01
個人：Vibe Working
把原型、PRD、定價、文件、回饋分析交給 AI，個人聚焦需求判斷、創意與驗收。
全場架構：能力升維、摩擦下降、組織複利
傳統研發同時卡在兩個地方：個人花大量時間做重複執行；角色之間又充滿確認、排期、測試阻塞與缺陷修復。AI Native 的答案必須同時改變個人、流程與組織。
02
流程：Code → Spec
人寫 Spec、委派 Quest、Review PR；瓶頸不再是打字速度，而是 Spec 品質與 Review 速度。
03
組織：N 人 × M 數字員工
小而精的人類層負責決策、創意、審核；數字員工層 7×24 執行並持續進化。
起點：Coding 是通用智能的基礎設施
Qoder 的觀點是，Coding 不只是垂直應用，而是 Agent 進入各種環境、處理檔案、任務與完整 Solution 的基礎能力。產品路線也從 IDE 外掛，逐步延伸到 Qoder、QoderWork、QoderWake 與 Cloud Agents。
259 PR / 30 天
簡報引用的 Loop Engineering 案例：100% AI 生成程式碼、零人手編寫。
60%
Qoder 使用者不再親自寫碼，而是依賴智能體完成任務。
100×
簡報以手寫與智能體的代碼量級差異，說明 Code First 正轉向 Agent First。
第一層：Vibe Working，讓每個人先成為超級個體
產品工作不只被加速，而是從等待、手工與主觀經驗，轉成即時生成、結構化與數據驅動。
可交互原型
從畫線框、等開發排期，變成直接生成可交互原型，用可見成果對齊需求。
PRD 快速生成
從手寫與反覆修改，變成結構化 PRD；簡報主張產出效率提升 5 倍。
商業化定價
輸入客群、競品與產品條件，讓決策從拍腦袋走向量化分析。
文件自動化
使用手冊、開發指南自動生成，文件交付週期縮短 80%。
用戶回饋洞察
批量聚類與分析，將人工逐條處理改成問題群組與趨勢判讀，效率提升 10 倍。
人的角色
人從寫文件、搬資料轉向定義問題、商業取捨與結果驗收。
第二層：流程重組，最大機會是縮短最長等待鏈
AI 最大的效益不是讓每個角色各自快一點，而是重建產品、研發、QA 的協作鏈。產品用 .md 需求＋原型對齊業務；研發專注實現與知識沉澱；QA 搭環境後直接用 AI 消化 Bug。
| 維度 | 傳統模式 | AI Native 模式 |
|---|---|---|
| 核心產出 | Code | Spec |
| 工作動作 | 寫碼、調試、重構 | 寫 Spec → 委派 Quest → Review PR |
| 並行度 | 一人一模組 | 一人同時多個 Quest |
| 專業壁壘 | 前後端、運維分工明確 | 角色統一，按端到端模組負責 |
| 專案管理 | 會議、排期、層層對齊 | 小隊即時對齊上下文 |
| 新瓶頸 | 人的編碼速度 | Spec 品質與 Review 速度 |
案例：5 人 7 天，完成傳統 20 人工作量
QoderWork 第一版由 5 位開發背景成員完成，沒有獨立產品、設計、測試角色。團隊以 Spec 作唯一事實來源，按模組負責，多 Quest 並行。
D0
不寫碼，只寫 Spec
定義 MVP 邊界、拆解模組、建立 Repo Wiki。
D1–2
架構開發
框架、容器同步，委派任務，Skill 與 Agent 並行推進。
D3–4
增量需求
發現問題立即補 Spec；委派、合併、Review，單人日均處理多個 PR。
D5–7
Dogfooding → 發布
全員自測、Quest 修復、集成打包並正式上線。
5 人 7 天只是起步。目標是把「每天一個高品質版本」變成組織常態。
第三層：Loop Engineering，讓系統自己學會處理問題
真正的數字員工不是一次性 Agent，而是能分類、聚類、分析、修復、接受回饋並沉澱知識的閉環。
30→2 min
Issue 根因定位效率提升 15 倍。
10× / 40%
問題處理效率提升 10 倍，簡報標示 40% 自動修復。
7×24
全流程無人值守運行，把人從重複勞動中釋放。
99.9%
Q仔 FAQ 數字員工的回覆率。
72%
