別再只問 AI 問題了：工程師真正該學的是 AI Workflow
1. 為什麼「問 AI 問題」其實不夠
大多數人第一次接觸 ChatGPT、Claude 或 Copilot 時，用法其實和 Google 差不多：把問題打進去、等答案、複製貼上。把 AI 當搜尋引擎——有需要就問一句，拿到結果就收工。這樣用當然有幫助，但瓶頸很快就會出現：每次都要自己問、自己判斷答案可不可用、自己把結果接到下一步。AI 只在「單次問答」裡出現，沒有真正進入你的工作流；說穿了，它比較像路過的顧問，不是常駐在你流程裡的同事。
更關鍵的差別在於：AI 工具使用 和 AI 生產力提升 是兩件事。前者是「我會用某個 AI 產品」；後者是「我的產出因為 AI 而穩定變多、變快、變可重複」。只問問題、不設計流程，往往停留在前者：今天問得好就快一點，明天問得模糊就卡住——有沒有進度，有點像在擲骰子。沒有流程，就沒有累積，也很難把成果交給別人或下一個專案。工程師要追求的，應該是後者；而這需要 AI Workflow。
2. 什麼是 AI Workflow
AI 不只是回答問題。 在真實工作裡，AI 更適合被放在一連串步驟中的某幾個節點：負責理解需求、產出草稿、分析資料、或建議下一步，而不是永遠站在「你問一句、它答一句」的起點。當 AI 被鑲嵌在流程裡，它變成流程的一個環節，前有輸入、後有工具或人來接手，整體才會可重複、可優化。
換句話說，AI 在流程中的角色 是：在對的時機做對的事（分析、生成、分類、建議），然後把結果交給下一個節點（可能是另一個工具、可能是人審核、可能是自動執行）。這樣一來，你不必每次都「記得要問 AI」——流程會自動把任務送到 AI，再送到下一步。你省下的是反覆操作與決策的精力，換來的是穩定、可預期的產出。
3. AI Workflow 的基本結構
一個典型的 AI Workflow 可以拆成幾個階段：
- Input：觸發流程的輸入。可能是人丟進來的需求（一句話、一封郵件、一張 Jira 單）、也可能是系統事件（例如每日報表時間到、或某個 API 被呼叫）。
- AI 分析：AI 讀取輸入，理解意圖、拆解任務、或產出中間結果（例如摘要、建議、草稿）。這裡是「AI 做它擅長的事」的環節。
- Tool / Skill：根據 AI 的輸出，呼叫預先定義好的工具或技能。例如查資料庫、呼叫 API、跑腳本、發通知。Tool 和 Skill 的差別在於：Skill 往往是一整段「有名字的流程」（例如「準備 release」「同步分支」），而 Tool 可能是單一操作；實務上常混用，重點是有明確的執行介面。
- 任務執行：由系統或腳本實際執行——改程式、更新 Jira、發 Telegram、觸發部署。AI 不直接改程式或按按鈕，而是產出指令或參數，由受控的執行層來做。
- Human Approval：在關鍵節點讓人審核、放行或修正。例如 AI 產出提案後先給人看、改完 code 要人同意才 push、或分析報告要人確認才對外發送。這樣可以避免 AI 自主過頭、也能累積人的判斷成為流程的一部分——簡單講，就是別讓 AI 太有想法，該人拍板的時候還是要人來。
這五塊串起來，就是一個最小可用的 AI Workflow：輸入 → AI 分析 → 呼叫 Tool/Skill → 執行 → 必要時 Human Approval。你可以根據需求簡化（例如某些步驟不需要審核）或加層（例如多輪 AI、多個 Tool），但結構是共通的。
4. AI Workflow 的核心元素
要設計和維護 AI Workflow，會反覆用到這幾個概念：
- Knowledge：AI 在分析或執行前需要讀的脈絡與資料。例如專案結構、API 說明、修復原則、公司規範。沒有 Knowledge，AI 容易搞錯範圍、用錯慣例；有結構化的 Knowledge（文件、JSON、knowledge base），AI 才能穩定產出符合情境的結果。實務上，Knowledge 常放在獨立 repo 或知識庫，和程式碼、流程分開管理，方便更新與複用。
- Skills / Tools：前面提到的「可被 AI 或流程呼叫的執行單元」。Skill 偏向「一組步驟的組合」（例如「處理 Jira 單」：讀描述 → 寫計劃 → 改 code → 回報）；Tool 偏向單一操作（例如「查 Jira」「發 Telegram」）。兩者都讓 AI 不必自己實作細節，只要在對的時機觸發對的介面。
- Agent：負責「決策」的單元——何時用哪個 Skill、何時要人介入、如何解讀輸入與輸出。在簡單的 Workflow 裡，Agent 可能只是一條固定流程（先 A 再 B 再 C）；在複雜情境裡，Agent 會根據當下狀態選擇分支。Agent 和 Workflow 的關係下一節會對比。
- Workflow：整條流程的定義——從 Input 到最終產出的步驟、順序、分支與審核點。Workflow 把 Knowledge、Skill、Agent、Human Approval 串成一個可重複執行的管道。
