Claude Code
AI 原生 SDLC 是什麼?寫程式不再是瓶頸後,軟體開發六階段怎麼重寫
寫程式已經不是瓶頸,審查、部署、治理卻還在人的速度。拆解 Anthropic 的 AI 原生 SDLC 六階段:每段交出一份文件,串起來就是稽核紀錄;skills 給建議、hooks 做強制,人只在關卡上做判斷。
大型組織怎麼把 AI 放進正式營運:FDE 前線部署工程師這類新角色、企業級 agent 平台的分層與治理、權限與資料外洩的破口,以及 Salesforce、國泰金控、Stripe 這些組織的實際做法。適合 IT、數位轉型、資安與財務單位,也適合要跟大型客戶談 AI 專案的人。
做出一個 agent demo 很快。
難的是讓它有身分、有權限、出事查得到是誰,還要算得出它值不值得天天跑。企業 AI 這一頁,看的就是這段從 demo 到正式營運的路。
以前企業買軟體,看的是功能表和報價單。現在採購 AI,要先回答的是另一組問題:它用誰的帳號存取資料?它讀過的東西會流到哪裡?它做錯事算誰的?誰來把它帶進第一線的流程裡?
這就像公司請進一批新員工。履歷再漂亮,沒有員工編號、沒有權限分級、沒有直屬主管,你也不敢讓他碰客戶資料。
重點是什麼?
企業級 AI 的勝負,多半在模型以外的那幾層:平台、治理、角色、帳本。
這裡拆的是 Salesforce、Stripe、國泰金控、Google 這些大型組織的做法,也包含 FDE 這類新長出來的職位。適合 IT、資安、數位轉型與財務單位;中小團隊也值得看,大公司踩過的坑,你不用再踩一次。
FDE 全名 Forward Deployed Engineer,中文叫「前線部署工程師」。他坐進客戶公司現場,負責補上「產品做得到的事」和「客戶真正需要的事」之間那道落差。一般軟體工程師把產品做好、做穩就收工;FDE 先在第一線把客戶的問題解掉,再把經驗帶回產品團隊。這套打法源自 Palantir,見這篇。
依 Stripe 打造內部 AI 助理 Kai 的分層,通用的 agent 基礎建設用買的:工具呼叫迴圈、虛擬檔案系統、沙盒執行環境、上下文壓縮。自己造的是只有你們公司才有的那層:安全邊界與權限分層、內部系統與資料的接法、各部門的判斷規則。Stripe 也在自家條件下實測到,技能超過 150 個再加上系統提示詞,前沿模型開始挑錯技能。見這篇。
AIforce 是 Dreamforce 2026 的頭條產品,屬於介面層,把 Salesforce 的資料與能力帶進 Claude、Slack 等使用者原本就在用的 AI 介面。Agentforce 是代理層,負責建立與執行 AI 代理。兩者在四層架構裡上下相鄰,最常被搞混。見這篇。
麥肯錫建議用「每完成一件任務」當單位:把模型與 token 費用、人工驗證時間、失敗後重做的時間與錯誤代價、固定成本分攤加總,再除以完成件數。在麥肯錫的銀行客服 agent 案例裡,token 只占變動成本的 20-25%,人工監督占 70-75%。見這篇。
Claude Code
寫程式已經不是瓶頸,審查、部署、治理卻還在人的速度。拆解 Anthropic 的 AI 原生 SDLC 六階段:每段交出一份文件,串起來就是稽核紀錄;skills 給建議、hooks 做強制,人只在關卡上做判斷。
AI Agent
企業導入 Grok Bot 先問:你第一個雇誰?拆解官方企業工作坊,客服、補貨、業務三條流程的人工審核點,行銷 Bot 升總監帶三個下屬,1 到 7 個直屬的管理原則,以及先爬、再走、後跑的導入節奏。
AI Agent
同等能力的 AI 推論價格跌了約 280 倍,卻有五分之一企業因為 AI 成本開始踩煞車。麥肯錫的答案是換計價單位:別算每個 token,算每完成一件事。附一條判斷 agent 值不值得的公式,用台灣電商三個情境實際算一次。
