前言
歡迎來到鐵人賽的第二週！在第一週，我們建立了完善的 AI 自學系統與個人知識庫；從今天開始，我們要將 AI 正式導入「軟體開發與實態 Coding」的核心場景。

「AI 會不會取代工程師？」這是許多人的疑問。但更精準的說法是：「善用 AI 的工程師，將會取代不使用 AI 的工程師。」

今天我們將聚焦於兩款目前最強大的 AI 程式開發工具——GitHub Copilot 與 Cursor，分享如何將它們融入日常開發，讓你的寫扣效率直接翻倍！

一、工具選型與定位：GitHub Copilot vs Cursor
很多初學者常問：這兩款工具到底有什麼差別？該怎麼選擇？

特性 / 工具 GitHub Copilot Cursor (IDE)
型態 輕量外掛（支持 VS Code, JetBrains 等） 基於 VS Code 改裝的獨立 IDE
自動補全 (Autocomplete) 極佳，順暢預測單行或小區塊程式碼 極佳，支援多行重構與跨檔案預測
專案全域感知 (Context) 依賴開放頁籤與向量檢索 強大的全專案索引（@Files, @Folder, @Codebase）
特色功能 與 GitHub 生態系整合度高 內建 Composer（可跨檔案自動生成與修改程式碼）
建議選用策略： 如果你已經有習慣的開發環境（如 IntelliJ / PyCharm）或公司環境受限，優先選擇 GitHub Copilot；如果你追求極致的跨檔案自動生成與 Prompt 驅動開發（Prompt-driven Development），強烈推薦試試 Cursor。

二、實戰心法：AI 輔助開發的三大關鍵 Prompt 技巧
要讓 AI 生成精準的程式碼，不能只給「幫我寫一個登入功能」這種模糊指令。請掌握以下三個核心技巧：

1. 提供明確的 Context (上下文)
   在 Cursor 中使用 @ 功能帶入參考資料，能讓 AI 回答精準度提升數倍：

@Codebase：讓 AI 檢索整個專案架構。

@Docs：直接引入第三方套件官方文件（如 @Next.js）。

2. 採用「指名架構」提問法
   定義好 語言、框架、設計模式與邊界條件：

優質 Prompt 範例：

「請用 Python FastAPI 寫一個 API Endpoint，處理使用者頭像上傳。需求包含：1. 限制檔案格式為 jpg/png；2. 檔案大小不超過 2MB；3. 上傳至 AWS S3 並返回存取 URL；4. 包含完善的 Exception Handling 與狀態碼。」

3. 小步快跑 (Iterative Development)
   不要一次要求 AI 生成 500 行程式碼。先讓 AI 產出核心邏輯（Core Logic），驗證無誤後再要求它擴充單元測試（Unit Test）與錯誤處理。

三、實戰範例：用 Cursor Composer 進行跨檔案重構
假設我們要把專案中的數據處理邏輯，從原本的同步（Synchronous）程式碼重構為非同步（Async）：

在 Cursor 中按下 Ctrl + I (或 Cmd + I) 打開 Composer。

輸入指令：

「請將 @services/data_fetcher.py 改寫為 httpx 非同步版本，並同步更新 @tests/test_fetcher.py 中的單元測試以符合 async/await 語法。」

檢查 AI 生成的 Diff（程式碼差異），確認邏輯後點擊 Accept All。

原本需要半小時手動調整的工作，透過 Cursor 可以在 2 分鐘內精準完成！

四、AI 寫扣的避坑指南 (Best Practices)
永遠不要盲目 Copy-Paste： AI 生成的程式碼可能包含過時的 API 或潛在安全漏洞，你必須充當最後的「Code Reviewer」。

注意機密資訊洩漏： 避免在 Prompt 中包含 API Key、資料庫密碼或客戶敏感資料（妥善設定 .cursorignore 或 .copilotignore）。

單元測試是你的安全氣囊： AI 寫完程式後，第一時間叫它生成對應的 Test Cases，確保重構不會壞掉原本的功能。

結語
AI 不是來替替代思考的，而是來幫助我們跳過繁瑣的語法細節（Boilerplate Code），讓我們能將 80% 的精力集中在架構設計、業務邏輯與系統維護性上。

明天（Day 9），我們將延伸這個主題，探討「如何用 AI 幫你的 Legacy Code 進行除錯（Debug）、效能最佳化與重構」，我們明天見！