重點係，Tan 將一個具體而重複出現的生活難題講清楚：家長要輸入咩資料、系統要點樣計數、兩個使用者有咩權限，以及資料應該點樣呈現。佢唔係籠統咁叫 Claude Code 「整個育兒 App」，而係先定義好產品應該點運作。

由需求開始，而唔係由程式碼開始

雖然 Tan 唔係程式設計師，但佢採用的做法，其實幾似一個簡化版產品開發流程：先寫清楚需求，再叫 AI 將需求變成應用程式。

據報道，佢的步驟大致如下：

1. 透過 Mac Terminal 下載及執行 Claude Code。
2. 用四頁文件，以日常英文寫低 App 的功能及運作方式。
3. 要求 Claude Code 按照需求建立 App，並用非程式設計師都明白的方式解釋每一步。
4. 開設 GitHub、Supabase 及 Vercel 帳戶。
5. 將幾項服務接駁起來：GitHub 用嚟儲存程式碼，Supabase 負責資料庫及使用者登入驗證，Vercel 就將 App 部署到網頁連結上。

呢幾個平台各有分工。Claude Code 係開發介面，GitHub 係程式碼儲存庫，Supabase 提供後端服務，而 Vercel 負責部署。對於冇受過傳統編程訓練的人嚟講，呢種組合可以將一個寫低咗的點子，逐步變成真正可以使用的網頁工具。

提示越含糊，結果越容易走樣

Tan 並冇預期 AI 第一次生成的版本就萬事俱備。佢會親自試用 App，指出邊啲功能漏咗、邊啲地方唔啱，再叫 Claude Code 修改。整個流程就係：輸入提示、檢查、測試、修正，然後再試。

佢歸納出一個簡單原則：指示越含糊，結果通常越含糊。當佢清楚交代要記錄咩欄位、邊個可以睇資料、系統要點計算，以及使用體驗應該係點，AI 產出的內容就越實用。Claude Code 大致上可以理解唔完美、甚至有少少「爛英文」的指示，但明白句子，唔等於句子已經講足所有需要的要求。

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。

AI 有引用，都要自己查證

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。

同一套提示技巧，仲整出 48 語言翻譯工具

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。

佢要求工具做的唔只係逐字翻譯。首先，系統要理解原文的意思、意圖及說服目的；之後再按照目標語言的自然表達方式重寫，而唔係保留英文式的句法、節奏或思路。

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。

AI 唔係代替判斷，而係降低起步門檻

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。

重點係，Tan 將一個具體而重複出現的生活難題講清楚：家長要輸入咩資料、系統要點樣計數、兩個使用者有咩權限，以及資料應該點樣呈現。佢唔係籠統咁叫 Claude Code 「整個育兒 App」，而係先定義好產品應該點運作。

由需求開始，而唔係由程式碼開始

雖然 Tan 唔係程式設計師，但佢採用的做法，其實幾似一個簡化版產品開發流程：先寫清楚需求，再叫 AI 將需求變成應用程式。

據報道，佢的步驟大致如下：

1. 透過 Mac Terminal 下載及執行 Claude Code。
2. 用四頁文件，以日常英文寫低 App 的功能及運作方式。
3. 要求 Claude Code 按照需求建立 App，並用非程式設計師都明白的方式解釋每一步。
4. 開設 GitHub、Supabase 及 Vercel 帳戶。
5. 將幾項服務接駁起來：GitHub 用嚟儲存程式碼，Supabase 負責資料庫及使用者登入驗證，Vercel 就將 App 部署到網頁連結上。

呢幾個平台各有分工。Claude Code 係開發介面，GitHub 係程式碼儲存庫，Supabase 提供後端服務，而 Vercel 負責部署。對於冇受過傳統編程訓練的人嚟講，呢種組合可以將一個寫低咗的點子，逐步變成真正可以使用的網頁工具。

提示越含糊，結果越容易走樣

Tan 並冇預期 AI 第一次生成的版本就萬事俱備。佢會親自試用 App，指出邊啲功能漏咗、邊啲地方唔啱，再叫 Claude Code 修改。整個流程就係：輸入提示、檢查、測試、修正，然後再試。

佢歸納出一個簡單原則：指示越含糊，結果通常越含糊。當佢清楚交代要記錄咩欄位、邊個可以睇資料、系統要點計算，以及使用體驗應該係點，AI 產出的內容就越實用。Claude Code 大致上可以理解唔完美、甚至有少少「爛英文」的指示，但明白句子，唔等於句子已經講足所有需要的要求。

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。

AI 有引用，都要自己查證

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。

同一套提示技巧，仲整出 48 語言翻譯工具

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。

佢要求工具做的唔只係逐字翻譯。首先，系統要理解原文的意思、意圖及說服目的；之後再按照目標語言的自然表達方式重寫，而唔係保留英文式的句法、節奏或思路。

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。

AI 唔係代替判斷，而係降低起步門檻

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。