前言

這篇是 2026/03/12 內部分享的內容整理，主要圍繞幾個主題：

• AI 開發工具（Copilot / Cursor / Claude）的實際使用比較

• Gemini 3.1 在圖像、影片、音訊生成的體驗

• CLI 工具的崛起趨勢

• 實際踩坑案例：AI 推導 SQL 邏輯失敗

• 正在嘗試的新開發方式與 Claude hook 知識提煉流程

AI 開發工具比較

目前市面上最常被拿來比較的三個工具：

個人體感排名

效率：    Claude > Cursor > Copilot
新手體驗：Cursor > Claude > Copilot
成本考量：Copilot > Claude > Cursor

為什麼選 Claude？

Claude Max 方案採用 5x 動態限額機制，概念類似吃到飽降速Opus 用量超標後，系統會自動降轉至 Sonnet，或等待 5 小時後重置；整體設計不容易真的爆帳單。對於每月 AI 工具消費接近 $100 USD 的開發者而言，升級到 Claude Max 5x 通常是更划算的選擇。

Claude Code 特別亮點

• 有自己的 MCP 市集，非常方便查找整合工具

• 跨專案記憶不會消失，每個專案的記憶獨立保存在：

  C:\Users\{username}\.claude\projects\{project}\memory\MEMORY.md
  

  切換專案時，AI 能自動載入對應的上下文，不用重新交代背景。

• 跟其他工具相比，對專案結構的理解更準確（Copilot 常把 skill 放錯資料夾）

唯一缺點：有時候帳號切換不穩，常常無法登入，尤其是同時持有兩個 Claude 5x（一個公司、一個個人）時特別明顯。

---

Gemini 3.1 體驗：圖像、影片、音訊

最近試了 Gemini 3.1 幾乎所有功能：圖片、影片、背景音樂、音樂（人聲）、TTS（文字轉語音）

TTS 中文語音品質排名

絕好聲創 > Azure TTS > Gemini

Gemini 的中文字轉語音目前還不太行。

比較有感的部份Gemini Banana 是在繁體中文字的強化。圖像生成：中文字大幅改善

過去複雜的中文字用 Google 產生，很容易寫錯或變成亂碼。Gemini 3.1 在這部分明顯進步。

Nana Banana 圖示（Gemini 3.0）

Nana Banana（Gemini 3.1）

中文字測試（Gemini 3.1）

以下是中文字生成的改善結果過去亂碼問題，3.1 版本修掉很多了：

幫朋友做的菜單，過去麻糬和波羅都很容易畫錯，現在即便是複雜的中文字也可以寫得很清晰。

物體合成（人物 + 場景）

除了生圖和修圖外，Gemini 3.1 支援物體合成（人和人、人和物），可以應用於電商的商品場景合成。

實驗：阿姨幫你買機車照片 + 朋友照片 = 阿姨買機車

影片功能也不錯，可以上傳自己的素材讓它產生影片。

---

CLI 工具的崛起趨勢

最近觀察到一個有趣的趨勢：越來越多 AI 工具在推出 CLI 版本。

Google 悄悄推出 gws CLI

Google 官方出了一個 CLI 工具 gws，一行指令就能操作所有 Google Workspace 服務：Drive、Gmail、Calendar、Sheets、Docs、Chat...

最強的是它不寫死指令，透過 Discovery Service 動態產生，Google 新增 endpoint 它就自動支援，根本不用等更新。

還內建 MCP Server，直接接 Claude Desktop、Gemini CLI 等 AI Agent 就能用，附帶 100+ 個 Agent Skills，一般 Gmail 帳號也可以用，不限企業版。

