備撰寫程式的能力，未來的競爭優勢將從單兵操作 AI，轉變為指揮多個 AI 進行專案協作。
- 突破傳統開發瓶頸：過去任務拆解、進度追蹤與品質檢查仍高度依賴工程師；進入 2027 年，開發趨勢將走向「人指揮 AI 團隊完成交付」。
- 多代理分工與驗證：透過 Claude Code 的 subagents、agent teams 與 background agents 實現多代理分工，並結合 Claude × Codex 跨模型互審。
- 自動化審查機制：導入 GitHub Actions 與 CI 自動審查及驗證閘門，確保 AI 的產出可被測試、追蹤且值得信任。
- 建立自動交付工作流：課程不著重基礎操作，而是聚焦 Context 工程、規格驅動、多代理編排、跨工具協作與 CI 治理，打造可實際導入的專案流程。
- 工程師價值轉型：隨著編碼工作自動化，工程師的核心價值將轉移至「定義得清楚、指揮得有效、驗證得可靠」。
學習痛點
許多工程師在日常使用 AI 工具時，常面臨以下瓶頸：
- 規則被忽略：AI 無法確實遵守 CLAUDE.md 內的規則，源於未釐清「context」與「config」的差異。
- 檔案修改衝突：開啟多個 AI 並行作業時，缺乏管控機制，導致不同 AI 互相覆蓋或踩到同一個檔案。
- 代理名詞混淆：面對 agent teams、subagents、background agents 等專有名詞，不知如何依據情境正確選用。
- 缺乏驗證機制：當 AI 宣稱任務完成但測試未通過時，開發者缺乏有效的自動攔截與防呆機制。
- 成本與效益不明：多代理運作導致 Token 費用大幅增加，卻難以精確估算投資報酬率與實際提升的開發速度。
- 框架真偽難辨：網路充斥各式多代理框架，開發者難以判斷其實際效用與真偽。
本課程解決方案：逐一拆解上述痛點，並建立一套可驗證的機制 —— 不再只是期望「AI 聽話」，而是做到「不合規就自動擋下」。
課程目標
完成課程後，學員將能設計並操作一套可實際導入專案的「多代理 AI 開發工作流系統」：
- 建構系統化工作流：從 Context 工程與規格驅動開發起步，逐步掌握核心開發流程。
- 多代理編排與互審：完成 Claude Code 的 subagents、agent teams 與 background agents 編排，並串接 Claude × Codex 跨模型互審。
- 導入自動審查與驗證：結合 GitHub Actions 建立 CI 自動審查與驗證閘門。
- 打造自動交付流水線：建立具備任務分工、並行開發、品質驗證、錯誤攔截與失敗除錯機制的開發流程，確保 AI 產出真正具備可管理、可追蹤與可上線的條件。
- 累積式實作專案：採 Capstone 專案設計，自第 6 堂起每堂完成一個建置階段，並於第 10 堂依照 5 項驗收指標進行成果檢核。
- 帶走可落地系統：學員獲得的將不是零散的 AI 技巧，而是一套能直接導入既有專案、可持續調整與重複使用的完整開發工作流系統。
學習完後你能獲得
「你已經會用 AI 寫程式了——這堂課教你如何指揮它們完成交付。」
完成課程後，你將能夠：
- 建立可導入既有專案的多代理 AI 開發工作流。
- 編排 Claude Code 的 subagents、agent teams 與 background agents，讓多個 AI 分工並行。
- 結合 Claude × Codex 跨模型互審，降低單一模型的盲點。
- 將 AI 審查串接 GitHub Actions 與 CI，建立自動測試與品質閘門。
- 診斷多代理衝突、驗證失敗與成本失控等常見問題。
- 評估多代理帶來的成本、速度與實際效益，判斷何時該用、何時不該用。
你帶走的不是零散技巧，而是一套能被管理、驗證，並實際投入專案的 AI 開發工作流系統。
無論你想提升團隊交付效率、建立個人的 AI 開發工作流，或為 2027 年的工程職能轉型做好準備，這堂課都將帶你建立 AI 時代最關鍵的兩項能力：系統整合與團隊指揮。
誰適合學
本課程適合以下對象：
- 已經在日常開發中使用 Claude Code、Codex、Copilot、Cursor 等 AI 編碼工具，希望進一步建立多代理協作流程的工程師。
- 經常遇到 AI 不遵守專案規則、產出品質不穩，或完成結果無法直接合併與交付的人。
- 想讓多個 AI 同時處理不同任務，但不清楚如何拆分工作、隔離修改範圍與避免檔案衝突的人。
- 需要把 AI 產出接進既有的 Git、Code Review、CI 與測試流程的資深工程師、Tech Lead 或技術主管。
- 想評估多代理開發的 Token 成本、執行時間與實際效益，判斷哪些任務適合使用多代理的人。
這門課處理的不是「怎麼讓 AI 多寫幾行程式」，而是如何讓多個 AI 在可控的流程中分工、驗證與交付，並能整合進既有的軟體開發流程。
本課程不適合：
- 尚無軟體開發經驗，或不熟悉 Git 與命令列操作的人。
- 尚未使用過 Claude Code、Codex、Copilot、Cursor 等 AI 編碼工具的人。
- 想學習 AI 工具安裝、基礎操作或入門程式設計的人。
- 只想學單一提示詞技巧，不打算建立完整開發工作流的人。
