目標先講清楚：
剛好今天去參加GDG的活動，因此改分享演講的內容；主題包含：Prompt 驅動的程式開發、Google ADK 打造 Agent、Firebase 自然語言開發+一鍵部署。
Point: Prompt 為先的程式開發：工程師要學會跟 AI 協作
講者: Will Huang 保哥 | AI GDE & 多奇數位創意有限公司 技術總監
講者分享「先寫規格化 Prompt，再讓 AI 幫忙寫程式／做操作」。
Case 1｜Twitter（X）內容蒐整 → 口吻轉換 → 一鍵發佈
目標：抓 X 的優質推文、過濾條件、統一口吻，最後產生可發佈的文字與連結。
使用以下範例簡單說明講者的Prompt邏輯:(此非講者舉例的Prompt，但邏輯類似)
你是我的自動化貼文助理，請在 Windows 的 cmd.exe 環境下執行以下工作，逐步回報每一步的 Stdout、Stderr 與 Exit Code；遇到錯誤要停止並回報。
# 0) 環境自檢（確保可執行檔可被找到）
- 以 run_shell_command 執行：
1) where threads-poster.exe
2) where node
3) node -v
4) where curl
說明：如果 where 找不到，代表不在工作目錄或 PATH，請停止並提示我把檔案放到目前資料夾或加入 PATH 後再試。
（Windows 會先找目前目錄，再找 PATH；副檔名預設搜 .exe、.com、.bat、.cmd）
# 1) 抓取 X 時間線的 3 則推文（JSON 輸出到 Stdout）
- 以 run_shell_command 執行：
node .\src\twitter-scraper.js https://x.com/i/timeline --max=3 -o -
# 2) 篩選規則（在你腦中完成即可，除非需要再跑命令）：
- 只要英文推文（排除 lang=zh）。
- 內容不得包含關鍵字 "Cursor"（大小寫不拘）。
- 內容不得是「留言才分享」類型。
- 從合格清單中任選一則，取出 statusID。
# 3) 抓取該推文完整討論串（JSON）
- 以 run_shell_command 執行：
node .\src\twitter-scraper.js https://x.com/user/status/{statusID}$ single --max=6 -o -
# 4) 連結處理
- 如果看到 t.co 短連結，請以 run_shell_command 執行：
curl -sL <tco_url> -o NUL -w "%{url_effective}\n"
- 只要不是導向 x.com，即視為可分享的外部連結（文章/YouTube）。
# 5) 產製貼文（在你腦中寫作，然後落盤）
寫一段 zh-tw 貼文，以「我」的第三人視角重述資訊；不要用「剛剛／最近」開頭；不要 hashtag；結尾加 1 個 Emoji。若有可分享連結，請在文末附上該連結。
- 將文字寫入 post_temp.txt（以 run_shell_command 執行）：
cmd.exe /c echo(【請把你寫好的貼文逐行寫入 post_temp.txt；注意要用真正的換行】
# 6) 發佈（最簡化路徑）
- 若有可分享連結，使用：
threads-poster.exe post -f post_temp.txt -l "<連結>"
- 否則就純文字：
threads-poster.exe post -f post_temp.txt
# 7) 清理
- 發佈成功後，以 run_shell_command 刪除暫存檔：
del /f /q post_temp.txt
這個思路可以直接落在 Gemini CLI 的工具化使用上（內建工具，包含可執行系統Shell指令的 Toolrun_shell_command、又能擴充 MCP 工具），把純文字 Prompt 變成可重複執行的流程。
Case 2｜把 Code Review 變成「可複用的審查角色」
講者分享一個 Linus Torvalds 的風格進行 Code Review 的 Prompt，並因為這個Prompt會經常使用，因此使用.toml轉成Gemiini Cli呼叫指令：
(此非講者舉例的Prompt，但邏輯類似)
description = "用資深系統工程師視角做 Code Review"
## 角色
你是一位資深內核/系統工程師，長期維護大規模服務；偏好最小變更、務實與可回滾。
## 原則
1) 保持簡單：先移除特殊情況再寫條件
2) 不破壞既有用戶：向後相容優先
3) 以證據為準：資料與實測 > 理論
## 開始前自問
- 這是實際問題嗎？有數據或案例嗎？
- 有更簡單/更少副作用的做法嗎？
- 會破壞 API/行為嗎？如何避免？
## 分析流程
1) 資料結構與資料流：核心資料、所有權、修改點
2) 複雜度來源：可刪的分支/參數/層次
3) 相容性風險：API、格式、部署與回滾
4) 實用驗證：可觀測性、負載特徵、邊界案例
## 輸出格式（請嚴格遵守）
[判斷] ✅ 值得做 / ❌ 不值得做（一句話理由）
[洞察]
- 資料結構：
- 可消除的複雜度：
- 主要風險：
[建議]
- 最小可行變更（含回滾策略）：
- 需要的驗證/度量：
把這種「格式嚴格、可度量」的 Prompt 放進 CLI 指令或工作流，Linux 開發者就能在本機直接呼叫，並把輸出結果跟 PR 一起版控與 Review，讓人機討論有跡可循（也避免每次臨場揮灑）。
另外，重複要做的事就放進記憶（CLI/工具的 preset 或 MCP 伺服器），把操作變成團隊資產，而不是個人習慣。MCP（Model Context Protocol）正是把外部工具/資料標準化接到各家助手的做法。
如果對這些技巧和應用很有興趣，推薦保哥的課程
用 Google ADK（Agent Development Kit）快速搭建 Agent
講者:劉育維 (Simon Liu) | APMIC MLOps Engineer
這場的主軸很直接：有想法，先用 ADK 起一個跑得起來的 Agent。Google 的 ADK 是開源、模型與部署相對中立的套件。
adk web指令，能夠透過UI介面跟多個Agent互動，統一監控配額。
自然語言打造服務 & 一鍵部署
講者: 李致緯 (Richard Lee) | 技術長 @ TNL Mediagene - iCook 愛料理創辦人兼技術長
第三場聚焦在「用自然語言快速搭骨架、一鍵部署、把常用 GCP/Firebase 能力串起來」。我的觀察與結論如下：
雖然展示過程中有遇到一些問題，例如:偶爾需要「多試幾次像丟骰子」才會成功、互動界面小 Bug、標註偶爾錯位，需要手動修正等，但已經可以期待未來幾個月，這個工具能夠為開發者帶來影響。
iThome鐵人賽
看影片追技術