這週看到 HashiCorp 創辦人 Mitchell Hashimoto 寫了一篇他採用 AI 的完整歷程，我覺得這篇文章難得的是沒有過度吹捧也沒有無腦批評，只是記錄了他怎麼從懷疑走到全面使用，怎麼從效率下降走到無法回頭。​

Mitchell 把整個過程拆成六個步驟，每一步都對應到他遇到的具體瓶頸和解法，我覺得這個框架對於想認真把 AI 融入工作流的人來說，非常實用，這邊介紹給大家。

Step 1：放棄聊天框

Mitchell 第一個建議是直接放棄 ChatGPT、Gemini 這類純聊天介面，改用有執行能力的 Agent。他的理由很務實：聊天框只能靠訓練資料猜答案，然後你得不斷複製貼上程式碼、終端機輸出來回校正，根本沒有效率。​

他提到自己第一次驚豔是把 Zed 的 command palette 截圖丟進 Gemini，要它用 SwiftUI 重現，結果幾秒內就做出來了，而且品質好到幾乎沒改就進了 Ghostty。但這種綠地專案的成功很難複製到實際的 brownfield 專案，因此他後來改用 Claude Code 這類能讀檔案、執行程式、發 HTTP 請求的 Agent。​

這一步的核心是換工具，從對話框換成有手腳的 Agent，才能真的把事情做完。

Step 2：複製你自己的工作

Mitchell 開始用 Claude Code 之後並不順利，他覺得每次結果都要大幅修改，根本比自己做還慢。但他沒有放棄，而是強迫自己做兩次工作：先手動完成 commit，再用 Agent 重現一模一樣的結果。​

這個過程很痛苦，但他因此從第一原則發現了幾個關鍵技巧：​

1. 把任務拆成小而清楚的 session，不要一次要 Agent「畫一隻貓頭鷹」

2. 如果需求模糊，就分成「規劃 session」和「執行 session」

3. 給 Agent 驗證自己的方法，它通常能自己修 bug 和防止 regression

更重要的是，他開始知道 Agent 擅長什麼、不擅長什麼，以及什麼時候不該用 Agent。這讓他進入「不比以前慢」的狀態，雖然還沒更快，但已經夠他願意繼續用下去。​

Step 3：下班前開 Agent

Mitchell 接著試了一個新模式：每天最後 30 分鐘留給 Agent，讓它在你下班或睡覺時跑。他的假設是，如果能在你無法工作的時間推進事情，那就是純賺的效率。​

他發現有幾類任務特別適合這個時段：​

• 深度研究 session：例如找出特定語言、特定授權的所有套件，並產出每個套件的優缺點、開發活躍度、社群評價等多頁報告

• 平行測試模糊想法：讓多個 Agent 同時試不同方向，隔天早上看結果來找出未知的未知

• Issue 和 PR 的分類與審查：用 gh CLI 讓 Agent 批次產生報告，但不准它直接回覆，只當成隔天的工作指引

Mitchell 強調他不會讓 Agent 整夜跑迴圈，通常半小時內就結束，但這些結果讓他隔天早上有個「暖啟動」，比以前更快進入狀態。​

Step 4：外包那些穩贏的任務

到這一步，Mitchell 已經很清楚哪些任務 Agent 幾乎不會出錯，因此他開始把那些「slam dunks」全部丟給 Agent，然後自己去做別的事。​

具體做法是：每天早上看前一晚的 triage 結果，手動篩出 Agent 肯定做得好的 issue，然後讓它一個一個跑。同時，他自己進入深度工作模式，做自己想做或必須做的事。​

關鍵是關掉 Agent 的桌面通知，不讓 Agent 打斷你，而是你在自然休息時主動去看它的進度。這樣才能保持專注，不會頻繁切換 context。​

Mitchell 認為這個做法可以平衡 Anthropic 那篇技能形成論文的隱憂：你把部分任務外包給 Agent，但同時仍在手動任務上持續累積技能。​

他說到這一步時已經進入「回不去」的狀態，不只是效率提升，更重要的是他現在可以把時間花在他真正喜歡的任務上。​

Step 5：工程化驗證機制

Mitchell 稱這一步為「harness engineering」，意思是當你發現 Agent 犯錯，就花時間做一套機制讓它以後不會再犯。​

他提出兩種做法：​

1. 更好的隱性提示（AGENTS.md）：如果 Agent 一直跑錯指令或用錯 API，就在 AGENTS.md 裡寫清楚規則，例如 Ghostty 的 AGENTS.md，每一行都對應到一個曾經的壞行為，加了之後幾乎完全解決

2. 實際寫程式化工具：例如寫 script 讓 Agent 可以自動截圖、跑篩選過的測試等，再配合 AGENTS.md 告訴它這些工具存在

這一步的核心是把 Agent 的錯誤轉化成系統性的防護，讓它能自動驗證自己做對還是做錯。

Step 6：隨時保持 Agent 運行

Mitchell 現在的目標是隨時讓一個 Agent 在背景跑，如果沒有 Agent 在跑，他就會問自己「現在有什麼是 Agent 可以幫我做的嗎？」​

他特別喜歡用 Amp 的 deep mode（本質上是 GPT-5.2-Codex），一個小改動可能要跑 30 分鐘以上，但結果通常很好。​

他強調自己目前不想同時跑多個 Agent，一個就夠了，這樣能在深度工作和看顧 Agent 之間保持平衡。他也說這個目標還在進行中，目前一天大概只有 10-20% 的時間真的有 Agent 在背景跑，但他正在努力提高這個比例。​

重點是不為了跑而跑，而是確保每個任務都是真正有幫助的。

我的觀察

Mitchell 這篇文章最有價值的地方，我覺得是它示範了一種「刻意練習」的心態，不只是用用看然後說好或不好, 而是強迫自己在效率下降的時候繼續做、重複做、反思做, 直到找到真正的使用模式。​

Step 1 到 Step 6 是一條從工具切換、到技能養成、到流程優化、最後到系統化的路徑，我自己這一年多嘗試下來也有一樣的體悟，效率提升是需要投入、反覆試錯，以及系統化思考的。