走到 Day 22，我們終於替 Agent 補上不少裝備。
它有規則，知道這個專案怎麼做事；它能透過 MCP 使用外部工具；昨天又裝上 Skill，可以沿用別人整理過的工作流程。照理說，現在總算可以捲起袖子，大喊一聲：「幫我做一個厲害的東西！」
但裝備越完整，另一個問題就越難忽略：Agent 知道怎麼執行，不代表它自動知道什麼值得做、該採用誰的方法，以及做到哪裡應該停下來。
現階段的 AI 主要透過我們提供的語言與 Context 理解任務。我們說出口的不只有需求，也可能夾帶一時的興奮、沒有檢查的假設、沿用多年的習慣，以及「我應該沒想錯吧」的期待。方向如果偏了一點， AI 不一定會替我們踩煞車，反而可能把那個錯誤的方向執行得又快又完整。
所以在真的拿 Agent 開始做產品以前，我想先花四天聊聊與 AI 互動時的使用哲學。這裡說的哲學不是一套高深理論，而是幾個很實際的判斷：哪些事情不用再從零開始？別人的好方法適不適合我？自己熟悉的流程要不要重新檢查？當 AI 也同意我時，我是不是反而更難發現自己想錯了？
這四天不是離開工具，而是補上工具不會自動替我們決定的部分。第一個問題，就從「我到底需不需要把這個東西全部做出來」開始。
於是，我想到一個很符合自己地球科學背景的需求：每週整理三個地點的氣溫與降雨資料，畫成圖，再寫一小段觀察。
但我差點對 AI 說：
幫我做一套環境資料平台，要能自動抓資料、建立資料庫、畫互動式圖表，最好還有帳號、通知和深色模式。
AI 大概不會阻止我。它甚至可能很開心，幾秒鐘後就列出前端、後端、資料庫、排程和部署架構。原本只想在星期一早上看兩張圖，回過神來，已經在替一間不存在的新創公司準備募資簡報。
問題不是 AI 做得太慢，而是它做得太快。快到我差點忘了先問：我真正想得到的成果，到底是什麼？
先把「環境資料平台」放到旁邊。我真正需要的成果其實很小：取得一週資料，留下日期、地點、最高與最低溫、每日降雨量，畫成看得懂的圖，最後寫出可以回頭核對數字的觀察。
這時，問題不再是「平台要怎麼蓋」，而是：
目前已經存在的工具，可以把這條路走到哪裡？
資料入口不一定要自己做。中央氣象署有開放資料平臺與 API；Twinkle Hub 則把大量台灣政府開放資料整理成 Agent 可以透過 MCP 搜尋與查詢的工具。若只是要做一個任何讀者都能執行的練習，也可以使用不需要 API Key 的 Open-Meteo 歷史資料 API。
圖表也不一定要從空白畫布開始。Academic Figure Skill 已經整理了科學問題分析、圖型建議、繪圖與品質檢查的流程，可以交給支援 Skill 的 Agent 使用。
這些工具各自都很有本事，但它們不會自動變成我的每週報告。資料來源吐出來的是它自己的格式，繪圖 Skill 需要的是整理清楚的資料與問題，人最後還要知道圖上那條線到底在說什麼。
真正需要自己處理的，可能只剩中間那一小段：把資料取出來、整理欄位，再把整理後的結果交給下一個工具。
這次的流程可以拆成四塊。
第一塊是資料來源。它負責提供公開的氣溫與降雨資料。我不需要自己架一座氣象站，也不需要重新建立全臺灣的資料服務。
第二塊是一小段整理程式。它把不同來源的欄位名稱轉成固定格式，確認日期與單位，處理缺值，再輸出一份乾淨的表格。這段程式沒有宏偉到可以上台募資，但它很重要，因為它讓前後兩個工具聽得懂彼此。
第三塊是繪圖能力。我可以先用 Python 畫一張簡單圖，確認資料沒有明顯問題；如果需要更正式的科學圖表，再把整理好的資料、想回答的問題與輸出用途交給 Academic Figure Skill。
第四塊是人的檢查。某一天降雨最高，這是從資料直接讀到的結果；「受到颱風外圍環流影響」，卻需要額外證據，不能因為折線突然升高，就請 AI 現場兼任氣象主播。
把它們排在一起，會長成這樣：
公開氣象資料
↓
整理欄位與檢查單位的小程式
↓
乾淨的表格
↓
Python 或科學繪圖 Skill
↓
人類核對圖表與文字結論
我沒有從零打造其中每一塊。我做的是選擇現成能力，確認它們的輸入與輸出，再補上中間接不起來的地方。
在開發圈裡，有人把類似的做法稱為 Glue Coding。Glue 是膠水，所以可以先把它理解成「膠水式開發」：成熟的能力先拿來用，自己把力氣放在連接、調整，以及只有目前情境才需要的部分。
tradecatlabs/vibe-coding-cn 將這個方向整理成「拼好碼」：通用問題交給成熟能力，自行開發集中在真正不可替代的差異。
我們很容易把「AI 早就會了」理解成：模型已經會寫程式、整理資料和製作圖表。但可以借用的能力，不只住在模型裡。全世界的開發者、研究者與組織，早已把許多需求做成 API、開源套件、資料服務、MCP、範本與 Skill。你以為自己面對的是一塊什麼都沒有的空地，實際上可能正站在一座巨大的零件倉庫前，只是還不知道架上有哪些東西。
