隨著人工智慧技術的普及，愈來愈多事情都可以交給AI來協助，寫程式當然也不例外；日前我看到臉書上有一位工程師在一篇貼文中，討論人工智慧的寫程式功能是否有可能取代人類工程師；但是底下的留言，卻好像有很多「意見」反對這些工程師。其中最多的敘述不外乎就是這一句：
你們工程師真的遇過「問了AI好多次都還是錯」的情形嗎？
現在的AI雖然在補全程式碼邏輯、尋找語法錯誤等方面，表現已經可圈可點，但卻還是有一群人在抱怨它精度的問題；先姑且不論模型之間的不同造成的影響，我覺得其實可能是這些反對者沒有想過他們使用AI來人機協作的方式是否正確。
從我開始自己學習 Python 到現在，也才剛好滿半年的時間，但是我也遇過好幾次「詢問人工智慧好幾次都不如預期」的挫折；但是最後都發現問題其實不是出在人工智慧，而是傳達過程中不必要的假設與誤會，以及程式開發者自己的問題，諸如沒有保持良好的程式碼編輯習慣等。以下將綜合我實際遇過的事件與小範例，協助各位檢視與AI互動來編寫程式碼的過程。如果你也正在疑惑「為什麼請AI來寫程式都錯」的話，這篇文章也許可以協助你。
新手最容易踩到的四個雷區
雷區 1 ：邏輯或拼字錯誤導致 AI 無法協助
我曾經在某一間實作影像辨識的生物資訊公司實習過；當時我正在做的 Python 專案，目標是要能正確地將圖片中的四個重疊的區域找出來，並根據區域的面積等基礎資訊，輸出文字到圖片上以協助辨認。
所以，那一段程式碼中就包含了許多變數，再加上我當時並沒有對變數命名習慣的正確認知，於是就有兩個變數被我命名成只差在幾個英文字母（想像一下img_feat 與img_feta的差別）然後又反反覆覆使用了好幾次。
有次在檢查的時候，經驗豐富的前輩突然跟我說這些數據不符合預期，要求我從頭到尾再檢查一次。於是我從輸入圖片座標資訊的 JSON檔案、 Python 虛擬環境、程式碼裡的每個自訂函數，都請AI來協助檢查。由於我一開始並未察覺變數名稱有誤，所以也沒告訴AI這個問題；這樣檢查了好幾回後，輸出的數據不是沒有變，就是變得更偏離前輩預期的數據。最後迫於進度壓力的我，只好把每一行程式碼都跟自己解釋一次，就有點像跟自己Code Review那種感覺。
就是在這個時候，我發現有個變數怪怪的，跟我印象中應該在這裡的變數不一樣；把它的拼寫錯誤改回來，產出的數據終於讓前輩信服，我也才能安然度過那次危機。
上述是拼字問題；而邏輯問題也是AI會預設「你是對的」的一個環節。請看以下範例：
def is_prime(n):
if n < 2:
return False
for i in range(2, n):
if n % i == 1:
return False
return True
num = 9
if is_prime(num):
print(f"{num} 是質數")
else:
print(f"{num} 不是質數")
這是一個很經典的錯誤案例；開發者試著使用「餘數與整除」的概念來判斷一個數字是否為質數；這段程式碼可以正常輸出結果，但它輸出的內容是：「9 是質數」
然而，依據質數的定義， 9 因為是 3 的倍數，換言之它的因數不只有 1 與自身，還有 3 這個數字，所以不為質數。仔細看會發現這位開發者輸入的判斷條件是n % i == 1 ，表示只要 n 不小於 2 ，那麼 n 正好可以通過條件而回傳 True ，進而輸出「 9 是質數」的錯誤結論。
在這個案例中，其實只要將n % i == 1改為n % i == 0即可輸出「 9 不是質數」，但請AI除錯時，即使是這樣的錯誤，AI也會因為假設使用者的邏輯正確，在沒有特別提及的前提下直接跳過，造成明明錯誤近在咫尺，卻看不見的窘境。
AI 不會主動懷疑你的邏輯錯了，它只會幫你「沿著你的邏輯除錯」
雷區 2 ：錯誤說明過於簡略，AI 難以判斷
想像一下：今天有個人突然拿了一支手機，跟你說：它壞掉了；但是完全沒有更多的錯誤描述、背景資料。你只能檢測一次，並在短時間內協助這位客戶找出所有潛在問題並完全修正。如果你抓不出問題，或是再要求更多的錯誤描述，客戶就直接一星負評，這樣的手機維修服務你要做嗎？
同樣的道理，把「修東西的人」換成AI、手機換成程式碼，應該就很好理解了。如果你直接貼上了一段程式碼，跟AI說「為什麼這段程式碼不能運行？」且沒有錯誤訊息、執行畫面、預期輸出等資訊，這樣AI也只能有幾分描述、猜幾分錯誤，結果就是抓不到你真正的問題。
AI 不會通靈，無法感覺到你螢幕上的錯誤訊息和你的心情
雷區 3 ：將 AI 當成萬能的程式機器
現在沒有AI可謂萬萬不能，但是「有了AI也不是萬能」。
