當每個人都有 AI，真正拉開差距的是判斷力

2026 年 7 月，一個名叫 Slopfix 的服務在 Hacker News 引起討論。三名資深工程師專門整理已經能跑、但愈加功能愈慢的 Vibe Coding 專案，一週集中處理，完整達標收費 10,000 美元。他們自己也用 Claude Code，官網卻寫了一句很直接的話：the agent doesn't get a vote。

一則看起來荒誕的 AI 新聞

Slopfix 官網自述，團隊由三名資深工程師組成，專門整理已經可以運作、後續新增功能卻愈來愈慢、也更容易牽一髮動全身的 Vibe Coding 專案。

他們會先免費分析程式庫。如果判斷有機會改善，就跟客戶約定程式碼縮減目標，再用一週集中整理。官網舉的例子是把 100,000 行縮到 35,000 行，同時維持原有功能。完整達標收費 10,000 美元，只完成部分目標就按比例收費。

更有意思的是，他們自己也使用 Claude Code。官網那句「the agent doesn't get a vote」，中文可以理解成：Agent 可以參與工作，決策權仍在工程師手上。

Slopfix 先由人盤點每個畫面與 API 端點，寫成功能清單，接著才整理重複邏輯、替換不必要的自製框架，或重建已經難以維護的部分。交付時還會留下 QA 清單、CLAUDE.md、lint 規則與 CI 檢查，降低程式碼再次失控的機率。

程式碼會膨脹，這不只是新聞標題

2026 年 3 月公開的 SlopCodeBench，研究的是 Coding Agent 反覆擴充自己先前寫下的程式時，品質如何變化。

目前 arXiv 版本的實驗包含 36 個問題、196 個檢查點、15 個模型與 6 家供應商。研究者只給外部功能需求，讓 Agent 自己決定內部架構，再逐步加入新規格。

結果顯示，沒有任何受測設定能完整解完一個問題的所有階段。結構侵蝕出現在 77% 的軌跡，冗長度增加則出現在 75.5% 的軌跡。跟 473 個 Python 開源專案相比，Agent 產出的程式碼平均更冗長，結構侵蝕也更高。

它仍然指出一個重要現象：程式在眼前這一步跑得動，不等於未來容易修改。提示詞可以改善一開始的品質，研究裡卻沒有阻止反覆迭代後的退化。

當工具普及，特色會回到哪裡

我之前就一直在講一件事：當大家都可以用 AI 的時候，我的特色是什麼？

你可以用 ChatGPT，別人也可以用。你可以用 Claude、Codex，別人同樣可以用。工具一旦普及，光是「有在用」很快就不再構成差異。

真正會拉開差距的，會回到幾件事：

1. 你能不能看懂眼前真正要處理的問題。
2. 你知不知道哪些限制不能碰。
3. 你有沒有能力判斷結果可以使用，還是只是看起來完整。
4. 你對這個產業、這份工作、這群使用者理解得有多深。

同一個 AI，交到不同人的手上，最後產出的價值可以差很多。差異通常來自使用者能不能提供足夠的專業脈絡，能不能發現 AI 遺漏了什麼，也能不能在結果看似合理時繼續追問。

Slopfix 的做法把這件事說得很具體。AI 可以找重複、改程式、跑測試。工程師要先定義功能、畫出不能破壞的邊界、決定什麼值得刪，最後為結果負責。

這個邏輯也適用在程式設計以外的工作。顧問要判斷建議是否符合現場，講師要判斷內容是否適合這一班學員，管理者要判斷方案會不會影響既有流程。AI 能協助產生選項，專業工作者仍要決定哪個選項適合眼前的情境。

把 AI 放在哪一層

我會把工作簡單分成三層。

第一層：定義問題

你要處理的是什麼問題？影響的是誰？完成之後，希望哪一個狀態真的改變？

第二層：設定判斷標準

哪些條件不能被破壞？哪些資訊需要查證？什麼情況算完成？誰要對最後結果負責？

第三層：讓 AI 加速執行

整理資料、提出選項、找重複、產生草稿、測試與檢查，都可以交給 AI 協助。前兩層愈清楚，第三層的速度才愈容易轉成真正的價值。

交給 AI 前，先回答這三題

如果你看完這篇，只想先做一件事，可以從這張清單開始。每次把重要工作交給 AI 前，先寫下三個答案：

1. 我要解決什麼問題？ 先說對象、情境與希望改變的結果。
2. 哪些限制不能碰？ 列出事實、法規、品牌語氣、預算、時間、既有功能或其他紅線。
3. 我要怎麼判斷結果能不能用？ 寫出可觀察的驗收條件，避免只用「看起來不錯」收尾。

接著再檢查一次：AI 在過程中替我做了哪些決定？其中有沒有需要我親自拿回來判斷的部分？

你也可以直接把下面這段提示詞放進工作流程：

讓專業變深，再讓 AI 放大

AI 普及之後，會操作工具仍然重要，只是它愈來愈像基本能力。

接下來更值得投入的，是讓自己對某個產業、某群人、某類問題有更深的認識。去理解現場怎麼運作、常見錯誤為什麼發生、哪些細節會影響結果、什麼代價不能承受。再把這些經驗整理成判斷標準、清單、案例與工作流程，交給 AI 協助執行。

這樣使用 AI，才能穩定放大你的專業。缺少問題定義、限制與驗收標準時，AI 也可能同步放大工作裡尚未察覺的混亂。

工具會一直換。真正值得累積的，是你看懂問題的能力、做判斷的標準，以及你對一個領域長期形成的理解。

來源與查證邊界

• Slopfix 官方網站：團隊、流程、定價、縮減示例、Claude Code 使用方式與交付內容，均屬業者自述。
• Slopfix 在 Hacker News 的討論串：可查看服務發布後的公開討論與質疑。
• SlopCodeBench 論文：本文採用 2026-07-17 查到的 arXiv 版本數據。論文仍可能更新，引用時應再次確認版本。
• Tom's Hardware 報導：用來交叉確認新聞背景，關鍵服務資訊仍以官方網站為主。