很多人說 AI 發展太快，遲早會取代員工。但你有沒有認真想過，AI 究竟怎樣取代員工？答案藏著一個 90% 人沒看到的轉變機會。 這代表什麼？2026 年不是「會不會失業」的問題，是「你選擇被取代，還是訓練 AI」的選擇題。 1️⃣ AI 取代員工的真相，它要先學 不少大公司確實裁員了，改用 AI 取代員工。但 AI 不是一開始就會做員工的工作，它要先學。 AI 學會員工的工作流程，所以才取代得到員工。問題來了，AI 要學，誰教？誰最了解這些工作流程？ 答案：正正是被取代的員工。 🎯 這就是 2026 年的真機會：身份轉變 由「被 AI 取代的人」，變成「訓練 AI 的人」。 2️⃣ 為什麼「放大」比「取代」更值錢 根據 Gartner 2025 年發布的研究，AI 投資中 ROI 最高的公司，不是裁員最多的公司，而是用 AI 做「people amplification」（員工放大）的公司。意思是，把 AI 變成放大每個員工生產力的工具，而不是直接換掉員工。 另外 Gartner 也預測，到 2026 年底，40% 的企業應用會內建任務型 AI Agent（2025 年只有不到 5%）。Q1 2026 已經有 80% 的企業應用更新時嵌入了 AI Agent。 換句話說，AI Agent 化已經是現在發生的事。問題是你扮演什麼角色，被它取代，還是訓練它做事。 ❌ 把 AI 當競爭對手，學新工具想跟它比快 ✅ 把 AI 當實習生，訓練它複製你的判斷力 3️⃣ 怎樣由被取代者變成訓練 AI 的人 說真的，就是用 AI 複製你自己的專業技能加經驗。把你做了 5 年、10 年的工作流程，訓練成一個 AI 工作流。 這就像麥當勞的 SOP 手冊。寫一次，任何分店都能複製出同一份漢堡。你不再需要親自做每一件事，只需要把你的判斷力「寫下來」，AI 替你執行。 這套 AI 工作流，就是你的個人槓桿。 4️⃣ 舉個例子，廣告操盤師 以前：1 個人時間有限，最多幫 1 間公司操盤。每天 8 小時手動審廣告、調預算、看數據報表。 配合 AI 之後：把廣告投放的判斷力、過去的 A/B 測試經驗、客戶溝通模板，全部訓練成 AI 工作流。多數操作交給 AI，自己只審批最重要的決定。 同一份專業，現在可以同時服務 3 間、5 間、10 間公司。每天上班時間從 8 小時降到 2 小時，剩下時間用來開拓新客戶。 ✅ 用 AI 放大你 ❌ 不是學 AI 取代你 5️⃣ 我的方法論 5 步 Step 1️⃣ 搞清楚哪些工作可以給 AI 做（5 個特徵：重複性高、規則明確、有歷史數據、輸出可審核、時間佔比大） Step 2️⃣ 把工作交給 AI 處理（先讓 AI 跑一遍，產出通常會很「平均」） Step 3️⃣ 訓練 AI 按照你的風格工作（餵代表作 + 客戶案例，讓 AI 提取你的「風格 DNA」） Step 4️⃣ 變成穩定自動化工作流（用 SKILL.md 封裝 + Hook 強制執行） Step 5️⃣ 把工作流做成能賺錢的槓桿（賣給你的同行，因為他們的痛點你都經歷過） 這套方法論是我用一年的經驗總結出來，每一步當中都有很多子工序。 6️⃣ 為什麼這套方法能變成副業 說到底，建一次系統，可以同時為多間客戶服務。 ❌ 自由業思維：每多接 1 個客戶 = 每天多 2 小時工作量 ✅ 系統思維：每多接 1 個客戶 = 多收一份月費，工作量加 10% 你不再賣時間，賣的是「複製了你判斷力的工作流」。 這個價值，遠超自由業賣時間。 🧠 結論：從「會用 AI」升級為「訓練 AI」 會用 AI 思維：學各種 prompt、各種 AI 工具，永遠在追新工具 訓練 AI 思維：把自己的專業 × AI，做出一個複製你判斷力的系統，賣給同行 2026 年的 AI 不是比誰會用工具，是比誰把自己的專業變成 AI 工作流。 你覺得自己的專業，哪個工作最可能變成 AI 工作流？留言告訴我 👇

