AI 開發工具 Cursor 的工程師 Lauren Tan 在 2026 年 8 月 12 日的一場 60 分鐘公開課裡說，她現在早上起床，AI 已經把一批工作做完並自己交出去了，她只負責事後檢查。但她花最多時間講的不是怎麼下指令，而是一條她畫出來的「信任曲線」——你能同時叫幾個 AI 幫你做事，取決於你信任它多少；而信任不是靠感覺培養的，是靠「讓 AI 自己能驗證結果」換來的。她還有一句話我覺得每個用 AI 的上班族都該看：如果你沒有讓 AI 自己驗證的方法，那你就是那個驗證的人，你就是瓶頸。
這些話是誰說的？
Lauren Tan 是 Cursor 的工程師，之前待過 Meta 跟 Netflix。2026 年 8 月 12 日她在線上課程平台 Maven 開了一場免費公開課，題目是「How Cursor Turned AI Agents Into Better Engineers」，60 分鐘、三千多人報名。隔天她又上了一個訪談節目，示範她自己那一隊 AI 怎麼分工。
兩場加起來大概 90 分鐘，我看完的感覺是：她講的其實跟寫程式沒太大關係。她在回答一個更普通的問題——為什麼很多人用 AI 用到最後覺得「我自己做還比較快」。
她自己的說法是這樣的：
「當你看到 AI 就是在瞎猜、在幻想、很有自信地宣稱找到了關鍵原因——第一百次了，但根本不是真正的問題。這時候你會流失非常多信任。而當你不信任它的時候，你真的沒辦法從它身上得到什麼。」
為什麼你用 AI 反而更累？因為你變成那個檢查的人
答案很直接：因為所有的檢查工作都回到你身上了。AI 做完一件事，它不知道自己做對了沒有，所以你得去看、去試、去抓出哪裡不對、再截圖貼回去跟它說。這個循環一旦建立，你就被綁住了。
Lauren 的原話是：
「如果你沒有驗證的方法，你就是那個 verifier（驗證者）。你就是瓶頸。」
她描述的場景任何人都能代入：你叫 AI 做一件事，它交出來，你打開來看，發現不對，你複製錯誤訊息或截圖丟回去，它再慢慢理解、再改。你一直在這個迴圈裡當人工橋樑，所以你永遠沒辦法「同時交辦三件事」——因為你一個人只能檢查一件。
這也解釋了一個常見的誤會：很多人以為用不好 AI 是因為提示詞寫得不夠好，所以到處找咒語、找模板。但她的診斷完全不同——問題不在你怎麼問，在於結果誰來確認。我之前寫過的〈ChatGPT 知識截止日期是什麼？4 種問題問了也白問〉其實是同一個方向：與其研究怎麼問，不如先弄清楚它憑什麼回答你。
信任曲線的 3 個階段，你現在在哪一段？
她在課堂上畫了一張圖：橫軸是「你對 AI 的信任」，縱軸是「你能同時叫幾個 AI 做事」。她說這張圖不科學，但很準確地描述了她這幾個月的過程。
翻成一般工作的講法，大概是這三段：
- 微管理期：你盯著 AI 的每一句輸出，每一步都要自己確認，所以一次只能處理一件事。大部分人都停在這裡。
- 局部信任期：某幾類事情你已經知道它做得還不錯，可以同時丟兩三件，但你還是會逐件檢查。
- 交辦期：你只給目標跟驗收標準，它自己跑完、自己檢查、把結果交給你，你做最後把關。
她特別強調這段沒有捷徑：
「你不可能在連一個 AI 的輸出都不信任的時候，就跳去開 100 個。從這裡跳到那裡沒有捷徑，因為這件事的本質是你個人對它的信任程度。」
這句話對我來說是整場最有價值的。因為它把「用不好 AI」從一個技巧問題，變成一個階段問題——你不是不會用，你是還在第一段，而往上爬的方法是具體的、不是靠多練幾次提示詞。
三個階段的差別整理成這樣：
- 微管理期｜你在做什麼：盯每一句輸出、自己當檢查者 → 能同時交辦 1 件 → 往上爬的關鍵：找出「它怎麼自己確認做對了」的方法
- 局部信任期｜某幾類事情敢丟了，但仍逐件檢查 → 能同時交辦 2～3 件 → 往上爬的關鍵：把重複糾正的話寫成固定規則
- 交辦期｜給目標跟驗收標準，做最後把關 → 能同時交辦 一整隊 → 往上爬的關鍵：分工，加上有人負責協調
給 AI 一張「功能地圖」，它才知道路怎麼走