- Human Approval：在關鍵節點插入人的判斷。可以是「通過／退回」、可以是「修改後再跑」、也可以是「僅通知」。Human Approval 讓 AI 的產出不會未經把關就影響系統或對外輸出，也讓工程師的價值體現在「設計流程」與「關鍵決策」上。
這五個元素齊備，一個 AI Workflow 才容易穩定、可維護、可複製到其他專案或團隊。
5. AI Workflow 的實際應用
用三個方向舉例，說明同一套「Input → AI → Tool/Skill → 執行 → Human Approval」可以怎麼落地。
AI 提案生成
業務或產品丟進一句需求（例如「做一個讓玩家可以查歷史注單的頁面」）。Input 觸發後，AI 先讀 Knowledge（產品架構、既有 API、UI 慣例），產出結構化提案：功能範圍、建議的 API、畫面草稿、可能風險。這份提案再進入 Human Approval——人審過後，可以轉成 Jira 單或規格文件，甚至把「實作」交給另一條 Workflow（例如 AI 工程實習生依 Jira 單修 code）。整個過程裡，AI 只負責「產出提案」，不直接改系統；人只負責「審核與拍板」，從零寫規格這種苦差就交給流程吧。
AI 玩家數據分析
每日或每週觸發：從資料庫或後台拉出指定區間的玩家數據，當成 Input 丟給 AI。AI 根據預先給定的分析框架（Knowledge）產出摘要：哪些指標異常、哪些遊戲表現好/差、建議關注的族群或活動。報告先經 Human Approval，再決定是否對外分享或觸發下一動（例如調參、告警）。這裡的 Tool 可能是查詢資料的 API 或 MCP，Skill 可能是「跑分析腳本 + 呼叫 AI 總結」；人只在中間做判斷，不用每天手動撈資料、寫結論。
AI 自動內容生成
例如技術部落格、週報、或對內的更新說明。Input 是「本週變更清單」或「commit / MR 列表」；AI 讀取 Knowledge（寫作風格、受眾、禁止事項）產出初稿；初稿經 Human Approval 後，由 Tool 發佈到指定平台（或存成草稿）。流程固定後，產出頻率與品質都會比「每次手動寫」穩定，而人的時間花在審稿與調校風格，而不是從零寫每一篇。
這三個例子的共同點是：AI 都在流程的某一段，前後都有 Input、Tool、人；沒有人，流程就不完整；沒有流程，AI 就只是偶爾被問一下的幫手。
6. Workflow vs Agent
很多人會把「Workflow」和「Agent」混在一起談，但兩者側重不同：
- Workflow（固定流程）：步驟與順序事先定義好。例如：收到 Jira 單 → 讀 Knowledge → AI 產出修復計劃 → 人審核 → 執行修復腳本 → 回報 Jira。每一步的觸發條件與下一步都是設計好的，可預期、易除錯、適合「重複性高、希望穩定」的任務。
- Agent（AI 自主決策）：在流程的某些節點，由 AI 根據當下狀態選擇下一步——用哪個 Tool、要不要請人介入、要不要重試或換策略。適合情境多變、難以用一條線性流程涵蓋的任務；但相對不穩定，需要更多測試與邊界條件設計——可以想成「比較有主見的同事」，彈性高，但要設好邊界。
實務上往往是混合：主幹是 Workflow（固定步驟），其中幾個節點由 Agent 做選擇（例如「若 AI 判斷不確定，就轉 Human Approval」）。工程師的責任是：在「可預期」與「彈性」之間取捨，把固定部分做成 Workflow，把需要判斷的部分交給 Agent，並用 Human Approval 守住底線。
7. AI 時代工程師的核心能力
工程師的價值正在從「寫出所有 code」轉向「設計系統與流程」。AI 會寫 code、會查文件、會產出草稿；但它不會自己決定「這個專案該用哪套流程」「什麼時候該用人審核」「Knowledge 要放什麼、怎麼更新」——這些還是得人來設計與維護，AI 暫時還沒辦法自己開 Jira 幫你排這些事。
因此，不只是寫 code——還要會拆任務、定義 Input/Output、選對 Tool 和 Skill、設計審核點、以及把 Knowledge 養成可重用的資產。設計 AI Workflow 正在變成核心能力：理解 AI 的強項與邊界，把它放在流程裡對的位置，用 Human Approval 和 Tool 補齊它做不到的部分，讓整體產出穩定、可重複、可交接。
8. 結論
AI 是 workflow 的一個節點，而不是取代整條流程的神器。問 AI 問題會繼續有用，但若只停留在問與答，就無法把 AI 的價值放大成「可重複的生產力」。工程師真正該學的，是如何把 AI 鑲嵌進 Workflow：善用 Knowledge、Skills/Tools、Agent 與 Human Approval，讓 AI 在對的環節做對的事，讓人和系統在前後接手，形成閉環。
工程師的價值正在改變：從「寫最多 code」變成「設計最好的 AI Workflow」——定義流程、養 Knowledge、選 Tool、設審核、迭代優化。這條路走得越早，越能在 AI 時代把生產力與影響力握在自己手上。