Claude Code 第一次打開，現在已經有 4,200 多個 skill 在 marketplace，新手該由哪三個開始？ 答案不是「每個都裝一點試一試」，也不是「先學最熱門的工程師玩具」。對於不寫程式的 AI 用戶來說，只要學熟 3 個 skill，已經能滿足日常 80% 的需要 — 一個負責「無中生有，自己做工具」、一個負責「強迫 AI 用對的方法寫程式」、一個負責「跨對話階段的長期記憶」 這 3 個加起來，就是 AI 新手最低成本的起步配置 ━━━━━━━━━━━━━━━━━━━━ 🛠 Skill Creator — 用講話的方式做 skill 的「工廠」 🔍 這是什麼 Skill Creator 是 Anthropic 官方推出的 skill，本身的工作是「幫你做其他 skill」。你用自然語言講「我想要一個專門處理某類任務的 skill」，它會幫你產出 SKILL.md 草稿、做測試、打包，最後變成可以重用的工具 💡 為什麼新手要先裝這個 新手最常見的卡點是「市面上的 skill 都不太對口味」 — 你的工作場景特殊，現成的 skill 永遠差一截。一般做法要去學 SKILL.md 結構、學 plugin marketplace 的目錄規範、學怎樣寫 description 才會被觸發。Skill Creator 把這條學習曲線整條折疊起來：你會講話，就能建 skill 舉個場景 假設你是內容創作者，每週要做一份「YouTube 影片數據週報」 — 抓取觀看數、計算成長率、輸出成圖表。你講「幫我做一個處理 YouTube 數據週報的 skill」，Skill Creator 會引導你定義輸入格式、選擇圖表類型、決定輸出位置，最後產出一個你以後每週都用得到的 skill 或者你做小型零售店，每月要根據 POS 數據寫一份「銷售檢討報告」。你講清楚要看哪幾個指標（高銷產品、滯銷產品、月對月變化），Skill Creator 同樣會幫你打包成一個 skill — 下個月只要餵新數據進去，報告自動生成 對新手最大的價值：把「我有重複的任務」直接轉成「我有一個專屬工具」，中間不需要學工程概念 ━━━━━━━━━━━━━━━━━━━━ ⚡ Superpowers — 強迫 AI 用工程師流程做事 🔍 這是什麼 Superpowers 是社群開源的 skill，目前 GitHub 約 15 萬顆星 — 是 2026 年增長最快的開源 Claude Code 工具之一。它的核心做法很簡單：強制 Claude 在動手寫之前，先做計劃、再寫測試、再寫實作、最後自我審核 — 跟正規工程師的流程一樣 💡 為什麼新手要裝這個 新手最容易踩的坑，是把 Claude Code 當成「快速產生器」 — 你叫它寫一段自動化腳本，它一頭跳進去碼字，10 秒鐘給你 100 行程式。問題是：這 100 行裡面通常有上線時才會炸的問題、邊界情況沒處理、跟你原本系統格格不入的設定。一輪修錯下來，往往比一開始就走慢一點還要花更多時間 Superpowers 把這個順序反過來：寫之前先停下來。明確要做什麼、定義成功條件、列出可能炸的地方、寫一個小測試、再寫實作、最後自己審核一次。一開始用會覺得「好慢」，但出來的東西穩定很多，少修錯一輪反而整體更快 舉個場景 假設你要做一個「自動把客戶 email 分類並轉發到不同部門」的自動化流程。沒有 Superpowers 之前，Claude 會直接寫一段串接 email API + 簡單關鍵字判斷的程式 — 看起來能跑，但遇到「主旨欄位是中文夾雜英文」「附件超大」這類情況就會出錯。有了 Superpowers，Claude 會先問清楚邊界情況、寫測試覆蓋這幾種輸入、再寫實作，交付的版本不容易被冷門個案炸掉 或者你做電商，要做一個「定期抓取競品價格並提醒」的監控腳本。Superpowers 會強迫先計劃輸出格式、考慮 API 失敗時要怎樣處理、寫好 retry 邏輯 — 是「半夜跑都不會炸」的版本，不是「我自己看著它跑才不會出事」的版本 對新手最大的價值：避免「AI 寫得快但寫得爛」這個最常見的坑，也順便讓你不知不覺學到工程師思維 ━━━━━━━━━━━━━━━━━━━━ 🧠 claude-mem — 跨對話階段的長期記憶 🔍 這是什麼 claude-mem 是社群開源的 skill，把你跟 Claude 做過的事自動記住，新對話開始時自動把相關脈絡注入進去。底層是 SQLite + 向量檢索，技術細節對新手來說不重要 — 重點是：你今日跟 Claude 講過的項目細節，明天打開新對話時它仍然知道