Bash 可能是 Agent 最友善的工具

除了 gws，GitHub Copilot 也推出了 CLI 版本。目前觀察到各家巨頭開始往 CLI 靠攏，Bash 可能是 AI Agent 最好操作的環境。

或許這代表著，我們有機會打造一些 Bash 工具給 AI Agent 使用，同時也能記錄使用者做了哪些操作，用於分析或審計。

---

實際案例：AI 推導 SQL 邏輯失敗

上禮拜處理了一個讓我印象很深的案例。

情境

我先請 AI 從原有程式方法推導 SQL 邏輯，再讓 SQL Server 的 AI 輔助驗證，卻依然無法取得正確的服務統計用量查詢語句。

根本原因

問題不在 AI 能力不足，而在資料結構本身：

• 兩個關鍵欄位分散在不同資料表

• 各自 JOIN 不同的關聯表，沒有明確的邏輯依據

• 有些資料儲存在外部延伸表

• 命名不一致、拼字相似、用途混用

• 缺乏通用設計規範與清楚的資料語意

在這種情況下，AI 只能「猜邏輯」，但資料庫本身沒有提供可以推導的語意依據。

另一個例子

過去的後端不願意配合前端，導致前端 hard code 了資料庫直接輸出的顯示名稱，AI 讀不懂，就直接放棄了，這些技術債都得逐步消除，才能讓 AI 協作更順暢。

核心觀念

你丟什麼給 AI，他就會給你什麼樣的結構（Garbage in, Garbage out）

生成式 AI 會依據你給的資料去推理生成類似的東西，給他品質差的程式碼，就會生成品質差的程式碼。

---

新的開發方式嘗試

目前在嘗試幾個新的開發方向：

全端放同一個資料夾

把前後端功能放在同一個資料夾，方便 AI 一次看到完整上下文進行全端開發。不過遇到架構混亂的系統時，AI 加速效果有限，只能拆小需求、逐步優化程式碼與架構，同時提煉相關知識文件。

Agent Skill 自動產生

在大多數情況下，我會讓 AI 根據它產生的程式脈絡，自動生成對應的 Agent Skill。這樣 Skill 能夠與目前的程式結構保持一致，而不用手動維護一份容易過時的設定。

我同時也設計了一個 Command 機制，讓 Skill 可以隨著程式演進自動更新只要執行：

/sync-skill

AI 就會依據目前的程式碼結構與邏輯，重新生成並同步更新所有 Skill。

MSSQL MCP 驗證資料庫

透過 Claude 市集的 MSSQL MCP，可以讓 AI 直接了解資料庫結構並驗證資料（建議設定 Read only，僅連線 UAT 環境）。

實際使用時，當我建立 Skill 後，AI 會自動透過 MSSQL MCP 用服務主體連線資料庫，在規劃功能或除錯時直接查詢驗證資料，省去手動跑 SQL 的來回。

Figma MCP：讓 AI 直接讀取設計稿

透過 Figma MCP，Claude 可以直接連線 Figma，讀取設計稿的圖層結構、元件屬性、間距、色彩等資訊。實際使用場景：

• Design-to-Code：AI 讀取 Figma 設計稿後，直接生成對應的 React 元件與 Tailwind 樣式，不用再手動截圖或逐一比對

• 設計規範驗證：AI 可以檢查實作是否與設計稿一致（間距、字型、顏色）

• 快速原型：給 AI 一個 Figma 頁面連結，它就能產出接近設計的 UI 程式碼

設定方式很簡單，在 Claude Code 的 MCP 設定中加入 Figma MCP，授權後就能在對話中直接引用 Figma 檔案。

Chrome DevTools MCP：讓 AI 看得到瀏覽器畫面

Chrome DevTools MCP 讓 AI 可以直接操作瀏覽器的開發者工具，包含：

• 擷取網頁截圖：AI 可以看到目前頁面的實際渲染結果，對比設計稿或預期畫面

• 讀取 Console Log：自動抓取瀏覽器 console 的錯誤訊息，不用手動複製貼上

• 檢查 Network 請求：追蹤 API 呼叫、檢查回應狀態與資料格式

• 操作 DOM：直接執行 JavaScript 來檢查或修改頁面元素

實際開發中最常用的組合：Figma MCP 讀設計 → 寫程式碼 → Chrome DevTools MCP 截圖比對結果，形成完整的 設計 → 開發 → 驗證 迴圈，大幅減少人工來回確認的時間。

Sequential Thinking MCP：讓 AI 學會「想清楚再做」

另一個值得推薦的是 @modelcontextprotocol/server-sequential-thinking，它為 AI 提供結構化的逐步推理能力面對複雜問題時，AI 不會直接給答案，而是把思考過程拆成多個步驟，逐步推導、驗證、修正。

