第一幕:非典型起點
文藻日文系畢業、JLPT N1。職涯從語言開始，經資策會半年 AI/雲端養成班轉入工程，先在新創做 AI 應用(內容轉影片平台、LINE avatar 與語音克隆)，現於零售集團 IT 子公司擔任 Senior Systems Analyst，橫跨 Data Engineering、DevOps、Cloud Architecture。
shunzz.com
Build with AI. Ship for real.
規格驅動 × AI Agent × 全端交付。我不只用 AI 寫 code——我管理 AI 的工作流程，也為 AI 造工具。
01
關於我
文組轉軟體工程師、JLPT N1 的 AI-Native Software Engineer。用「規格驅動 + AI Agent」的工作流獨立交付企業級系統(Text-to-SQL、SRE 判讀 agent、任務排程器)、ML 模型與雲端基礎設施，也用同一套流程在幾天內上線自己的產品;寫 Claude Skills、建 MCP Gateway、對內推廣 AI 開發方法論。相信 AI 時代的工程師價值在於判斷與流程設計，而不是打字速度。
讀完整的故事
第二幕:AI 改變了我做事的方式
過去一年，我把開發流程改成「規格驅動 + AI Agent 執行」:brainstorm → design spec → implementation plan → TDD，AI 負責執行、我負責審查與決策。實戰中再長出自己的版本——設計期只留文件、定案後才授權 subagent 實作;自製 dispatch skill 把任務分級派給最便宜夠用的模型;共用 AGENTS.md 同時駕馭兩套 agent;自動化 AI code review 迴圈。用這套流程，我獨立交付了企業級配貨平台(2.5 個月)、CDP 的 AI 服務與任務排程器(一天 88 commits、1,190 個單元測試)、把 Text-to-SQL 從 PoC 做到正式服務，也在 3 天內做出公司的 MCP Gateway。下班後同一套流程:拉麵地圖第一天上線、日文打字練習 3 個工作日 470 個測試。每個數字都在 git 歷史裡。
第三幕:從使用者變成建設者
我不只使用 AI 工具——我把團隊 domain 知識封裝成含 evals 的 Claude Skills、建了讓全公司 AI 工具安全存取內部 API 的 gateway、寫了讓自己看得見 context 用量與費用的 Claude Code mod，也替 AI agent 畫邊界:提案制加自動測試門檻、零 shell 零雲端權限、不代使用者寫入第三方平台。還學會用數據否決升級:一次 65 筆的 eval 證明瓶頸在規則不在模型，於是改做人工前例覆寫，判讀準確率從 12% 到 80%。下一步:做出能真正影響世界的產品。
02
我怎麼工作
用 AI 交付產品
- 企業級零售配貨平台，2.5 個月獨立交付;CDP 任務排程器 1,190 個單元測試
- 拉麵地圖 menmap 第一天上線、日文打字練習 pachipachi 3 個工作日 470 個測試
- AI 求職助手 Career Agent，3 天上線、有真實使用者
管理 AI 的方法論
- 規格驅動:brainstorm → spec → plan → TDD;設計期只留文件，定案後才授權 subagent 實作
- dispatch skill 分級派工:haiku 找、sonnet 做規格清楚的、opus 做併發與跨檔;7 個 worktree agent 平行、同日合併
- 共用 AGENTS.md 駕馭 Claude Code 與 Copilot CLI，自動化 AI code review 迴圈直到收斂
為 AI 造工具
- 自建 MCP Gateway:內部 API 統一封裝為 MCP tools，input/output 都進稽核
- 把 domain 知識寫成含 evals 的 Claude Skills;自製 Claude Code mod 即時看 context 與費用
- 給 AI agent 畫邊界:提案制 + 自動測試門檻、零 shell 零雲端權限、不代使用者寫入第三方平台
03
精選專案
SRE-agent
Azure Data Factory 失敗判讀系統:對 ADF 全程唯讀，每 5 分鐘偵測失敗 → 規則去重成 incident → 規則優先、LLM 補位 → Teams 卡片直接告訴值班「結論、現在做什麼、動手前檢查什麼」
- 12% → 80%動作準確率
