名詞解釋

用說的讓 AI 幫你寫程式

你只要描述「我想做什麼」，AI 就自動把程式碼寫出來。不需要自己懂語法，想法說清楚就好。這個詞由 Andrej Karpathy 在 2025 年初提出，迅速成為描述 AI 輔助開發新典範的主流詞彙。

能自己把任務從頭做到尾的 AI

不只是回答問題——Agent 會自己想辦法、一步步把事情做完。例如：你說「幫我新增登入功能」，它自己寫程式、測試、存好，你只需要最後確認。Claude Code、Devin、OpenHands 都屬於 Agent 類工具。

把寫好的程式送交團隊審查

Pull Request 的縮寫。就像交作業——程式寫好後，送出 PR 讓其他人檢查，沒問題才正式合併進主版本。AI 工具現在可以自動幫你開 PR 並附上說明，大幅壓縮 code review 等待時間。

把程式碼變更存進版本記錄

每次 commit 就像存檔，並留下一筆記錄說明你改了什麼。以後出問題可以回頭查、甚至復原。AI 工具可以自動幫你 commit 並寫出有意義的說明，取代人工填寫「fix bug」的壞習慣。

隔離的安全執行環境

AI 在一個「假」的隔離空間裡工作，就算出錯也不會影響你的真實電腦或網站。你可以放心讓它嘗試、失敗、重試。高風險的 Agent 操作（刪檔、改設定）通常都需要在沙盒中完成。

整理程式碼，功能不變但更好維護

就像整理房間——東西還在，但擺得更整齊。Refactor 是在不改變程式行為的前提下，把程式碼結構改得更清晰、更好維護。AI 工具現在可以掃描整個 codebase，主動建議甚至自動完成重構，過去可能要花幾天的工作，現在幾分鐘內就能完成。

找出並修好程式裡的錯誤

程式跑出來的結果不對，或直接報錯，就需要 debug。傳統上要一行一行追查，AI 工具現在可以讀錯誤訊息、自動推斷原因、直接給你修好的版本。有些工具還會解釋為什麼這樣改，比只給答案更有學習價值。

自動測試、自動部署的流水線

Continuous Integration / Continuous Deployment。每次程式碼有變動，就自動跑測試、自動把新版本送上線。AI 工具正在滲透這個環節——從自動生成測試、到修復 CI 失敗、到協助設定部署流程，減少手工重複勞動。

上線前讓人（或 AI）檢查程式碼

提交程式前，由同事或工具掃描一遍，看有沒有 bug、安全漏洞、或寫法可以更好的地方。傳統要等隊友有空，現在 AI 工具可以在幾秒內完成初步審查，提前攔截低級錯誤，留下真正需要人判斷的問題給人看。

整合 AI 助手的程式碼編輯器

Integrated Development Environment。就是你寫程式的地方，像 Word 是寫文章用的。Cursor、Trae、Windsurf 都是帶 AI 的 IDE——它們能讀懂你整個專案，不只是單一檔案，給出更精準的建議。

純指令操作，沒有視覺介面

Command Line Interface。就是那個純文字的黑色視窗，要打指令才能操作。Claude Code、Aider 都是 CLI 工具。對不習慣終端機的人門檻較高，但對開發者來說往往更靈活、更好自動化。

讓 AI 連接外部工具的橋樑

Anthropic 提出的開放協定。讓 AI 不只會聊天，還能去 Google Drive 讀文件、在 Slack 發訊息、查 Jira 任務——像給 AI 安裝外掛一樣。目前 Claude、Cursor 等主流工具都已支援 MCP。

裝進編輯器的 AI 外掛

不換掉你現在用的編輯器，只是在裡面裝一個外掛。GitHub Copilot、Codeium 都提供 VS Code、JetBrains 等主流 IDE 的 Extension。優點是不用改習慣，缺點是功能深度通常不如原生 AI IDE，因為只能在外掛的權限範圍內操作。

跑在自己電腦上、資料不出去的 AI

模型直接安裝在你的電腦或伺服器上，運算在本地完成，資料完全不送到外部。Ollama、LM Studio 是常見的本地部署工具，搭配 Llama、Mistral 等開源模型使用。對資安要求嚴格的企業、或不願意把程式碼送上雲端的開發者首選。

不寫程式也能做 AI 應用的工具

用拖拉介面、填表單的方式組出 AI 流程，不需要懂程式。Dify、Flowise、n8n 都屬於這類。它讓非工程師也能快速打造 AI 助理、自動化流程。但碰到複雜邏輯時，仍然需要工程師介入或搭配程式碼節點。

專案裡所有程式碼的總稱

就是你整個專案資料夾裡所有的程式碼。AI 工具能「讀懂」整個 codebase，才能幫你做跨檔案的修改，而不只是改單一檔案。這是 AI IDE 和單純聊天機器人最大的差異所在。

AI 一次能記住多少資訊

就像 AI 的「短期記憶」，每次對話它只能看到 context window 範圍內的內容。視窗越大，AI 能同時讀的程式碼越多、犯錯越少。GPT-4 是 128k tokens，Claude 是 200k，Gemini 達 1M。

AI 計算費用的最小單位

大致上，1 個英文單字≈1 個 token，1 個中文字≈1–2 個 token。你每次送出的問題和 AI 的回答都會消耗 token。用量計費的 API 方案就是按 token 數算錢，所以 prompt 越精簡越省錢。

你給 AI 的指令或問題

就是你輸入給 AI 的文字——可以是問題、指令、或任何你希望 AI 處理的內容。寫好 prompt 的能力（Prompt Engineering）已成為現代開發者的重要技能，直接影響 AI 輸出的品質。

