AI 開發體驗像坐雲霄飛車：當法力無邊的不是你，而是雲端 LLM

「我是不是突然變強了？」

最近幾週的 AI 開發體驗，真的像在坐雲霄飛車。

之前因為 Cursor 的 free tier 管控非常嚴格，只要短時間內把 tokens 用光，就會進入很長的冷卻期。長到我幾乎已經徹底棄用它，甚至快忘記自己有安裝過這套工具。

剛好這週，平常主要使用的 AI 服務付費額度也用完了。

對於目前已經習慣 AI 協助開發的人來說，這種感覺有點像：

「平常開車都開高速公路，突然被迫回去騎腳踏車。」

於是只好重新打開 Cursor，外加 Antigravity，想說至少多少補一點開發進度。

結果重新使用 Cursor 後，我其實滿驚訝的。

順暢度、理解力、執行成功率，都比我之前印象中的狀態好很多。

甚至已經開始有種：

「這東西現在真的能工作了。」

的感覺。

這其實是一件很危險，也很容易讓人產生錯覺的事情。

因為當 AI 助理開始能穩定完成工作時，人很容易進入一種：

「自己是不是法力無邊了？」

的狀態。

功能一直完成。

Bug 很快被修掉。

開發速度暴增。

原本可能要花兩三天研究的東西，現在幾小時內就能推進。

那種感覺真的很像：

一個人突然變成小型研發團隊。

但後來我慢慢發現。

真正法力無邊的，其實不是你。

而是背後那群正在燃燒 GPU 與資本支出的雲端大型語言模型。

---

AI 的超能力，其實是用錢燒出來的

很多人第一次大量使用 AI 開發工具時，都會被那種「超能力感」震撼到。

你開始能：

• 快速理解陌生框架
• 自動產生大量 boilerplate code
• 幫忙重構程式
• 跨語言翻譯架構
• 協助除錯
• 補齊文件
• 建立測試
• 快速查詢 API 與 SDK 使用方式

