終於來到這個系列的最後一天。

回頭看這 30 天，我一開始研究 AI Agent，只是想知道：有沒有辦法讓 AI 不再只是等待指令，而是能理解目標、規劃任務，並主動完成工作？

一開始，我認識了 AI Agent、Tool Calling 和 Agentic Workflow，接著開始使用 Claude Code，學習如何透過 CLAUDE.md 定義開發規則，讓 AI 更了解專案的架構與我的開發習慣。

後來，我開始嘗試讓 Claude Code 先分析專案、提出 Planning，再將任務拆解成小步驟，接著實作、執行 Test、修正錯誤，最後進行 Code Review 與 Self-Check。

其中，最讓我有感的實驗，就是之前的文章搜尋功能。

我只需要提出需求，讓 Claude Code 分析需要修改的檔案，再按照計畫完成實作。最後新增搜尋測試，並執行完整測試，結果是 24 個 Test 全部通過，0 個失敗。

這讓我發現，AI 的價值不只是幫我節省寫 Code 的時間，而是能協助我處理開發過程中不同階段的工作。

但這 30 天也讓我明白，AI 並不是永遠正確的。

Test 通過，不代表沒有安全漏洞；Code 能正常執行，也不代表設計合理。因此，我開始加入 Security Review、效能分析，以及 Human-in-the-Loop，讓 AI 自動處理適合的工作，而重要決策仍然由我確認。

至於 Multi-Agent，我也開始理解，並不是 Agent 越多越好，而是要依照任務的複雜度，決定是否需要讓 Research、Coding、Testing、Review 等角色分工合作。

回頭看，我最大的改變是：以前我比較在意如何下指令，讓 AI 寫出我要的 Code；現在我更在意如何描述目標、定義規則、安排工作，以及驗證最後的結果。

我想建立的不是一個只會幫我寫程式的 AI，而是一套能理解需求、執行任務、檢查結果，並且在必要時讓我介入的 AI 開發工作流。

30 天並不是終點，而是開始。

接下來，我希望把這些方法真正運用在更多專案中，持續調整自己的工作流程，找出哪些事情適合交給 AI，哪些事情仍然需要自己判斷。

畢竟，AI 可以幫我完成更多工作，但如何定義問題、判斷結果，以及為最後的決策負責，仍然是我需要持續學習的事情。

這就是我這 30 天最大的收穫。