如果說上一篇 Vivi 的分享為我們點燃了「從需求出發」的火花，那麼 Peggy 的分享，則是給了我們一張如何讓這火花燎原的精細地圖。
同樣是為了解決工作效率問題而與 AI 協作，Peggy 卻將這段旅程拆解得如同專業的軟體開發專案，其嚴謹的階段劃分與「精益求精」的精神，讓我印象無比深刻，她追求的，不只是讓程式碼「動起來」，而是產出品質。
第一階段：建立穩固的開發紀律
Peggy 將寫程式的過程拆分為三個核心階段，這套方法論不僅是技術流程，更是一套心態建設的指南。1. 拆分測試：建立信心的第一步，而非最後的審判
這是我第一個被震撼到的觀念。
過去與 AI 協作時，「測試」是最後一環，但 Peggy 卻將它置於首位。
理由有二：
- 及早發現，及早修正：等到 AI 完成所有程式碼才進行測試，一旦發現方向性錯誤，往往為時已晚，修正成本極高。
- 建立正向心態：若每次都在最後關頭才發現產出無法使用，挫敗感會迅速累積，磨損掉繼續下去的動力；反之，透過逐步測試、小步快跑，每一次小小的成功都會建立起強大的信心。
這點讓我瞬間反思，驚覺自己「PM 都白當了」XD。
身為 PM，最怕的就是在最後驗收時才發現工程師的實作偏離了需求，如今，既然 AI 協作給了我們更高的掌握度，就更應該時時刻刻避免方向錯誤，將「測試前移」的思維，不僅能檢視 AI 的產出，更能反向檢視 PM 自身對需求的掌握度是否完整、清晰。
2. 版本控制：為你的靈感與嘗試建立記憶
與 AI 協作時，我們很容易陷入一股腦下 Prompt 的循環，期待最終的完美產出，但現實往往是，在無數次修改後，最終版本不僅不如預期，也再也回不到那個曾經「滿意的版本」。
Peggy 強調的「版本控制」概念，正是在對抗這種失憶般的開發過程，無論是早期的人工紀錄，還是後期透過 Cursor 等工具進行管理，其核心都是為每一次重要的迭代建立存檔點。
3. 活用 API：用耐心與驗證，踏出紮實的每一步
當專案需要與 Google API 等第三方服務串接時，Peggy 的做法展現了極致的細心，她深知自己對官方文件的理解可能不夠透徹，於是她並非直接信任 AI，而是透過「截圖」搭配 GPT，反覆提問、逐一確認，確保每一個設定步驟都準確無誤。
這種「慢」哲學，正是我需要學習的，雖然走得慢，但每一步都走得紮實，這種對不確定性的敬畏，以及透過反覆驗證來消除疑慮的態度，是從麻瓜走向專業的必經之路。
第二階段：追求卓越的進階策略
完成了基礎建設，Peggy 並未就此滿足，她接著分享了如何讓作品更上一層樓的進階心法。
1. 請益工程師：學習程式設計的靈魂
AI 能解決「功能性需求」，但也會讓人忽略「非功能性需求」——如程式碼的穩定性、擴充性與效能——才是決定專案品質的關鍵。
這時，最好的解法就是「向真正的專家請益」，Peggy 鼓勵我們多與工程師交流，學習程式設計的策略與 Debug 的思維。
這點我也深有同感，在 AI 的輔助下，我們不再是空手向工程師提問，而是帶著一份「程式碼草稿」去討論，這不僅讓溝通的基礎更具體，也大幅降低了溝通的阻礙，讓跨職能的交流變得更高效。
2. 讓 AI 教你策略：從被動接收者到主動開發者
這是我認為整場分享最顛覆性、也最精彩的部分。
傳統的 AI 協作流程，往往是人類提出需求，然後被動等待 AI 交付成果，但 Peggy 反問：「為什麼不能由人類掌握更多開發決策權？」
為了實現這個目標，她刻意在流程中加入了一個步驟：主動詢問 AI (Cursor)：「在開發過程中，有沒有需要我做決定的事情？」，透過這個提問，AI 會反過來向她請教一系列問題。
Peggy 會花上 30-60 分鐘去理解並回答這些問題，正是這個看似「耗時」的過程，讓她一步步理解了程式設計的真諦，甚至能反過來發現 AI 的潛在錯誤，她不再只是需求方，而是成為了專案的「主導者」。
這個方法徹底改變了我對 AI 協作的想像，它告訴我們，麻瓜可以透過創造性的互動模式，將 AI 從一個「執行者」變為一位「主導者」，從而實現深度學習與自我成長。
3. 同步開發文件：建立你與 AI 之間的方向感
Peggy 強調，開發的同時，應與 AI 一起記錄變動與開發歷程，這份文件不僅是給未來的維護者看，更是當下與 AI 對齊共識的基礎。
它記錄了檔案結構、設計決策與開發原則，成為專案的「單一事實來源 (Single Source of Truth)」，未來，當需要迭代或修改時，AI 可以直接閱讀這份文件，確保所有的行動都在統一的框架下進行。
和 AI 協作，雖然從過去 90% 時間在 Debug 到 90% 時間在討論
這轉變雖然很累，但因為長智慧、有主控權，所以在能力提升的狀況下，
自己可以做出更複雜的專案，同時也可以做出非一次性、需重複使用的系統
繞過的遠路，都成了更清晰的地圖
在分享的最後，Peggy 坦誠地分享了自己走過的彎路，例如：在不清楚問題前就衝動購買自動化工具、投入過多時間學習上游理論而忽略實作。這些經歷都指向一個核心：「回歸到自己要解決的問題為何。」
我很喜歡 Peggy 再次強調的「邊界感」，以及她那套評估 AI 適用性的實用框架（技術評估 & 溝通評估），這一切都讓我們在行動前，能更清晰地規劃路徑。
整場講座的結尾發人深省：
AI Coding 的意義，是讓我們不用再因為「人力不足」而把服務打折。
那些越底層、越重複的冗工，正是培養 AI Coding 技能的絕佳溫床。
身為執行者，我們總能看到流程中的種種不效率，在 AI 時代，這些「痛點」不再是抱怨的對象，而是我們實踐、成長、甚至顛覆流程的機會。
Peggy 的分享，無疑為所有渴望自我提升的「麻瓜」，提供了一條清晰、可行且充滿智慧的進階之路。