這是我覺得最好借用的一招。她做了一個工具讓 AI 能自己去操作產品、自己測試，結果還是不好用——因為 AI 不知道東西在哪裡。有人回報「左邊那個側邊欄會卡」，AI 就開始亂翻，不知道那個功能在畫面的哪個位置、要怎麼點才會到。
她的原話是「它會瘋狂亂試，體驗爛透了」。
解法叫 feature map，直譯就是功能地圖。內容很樸素：每個功能從使用者的角度在哪裡、怎麼點到、有哪些快速鍵、下面還有哪些子功能。有了這張地圖，連「使用者只丟一張截圖加三個問號」這種爛回報，AI 都有辦法定位。
翻成一般工作的話：你給 AI 的不該只是一份功能清單，而是一張「要做這件事，從哪裡開始、經過哪裡、到哪裡算完成」的地圖。
舉個例子你就懂了。你請 AI 幫你整理每週的工作回報，如果你只說「幫我整理週報」，它只能生出一個通用格式。但如果你告訴它：資料從哪個表格來、哪幾欄是這週要看的、主管最在意的是哪三個數字、格式要跟上週一樣、寫完要跟上週的數字對一下有沒有異常——這就是一張地圖。差別不在你用了什麼咒語，在於你有沒有把路徑講清楚。
同樣的話講三次以上，就該寫成規則
她講得最硬的一段在這裡。她說最糟的處境，是所有的規矩都靠一個人坐在那裡逐件檢查、然後說「你不該這樣做」——每次你得這樣做，就該把它當成一個警訊。
「與其我在上面留言，不如問：我怎麼把這件事變成一條硬規則？怎麼讓這個問題從根本上不可能發生？」
更重要的是她把規則分成兩種等級，而且明講不要只靠軟的那種：
- 軟的：風格指南、注意事項、你寫在指令裡的提醒。AI 可能會忘、可能這次照做下次不照做。
- 硬的：做錯就直接過不了、根本交不出來的那種檢查。
「如果你只有規則、指南跟風格文件，那你的東西變成垃圾只是時間問題。」
她舉了一個很有畫面的例子：AI 很愛自己加註解，而且 99% 的時候是在記錄一些無關的歷史，甚至會寫成「Lauren 說絕對不能這樣做」——而她當時只是說「你這次這段寫得很爛、改掉」，不是在訂一條永久規則。AI 分不出來哪句是當下的糾正、哪句是長期的原則。
這一點對任何用 AI 的人都適用：你隨口講的話，AI 可能當成鐵律；你以為是鐵律的事，它下次可能就忘了。所以真正重要的規矩，要放在它繞不過去的地方，而不是每次對話重講一遍。
一隻 AI 不夠用的時候：找一個「幕僚長」
這是她在訪談節目裡現場示範的部分。她的架構分兩層：
- 第一層是協調者，她叫它 chief of staff（幕僚長）。它知道她的行事曆，可以直接去跟其他 AI 對話、問進度，然後把任務分派下去。
- 第二層是各自負責一塊的執行者，每一個管一個固定的領域，收到任務就自己去做，做完把結果、截圖、影片交回來。
她現場請幕僚長「找出今天看到的幾個問題」，它找到之後就自動分派給各自負責的 AI，幾分鐘後她桌上就是一堆等她審的成品。
她還臨時設了一個行銷用的 AI、讓它登入自己的 LinkedIn，請它發一篇貼文、順便提醒它標對帳號——AI 自己開了瀏覽器、找到正確帳號、發出去，旁邊的人全程看著那台電腦的畫面。順帶一提，她給每隻 AI 的頭像全是貓，她說就是想讓它們有點個性。
這個結構值得借鏡的地方在於：當你的 AI 任務變多，你需要的不是一個更強的 AI，而是分工，加上一個知道全局、會主動問進度的角色。不然你又變回那個要記住所有事、追所有進度的人——也就是回到第一階段。這跟我之前整理過的〈AI agent 為什麼推不動？Brex 執行長：改請一個「AI 員工」，3 層基礎設施缺一不可〉講的是同一件事的兩個角度：一邊談基礎設施，一邊談怎麼編隊。
她們的設計哲學：把 AI 當同事，不是當工具
這段是整件事的底層邏輯。她們做的那個產品，設計準則只有一句話：keep it simple。Lauren 的解釋是：
「如果你用過我們給開發者的工具，你大概是個高階使用者——一堆旋鈕、一堆開關。而這次我們想用一個全新的角度：如果你的 AI 真的更像一個同事，那會長什麼樣子？你不會想微管理你的同事、問它『你現在在呼叫哪個工具？』。你會想像對一個人那樣跟它講話。」