特別適合用在：

• 複雜的架構設計與方案評估

• 多步驟的除錯推理（例如追蹤資料流向）

• 需要反覆修正思路的分析任務

搭配前面提到的 MSSQL MCP 一起用效果更好：AI 先用 Sequential Thinking 規劃查詢策略，再透過 MSSQL MCP 實際執行驗證，大幅減少亂猜的情況。

Claude Hook 建立開發文件

透過 Claude Hook 去建立開發相關的文件，一方面了解 AI 做了什麼，提煉經驗，之後也可以串到 Azure DevOps，自動記錄完成的功能需求。

---

提煉知識及留下計劃文件（Claude Hook 流程）

當專案存在技術債時，AI 協作效率會打折扣，往往需要把工作拆得很細才能完成六七成的功能。在還沒完全摸清架構之前不敢大改，因此我開始思考：如何讓 AI 在修正問題的同時，自動建立 Knowledge Base，加速後續開發。

核心目標

• AI 越用越聰明，清楚了解自己改了什麼

• 在寫程式前（before code）撰寫計劃

• 工作完成（session end）歸檔、提煉知識

原本用 Rule 請 AI 做，但不夠強制，後來改用 Hook，強制在特定生命週期事件執行。

開發流程設計

使用者需求
    │
    ├──── 有人工參考資料？（PDF/Markdown/SQL 等）
    │     ├── 是 → 放入 docs/plans/doing/{name}/references/
    │     │        → AI 讀取 references/ → 產生 plan.md
    │     └── 否 → 走下方 Step 0 判斷
    │
    ▼
┌─────────────────────────────────┐
│  Step 0: AI 判斷規模             │
│  大型 → Plan + Spec(s)          │
│  中型 → 僅 Spec                 │
│  小型 → 豁免，直接改            │
└──────┬──────────┬───────────────┘
       │          │
   大型需求    中型需求
       │          │
       ▼          ▼
  ① 建立 Plan    ② 建立 Spec
       │          │
       └────┬─────┘
            │
       ③ Bug Log 記入
            │
       ④ 自動追加 logs/
            │
       ⑤ 提煉 knowledge/
            ▲
       ⑥ 建立前先掃描 knowledge/

相關 Prompt 資源：markku636/GeneralPrompt

---

Claude Code 專案資料夾結構補充

my-project/
├── CLAUDE.md               # 最高層級 AI 提示詞與專案規範（啟動自動載入）
├── README.md               # 給人類看的專案說明
├── .claude/                # Claude Code Agent 進階設定
│   ├── commands/           # 自訂 Slash 指令（如 /review, /test）
│   ├── rules/              # 常駐的細部規則（輔助 CLAUDE.md）
│   ├── skills/             # 按需呼叫的擴充技能
│   └── hooks/              # 生命週期事件攔截器（PreToolUse, SessionEnd）
├── src/                    # 原始碼目錄
└── package.json

---

出租肉身（龍蝦版的 Uber）

有人做了個有趣的 MCP 及網站，讓各位養的 AI 龍蝦，可以委託人類在真實世界替它完成任務，然後付我們錢。

或許有天大家都得幫龍蝦打工

🔗 rentahuman.ai

---

AI 免費資源整理

---

總結

幾個重點帶走：

• Claude 整體生態最完整，動態限額機制讓帳單比較可控，擁有跨專案記憶功能，並且像 Cursor 一樣可同時執行多項任務，不會卡頓。

• Gemini 3.1 圖像已可商業應用，中文字亂碼問題大幅改善

• CLI 是 AI Agent 最友善的環境，各家巨頭都在往這方向走

• 資料品質決定 AI 輸出品質，技術債會直接影響 AI 協作效率

• Claude Hook 可以強制建立知識庫，讓 AI 越用越聰明

最後那句話送給大家：

Garbage in, Garbage out — 給 AI 什麼，它就學到什麼。整理好你的程式碼和資料結構，AI 才能真正幫上忙。

參考資料

• Google Gemini API 所有模型

• GeneralPrompt - markku636

• rentahuman.ai