我用 AI 做軟體，不只是更快，而是不一樣
我有 10 年全端獨立開發經驗，而且是 100% 的自學者。過去一年，我從傳統軟體開發全面轉向 AI-Native Development。我不再用「親手寫了多少程式碼」來衡量工作，而是把精力放在系統架構、Agent 與 Skill 設計、任務拆解、Context Engineering、開發規範和驗證機制上，讓 AI 持續完成複雜的軟體工程任務。
100% AI 寫程式，一個人經營的商業產品
我用這套方法開發並經營自己的產品：萊彩投屏（LaiCai），一個跨 Windows / macOS 的安卓手機投屏、控制與 AI 自動化平台。多裝置投屏與控制、鍵盤滑鼠手把對應、Macro、LaiCai Flow 視覺化自動化、AI Planner、MCP、Android Agent、螢幕辨識、遠端控制電腦，以及帳號授權、支付、後端、管理後台、官網和 SEO 內容系統，全都在其中。
功能多並不是它最特別的地方。特別的是：前端、後端、桌面用戶端、管理後台、官網、支付與會員、自動化系統，所有程式碼實作 100% 由 AI 完成，我本人不寫具體的程式碼。我決定要做什麼、為什麼做、系統怎麼設計、任務怎麼拆、Agent 怎麼運作、AI 要遵守什麼規則，以及結果是否正確。
程式碼只是其中一部分。文件、測試、部署、SEO、行銷、圖片和影片製作、日常營運，AI 同樣深度參與，整家公司約 95%+ 的實際執行工作都由 AI 完成。
在這之前：10 年全端獨立開發，100% 自學
我以前是做生意的，經商十多年後才轉行做軟體。我沒有跟任何老師學過程式設計，所有知識都來自 Google 搜尋和大學公開課；近十年來一邊學英文，一邊學電腦。此後我獨立完成 App、後端、網站和桌面軟體，從架構到上線都自己負責。
代表專案：
- 萊彩投屏 — 安卓手機投屏、控制與 AI 自動化平台，是我技術跨度最大的專案。
- Ashera Pet — 類社群 App，由我一人負責全部開發，已上架 App Store 和 Google Play。
- VocaSeek — AI 語言學習工具，支援 21 種語言。
- 連鎖 POS 系統 — 涵蓋多門市、會員、庫存、薪資，運行於 iPhone、iPad 和 macOS。
- 背單字 / 學泰語 App — 兩款獨立上架的 iOS App，每月都有穩定的小額收入。
我的角色變了，但沒有離開軟體工程
我從 Developer 變成了 Architect / AI Agent Designer / Product Builder。以前我問的是「這個功能我要怎麼實作」，現在我問的是：該怎麼設計一個系統，讓 AI 能正確地把它實作出來？
AI 已經會寫程式碼。真正困難的是讓它持續、穩定、可控地完成一個越來越複雜的產品。這是我現在主要研究和實踐的事情：
系統架構
決定系統怎麼拆分、模組怎麼溝通、什麼交給用戶端、什麼交給伺服器、什麼交給 Agent。AI 負責實作，而架構決定 AI 最終會建構出什麼。
Agent 設計
不是把需求丟給 AI 就算完事，而是為規劃、編碼、審查、除錯、調研分別設計職責與上下文，讓 AI 從聊天助理變成一套軟體工程系統。
Skill 設計
把架構、編碼規範、UI 規範、除錯方法、發布流程、SEO 方法沉澱成 Skills。AI 不必每次重新理解整個專案，就擁有了專案知識和可重複的工作流程。
這不是 Vibe Coding
我不是讓 AI 隨機生成程式碼，反覆嘗試直到碰巧能跑。我在意的是怎樣建立一套 AI 能長期維護的工程體系：架構、上下文、Agent 協作、Skills、規則、文件、任務拆解、程式碼審查、測試、除錯和發布流程。
目標不是讓 AI 寫更多程式碼，而是讓 AI 能完成越來越大的工程。
它已經是一門真實的生意
AI Coding 最容易做出來的是 Demo；難的是把產品做出來，讓它長期運行，讓真實用戶使用，而且願意付費。萊彩投屏已經正式上線，有真實用戶，也有真實付費用戶，已有用戶選擇年繳方案，產品仍在持續迭代、穩定成長。它不是 Hackathon 作品，也不是為了證明「AI 能寫程式」而做的展示專案。
它同時驗證了我一直在探索的問題：在 AI 時代，一個人能經營多大的軟體公司？過去需要開發、前後端、設計、QA、DevOps、文件、SEO、行銷、影片、客服的工作，我正在把它們重新組合：我負責方向、判斷、架構和產品，AI 承擔絕大多數的執行。
我能幫你做什麼
我不太適合「照需求寫程式」的職位，更適合這些事：
- AI-Native 軟體開發： 重新設計開發流程，讓 AI 真正進入工程體系，而不只是 Copilot。
- Agent 架構： 設計 Coding、Research、Review、Debug、Automation 等 Agent 及其協作方式。
- Skills 與 Context Engineering： 把團隊經驗和規範轉成 AI 能穩定執行的知識體系。
- 產品架構： 從需求開始，設計用戶端、前端、後端、AI、自動化和基礎設施的整體結構。
我有傳統軟體開發背景，也正在真實的商業產品裡實踐 AI-Native Development，並且知道怎樣把它變成有用戶、有收入的產品。當 AI 可以完成 100% 的程式碼實作，人類工程師該把時間花在哪裡？這是我想和你聊的問題。
如果你正在找這樣的人
我對下面這些機會特別感興趣：
如果你要找的只是傳統意義上的 Developer，我可能不是最合適的人選。但如果你正在思考如何讓 AI 真正進入軟體工程、如何設計 Agent 和 Skills、如何讓一個人完成過去需要一整個團隊才能完成的工作，那我們應該聊聊。