在公司做專案，大家多少都有踩過這些雷：

• 專案被不同工程師接手好幾輪後，程式碼已經亂到不敢細看。
• 明明知道有些地方效能很差，但就是不知道該從哪裡動手。

這次 Zach 會分享如何用 AI 工具一起處理這些棘手問題，包括：

1. 讓程式更好讀 —— 之後查 bug 不用每次都從第一行看到最後一行。
2. 抓出效能問題點 —— 找出真正拖慢系統的那幾段程式碼並改善。

用更聰明的方式整理舊程式，讓維護不再是一場馬拉松。

在一個LRR的開發文件，是一連串的會計邏輯與數字，這些數字共同構成了一項耗時且易錯的手動開發任務。

這些瑣碎的細節與業務規則，造成我們認知的負荷，降低了我們交付成果的品質。

今天我們就AI導入LRR工作流，來跟大家分享AI如何解決工作上的痛點，讓開發流程簡潔，大幅省下開發時間，也讓新人更容易進入開發門檻。

你一定也碰過這種情境：
客戶每年都要調一大堆報表，內容其實差不多，但數量多、邏輯又複雜，光是改那些欄位、公式、條件就能讓人頭痛一整週。

更慘的是，每年負責的工程師都不一樣，結果程式與 SQL 的寫法越疊越亂，完全沒有一致性。
久了之後，原本的命名規則、查詢規範不但被拋到九霄雲外，整個專案就像被時間堆成的技術債山。

在這次分享中，我會講講如何用 AI 工具快速縮短報表開發流程，不但大幅省下開發時間，也能確保程式品質更穩定，進而降低整體人力成本。讓報表開發不再是每年都要重頭來一次的惡夢。

在進行測試前，測試人員必須先完整理解功能需求與業務邏輯，再把這些內容轉換成一條條可執行的測試腳本，過程既耗時又容易遺漏。

這個案例透過 AI，直接從 FSD 產生標準化的 SIT 測試腳本，不只確保需求與測試之間的可追溯性，也讓測試文件格式一致、團隊更好協作。

同時透過 AI更能提升測試覆蓋率與整體測試品質，降低產品缺陷在上線後才被發現的風險。

弱點掃描真正困難的地方，不是掃描本身，而是後續的處理。

每一季動輒五百筆以上的安全問題，人工檢視與修正往往一做就是好幾週，實際修到完甚至要一兩個月。再加上大多數問題高度重複，卻沒有一致的修正標準，導致品質不一、進度難追。

這個案例透過 AI 協助處理重複性高的弱點問題，縮短作業時間、建立標準化修正方式，同時把修正經驗累積成知識，讓弱點掃描變成一個越做越快、越做越穩的流程。

在軟體專案中，FSD（功能規格書）通常在初期就會被定案。但在實際開發或測試階段，難免會因為客戶突然改需求、或技術上做不到某些設計，導致程式邏輯跟原本 FSD 漸漸脫軌。
結果就是：上線後文件不準、程式不好維護，後續查問題的成本也跟著往上飆。

這個案例展示我們如何利用 AI 同時讀懂「現有程式碼」與「原始 FSD」，自動比對兩者的業務邏輯，並產生一份清楚的 差異清單（Diff List），把所有「程式做的跟文件寫的不一樣」的地方一次點出。

透過讓文件重新對齊實作，不只降低溝通成本，也能大幅減少系統上線後的維護風險。

新人接手專案時最常遇到的痛點就是：

• 沒有文件可以看；
• 想補文件卻超級花時間；
• 前輩要一個功能一個功能講，結果雙方都耗掉大量工時。

現在透過 AI，我們可以打造一套更有效率的上手流程：
不只自動產生交接文件，還能建立新人「能不能真的理解系統」的問答與測試機制。

這些資料也會被妥善整理成可延用的知識庫，讓系統的 Know-how 不再因為人員流動而流失。

這套流程可以重複複製到不同系統上，未來新人交接的成本會大幅下降，團隊的知識傳承也能真正落地。

對專案公司來說，Source Code 的管控就是營運的地基，SVN 也因此成了工程師的基本功。

但大家一定都踩過這些坑：

• 不小心漏檔、或上傳了不該上的東西，結果造成版本衝突。
• 前人沒有寫清楚更新內容，導致後續維護像在解謎。

這次我們透過 AI，把整個流程做了全面升級：

• 自動化處理整個 SVN Commit 流程 —— 一次搞定，不漏、不錯。
• 自動篩掉不必要的檔案 —— 上傳內容精準又乾淨。
• 自動分析差異並產生符合規範的提交訊息 —— 不再害怕前人沒有寫更新說明。

透過這套流程，不只讓 SVN 維護更輕鬆，也讓不熟 SVN 的同事能快速上手，提升整體開發效率。

面對一個 15 年以上的老系統，突然被要求調整功能、還要加新需求——這種情境大概是每個工程師心中的共同惡夢。

因為光是要重新弄懂那些「沒人記得、沒人敢動」的程式內容和系統架構，投入的人力與時間，往往不亞於重新開發一套新系統。

在這個案例中，我們展示如何運用 AI，從剖析舊程式、釐清架構，到正式開發，都可以一步一步用「講的」完成。

不只降低維運痛點，更讓開發效率直接提升 95%。
把看似不可能的老系統維運，變成能有效管理、快速開發的流程。

AMP 系統在今年三月加入 Smart Helper 功能，讓系統維運人員輸入問題描述後，可快速找到同系統類似案例。原本應用微軟的 AutoGen 套件 + Gemini API 的技術。本次實驗用 AutoGen 套件 + Anthropic API 的方式來改寫。

本次實驗在開發過程分別試用 Claude Ai (Web) 和 Claude Code 兩種開發模式，歸納出兩種技術的優劣點和應用情境。

最後，本次實驗也利用 Smart Helper 功能比較了 Haiku-3 和 Sonnet-4 兩種 AI 模型耗用 Token 和費用的差異，提供未來採用的參考。