對任何 AI 編程工具使用者嚟講,呢個分別相當重要。用自然語言開發,可以降低開始做專案的門檻;但使用者仍然要負責定義需求,亦要自己評估生成出嚟的結果。
Tan 亦曾經將 Claude Code 同 Perplexity AI 一齊用作資料搜集,原因係 Perplexity 會提供引用。不過,佢冇將「有引用」直接當成「一定正確」。
當系統提供一項資料,指魚類中帶有魚鰭的魚是新加坡主要過敏原之一時,Tan 因為自己較熟悉甲殼類海產作為過敏關注,所以對呢個說法產生疑問。佢之後翻查引用來源,並修正 App 內的資料。呢段經歷亦反映一個更廣泛的風險:AI 搜尋系統有機會提供指向虛構研究的引用,因此涉及健康的重要資訊,仍然需要獨立核實。
對一個用嚟追蹤嬰兒狀況的工具而言,呢點尤其重要。App 可以幫家長整理觀察記錄,亦可以協助對照健康指引;但就算資料後面附有連結或引用標記,都唔應該當成醫療證據。
Tan 在整嬰兒 App 期間累積的提示技巧,之後亦用喺工作上。佢整咗一個一鍵翻譯工具,可以將英文內容轉成 48 種語言。
呢個做法同嬰兒 App 的開發原則其實一樣:結果好唔好,關鍵唔只係你叫 AI 做咩,亦在於你有冇交代清楚目標、背景同限制。
Tan 的經歷並唔代表 AI 已經令軟件開發完全自動化。佢仍然要先搵到一個真實問題,再寫詳細規格、開設及連接不同服務、測試 App,亦要質疑可能不可靠的研究資料。
但呢個案例確實顯示,AI 編程助手可以令冇寫程式背景的人,唔使先花多年時間學習傳統技術,就由一個範圍清晰的實用點子開始做原型。對 Tan 嚟講,反覆試驗同寫出清楚提示,會愈來愈似普通人都需要掌握的實用技能;就算英文唔完美,都未必係入場障礙。
真正值得帶走的訊息,唔係「AI 乜都整到」,而係冇編程背景的人都可以用 AI 試做針對性工具——前提係使用者仍然要對需求、測試結果,以及資料是否可信負責。