請透過 vibe coding 建立自我介紹的 HTML 檔案，或是網站，或是 Chatbot 系統，讓大家認識你，也測試一下你的 AI 素養。作業分成兩步：先用一個小遊戲熟悉 AI 工具，再做自我介紹的 Chatbot。
第一步 俄羅斯方塊（暖身）
- 從下方「AI 工具介紹」選擇任一系統。不知如何選擇，就用你最熟悉的，例如 Gemini 或 Qoder。
- 在系統內輸入「幫我做一個俄羅斯方塊」，然後試試看成果。過程中可能會出現詢問訊息，選擇確定執行即可。
- 如果順利完成，可以嘗試不同的視覺風格。
- 完成後請問 AI 如何發表到網路上，讓其他人可以使用。你會得到幾個選項，例如 GitHub Pages 或 Netlify Drop。按照 AI 的建議一步一步完成後，請將成果的網址貼出來，讓大家使用。
範例：唐老師大概花了五分鐘做的俄羅斯方塊 https://statuesque-cascaron-c4240f.netlify.app/
此作業為毓修老師提供。
第二步 自我介紹 Chatbot
- 準備三個關於自己的文檔，可以是 PDF 檔、CV，或是 Portfolio。
- 使用你熟悉的 AI 工具，和系統聊天，嘗試建立自我介紹的聊天機器人（Chatbot），讓大家可以詢問你相關的問題。
- 沒有標準答案，但希望能分享在微信（WeChat）上，讓同學可以問你的 Chatbot 問題，讓大家可以認識你。
範例：唐老師用 10 分鐘以 Antigravity 做的簡單 Chatbot https://tang-cv-chatbot.vercel.app/
階段說明
請記錄做作業的時間，以及看到第幾階段的說明。只看階段一、少於兩個小時就完成的，代表具備良好的 Vibe Coding 能力，以及目前國際數位環境的能力。
- 階段一（懂 vibe coding 的人）：只看上面「要完成的任務」。建議用編碼型 IDE 配合通用型 AI，最省時間、問題也最少。
- 階段二（積極嘗試 vibe coding 的人）：再看下方的「AI 工具介紹」和各項說明。
作業說明以 Google 體系為主，過程中可以用 Cursor 搭配 Gemini，也可以用其他工具。在中國大陸，可以優先考慮 Qoder、Qwen Code、Kimi、DeepSeek、Trae 等國內可直接使用的工具。
幾件事情建議
- 遇到問題就問 AI，它會教你一步一步執行。講不清楚就截圖傳給 AI。
- 可以改成中文顯示。
- 建立一個新的資料夾，只允許 AI 在這個資料夾內工作，不要給它所有資料夾的權限。
- 目前還不需要用到 API 和帳號密碼，所以不要給 AI。
- 如果覺得設計不好，就直接跟 AI 說「好醜」。
- 如果用 GitHub、Vercel、Cloudflare 發表作品，需要學一下；不會的話，一樣截圖問 AI。
AI 工具介紹
進入 2026 年，AI 工具已經從單純的「對話框」演變成「代理程式（Agents）」。市場上主要有兩類：「全能大腦」的通用型 AI，以及「自動工廠」的編碼型 IDE；開發者也越來越常在終端機裡使用命令列（CLI）AI 工具。
命令列（CLI）AI 系統：美國與中國
| 工具 | 特點 | 適用場景 |
|---|---|---|
| 美國：多依賴強大的基底模型，注重自動化沙盒執行、Git 工作流整合與開發者生態。 | ||
| Claude Code（Anthropic） | CLI 終端 Agent 的業界標竿，代碼推理與自主執行能力強，深度整合 Git 工作流，能自主掃描專案、修改多個檔案、跑測試並修正錯誤。 | 複雜架構重構、端到端功能開發、高精準度的專案維護 |
| Antigravity（Google） | 免費額度高、支援 1M+ Token 超長上下文，原生整合 Google Cloud。 | 專案前期架構理解、大型檔案掃描 |
| Codex CLI／Copilot CLI（OpenAI／GitHub） | 強調系統層級的安全性與效能；Copilot CLI 契合 GitHub 生態圈。 | 自動化測試、CI/CD 腳本、輕量化終端操作 |
| Aider（開源） | Git 原生的配對程式設計師，可切換 OpenAI、Claude、DeepSeek 等多種 API，能自動產生 Git Commit 訊息。 | 需要靈活切換模型的重度 Git 開發者 |
| 中國：主要基於本土的開源或商業大模型，針對中文語境、網路搜尋以及國內網路與 API 存取環境優化。 | ||
| Qoder CLI（阿里） | 被譽為國內「Claude Code 平替」，預設接入 Qwen3-Coder、DeepSeek-V3.1 等國產模型，可自動化執行環境配置與代碼修復。 | 國內環境下的全自動化終端 Agent |
| Qwen Code CLI（阿里巴巴） | 基於通義千問開源生態，輕量，中英雙語程式碼生成精準，支援私有化部署。 | 企業私有部署、中英雙語開發環境 |
| Kimi Code CLI／OpenCode（月之暗面／社群開源） | 長文本理解能力強，對中文指令的意圖理解精確。 | 重度中文需求、複雜業務邏輯拆解 |
通用型 AI：你的「數位大腦」
| 工具 | 定位與強項 | 適合場景 |
|---|---|---|
| Claude（Anthropic） | 代碼與邏輯的王者，語感最像真人，幻覺率最低。 | 複雜架構設計、重構、高品質文案、Vibe Coding |