所以介面做得像傳訊息軟體。她說最讓她意外的回饋是：有人把這個工具分享給自己的媽媽，然後他媽媽就上手了。
訪談主持人當場對照了自己的經驗：他自己動手架過一套類似的東西、接在通訊軟體上，有購物助理什麼都有，但「它一直壞，我一直在修」，而且「我媽永遠不會去用那個東西」。
這個對照我很有感：決定一個 AI 工具有沒有用的，常常不是它多強，而是門檻有沒有被收乾淨。
我自己怎麼用這套：先把「地圖」畫給人，再畫給 AI
我平常在做的事，就是把複雜的科技規格翻成一般人聽得懂、用得上的東西。所以這套做法我看的角度跟工程師不太一樣——我看到的是「教學設計」。
最有感的一次是前陣子。我家小朋友開始會用我的 Gemini 去查寶可夢怎麼進化、需要哪些條件，但我發現他常常卡住，AI 回答的內容跟他要的不一樣。我當下想到的是：我少做了一件事。
我不可能跟一個小學生講「上下文」「context」這種詞。所以我換個方式跟他說：AI 雖然知道你在問寶可夢，但它不知道你正在玩哪一款。所以你要先跟它說「我正在玩這一款，遇到了什麼問題」，它的答案才會準。
這就是 feature map 的日常版。差別只在於專業場合叫功能地圖，跟小孩講就是「先告訴它你在哪裡」。而我在企業內部教 AI 課的時候，發現同仁卡住的點幾乎一模一樣——不是不會打字，是沒有人告訴他們「要先給 AI 什麼，它才有辦法把事做對」。Meta 今年的調查也呼應這件事：台灣有 84% 的小商家已經在用 AI，但 86% 說還缺人教（我整理在〈小商家 AI 怎麼用？Meta 調查台灣也在內〉）。工具普及得很快，翻譯的人不夠。
另外那條「同樣的話講三次以上就寫成規則」，我自己是實際在做的。我跟 AI 協作的時候有一份固定的工作規則檔，每次我重複糾正同一件事超過兩三次，我就把它寫進去，而不是下次再講一遍。這一年累積下來，那份檔案就是我跟 AI 的共同語言——我不用每次重新交代我是誰、我要什麼風格、哪些事情不准做。這件事的投資報酬率高得驚人，但幾乎沒人一開始就做。
套用前有幾點要注意
她自己在課堂上很誠實地先承認了一件事：她在 AI 公司工作、用量幾乎無限，所以她的做法不能直接照抄。
- 前期要投入成本。她整理環境、建立那套規則花掉的量不是一般人的規模。她把這件事重新定義成一個取捨：你要花錢請人做這件事，還是花錢把環境整理到連不夠聰明的 AI 都能做對？
- 這套適合「會重複很多次」的工作。一次性的任務不值得先畫地圖、訂規則，直接做比較快。重複、而且每次都要維持一樣品質的事，才值得前期投資。
- 信任不能跳級。她講得很清楚，沒有捷徑。不要看完這篇就想把所有事都丟給 AI 自動跑——沒有驗證機制就放手，只是把錯誤量產。
- 最後把關的人還是你。她用了一個我很喜歡的比喻：她現在的角色像餐廳主廚，不再自己煮每一道菜，但她負責擺盤跟品質控管。她還補了一句很誠實的話：「你可以做更多功能了，不過不是每個功能都該被做出來。」
小結：先問「誰來確認結果」，再問「怎麼下指令」
如果這篇你只記一件事，我會希望是這句：AI 幫不上忙，常常不是因為它不夠聰明，而是因為確認結果的人只有你。
所以可以這樣開始：挑一件你這個月已經糾正 AI 三次以上的事，不要再提醒第四次，把它寫成一條固定的規則存起來。再挑一件你每週都要做的事，花十分鐘寫一張地圖——資料從哪來、要看什麼、做完怎麼算對。
這兩件事都不用花錢，也不用學新工具。但它們是從「我自己做還比較快」走到「可以交辦」的實際路徑。
▶ 完整對談影片
延伸閱讀
本文整理改寫自 Lauren Tan 在 Maven 的公開課「How Cursor Turned AI Agents Into Better Engineers」（2026 年 8 月 12 日，與 Colin Matthews 對談），以及她與 Roshan Sadanani 的後續訪談。原始課程頁：maven.com/p/e23d9c（免費報名可看錄影）。
留言
張貼留言