r&d notes · no.09
一個晚上,一間 KTV
我用 Vibe Coding 做產品時,最在意的反而不是程式
撰文:丁后儀|2026.10.23|閱讀約 7 分鐘|瀏覽 – 次
一直以來,寫程式被視為工程師的專業;而隨著生成式 AI 的日新月異,「用說的就能做出軟體」正快速成為現實。從晚上十點多開始,短短兩個多小時,我沒有親手寫下任何一行程式碼,這間線上 KTV 就已經能點歌、同步播放、跑動態字幕;後來陸續加上的 AI 去除原唱人聲與升降 Key,同樣沒有一行程式出自我手。
這種開發方式,有個逐漸為人熟知的名字――「氛圍編程」(Vibe Coding)。此詞由 AI 研究者 Andrej Karpathy 於 2025 年初提出,意指開發者以自然語言描述需求,由 AI 生成與修改程式,人則專注於「感覺對不對」。這篇文章想以這間包廂的製作歷程為例,藉由回顧 AI 帶來的便利,以及我在技術探詢、智財與 token 上反覆追問的幾件事,探討 vibe coding 對大學教學與研發的啟示。(設計初衷請見研發手記 No.08。)
不會寫程式已不再是門檻;不敢問、不知道該問什麼,才是。
AI 帶來的便利:我說需求,它寫、它測、它修
整個過程我使用的是 Claude Code。我的角色只有三件事:說需求、看結果、給回饋。每一則需求多半只有一句話,例如「音量控制要在中間面板」「字幕沒對上」「這一版很不 OK」,再附上一張截圖或一段螢幕錄影。
AI 則包辦了撰寫程式、安裝套件、開瀏覽器自我測試、架設公開網址,甚至撰寫使用說明。最讓我印象深刻的是壓力測試:它同時找出三個我自己絕對想不到的問題――人多時狀態廣播會塞爆主人家的上傳頻寬、格式錯誤的訊息會讓人被斷線,以及包廂主人密碼在短時間內就可能被猜遍。三個問題,當下便一併修正。
AI 寫出「能動」的程式不難,難的是「穩定」與「安全」――而那要由人開口要求。
技術探詢:沒有程式背景,也要敢問
這次最難的兩關,其實我早有預感:過去和朋友視訊合唱,總是怎麼也對不上拍;想唱的歌,也常找不到乾淨的伴唱版本。只是過去的我沒有程式背景,只能把這些問題放在心裡。這一次,兩個提問改變了整個系統的走向――
智財:便利的背後,我反覆追問
01MV 影像能不能放?
開發之初,我就先問了這一題。最後的做法是只透過 YouTube 官方嵌入播放器播放,影片仍由 YouTube 播出;上傳者若關閉嵌入,系統便自動排除。
02去人聲,需要下載音訊
AI 去人聲必須先下載 YouTube 音訊,而這違反 YouTube 服務條款。AI 在動手前便主動提醒,我也做了取捨:只在自己與家人好友之間私下使用,不對外公開、不商業化――這也是這兩篇文章都不附包廂連結的原因。
03歌詞的來源與標示
歌詞是作詞人的心血。以 魔鏡歌詞網為主要來源時,程式遵守該站 robots.txt 的規範:只在有人點歌時查詢、每秒最多一次、不碰其 API,並在字幕下方標示來源,點一下即可回到原頁。

Token:唱歌不花錢,開發才花
說實話,開發的時候很開心,唱歌的時候也很開心,最怕的是收到帳單的那一刻(笑)。所以我問過 AI:「唱一個小時不間斷,會耗多少 token?」後來又追問:「十五個人一起唱、每首都做 AI 分離呢?」
真正花 token 的,是開發
每一次「再改一下」,AI 都得重新讀過整個專案的脈絡;對話一長,甚至得先摘要才能接續。
唱歌本身,不花任何 token
包廂運作時並沒有呼叫任何 AI 模型――伺服器是我電腦上的 Python 程式,去人聲由自家顯示卡在本機運算,影片由 YouTube 播放,歌聲則在手機之間直接連線。真正的成本,是網路頻寬、電費與硬碟空間。
token 既是成本,也是 AI 的注意力:需求一次說清楚,往往比來回修改十次更省。
誠實面對:這間包廂仍有其限制
- 01AI 去人聲並非百分之百乾淨偶爾會殘留些許人聲或回音;每首歌第一次去人聲,也需要等待約 40~50 秒。
- 02同時開麥建議在 8 人以內語音採 WebRTC 手機之間直接連線,開麥的人越多,每個人的上傳負擔就越重。
- 03公開網址並不固定免費的公開網址每次重開都會更換,主揪的電腦也得全程開著。
這些限制,有的可以靠技術持續改善,有的則是取捨之後,選擇與之共處。
一位大學教師的省思:能動,不等於可以公開
「能動」不等於「可用」,「可用」也不等於「可以公開」。
Vibe coding 降低的是「寫程式」的門檻,卻同時提高了「提問、判斷與負責」的門檻。AI 能在幾分鐘內寫出功能,但這樣做是否侵權、是否安全、是否真正貼近使用者,仍有賴於人的判斷。
我在 AI 素養的教學中常談「外包」與「禁運」,這次的製作歷程,恰恰是一次最真實的演練:
可以放心外包給 AI
- 撰寫程式
- 測試與壓力測試
- 整理文件與使用說明
必須牢牢留在人身上
- 需求定義
- 價值取捨
- 倫理與法律判斷
進一步而言,當每一位學生都能「用說的」做出軟體,我們也必須追問――
課程如何引導學生為 AI 的產出負責?
學校的智財指引與 AI 使用規範,是否已跟上這樣的轉變?
token 的成本,又該由誰、以什麼方式支持?
所以惟有制度與文化同步調整,這股便利才能真正轉化為學習的力量。
未來,帶進教學與研發
教學:把看不見的思考,變成學習證據
我希望在大學課程中――無論是通識課程,或是大學部的專題與實作課――設計「AI 協作原型」任務:學生以 vibe coding 完成作品,但繳交的不只是成品,還包括提示歷程紀錄、智財與授權盤點表、token 使用反思與測試報告。如此一來,過去看不見的思考歷程,能轉化為可以評量的學習證據;沒有程式背景的學生,也能成為產品的定義者,真正回到以學習者為主體的設計。
相關案例AI文案與數位行銷〈讓AI創作歷程成為學習證據〉課程深度報導 ↗研發:三個延伸方向
- 以教學實踐研究的方法,探究學生的提問歷程與問題定義能力之間的關係。
- 用同樣的方法自建課堂互動工具,讓教學現場的需求,能更快地被看見與實現。
- 延續「在本機運行開源 AI」的經驗,在個人或校內的電腦上部署模型,處理不宜外流的學生資料,兼顧隱私與成本。
🔒 包廂僅供私下使用,不附連結;文中截圖取自測試包廂。
本文提及與延伸閱讀
交流園地
歡迎留下想法與我交流。填暱稱即可留言,留言會公開顯示,請勿留下個資。