甚至有些時候，AI 還會提出比工程師原本更好的架構建議。

但這種強大能力的背後，本質上是一個非常昂貴的系統。

大型語言模型不是魔法。

它是建立在：

• 巨量 GPU 叢集
• 高速網路
• 海量訓練資料
• 巨額電力消耗
• 高昂推理成本
• 持續模型更新

之上的工程奇蹟。

也因此，現在多數 AI 工具的商業模式，其實都很像：

「先讓你體驗超能力，再開始提醒你續費。」

尤其當你進入高強度開發模式後，token 消耗速度其實非常驚人。

大型專案、多檔案修改、長上下文推理、Agent 模式、自動修復流程，全部都在快速燃燒成本。

很多開發者一開始會以為：

「我只是問幾個問題而已。」

但實際上，你背後可能正在動用數十甚至數百億參數的模型，在 GPU 叢集上幫你進行高成本推理。

而這些成本，最終一定會反映到額度限制與商業方案上。

---

「您的額度已用完」：法力突然被抽乾的瞬間

最有趣的體驗，其實是當你正在高效率開發時。

突然跳出一句：

「您的額度已用完，建議升級 Pro。」

那個瞬間真的很有戲劇感。

因為前一秒，你還像個 AI 強化工程師。

下一秒，突然又變回只能自己慢慢查文件的普通人。

這其實是一種很奇妙的心理落差。

以前工程能力主要建立在：

• 自己的知識
• 經驗
• 技術深度
• 搜尋能力
• 文件閱讀能力

但現在，AI 助理會讓你的能力瞬間被放大。

問題是：

這個放大器不是你的。

它是租來的。

而且控制權不在你手上。

---

CSP 平台競爭下的「品質波動」問題

現在各家 CSP 與 AI 平台競爭非常激烈。

模型一直更新。

策略一直改。

價格方案一直調整。

而開發者最容易感受到的，就是：

服務品質其實很不穩定。

有時候你會突然覺得：

「今天怎麼突然變聰明了？」

但隔幾天又可能開始出現：

• 理解能力下降
• Agent 行為混亂
• 上下文遺失
• 回覆品質漂移
• 執行成功率下降
• Tool call 異常
• 推理變慢

使用者其實很難知道背後到底發生了什麼事。

因為平台可能正在：

• 更換模型版本
• 調整推理策略
• 降低成本
• 做流量管控
• 進行區域性負載調整
• 套用不同的速率限制

偏偏多數 AI 工具的實際服務內容，並不像傳統企業軟體那樣穩定。

很多時候，你付費了。

但實際拿到的是：

「浮動品質的 AI 能力租用權。」

而不是固定品質的產品。

---

為什麼地端開源模型，還很難取代雲端 AI？

這也是目前很多開發者內心很矛盾的地方。

大家其實都知道：

真正理想的狀態，是擁有自己的 AI。

自己的模型。

自己的推理環境。

自己的知識庫。

自己的資料控制權。

不用擔心額度。

不用擔心服務中斷。

不用擔心平台突然改規則。

問題是。

目前本地開源模型，在「大型軟體工程工作」上，還是有明顯差距。

尤其當專案開始變大時。

你會發現很多小模型雖然：

• 可以聊天
• 可以摘要
• 可以寫小工具
• 可以做簡單問答

但真正進入：

• 大型專案理解
• 跨檔案推理
• 架構重構
• 長上下文記憶
• 多步驟除錯
• Agent 工作流
• 複雜工程決策

時，雲端大型模型目前仍然比較強。

尤其在知識深度與廣度方面。

這也是為什麼很多工程師明明很想地端化。

最後卻還是默默回到雲端服務。

因為工作效率差距太大了。

---

AI 最危險的地方：它會很有自信地把事情做壞

接下來就是這次最刺激的部分。

Cursor 額度沒了之後，我改讓 Antigravity 接手。

然後就看到熟悉的畫面：

「已順利修改完成。」

結果專案直接翻車。

不是小錯。

是大面積損毀。

程式被改壞到幾乎無法正常運作。

而且更麻煩的是。

AI 很容易進入一種：

「錯誤修復迴圈。」

它會開始：

• 不斷修改
• 不斷新增 workaround
• 不斷嘗試補洞
• 不斷引入新問題

最後把原本還能工作的程式，逐漸拖進深淵。

更恐怖的是。

AI 通常還會維持高度自信。

你會看到它一直說：

「已完成修復。」 「問題已解決。」 「已成功優化。」

但實際上專案已經開始崩壞。

這也是我現在越來越重視 Git 與版本管理的原因。

AI 時代的工程開發。

真的不能再靠記憶力與手工備份。

---

最後居然是「別的 AI」救了專案

幸好，我平常有個習慣。

我會把目前版本與架構，丟給不同 AI 助理看。

聽他們的評論。

比較他們的觀點。

甚至讓 AI 彼此評論對方的分析。

原本只是想從不同模型的觀點中，取得新的發展方向。

沒想到這次卻意外變成救命機制。

因為我剛好在其他 AI 的對話紀錄中，還留著比較新的程式版本。

最後居然是從：

「別的 AI 聊天紀錄」

裡面，把專案救回來。

現在回頭看。

那其實是一件很荒謬，但又很 AI 時代的事情。

而且也讓我得到一個很深的感想：

AI 協作時代，真正重要的能力，可能已經開始改變了。

---

未來工程師的重要能力，可能是「AI 協作工程學」

以前工程師強調的是：

• 演算法
• 資料結構
• 系統設計
• 程式語言
• Framework 熟悉度

但未來幾年，可能會開始出現另一種能力：

「你怎麼與 AI 協作？」

包括：

• 怎麼管理 AI
• 怎麼驗證 AI
• 怎麼限制 AI
• 怎麼建立可回復流程
• 怎麼防止 AI 連環翻車
• 怎麼設計 AI 工作流
• 怎麼交叉驗證不同模型
• 怎麼做版本控管
• 怎麼建立 AI 專案 SOP

未來真正強的工程師。

可能不是最會手刻程式的人。

而是最會管理 AI 生產力的人。

因為現在的 AI 開發，已經越來越像：

你在指揮一群非常強，但偶爾會發瘋的數位實習生。

而你的工作，開始從「親自寫所有程式」，逐漸轉變成：

• 架構師
• 驗證者
• 協調者
• 風險控管者
• AI Workflow 管理員

這可能會是未來軟體工程最巨大的變化之一。

---

結語

AI 的確正在大幅提升開發效率。

但它同時也帶來新的風險、新的依賴，以及新的工程管理問題。

我們現在其實正處於一個很特殊的時代。

一邊享受 AI 帶來的超高生產力。

一邊又必須學會：

如何在 AI 不穩定、平台策略變動、模型品質波動的環境下，維持工程品質與可控性。

這可能才是真正的 AI 時代工程能力。

不是單純「會用 AI」。

而是：

即使 AI 翻車， 你仍然能把整個系統救回來。