前言

還記得第一天開始學習後端時，可能只想知道 Node.js 是什麼、後端工程師平常在做什麼，以及自己能不能寫出一支 API。

一路走到今天，從建立第一個伺服器、使用 Express 開發 API，到操作資料庫、處理登入驗證，再接觸 Docker 和 AI Coding，原本看起來各自獨立的技術，慢慢有了彼此之間的關聯。

這 30 天並沒有讓人一口氣學會所有後端技術，但透過一次次的練習，已經能逐步理解一個功能從需求、實作到測試與部署，需要考慮哪些事情。

最後幾天接觸的 AI Coding，也讓人重新思考，當 AI 能協助撰寫程式時，開發者該如何運用已有的知識，讓開發過程更有效率。

這篇就來回顧這段學習歷程，整理一路累積的觀念，以及接下來如何把它們運用在自己的專案裡。

從 API 到後端系統

剛開始學習後端時，最直接的目標就是讓程式跑起來，能接收請求、處理資料，再把結果回傳給前端。

從 Node.js 的基本概念開始，逐步建立第一個 HTTP Server，接著使用 Express 簡化路由與請求處理，慢慢做出 GET、POST、PATCH、DELETE 等 API。

當功能越來越多，也開始透過 Router 整理程式結構，使用 Middleware 處理共用邏輯，並加入資料驗證和錯誤處理，讓 API 面對不同的輸入時，都能有預期的回應。

當程式開始處理真正的資料，就會遇到另一個問題：資料應該怎麼保存，才能確保後續的操作正確？

於是，學習範圍逐漸延伸到 SQL、PostgreSQL 和 ORM，了解如何透過程式操作資料庫，再使用 Migration 管理資料表的變更。

當一個功能涉及多個資料庫操作時，還需要考慮 Transaction，避免部分操作失敗後，資料停留在不一致的狀態。

接著，當功能開始涉及使用者，就需要處理密碼與身分驗證。透過 bcrypt 處理密碼雜湊，使用 JWT 建立登入驗證流程，再利用 Middleware 確認請求者是否通過驗證。

不過，身分驗證和權限控管仍是不同的事情，確認使用者已登入，不代表他就能存取所有資料。

最後，當 API 和資料庫逐漸串接起來，學習範圍又延伸到 Docker、Image、Container 和 Docker Compose，開始理解如何管理應用程式的執行環境，以及 API 與資料庫等服務之間的關係。

回頭看這些內容，就會發現後端開發不只是把 API 寫出來，而是要讓請求處理、資料操作、權限檢查和執行環境彼此配合。

一開始只想讓程式正常運作，後來才逐漸理解，一個完整的功能還有許多需要考慮的細節。

從自己寫程式，到讓 AI 協助開發

當 AI 開始進入日常開發，寫程式的方式也跟著改變。

遇到不熟悉的語法，可以請 AI 協助解釋；需要新增功能時，也能請它產生程式碼。但實際使用後會發現，AI 不一定每次都能正確理解需求，有時候還會順手修改其他程式，或是產生看起來合理、實際上卻有問題的實作。

因此，除了告訴 AI 想完成什麼，也需要提供足夠的專案背景，讓它知道目前的程式架構、開發規範，以及哪些地方可以修改。

從 Prompt 和 Context 的差異，到使用 AGENTS.md 等專案指引，逐漸學會把原本零散的交代，整理成更清楚的開發任務。

不過，就算 AI 已經理解專案，也不代表寫出的程式一定正確。這也是為什麼最後幾天開始接觸測試，讓 AI 根據需求建立測試案例、實際執行測試，再從失敗結果找出問題並修正程式。

