整個系列只有這一段有量測：43 次執行，一次通過 36/37，平均 10.9 分鐘。這篇把數字攤開，也講它們證明不了的四件事。

三個指標

工廠的指標檔開頭寫著：

每次執行後追加一列。指標決定工廠是否健康、何時可擴張。

記的是三件事：

三個裡面，人工修正量最難作假。一次通過率可能很好看，因為 AI 會自己修到綠燈；但如果人拿到之後還要改兩百行，代表驗證抓不到真正的問題，驗證的形狀有洞。

43 次的數字

分母是 37 不是 43，因為前面幾筆被排除了：

• 兩筆是黃金範例的反向工程，備註寫「工廠建置時人工打造，非 skill 產出」
• 幾筆是基礎設施（資料庫接線、框架組裝、命令列包裝），備註寫「非 spec」

最容易灌水的地方就在分母。只要把「人工打造的那兩筆」也算進去，數字馬上變 38/39。沒有這麼做，這個數字才可以信。

但這個分母有一筆對不起來：照上面的備註扣，我數到 36，指標檔寫 37，多的那一筆沒有交代。這一篇在講分母的誠實，它自己的分母就差了一筆，所以表格照抄指標檔的 36/37，不自行改成 36/36。

唯一失敗的那次

register-employee v3（眷屬改為子實體）
~8 min | ❌（1 輪修正）| 人工修正 0
備註：整數口數改為物件清單；批次替換漏 1 處編譯錯誤，
      1 輪修復後 103 條測試全綠

一個資料結構從「數字」改成「物件清單」，要批次替換很多處，漏了一處，修一輪就全綠。

比失敗本身更重要的是，這一列有被記下來。一份只有成功紀錄的指標檔是可疑的；有這一列，另外 36 列才可信。

AI 自己抓到的三筆

43 列裡有三筆備註，記的是 AI 犯錯之後自己抓到：

AI 產碼瑕疵 1 處（斷言混入無意義的三元式），於測試前的自我審查修正
AI 自我攔截 switch 分類錯誤 1 處
AI 自我攔截 2 處筆誤

這三筆證明審查層有作用。如果沒有那道自我審查，那個「斷言混入無意義三元式」會直接進到測試裡。而它會通過。一個永遠為真的斷言不會讓測試變紅，它只會讓覆蓋率數字變好看，然後守不住任何東西。

Day 22 說過 L3 審查是機率性的，這三筆是它真的抓到東西的實例：它抓到的東西，L1 和 L2 都抓不到。

這三筆的一次通過率仍然標 ✅，因為自我審查是流程的一部分，不是人工介入。

耗時說明了什麼

平均 10.9 分鐘，區間 1.5 到 40 分鐘。

短的那些是同型規則。已經有兩三條類似的規則做過了，第四條就是 1.5 分鐘。這就是工廠的價值：邊際成本遞減。長的那些是新形狀：第一個牽涉外部檔案讀寫的、第一個牽涉真實加密的、第一個組合多個流程的。

最長的 40 分鐘那筆，一次處理了新的計算規則、新的設定來源、新的邊界條件，還做了十四筆手算驗證。工廠不會讓「難的事」變簡單，它讓「重複的事」變便宜。

如果你的專案裡每個功能都是新形狀，那 10.9 分鐘的平均值不會出現在你身上。這也呼應 Day 20 那條入場條件：沒有重複，就沒有工廠。

這些數字不能證明什麼

一、它不能證明這套方法「普遍有效」。

這是一個系統、一種任務類型、一個人。43 次執行是不錯的樣本，但它證明的是「在這個條件下這樣做會成立」。

「這個條件」還要加一項（Day 01 提過）：工具是 Claude Code，模型是各次執行當下的預設模型。這 43 次橫跨約兩個半月，期間預設模型改過版，而我沒有逐次記錄。

所以這批數字是一段期間的觀察，不是一次可複現的實驗。同一套流程換個模型跑，一次通過率會是多少，這裡答不了。

二、它不能證明產出的程式碼「好」。

一次通過率量的是「有沒有通過我自己定義的檢查」。如果檢查設計得鬆，通過率就會虛高。檢查沒有鬆掉的旁證是：這個系統跑的是真實的薪水，每個月二十幾個人的錢，算錯會有人來問。

但這個旁證只存在於這個案子。換一個沒有真實使用者的系統，同樣的指標可能什麼都不代表。

三、它不能證明「AI 寫得比人好」。

沒有做過對照組，也就是「同樣的功能人工寫一遍，比較品質和時間」的實驗。

所以那個 10.9 分鐘只能跟「我印象中人工要多久」比，而印象是不可靠的。

四、350 條測試全綠，不代表沒有 bug。

它代表「我想到要測的東西都測了」。我沒想到的部分，測試不會告訴我。

為什麼還是要量

即使有這四條限制，有量測還是比沒量測好。理由不在數字本身，而是量測這個動作會逼出三件事：

一、逼你定義「完成」。 你要填「一次通過」，就得先定義什麼叫一次通過。而那個定義本身就是一種紀律。

二、逼你記下失敗。 一份指標檔如果只記成功，填的人自己會不好意思。那個 ❌ 之所以會被記下來，是因為表格裡有那一欄。

三、讓「感覺變好了」變成可以檢驗的話。 沒有數字的時候，「導入 AI 之後效率提升」是一句信仰。有數字之後，它至少是一個可以被質疑的宣稱。

一個建議

要開始量，從最小的版本開始：一個 markdown 表格，四個欄位。

| 日期 | 做了什麼 | 一次過嗎 | 人工改了多少 |

不要一開始就設計儀表板。那個薪資工廠的指標檔就是一個 markdown 表格，四十三列，手動追加。

它之所以有價值，不是因為工具好，是因為它每次都被填。

小結

• 三個指標：耗時、一次通過率、人工修正量
• 36/37 可信，是因為人工打造的那幾筆沒有算進分母；但照備註數只有 36，指標檔寫 37，差的一筆沒有交代
• 唯一失敗的那次被完整記錄，這讓另外 36 次變得可信
• 三筆「AI 自我攔截」證明審查層抓得到 L1/L2 抓不到的東西
• 耗時分布說明：工廠不讓難的事變簡單，它讓重複的事變便宜
• 這些數字不能證明方法普遍有效、程式碼好、或 AI 比人強
• 但量測本身會逼出三件事：定義完成、記下失敗、讓宣稱可被質疑