AI 導入
精誠資訊科技講堂分享 6 個製造業 AI 決策案例,從報價、8D 品質溯源到 AI 虛擬廠長,並整理導入前的八個提問與專案價值評估矩陣。案例數字皆為精誠自述。
國泰金控技術年會
國泰金控技術年會宣告從 Cloud First 走向 Agent First,首度公開三位數位同事 Vanessa.ai、Sherlock.ai、Lawrence.ai。七場演講完整整理,含查證翻案六處。
Salesforce
Dreamforce 2026 把 Salesforce 的 AI 戰略推向介面層。本文整理大會七大重點,從 Salesforce AIforce、Koa 推理模型、Agentforce 六隻數位員工,到治理、資安與人類否決權,一次看懂這場大會。
AI Agent
他用三台電腦養三個 AI agent、24 個排程整天跑,卻從不讓 AI 按下送出鍵。這篇不照抄配置,只做判讀:哪些台灣團隊下週能動,哪些是他自己說的個人玩具。三條分辨線,包含把重活搬到自家顯卡跑開源模型、帳單只剩電費的成本分層,以及一個沒人在講的破口:你自己蒐集建立的那個 AI 知識庫,在台灣個資法下是什麼性質。附條文原文與查證結果。
AI Agent
你叫 AI 讀客戶名單做成簡報,順手丟進部門群組。那份簡報裡有多少東西是同事本來不該看的?你不知道,AI 也不會告訴你。MCP 只管 agent 能呼叫哪些工具,不管它實際看過哪些資料。解碼 Cloudflare 開源的 AI 工作台,附 GitHub 實查(Apache-2.0、4,598 stars)與現階段的但書。
AI Agent
Stripe 自評 83% 員工每週在用內部 AI 助理 Kai,第一版一位工程師花一週做出來。但在那之前他們先搭出 4,000 個沒人管的小 agent。解碼買地基、造護欄的分層,以及技能超過 150 個就到頂的實測天花板。
企業 AI
95% 零回報不是說 AI 沒用。MIT 報告量的是損益表上有沒有改變,而它藏著一個幾乎沒人引用的發現:試點最多、投錢最凶的大企業,規模化反而最慢。中型企業 90 天,大企業九個月。
AI 代理
今年你只要會打字,五分鐘就能 vibe coding(用自然語言邊聊邊寫程式)做出一個 AI Agent(AI 代理,會自己查資料、自己跑流程的小機器人)。 真的,五分鐘。 做一個會自動回信、自動查訂單、自動跑客服的小機器人,現在比泡一碗泡麵還快。 但接下來這句才是重點: 做得出 demo,跟「敢放上線天天幫你跑業務」,中間隔著一條深得嚇人的鴻溝。 這條鴻溝,多少團隊掉進去就再也沒爬出來。 Google Cloud 最近有一場對談,主題就叫《From Prototype to Production》(從原型到生產),主持人找來兩位 Google 老將 Dave Elliot 跟 Addie,專門講這條鴻溝怎麼跨。他們端出來的東西,叫做「Gemini Enterprise Agent Platform」(Gemini
AI
今年五月四號,OpenAI 和 Anthropic 這兩家全世界最會做 AI 模型、平常針鋒相對的公司,在同一天各自宣布要成立一個專門幫企業導入 AI 的合資公司。 Anthropic 那家,找來 Blackstone、Goldman Sachs 等一票華爾街資金,規模 15 億美元。OpenAI 那家更直接,取名叫「The Deployment Company」(部署公司),募了 40 億美元,估值一口氣衝到 100 億美元。 兩家死對頭難得有志一同,而且嘴上掛的是同一個詞,叫 FDE,Forward Deployed Engineer,中文翻成「前線部署工程師」。 你可能沒聽過這個詞。但如果去翻 Y Combinator(矽谷最有名的新創加速器)的徵才看板,現在有超過