在這個組合中,Claude Code 是開發介面,GitHub 是程式碼儲存庫,Supabase 提供後端服務,Vercel 負責部署。Tan 因而可以從一份文字構想開始,逐步做出可運作的 Web App,而不必先掌握完整的傳統程式開發技術。
Tan 並沒有期待 AI 第一次生成的版本就完美無缺。他會先測試 App,再把遺漏或不正確的地方描述清楚,要求 Claude Code 修改。整個過程反覆循環:下提示、檢查、測試、修正。
他得到的一項重要心得是:指示愈含糊,結果通常也愈含糊。只要把欄位、權限、計算方式和使用體驗說得夠精準,生成結果便更實用。Claude Code 大致能理解不完美、甚至所謂「破英文」,但理解句子並不等於需求已經完整。
這也是使用 AI 程式開發工具時容易被忽略的差別。自然語言可以降低開始做專案的門檻,卻不能取代需求規劃和結果評估。
Tan 也把 Claude Code 與 Perplexity AI 結合,用於資料研究,原因是 Perplexity 會提供引用來源。然而,他沒有把「附有引用」視為可靠性的保證。
當研究結果指出,魚類可能是新加坡主要的過敏原之一時,Tan 因為自己較熟悉貝類過敏的說法而產生疑問。他回頭檢查引用的資料,最後修正了 App 內容。這段經歷也反映更廣泛的風險:AI 搜尋系統可能生成指向虛構研究的引用,因此重要的健康資訊仍須獨立查證。
對嬰兒追蹤工具而言,這一點尤其重要。App 可以協助整理觀察紀錄,並與相關指引進行比較;但即使 AI 附上連結或引用標記,也不代表生成內容就是醫療證據。
製作嬰兒 App 時累積的提示技巧,後來也被 Tan 應用到工作上。他打造了一個按一下按鈕,就能把英文內容轉換成 48 種語言的翻譯工具。
這與嬰兒 App 的原則相同:成果好不好,很大程度取決於使用者是否說清楚目標、背景和限制,而不只是交代「要做什麼」。
Tan 的經歷並不表示 AI 可以自動完成軟體開發。他仍然需要找出真正的問題、撰寫詳細規格、建立帳戶、串接服務、測試 App,以及質疑不可靠的研究結果。
但這個案例確實顯示,AI 程式助理可以讓沒有程式背景的人,從一個明確而實用的產品構想開始,而不是先投入多年學習程式設計。對 Tan 而言,勇於實驗和清楚下提示,正逐漸成為一般使用者也能掌握的實用能力,包括英文不甚流利的人。
因此,最值得帶走的並不是「AI 什麼都做得到」,而是:沒有寫程式經驗的人,也能用 AI 建立範圍清楚的原型工具——前提是需求、測試和事實判斷,仍然由人負責。