例如，當搜尋 API 找不到預期的筆記時，可以要求 AI 分析測試結果，找出程式與需求之間的落差，再修正實作並重新驗證。

這個過程不能只看 AI 是否回報測試通過，還需要確認測試案例是否合理，以及它有沒有為了讓測試通過而改掉原本正確的預期。

當專案逐漸變大，管理 Context、限制修改範圍、拆解任務和減少不必要的輸出，也能降低反覆溝通與修改的成本。

這些做法看起來是在改善 AI 的使用方式，實際上也是在建立一套更容易檢查、重複執行和持續改善的開發流程。

AI 可以幫忙產生程式碼，但需求是否清楚、設計是否合理、驗證是否充分，仍然需要開發者做出判斷。

學會使用 AI，不只是知道該怎麼下指令，也包括知道怎麼確認它交付的結果。

把 30 天的知識串成一套開發流程

學過這些技術之後，最重要的不是記住每個工具的用法，而是遇到實際問題時，知道該從哪裡開始思考。

假設今天要開發一個筆記管理功能，讓使用者可以新增筆記、查看列表、修改內容和刪除資料。拿到需求後，不必立刻開始寫程式，可以先確認功能範圍、資料需要保存哪些欄位，以及不同操作應該如何與 API 對接。

接著規劃 API 和資料結構，決定路由如何安排、輸入需要哪些驗證，以及資料庫應該如何存取。

如果功能涉及使用者登入，就需要考慮身分驗證與資料權限；如果某個操作包含多筆必須一起完成的資料庫變更，也要評估是否需要使用 Transaction。

實作時，可以讓 AI 協助撰寫程式，但要先提供相關的專案背景，並清楚說明修改範圍。

完成一個階段後，再透過測試檢查結果，確認 API 的回應、資料庫中的紀錄和實際需求是否一致。如果測試失敗，就根據錯誤訊息找出問題，再修正並重新驗證，而不是直接假設 AI 已經完成任務。

當功能逐漸完整，還需要確認專案能否順利啟動、環境變數是否設定妥當，以及資料在容器重新建立後能否持續保存。

最後整理啟動方式和必要的專案文件，讓其他人也能依照說明執行。

整個過程不一定每次都要完全按照固定順序進行，也不是每個小功能都需要用到所有技術。真正重要的是，當需求變得複雜時，能逐步拆解問題，判斷需要哪些工具，以及如何確認最後的結果符合預期。

這也是前面 30 天的學習逐漸串起來的地方。Node.js 和 Express 負責處理請求，資料庫知識幫助正確管理資料，驗證與錯誤處理讓功能更完整，Docker 協助管理執行環境，而 AI Coding 則能協助完成其中一部分工作。

當這些能力搭配起來，就能更有方向地開發一個完整的功能，而不是只把程式碼拼湊在一起。

30 天之後，繼續往前走

30 天的學習，能讓人初步認識後端開發的主要環節，但要真正熟悉這些技術，還是需要透過實際專案反覆練習。

接下來，可以試著把前面學過的知識放進一個完整的小作品，例如筆記管理系統。從需求規劃開始，逐步完成 API、資料庫、登入驗證、測試與部署，再利用 AI 協助實作、檢查和修正。

當功能逐漸完整，也能更清楚看見自己還有哪些不熟悉的地方，可能是 SQL 查詢與效能優化，也可能是權限設計、系統架構，或是如何讓 AI 更有效率地協助開發。

這些都不需要一次學完，可以從實際遇到的問題出發，再決定下一步要補足什麼知識。

學習的下一階段，不一定是認識更多工具，也可以是把已經學過的東西用得更熟練。

當開始能獨立規劃一個功能、選擇適合的實作方式，並且透過測試確認結果，就已經比單純照著教學複製程式碼更進一步。

結語

回頭看這 30 天，從認識 Node.js、建立第一支 API，到學習資料庫、登入驗證和 Docker，最後再把 AI 加進開發流程，原本看起來零散的技術，慢慢有了彼此連結的方式。

現在可能還無法獨立處理所有複雜的後端問題，也不代表每項技術都已經學會，但至少開始知道一個功能背後有哪些事情需要考慮。

遇到問題時，也能嘗試拆解需求、查找資料、動手實作，再透過測試和修正逐步改善。

更重要的是，當 AI 可以協助寫程式，理解需求、判斷問題和驗證結果的能力，依然有它的價值。工具可以幫忙加快開發，但真正理解自己正在解決什麼問題，才能決定接下來該怎麼做。

這 30 天不是學習的終點，而是開始有能力自己動手做出一個後端專案的起點。

接下來，就帶著這些基礎繼續往前走，從理解別人的範例，到完成自己的作品，再從一次次實作和修正中，慢慢累積屬於自己的開發經驗。