AI 一本正經地說錯話

AI 沒有「不知道」的概念，遇到不確定的事情，它有時會自己編造一個聽起來合理的答案，而且語氣一樣自信。這稱為幻覺。在程式碼場景下，常見的是 AI 引用不存在的函式名稱或 API 參數。使用 AI 生成的程式碼前，務必跑過測試確認。

讓 AI 查完資料再回答

在 AI 回答前，先去文件庫、資料庫或你上傳的檔案裡搜尋相關段落，再把找到的內容塞進 prompt 一起送給 AI 參考。結果比純靠模型記憶更準確、更新，也能引用來源。大多數「問你自己的文件」類工具背後都是 RAG 架構。

在對話開始前給 AI 的背景設定

對話開始前，在幕後給 AI 的一段說明，用來定義它的角色、限制和行為規則。例如：「你是一個只回答 Python 問題的助理」。一般使用者看不到 system prompt，但它決定了 AI 整個對話的基調。Cursor Rules、GitHub Copilot Instructions 都是 system prompt 的應用。

用自家資料再訓練模型

拿一個現成的大模型，再用你自己的資料繼續訓練它，讓它更熟悉你的產業術語、程式碼風格或寫作語氣。成本比從頭訓練低很多，但仍需要一定的資料量和計算資源。適合對特定任務要求極高品質的企業，一般開發者用 RAG 或 system prompt 就夠了。

OpenAI 出品的語言模型系列

OpenAI 的旗艦模型系列。GPT-4o 是目前最常被各工具整合的版本，支援文字、圖片、語音輸入。ChatGPT 是使用 GPT 模型的聊天介面，但 GPT 模型本身也被 Cursor、GitHub Copilot 等第三方工具採用。在程式碼生成能力上與 Claude 互有勝負，端看任務類型。

Anthropic 出品，長文與程式碼表現突出

Anthropic 的旗艦模型系列，以 200k 超大 context window 和穩定的程式碼推理著稱。Claude Sonnet 是目前最常被開發者用於程式碼任務的版本，Opus 則是能力最強但速度較慢的高階選項。Claude Code CLI 直接以 Claude 模型為核心，深度整合終端機工作流。

Google 出品，擅長超長文件分析

Google DeepMind 的多模態模型系列。Gemini 1.5 Pro 擁有高達 1M tokens 的 context window，是目前市面上最大的，適合分析整個大型 repo 或超長技術文件。Gemini Flash 則以速度和低成本見長，適合需要高頻呼叫的場景。

程式碼公開、可自行部署的 AI 模型

模型的權重（也就是 AI 的「大腦資料」）公開釋出，任何人都可以下載、修改、本地部署。Llama（Meta）、Mistral、DeepSeek、Qwen 是目前最熱門的開源模型。對程式碼能力要求不極端、但重視資料隱私或成本控制的團隊，開源模型是主流選擇。

試用方案，不刷卡也能用

廠商提供的永久免費層級，讓你在付費前先體驗核心功能。通常有用量限制（每月多少次請求）或功能限制（不含最新模型）。評估工具時，先用 Free Tier 試再決定要不要付費是標準做法。

訂閱制，按月付費解鎖完整功能

通常是月費制（$10–$50/月），解鎖更多 token 用量、更新模型、進階功能（如無限 Agent 執行）。多數 AI 工具的 Pro 方案在深度使用下 CP 值遠高於同等的 API 用量費用。

用多少付多少，適合開發者整合

不訂閱，直接呼叫 API 按 token 計費。靈活度高，但費用難以預測——跑一個複雜 Agent 任務可能比整個月的 Pro 訂閱還貴。適合企業整合或低頻使用者，不適合每天大量使用的個人。

給公司用的合規版，資料不混用

針對企業需求設計：資料隔離（你的程式碼不會被拿去訓練模型）、SSO 單一登入、用量管理、SLA 保證、合規認證（SOC 2、GDPR）。通常需要年約、價格談判。如果你的公司有資安或法遵要求，這是唯一該考慮的方案。

每分鐘最多能送幾次請求

廠商對 API 呼叫頻率的限制，通常以「每分鐘 N 次」或「每天 N 個 token」計算。免費方案的 rate limit 很緊，跑 Agent 任務特別容易撞到，導致任務中斷。Pro 和 Enterprise 方案的上限通常高很多，這是影響 AI 工具實際體驗的隱形關鍵指標。

用標準題目比較不同模型的分數

廠商和研究機構設計的標準化題目集，讓不同模型在相同條件下比拼，結果轉成分數排行。HumanEval、SWE-bench 是程式碼領域最常被引用的 benchmark。但注意：廠商可能針對 benchmark 優化，真實日常使用感受不一定和排名一致，要結合社群評論判斷。

AI 回應需要等多久

從你送出請求到 AI 開始輸出第一個字的時間。對於需要即時互動的場景（像是 IDE 補全），latency 比模型能力更影響使用體驗——差 0.5 秒就差很多。速度快的模型通常能力稍弱，這是目前業界普遍存在的取捨。

AI 生成的程式碼能不能跑

在程式碼任務中，準確率通常指「第一次生成就能成功執行、且結果正確」的比率。不同工具在不同程式語言、不同任務類型（補全 vs 生成整個函式 vs 修 bug）上的準確率差異很大，不要只看總分，要看你實際用途對應的細項。

你的程式碼會不會被拿去訓練

很多開發者最擔心的問題：把公司程式碼送進 AI 工具，廠商會不會留存、拿去訓練下一代模型？多數工具的 Free / Pro 方案預設會記錄資料，Enterprise 方案才保證不用於訓練。使用前一定要讀清楚隱私政策，尤其是處理客戶資料或敏感業務邏輯時。