「用 AI 做完整 feature」最常見的寫法是：列一個 timeline——「需求 30 分鐘 → spec 1 小時 → impl 2 小時 → test 30 分鐘 → PR merged」。
這種 demo-flavored 敘事讓 AI workflow 看起來很乾淨：每個 stage 整齊、AI 介入度可量化、ROI 看起來一目了然。
但這不是真實的工作流長相。我自己用 AI 做完整 feature 的真實感受是——
每個環節都在調整。一直調。從工作流的定義到產製內容到產圖，沒有哪一步是「設定好就跑完」的。
這篇講真實版，附帶一個我覺得比 timeline 更重要的反思：AI 不能幫你憑空創造一個產品。
真實版：每個環節都在調
不是「設定 → 跑 → 收結果」這種乾淨流程。是這樣：
工作流的定義一直在改
「我要怎麼讓 AI 做這個 feature」——光這個問題我就一直在調整答案。
- 主任務拆給 main agent，子任務拆給 sub-agent？
- Skill 該寫得多細？太細 over-engineer，太粗模型偏題
- CLAUDE.md 那邊放什麼上下文？太多 model 注意力稀釋，太少又不夠 context
- Hooks 該不該設？什麼 trigger 點該攔截？
這些問題沒有 settled 的答案——每個 feature 的 nature 不一樣，工作流定義要重新調。這個調整本身就是工作的一部分，不是「準備工作」。
內容產製一直有意見
如果這個 feature 涉及產出內容（文案、blog、文件、UI 文字）——AI 幫你產出第一版之後，從第一版到上線會經過大量手動 polish。
我自己有一個自我察覺：我平常講話就很冷。所以 AI 產出的「客觀中性語氣」對我來說就是有點微妙——它沒有錯，但讀起來不像我會講的話。每次都得改。
這個 polishing 的時間經常比 AI 第一版產出的時間還多。如果你以為「AI 產出 → 直接上線」，實際上有一條看不見的 manual 修正帶。
產圖時還在想要不要調
文案上線了，輪到產圖（cover、OG image、配圖）——這時候我又會回過頭想：
- 這張圖的方向是不是該再調？
- 文案跟圖配在一起的調性對嗎？
- 這個 cover 的視覺重點是不是該往左移、配色是不是該再暖一點？
每張圖都有一輪「要不要再生一次」的 mental loop。一直到 commit 那一刻可能都還在想。
結果：feature 從來沒有「真正完成」過
把這幾層加總起來——一個 feature 的 timeline 不是 demo 那種乾淨的階梯，是到處都有微調的軌跡。
這不是 anti-pattern，是真實的 work。如果你期待 AI 讓 feature workflow 變成 deterministic 的 pipeline，你會一直失望——因為 feature 本身就有主觀判斷的成分（內容語氣、視覺、邏輯細節），這部分 AI 永遠不會替你做完。
真正重要的：AI 不能憑空創造一個產品
寫到這裡帶出我覺得最重要的觀察。
社群裡有一種敘事——「跟 AI 講你想做什麼，AI 幫你 ship 一個完整產品」。我覺得這個問題很嚴重。
AI 可以——
- 寫出 work 的 code
- 產出 baseline 的內容
- 產生視覺素材
- 整合既有資源
AI 不能——
- 替你決定產品該解什麼問題
- 替你判斷使用者真的會用什麼
- 替你 internalize 一個你不熟的領域
- 替你拓寬你自己的知識邊界
「憑空創造一個產品」需要的是對問題的深度理解 + 對使用者的真實同理 + 對領域知識的累積——這些是 AI 補不了的。
如果你覺得「我跟 AI 講『做一個 X』，它就能 ship 一個能用的 X」——那你做出來的 X 大概率是 demo 級別、小範圍 use case 能 work、放到真實情境就崩。
那真正重要的能力是什麼
從「AI 不能憑空創造產品」這個前提反推，個人開發者最該累積的能力其實不是 prompt engineering，是這幾樣：
1. 怎麼學習新知識
AI 把「執行」變便宜了，相對來說「判斷該往哪個方向學」變更貴。新知識怎麼進入你的 mental model、怎麼評估其重要性、怎麼跟既有知識整合——這個能力在 AI 時代反而更關鍵。
2. 怎麼判斷自己是否真的學會了
AI 可以幫你跑出 work 的 code，但**「我懂這段 code 為什麼這樣寫」是另一回事**。判斷自己有沒有真懂，需要你誠實面對自己的盲點——AI 沒辦法替你做這件事。
我自己的判斷準則：我能不能在沒有 AI 的情況下重寫這段 code 並解釋每個決策？能就算懂，不能就還沒。這個 bar 比「跑得起來」高一個級距。
3. 怎麼拓寬知識邊界
最難的能力。我在 #03 multi-tool stack 結尾承認過——「怎麼用多工具 stack 去學會我不會的東西」我還在摸。
知識邊界擴展不只是「讀更多」、「用更多工具」。是怎麼從「我不知道我不知道」走到「我知道我不知道」，再走到「我知道」。AI 可以加速最後一段，但前兩段你得自己走。
反思：「AI 做 feature」其實是「人 + AI 做 feature」
最終的反思——
「AI 做完整 feature」這個 framing 其實有點誤導。實際上是「人帶著 AI 做完整 feature」：
- 人定義方向
- 人做需求拆解
- AI 產出
- 人判斷品質
- 人決定要不要調整
- AI 再產出
- 反覆
每個環節人的判斷都是必要條件——所以判斷力的累積、知識邊界的擴展，永遠比「找一個更強的 AI」重要。
如果你在「找下一個會幫我 ship 整個產品的 AI」這條路上——我建議停一下，把那個力氣花在「我自己對這個問題的理解夠不夠深」上面。