簡報標示的回答準確率。
64.2%
探索到新知識並補充知識庫的命中率。
AI Native 超級組織：三層架構、三步建成
人不是被 Agent 取代，而是從生產者轉為把關者。人類層負責決策、創意與審核；數字員工層負責 7×24 執行；閉環層負責觀測、回饋與進化。
1/3
AI 特戰小組
5–7 人、扁平、資源鎖定、端到端交付。50 人有 1,225 條協作鏈；7 人只有 21 條。
2/3
數字員工網路
每人帶一組 Agent；一人＋N 數字員工形成端到端閉環，產出半徑被放大 5–10 倍。
3/3
持續進化閉環
決策 → 執行 → 度量 → 回饋 → 調整，讓每個重要動作可觀測、可審計、可改善。
人才與 HC：AI 放大優秀工程師，而不是取代他們
簡報把未來人才稱為「梳子型」：不再受單一技術棧限制，每個人都是 Agent 工程師，核心產出是 Spec。數字員工則像隱形的 10–15 人，永不疲倦、7×24 工作。
知識蒸餾
把優秀員工的重複性規則與方法，提煉成 Agent 可執行的模式。
自動運轉
讓可被蒸餾的部分獨立完成更多日常工作。
釋放創造
人的精力集中到無法被蒸餾的判斷、創造與責任。
| 數字員工角色 | 主要工作 | 簡報中的成效 |
|---|---|---|
| Issue 修復工程師 | 自動定位問題根因、產生修復程式碼並提交審查，讓工程師從重複除錯轉向驗收。 | 根因定位由 30 分鐘縮短至 2 分鐘；自動修復率 70%。 |
| 客服助手 | 服務大量使用者群組，從對話與人工糾正中持續學習，更新知識並回答產品問題。 | 簡報標示當前回覆率 99%、回答準確率 48%。 |
| 產品經理 | 自動抓取競品更新紀錄、整理需求與市場資訊，輔助功能設計並產出產品文件。 | 分析到功能設計由 2 小時縮短至 10 分鐘；產品文件輸出提升 10 倍。 |
| 後端工程師 | 以 Spec 驅動開發，協助釐清需求、生成程式碼、建立 PR，工程師聚焦架構與 Review。 | 簡報標示每週 PR 提交數量提升 2 倍。 |
| 前端工程師 | 解析設計稿並自動生成前端頁面程式碼，將視覺稿快速還原為可運行介面。 | 設計稿還原時間由 1 個工作日縮短至 1 小時。 |
| 測試工程師 | 自動生成與執行測試案例，持續補齊驗收範圍，協助發現回歸與邊界問題。 | 案例建置由 1 個工作日縮短至 1 小時，並提高提測效率。 |
落地路線：30 天驗證，不先做全公司改革
選一個高頻痛點場景
從現有業務挑一個結果可驗收、價值可度量的問題。
抽調 3–5 位全局視野成員
人少、資源專屬，能對結果端到端負責。
給權限、工具與清楚目標
Agent 要能安全接入資料、Repo、Issue 與協作系統。
跑完整 30 天驗證週期
不要只做 Demo；必須包含真實輸入、交付、例外處理與人為驗收。
用數據證明 5 人＋Agent≈20 人
度量需求頻寬、Lead Time、品質、Review 負荷與 Agent 自動完成率。
成功後再橫向複製
將成熟流程與 Skill 蒸餾成可複用組織資產。
場末延伸與 FAQ：效率之後，還要問價值與人的位置
Token 燒得越多，就代表價值越高嗎？
不是。Token 是投入成本，不是結果。就像電力與網路，最後改變產業的不是消耗量，而是創造出的產品、服務與可持續成果。
AI 時代最後由誰捕獲價值？
講者沒有武斷答案，並傾向認為最終贏家未必就是目前最受矚目的基礎模型公司。早期紅利與長期價值捕獲可能屬於不同角色。
效率被 AI 接手後，人還負責什麼？
在場、手藝、判斷、責任與傳承。當思考與產出越便宜，人反而更必須對目標、價值取捨與結果負責。
企業現在應該等待答案嗎？
不應等待完整共識。從小型、可控、可度量的試點開始，在真實執行中形成自己的治理與協作模式。
效率只是第一層問題。真正的 AI Native，是把算力與數字員工轉換成值得負責、可以持續複利的結果。
Audio deep dive
Podcast｜企業研發效率與 AI Native 組織
NotebookLM 繁體中文深度對談
從寫更多 Code 到經營 Agent 組織，拆解 Spec、Loop 與小團隊轉型。
雙人對談 · 繁體中文