這篇文章所引述的臉書貼文，底下的留言吵成了戰場；原因大致是因為該位使用者（下文簡稱他『S君』）「只會用 GitHub Copilot 來讀取所有程式碼」；然後要求它寫了一些測試用的程式碼，並且「期待它會自己先內部執行過來驗證」；最後當AI「可能」因為傳達上沒有講清楚導致AI給的程式碼不完全正確，這時S君又請AI直接修改，後果就是整個邏輯直接被「砍掉重練」讓S君不開心。
雖然從S君留言中的有限資訊來看，我無法得知他的具體操作流程為何，但是這樣期待AI要做完整套的話，某種程度上也不切實際。
AI 是工具，不是你腦袋的替身。
雷區 4 ：只複製貼上，忽略背後原理
之前我曾經在這篇文章中分享過我在大學做專題的事情：
當時因為對 Python 的基礎認知不足，而且又有結果產出的某種壓力，造成我必須使用複製貼上的方式，快速完成程式碼的部分；但是後續我竟然發現：複製貼上的程式碼在參數設計的方面出現單位錯誤，造成產出結果不如預期。
想像一下：如果我這時候只會問AI「為何它只會跑出我不要的東西」然後完全也不知道函數的算式中，這些參數的實際意義，那麼就算AI能夠神準抓出問題並修正，我看到的也只有那張結果圖，但是卻完全不知道它的意義，這樣有學 Python 也等於沒學一般。
複製貼上有時也是最貴、最難償還的技術債
如何避免踩到新手地雷
秘訣 1 ：釐清需求再撰寫程式碼
撰寫程式碼本來就是為了解決我們遇到的問題、滿足我們的需求；不論是請 AI 協助或自己撰寫，了解你要解決的問題本質都是最重要的第一步。
現在的AI模型通常對於我們所用的自然語言，理解能力都已經十分優秀；所以如果連續五次，AI都沒有辦法解決你程式碼的問題，請先離開電腦，好好想一想寫這段程式碼、每一個函數、每一個變數的意義與目的。把它寫成一個脈絡，再一五一十告訴AI，遠比雞同鴨講要好。
秘訣 2 ：主動提供錯誤位置與背景資訊
一段完整的程式碼，最多或包含這些部分：
輸入－處理－邏輯－主功能－輸出－環境
- 輸入（例如讀取檔案）
- 處理（例如欄位過濾、資料清理）
- 邏輯（例如 if、for 等條件與流程）
- 主功能（例如建模、繪圖、訓練）
- 輸出（例如圖表、文字、csv 檔）
- 環境（例如套件版本、作業系統）
當中假設是「輸入」這個環節出問題，例如檔案路徑錯誤之類，後果就是程式碼整段崩潰，然後跟你報告FileNotFoundError，最後沒有結果產出。
這時候我們看到的是「程式碼跑不出來」還是「錯在哪個環節」對於跟AI人機協作就至關重要；清晰地給出問題可以讓 AI迅速地縮小問題範圍，避免使用AI幻覺做出不必要的錯誤假設，回答的精確度也就跟著提升。
以輸入的問題為例：
錯誤做法：「（貼上Traceback message）這段程式碼不能輸出，請檢查」
正確做法：「我用 pd.read_csv 讀資料進來，但輸出欄位不是我預期的；我預期它應該是...（附上表格的截圖或是cat指令的結果）但是實際輸出是...，並且有Traceback訊息如下：（許多程式編輯工具都有複製完整錯誤訊息的功能，請善用）」
再以環境的錯誤為例：
錯誤做法：「為什麼xxx套件不能在我的電腦上運行？」
正確做法：「我的環境是 Python 3.10、WSL 2 Ubuntu 24.04 LTS，用的是 seaborn 0.12，不確定這個參數是否支援」
秘訣 3 ：不要害怕發問
我們也可以練習將AI當成你的共同開發者；試著向AI進行一場Code Review，詳細解釋這些程式碼的流程應該要如何運作；這樣AI就會第一時間檢查你說的邏輯是否有正確吻合你程式碼裡的內容。
如果真的因為進度壓力，沒有辦法先通盤了解所用的套件，它所包含每個參數的意義，那麼等AI生成完程式碼以後，當發現有問題（比如：主功能問題）時，除了比照上面的詢問方式之外，也可以詢問AI這個套件中參數的意義、把它們一一調高或調低會如何影響輸出之類。
總結
與 AI 溝通是在「協作」不是在「指派工作」。
與其說 AI 是你的下屬，它更像是一位與你有合作關係的同事（或同學）；你會如何不要為難彼此，就用那個原則去對待AI。再者，你越能清楚說出問題的背景、需求與症狀，它就越能精準幫你拆解問題。
還有一句話叫做「教學相長」，在我們花時間跟 AI 解釋你的問題、程式碼邏輯的同時，其實也是默默在培養我們寫程式、抓錯誤的能力與直覺。當這樣的能力慢慢變成你的直覺時，就算AI再準確，也可能沒有我們的反應要快。
有時候，錯誤不是 bug，是學習的訊號。
能找到錯的原因，比永遠不犯錯更重要。
最後，有一部YouTube影片我很喜歡，有助於各位與AI溝通，推薦各位看看：
【為什麼別人家的 ChatGPT 這麼聰明，我們家的整天跟我雞同鴨講？？
搞懂「提示工程」讓你成為專業的 AI 溝通師！ | PAPAYA 電腦教室】
如果喜歡這篇文章的分析，請按個喜歡；每一個喜歡，都是我繼續的動力。
若有發現筆者的邏輯需要修正，請不吝指教；每一個建議，都是我成長的地基。
