產品開發與 AI

產品開發－簡而言之

Problem

Problem Definition

Product

Discover
(產品發想)

Define
（需求收斂)

Develop
(系統設計)

Deliver
(開發交付)

Double Diamond 模型

Junior

Senior

推薦閱讀：The Product-Minded Software Engineer

市場分析

使用者訪談

挖掘痛點

定義問題

規格制定

功能設計

軟體開發

測試驗收

階段性產出與挑戰

Prototype
(原型)

Software（軟體功能）

Discover
(產品發想)

Define
（需求收斂)

Develop
(系統設計)

Deliver
(開發交付)

PRD
（產品需求文件）

Design Spec
（產品/系統設計文件）

Why

What

探索成本

需求管理

團隊共識

風險管理

開發工時

測試完整性

AI 如何協助

 - Deep research

 - Vibe coding

 - Mock interview

 - AI editors (Cursor, Claude,...)

 - Spec-Driven Development

 - Context-Driven Development

 - NotebookLM (KB manager)

 - Agent-based PRD/task manager

 - Meeting recording to notes

低成本探索

團隊溝通加速

專案/知識管理簡化

開發外包

Prototype
(原型)

Software（軟體功能）

PRD
（產品需求文件）

Design Spec
（產品/系統設計文件）

AI 加速產品開發

實例分享 

Crescendo Lab 的 AI 探索小組 (AI TF)

• 目標
  • 探索如何利用 AI 加速老舊系統上的產品開發
• 為什麼是專案小組?
  • 集中資源、解決真實的問題、深度探索
• 專案與團隊
  • 六、七年沒改過的功能，系統架構需要重新設計 -> 12週，ROI 太低
  • 六人團隊 (PM, PD, POps, 3 Eng)
• ​ 執行期間：四周, 2025 Q2

Working backwards－倡議從願景出發

以終為始：先確認終點的價值再談規劃

• [工程] 一次還清功能相關多年的產品／技術債

• [產品] 產品開發週期從 kick-off 到上線時間砍半

• [組織] 可以被複製的 AI-First 產品開發指南

​故事性：先想好如何描述影響力再執行

Climbing the Mountain We Once Avoided—With AI
This isn’t just about shipping a feature. It’s about confronting years of accumulated product and technical debt in MAAC—at once.

We have one month. The scope is massive. The risks are real.
But this time, we’re sending our best: the AI Coding Task Force and CL’s top engineers across teams.

We aim to prove that AI-first development isn’t just faster—it changes what’s possible. Even in legacy-heavy systems, we can move faster, deliver more, and redefine how Crescendo Lab builds software.
This is the mountain we once avoided. Now, we climb it—and we climb it together.

Working backwards－規劃從問題出發

專注於問題，而不是 (AI) 工具

• 從痛點出發，循線找解法
• 明定探索範圍 & 驗證指標

目標：兼顧穩定度的情境下，用 AI 加速開發

實際上做了些什麼?

(1) AI Coding

(2) 老舊系統再造

(3) PRD 優化

Medium 文章：Making an Impact Beyond Delivery: How Engineers Reshape Product Development with AI
開源專案：ai-coding-workshop-250712

AI Coding - Context-Driven Development at CL

• Context: 功能開發的相關知識
  • PRD, Design spec, Acceptance Criteria
  • Knowledge Base: 產品與老舊系統間的橋樑，讓 AI 看得懂老舊系統 
• 複合的合作模式
  • Copilot: 人類/AI 協作
  • Agentic: 人類規劃，AI 執行
• AI Q&A
  • 透過問答釐清細節，不猜測
  • 態度：指導 Junior 開發 

老舊系統再造—功能重寫

• 舊功能維持運作
• 請 AI 基於 KB 重寫，再往上加功能

• 搭配 Feature Flag，一個個功能替換
• 透過真實的流量，驗證新版功能
• 算好 SLO (Error Budget)，狀況不對就切回

老舊系統再造—逐步替代上線

PRD 優化－AI 問太多問題？回到源頭提升 Context 品質 

• AI 友善的產品規格：透過 AI 將產品規格拆解成 User Story + Use Case (demo)
• 正宗文件：透過 AI 管理 PRD 與會議記錄

Put together - AI-First 產品開發流程

TF 成果 — Outcomes & Outputs

• 🚀 [工程] 一次還清功能相關多年的產品／技術債

• 🥲 [產品] 產品開發週期從 kick-off 到上線時間砍半(2倍) 1.7倍

• 🚀 [組織] 可以被複製的 AI-First 產品開發指南

案例分享—小結

用 AI 加速產品開發，不是工具選擇，是流程再造。

• 以終為始：從願景＆問題出發，不要從工具出發。
• 指標先行：設定好指標再執行，驗證方法是否有效。
• 保持耐心：AI工具會不斷地犯錯/失敗，能做就是一步步把成功率提高。

人才思維與 AI

AI 走到哪了？什麼時候要泡沫？

不管泡沫與否，與 AI 共存是既定事實。

ref: Gartner Hype Cycle Identifies Top AI Innovations in 2025

工程師的思維轉移

爲什麼職缺開始變少？大碼農時代結束

解放雙手，往思考型技能培養前進：

• Software Developer -> Software Designer
• 勞力型 (coding) -> 思考型 (系統/軟體設計, 工程策略)
• 答案不重要，重要的是思路。

用人者的角度

• Coding test -> Problem solving
  • 探索、簡化、解決問題
  • 產品思維
• System design：判斷&溝通 
• Behavior test：人格特質、思考邏輯

不同階段的 AI 使用指南

危險區 (能力 < AI, junior )

• 知識不足
  • 不要依賴，盡可能向 AI 學習
  • 培養判斷力

混亂區 (能力 ≈ AI, mid-senior)

• 深度不足
  • 累積產品/系統深度
  • 大量試錯，找出自己的 AI 使用原則

優勢區 (能力 > AI, senior+)

• 像指導 Junior 一樣地帶 AI 做事
• 不只是用 AI，更要槓桿影響力
  • 讓自己的使用經驗可以被複製
  • 優化流程、解決過去難解的問題

AI 時代的焦慮

AI 時代沒有秘密

• 8成的 AI 探索成果/實踐會在幾個月內成為顯學，普世皆知。
• 很難錯過，也難與眾不同。

如果你感到焦慮，先試著讓自己慢下來 🙂

• 與其淺淺地看十題，不如找一題深入研究。
• 不要空想半天，先動手。

"不夠了解 AI 時，看到相關消息總是讓我焦慮，覺得一切都變得超快；
但透過 TF 探索後，我才發現 AI 其實發展地挺緩慢。
當我能分辨訊息真偽後，一切忽然變得安心自在。" - 某位 Mentee

人才思維—小結

AI 共存已是事實

• 設計思維：軟體開發者 -> 軟體設計師
• 思考型工作成為日常：碼農時代結束，軟體設計、產品思維、團隊溝通成為新日常
• 不要成為工具的奴隸：透過培養判斷力、產品/系統深度，駕馭 AI 叫它做事。
• 慢慢來比較快：與其焦慮空想，不如動手學習。

結語

As to methods, there may be a million and then some, but principles are few.
The man who grasps principles can successfully select his own methods.

The man who tries methods, ignoring principles, is sure to have trouble.

- Harrington Emerson

願大家都能在 AI 的時代裡，找到屬於自己的原則與框架。

最後，讓我們透過 Q&A 來交流吧 😈

Ask Me Anything!