所以下次準備從第一行程式開始以前，除了問「AI 會不會做」，也可以多問一句：「這個世界是不是已經有人把其中一部分做好了？」真正需要自己創造的，往往不是全部，而是如何選出適合的零件、確認它們是否可靠，再把它們接成符合自己需求的成果。
這段膠水程式可能不多，但需要的判斷並沒有因此變少。真實世界不會事先替我們把問題切成四塊，也不會在每一塊旁邊貼好適用的工具名稱。開始以前，仍然要先釐清想得到什麼成果、目前卡在哪裡、有哪些限制，以及怎麼用一個小例子驗證。
經過這些整理後，才有辦法判斷哪些部分適合使用現成能力、哪些需要自己補上，甚至哪些問題根本不是多裝一個工具就能解決。Glue Coding 不是答案本身，而是看清問題之後，可能採用的一種解法。
把工具接起來時，還要看得見資料怎麼流動：原始資料從哪裡來、整理程式修改了哪些欄位、交給繪圖 Skill 的是哪一份資料，以及最後的文字結論能不能回到圖表和原始數字核對。我也要判斷資料來源是否可靠、使用的是測站觀測還是網格化的再分析資料、單位是否一致、缺值怎麼表示，以及工具失敗時能不能看出錯在哪裡。
AI 很擅長把不完整的資料說成一段流暢的故事。如果中間的轉換過程全部藏起來，我們很容易因為結果看起來合理，就忘了檢查它是否真的有證據。把兩個工具成功接上，只能證明水管接通了；從水管流出來的是不是能喝的水，還是得檢查。
Glue Coding 也不是看到 GitHub 就全部下載，更不是把來路不明的程式碼黏成一顆海綿寶寶的大鳳梨。現成工具仍要查看來源、授權、權限與維護狀況；原始資料、中間結果與檢查紀錄也要保留下來。更完整的順序應該是：先拆解問題、搜尋工具、再選擇工具；工具接起來後，還要留一條能從結論走回原始資料的路。
最容易犯的錯，是一看到這條流程可行，就立刻想接上全臺測站、每日排程、自動寄信和互動式網站。
先不要。
這次附上的 Day 22 練習 Notebook，只取三個臺灣地點、一週的公開歷史天氣資料。它先保留 API 回傳的原始內容，再整理、檢查並畫出一張可以核對的基準圖，最後依照 Academic Figure Skill 的規則產生正式版本。
Notebook 預設使用一份真實資料快照，所以沒有網路也能從頭執行。想觀察資料入口如何更新，也可以切換成即時呼叫 Open-Meteo API。這份資料是指定座標的歷史再分析資料，不是中央氣象署測站的現地觀測；兩者都是真實氣象資料，意義卻不完全相同。把名稱說準，也是資料判斷的一部分。
基準圖與正式圖使用的是同一份整理後資料，讀者也能從最後的圖表一路走回原始數字。這比單純展示一張漂亮圖片更重要：我們不只要看見 Skill 做了什麼，也要確認美化過程沒有偷偷更換證據。
這個小例子若能跑完，我們才知道每一塊的交接位置在哪裡。之後要把 Open-Meteo 換成中央氣象署 API 或 Twinkle Hub，主要改的是資料入口；後面的清理、交接與檢查不必全部重寫。這才是把零件分開的價值。
OpenAI 使用 Capability Overhang 描述 AI 已經具備的能力，與人們實際使用到的能力之間仍有落差。中文可以先把它理解成：能力已經在那裡，使用方式卻還沒有跟上。
這個詞談的是 AI 能力，不能直接拿來替所有 API、開源工具和 Skill 貼標籤。不過，我們面對現成工具時，也可能有相似的盲點：用幾年前留下的印象，判斷今天的世界能做到什麼；或是根本不知道，原來某一塊早就有人做好了。
以前遇到一個新需求，我們常從「我要寫什麼程式」開始。現在可以多問一步：有沒有現成資料來源？Agent 能不能透過 MCP 取得？有沒有別人整理過的 Skill？哪些部分真的只屬於我的需求？
這不是拒絕學習程式，也不是把所有事情丟給 AI。剛好相反，當產生程式碼越來越便宜，我們更需要看懂資料從哪裡來、每個工具負責什麼，以及最後的結果憑什麼可信。
以前最貴的可能是把東西做出來。現在 AI 可以快速寫程式、查文件、呼叫工具，執行成本正在下降。新的昂貴部分，慢慢變成另一件事：判斷什麼值得做、該借用什麼，以及哪些地方不能放心交出去。
AI 把執行成本降低之後，人的判斷力反而變得更貴。
這次我們使用別人做好的資料服務與繪圖 Skill，確實省下很多力氣。Academic Figure Skill 也很認真地完成了它的工作：正式版面、向量 PDF、品質檢查，一項都沒少。
可是，我原本只是想每週快速看懂三個地點的天氣變化。每次都準備一套接近投稿規格的成果，會不會有點像下樓買飲料，順便穿上全套登山裝備？裝備沒有錯，只是它預設我要去的地方，和我今天真正要去的地方不太一樣。
現成方法很好，不代表每一條規則都適合現在的我。哪些部分應該保留、哪些需要翻譯、哪些可以簡化，會是下一篇需要另外處理的問題。
Day 22 先留下一個問題就好：
下次準備叫 AI「幫我做一個」以前，能不能先看看，現成世界已經替我做好了哪幾塊？
找到好零件之後，下一個問題則是：我該整套照搬，還是要學會把它改成適合自己的形狀？
iThome鐵人賽
看影片追技術