你寫過 CLAUDE.md、裝過 skills、加過 hooks 嗎？ 如果有，那你其實已經在做 Harness Engineering — 一個 2026 年才被矽谷工程界正式命名、但你早就在做的事 老實說，這個名字聽起來複雜，內容卻是你日常已經接觸的東西。今天想跟你聊聊：這個詞為什麼忽然冒起、它真正在講什麼、為什麼對你這個用 Claude Code 的人特別重要 👇 🔧 Harness 到底由什麼組成 綜合 Martin Fowler 2026 年 4 月分類學加上 Atlan 定義性指南，一個完整 harness 有 4 層： 第一，Guides（前饋引導）— 行動前告訴 agent 怎樣做。系統 prompt、CLAUDE.md、AGENTS.md 規則檔、架構規約、lint 配置 第二，Sensors（回饋觀察）— 行動後檢查 agent 有沒有做對。Evals、validation loops、output parsers、drift detectors 第三，Data Context Layer — 認證過、有 lineage 的資料供 agent 推理 第四，Orchestration Logic — 任務序列、審查 gate、sub-agent 路由 對你來說，這 4 層 map 返你已經在用的東西：CLAUDE.md 就等於 guides，hooks 就等於 sensors，MCP servers 就等於 data context 加 orchestration，skills 就是組合這幾層的可重用單元 換句話說：你的 ~/.claude/ 目錄就是你的 harness。你只是之前沒人幫這部份命名 💡 為什麼這對 3 種人都重要 對個人用戶來說，這個 frame 最大價值就是「賦予命名」。你之前以為自己只是「在配置工具」，原來你在做的，是一門已經有名字、有分類學、有實戰指南的工程紀律。你寫每條 CLAUDE.md 規則、加每個 hook、裝每個 skill — 全部都是你個人資產的累積，模型升級也不會貶值 對 AI agency 經營者來說，harness 直接變成商業武器。你交付給客戶的，不再是「Claude API 的 wrapper」，而是「設計好的 harness 加上領域知識」。同一套 harness 套用不同 vertical（律師事務所、會計、電商），只需要替換 data context layer — 比每個案逐次寫 prompt 快 5-10 倍。更重要的是，計價邏輯由「人月」可以走向「資產定價」 — 你擺明跟客戶說「這個 harness 包含 X 加 Y 加 Z 組件」，比說「我幫你寫 prompt」有說服力 10 倍 對任何用 AI 的公司來說，harness 就是控制 AI 輸出可預測性的唯一方法。88% 企業 AI agent 項目上不到 production（Atlan 2026 年 4 月數據），27% 失敗源自 data quality — 這些都是 harness 問題，不是模型問題。OpenAI 100 萬行 0 人手程式碼的案例證明，當 harness 設計到位，產出可以線性 scale 🔍 想想看，怎麼 audit 你現在的 harness 說了這麼多，怎麼開始？打開 Claude Code 工作目錄，跟著做這幾步就行： 第一步，列清單。打開 /.claude/CLAUDE.md、專案級 CLAUDE.md、/.claude/skills/、/.claude/hooks/、/.claude/settings.json — 這堆檔案加起來，就是你的 harness。寫下總行數。Addy Osmani 建議 CLAUDE.md 控制在 60 行以內，把它當「機師的 checklist」而不是「風格指南」 第二步，逐條規則問「這條對應哪一次失敗」。Hashimoto 同 Osmani 共同強調的「ratchet 原則」 — 每條 harness 規則都應該能追溯到一個真實發生過的錯誤。如果某條規則從來沒對應失敗，就是 over-engineering，candidate for deletion。HumanLayer 警告：規則太多會 pollute context window，agent 反而表現更差 第三步，把最常重複的錯誤升級成 hook。這個就是核心紀律 — 口頭規則加 AI 自審 = 永遠靠不住。真正解決方法就是寫 hook 在 PreToolUse 或 Stop 階段機械化攔截。例子：我自己用一個 check-publish-content.js 在寫入時 grep 廣東話禁用詞加框架詞，發現即 reject。設定一次，永久執行，不會忘記