| Gemini（Google） | 長文本與多模態霸主，能一次讀入整個專案的影片、文件與歷史記錄。 | 大規模專案分析、看圖或影片寫程式、Google Workspace 整合 |
| ChatGPT（OpenAI） | 全能通才，邏輯推理與數學能力強；Deep Research 模式能做深度技術調研。 | 技術調研、疑難雜症排查、跨領域創意發想 |
| DeepSeek（深度求索） | 極致性價比與開源先鋒，程式碼能力強且價格低，是許多開發者串接 API 的首選。 | 大規模自動化任務、預算有限的高頻率開發 |
編碼型 IDE：你的「自動化工廠」
- Cursor：目前最成熟的「輔助駕駛」。Composer 模式能在幾秒鐘內根據描述修改多個檔案；適合想掌控細節、但想跳過重複勞動的人。
- Antigravity（Google）：新崛起的「Agent 經理人」。你像管理者一樣同時派發多個 Agent 去修 Bug、寫測試、跑瀏覽器自動化測試，它還會產出截圖、錄影證明測試成功；適合新開發的專案。
- Trae（字節跳動）：目前 Cursor 最強的免費替代品，速度快；因為是 VS Code 深度定製版，所有擴充套件都能沿用。
怎麼組合使用：重構舊程式碼用 Claude Code；寫全新、規模龐大的功能用 Antigravity 派出一組 Agent；在既有專案快速修補用 Cursor；遇到沒碰過的技術領域，先用 ChatGPT 的 Deep Research 調研，再把結論交給 IDE。以自我介紹這個作業來說，建議用編碼型 IDE 配合通用型 AI。
一句話總結：2026 年的開發者不再比誰「寫得快」，而是比誰「Vibe 傳達得準」以及「會挑工具做事」。
延伸說明
Vibe Coding 氛圍編程
Vibe Coding 這個說法由 Andrej Karpathy 帶起風潮，直譯是「憑感覺寫程式」，描述的是一種新的開發方式。
- 從語法導向到意圖導向：你不再一行一行寫程式，而是用自然語言向 AI 描述想要的「感覺」和「功能」。你的角色從「打字員」變成「產品經理」兼「資深架構師」，負責對齊 AI 的邏輯、審核結果。
- 三大支柱：代理工具（Claude Code、Cursor、Windsurf 等，能自己開檔案、改路徑、跑測試）；Prompt 就是你的原始碼，結果不對就調整 Prompt；快速迭代，五分鐘內做出三個版本，看哪一個「感覺」對了。
| 優點 | 缺點（潛在危機） |
|---|---|
| 極速開發：一個人能做完一個團隊的量。 | 技術債堆積：如果不看 AI 寫了什麼，會擁有一堆能動但沒人看得懂的程式碼。 |
| 低門檻：專注於邏輯而非瑣碎語法。 | 除錯困難：當方向跑偏、又不懂底層語法時，不知道怎麼修。 |
| 減少疲勞：不必為了少一個括號煩惱半小時。 | 依賴性：如果 AI 斷線或模型改版，開發能力會瞬間減半。 |
現在「讀程式」的能力比「寫程式」更重要：你要有足夠的判斷力，看出 AI 給你的東西好不好。
RAG 檢索增強生成
RAG（Retrieval-Augmented Generation）簡單來說，就是讓 AI「先翻書，再回答」。
- 考試的比喻：純大型語言模型像不能翻書的學生，記憶模糊時會一本正經地胡說八道（幻覺）；RAG 像開卷考試，系統先從你的資料庫找出相關段落，貼在考卷旁邊，讓 AI 參考後再回答。
- 三個動作：檢索（找出最相關的資料片段）→ 增強（把片段和問題打包）→ 生成（AI 根據這些證據回答）。
- 解決三個痛點：知識過時、私有資料 AI 沒讀過、減少幻覺。
RAG 等於搜尋引擎加上生成式 AI，是目前企業應用 AI 最主流的方式：比微調模型便宜、快速，又能確保資料即時。自我介紹 Chatbot 就是一個小型的 RAG：你的三份文檔就是它要翻的書。
AI 素養（AI Literacy）
AI 素養不只是「會用 ChatGPT 打字」，而是如何和 AI 協作的系統化能力，可以分成四個維度：
- 從「對話者」轉向「調度員」：過去你問一個問題、AI 給一個答案；現在你給 AI 一個目標，它自己規劃路徑、調用工具、執行任務並回報。關鍵是會不會拆解複雜需求，讓 AI Agent 不會在執行中迷路。
- 批判性驗證：建立「詢問 → 驗證 → 修正 → 決定」的循環，能識別幻覺，也知道 AI 在哪些領域容易出錯。
- 技術底層的直覺：知道對話太長 AI 會變笨（上下文窗口）、知道回答不準可能是它沒讀過那份文件（RAG 意識）、知道不同模型各擅長什麼。
- 數據與倫理素養：哪些敏感客戶數據或金鑰絕對不能交給 AI；理解 AI 生成內容的版權風險。
| 階段 | 狀態 | 特徵 |
|---|---|---|
| Level 1：使用者 | AI as a Chatbot | 偶爾問問題，把 AI 當成加強版搜尋引擎。 |
| Level 2：協作者 | AI as a Copilot | 在 IDE 裡和 AI 一起寫程式，能熟練用 Prompt 解決日常任務。 |
| Level 3：編舞家 | AI as a Workforce | 這就是我們期望的狀態：能調度多個 Agent，系統化地完成工作。 |
實戰小建議：提升 AI 素養最快的方法是「觀察 AI 的失敗」。下次 AI 出錯或結果不如預期時，試著分析：是我給的背景資料不夠？是我的 Prompt 有歧義？還是這個任務超出了目前 AI 的能力？這種分析過程，就是累積 AI 素養的過程。