- 25% → 92%要不要動手
- 208測試
- 140incidents
用數據否決升級模型:65 筆 eval 看似 Opus 大幅領先，排除重複案例後卻與 gpt-mini 打平——瓶頸在規則給的動作，不在模型。於是改做「人工前例覆寫」。Learning agent 採提案制:人按套用才寫檔、pytest 不過就還原、通過才 commit;零 shell、零 Azure 權限。約 5 週獨立設計與實作。
Text-to-SQL
9.2 億列交易資料的自然語言查詢:理解 → 程式守門 → 選項式反問 → 生 SQL → 驗證與 EXPLAIN 閘門 → 程式算統計、LLM 只負責解讀
- 10/10gold SQL
- 23/23行為測試
- 0捏造洞察
- 650s → 338s資料探測
從 PoC 到正式服務:sqlglot 方言包同時支援 T-SQL 與 PostgreSQL，語意模型每條事實帶 confidence 與 evidence，10 份 ADR。守門原則「轉不成 SQL 的條件一律反問、禁止靜默丟棄」。得知其他系統也要接入後，定位改成「執行引擎 + 13 階段導入流程」本身就是產品。
麵咩撲 menmap
雙北拉麵地圖:每天自動採集 Google Maps → 營業中/捷運/種類篩選 → 「今天吃哪間」骰子 → 麵史與麵友
- 第 1 天上線
- 130commits / 15 天
- 500+家拉麵店
- $0月費
從估價到放棄 Google Places API 只花 14 分鐘，改成爬蟲在家裡跑、雲端只讀;實測資料中心 IP 會被降級成精簡版，所以採集機留在家。LLM 分類 491 家只花 US$2.5。Worker 直出 SEO 頁、自己寫 Google OAuth，月費 $0。
ぱちぱち pachipachi
日文打字練習:羅馬字輸入逐鍵判定假名，五十音到 N1 單字短句、計時賽排行榜、貼自己的歌詞配 YouTube 練
- 3工作日
- 470測試
- 26K行程式
- 7平行 agent
7 個 worktree subagent 平行開發、同日合併。伺服器端拿前端 log 重算分數、6 條 anticheat 規則，不信前端數字。歌詞版權先查 JASRAC 與著作權法再設計:共享時間軸只存雜湊、通知取下、三振停權。
落腳筆記 Loka Note
找房決策工具:輸入地址 → 通勤時間(公車/捷運 + 機車/汽車路網)→ 租金與買賣行情 → 房貸與每月成本 → 災害潛勢、治安、生活機能 → 收藏與比較
- 10開發日
- 138commits
- 23K行 TS
原本想抓房源網站，研究公平會處分案例後判斷法律風險太高，改成房源由使用者自帶，產品只賣建在可商用開放資料上的分析層。通勤用 OSM 路網自己跑 Dijkstra;前後端共用 Zod schema，Vitest 同時跑 workerd 與 Node 兩種 runtime。
MCP Gateway
把企業內部 API 統一封裝成 MCP tools，讓各家 AI coding agent 經單一入口安全存取
- 3 天v1 上線
- 20+測試檔
- 8種 AI client
設計重點:per-client 授權、SSRF 防護、上游憑證加密、稽核記錄含敏感參數遮罩，input 與 output 都留痕。工具目錄存 DB，審核後即時上線、免改碼免重啟;後台一頁生成八種 AI client 的連線設定。
企業級交付
零售配貨平台、CDP 批次平台演進與任務排程器、效能根因追查、需求預測 ML、Azure IaC
- 2.5 月配貨平台
- 559s → 0.4s效能根因
- 1,190排程器單元測試
- 1,100+檔案
在零售集團 IT 子公司以 AI 協作獨立交付:2.5 個月的配貨平台(FastAPI + React 19);把 ADF 輪詢改成 queue 再改成單表排程器並主導 prod 切換;量測先於改碼的三次效能根因追查，builder 零修改;LightGBM/CatBoost 配量模型;Bicep IaC 與 Portal 實況對齊。
04
足跡
- GitHub
- m124578n
- Blog
- 56+ 篇，含 30 天寫作挑戰
- john19980215
- Threads
- @m23568n
- 上線產品
- menmap · pachipachi · Career Agent · 酸脆 · 本站，全部 Cloudflare、月費 $0
- 語言
- 中文 · 英文 · 日文(JLPT N1)