不會寫程式的 PM，如何用 AI 獨自打造出能賺錢的產品？

本文整理自 Lenny’s Podcast 與 Zevi Arnovitz 的訪談。Zevi 目前是 Meta 的產品經理，在此之前曾任職於 Wix。他沒有任何技術背景，高中主修音樂，但透過自學 AI 工具，成功在業餘時間打造出多款實際營運的產品。

一、當超能力突然降臨

「就像有人走過來對我說：『欸，有個很酷的新技術你應該看看！哦對了，你現在擁有超能力了。』」

這是 Zevi Arnovitz 描述他第一次接觸 AI 輔助開發工具的感受。2024 年初，他和妻子在日本旅行時，Claude Sonnet 3.5 剛推出不久。某天晚上，他在旅館看到一支 YouTube 影片，有人用 Bolt 或 Lovable 這類工具純粹靠對話就建出了一個完整的 App。

對一個零技術背景、高中念音樂的人來說這簡直是魔法。他甚至沒等到回家把行李拆開，就衝到電腦前開了一個 Bolt 帳號，從此踏上了 Vibe Coding 的旅程。

一年後的今天，Zevi 不只是 Meta 的 PM，他還在週末經營著一個叫 StudyMate 的副業產品 — 一個讓學生上傳講義、自動生成測驗題的平台。這個產品從前端到後端、從資料庫到 AI 整合，全部是他一個人用 AI 工具搭建完成的，而且真的有在賺錢。

這集 Podcast 之所以特別，是因為 Zevi 不只是「有在用 AI」的那種人。他是那種會讓 Meta 的工程師主動來請教「你到底怎麼做到的」的人。Tal Raviv， Lenny 口中最懂 AI 的 PM 之一 這樣形容他：「每次跟 Zevi 喝咖啡，我都有一種『這些東西所有人都應該聽到』的感覺。」

而 Zevi 在錄製前用 Claude 做準備時，Claude 給了他一個很棒的提醒：「如果聽眾聽完覺得『Zevi 好厲害』，那你就失敗了。如果他們聽完立刻打開電腦開始動手實作，那才是成功。」

二、為什麼要從 ChatGPT Project 開始？

在深入 Zevi 的完整工作流程之前，有一個重要的前提需要先理解：他建議所有想學 Vibe Coding 的人，不要一開始就跳進 Cursor 或 Claude Code 這種專業開發環境(IDE)。

「如果你跟我一樣是非技術背景，程式碼是世界上最可怕的東西。」Zevi 說。

而他的學習路徑是這樣的：

第一階段：ChatGPT Project

在任何 AI 輔助開發工具出現之前，Zevi 就是 ChatGPT Projects 的重度使用者。Projects 讓你可以建立一個共享資料夾，裡面有自訂指令和知識庫，所有在這個 Project 裡的對話都會共享這些脈絡。

他發現 ChatGPT 的 Memory 功能雖然有趣，但會把不同領域的事情搞混，他可能在聊跑步訓練，結果 GPT 會說「跑完這個 5K 之後，你下次的產品評審一定會很順利」。

而Project 解決了這個問題，它讓不同情境的對話保持獨立，更重要的是，他在 Project 裡建立了一個「虛擬 CTO」。這個 CTO 的 System Prompt 被設定成：

• 你是這個專案的技術負責人
• 我負責定義問題和用戶體驗，你負責決定怎麼實作
• 我不要你當一個討好的人，我要你挑戰我的想法

為什麼這很重要？因為原生的 ChatGPT 太過 Sycophantic（諂媚）。

Zevi 分享了一個驚悚的例子：他曾經問 GPT 某個技術框架是不是跟另一個類似，GPT 居然說「對，完全一樣」。後來他發現根本是兩回事，追問之下 GPT 竟然回答：「抱歉，我以為你只是在隨便亂講，所以我就跟著你瞎扯。」

這種 CTO 可能會讓你的公司倒閉。

第二階段：Bolt / Lovable / Replit

這些工具提供了漂亮的 UI，幫你處理掉很多複雜的決策（資料庫選擇、登入機制、部署流程），讓你可以專注在「我想要什麼」而不是「技術上怎麼實現」。

但 Zevi 發現，當產品變複雜時（例如要接入支付系統），這些工具的「固執己見」反而變成限制。它們的 System Prompt 讓 AI 太急著寫程式，省略了規劃階段，結果就是產生一堆難以 Debug 的問題

第三階段：Cursor + Claude Code

這是 Zevi 現在的主力組合。Cursor 是一個整合了 AI 的程式編輯器，Claude Code 則是 Anthropic 推出的 Coding Agent，可以直接在你的程式碼裡執行操作。

關鍵差異在於：Bolt 和 Lovable 會在你和 AI 模型之間加上一層「護欄」，幫你做很多決策。但 Claude Code 是直接把 AI 塞進你的程式碼系統，給它完整的工具存取權限。這意味著更大的控制權，但也意味著更多需要自己做的決策

Zevi 的建議是：慢慢升級。從 GPT Project 的漂亮介面開始，熟悉了再進 Bolt/Lovable，最後才進到 Cursor。等你哪天打開 Terminal、切成全黑的 Dark Mode，你就知道自己已經是個 Developer 了。

三、一套可複製的 Vibce Coding 完整工作流程

這是這集 Podcast 最有價值的部分，Zevi 完整展示了他從「想到一個點子」到「功能上線」的完整流程。而且他把所有的 Prompt 都整理成了可下載的 /commands，任何人都可以直接拿去用，

整個流程分成七個階段：

階段一：Create Issue（建立任務）

當 Zevi 在開發某個功能時突然想到一個新點子或發現一個 Bug，他不會停下手邊的工作，而是快速用 /create issue 這個指令，讓 Claude 幫他把想法記錄到 Linear（一個專案管理工具）。

這個 Prompt 的設計很聰明：它告訴 Claude「使用者正在開發中，想到一個 Bug 或功能改進，快速抓住它讓他可以繼續工作」。Claude 會問幾個簡短的問題（優先級？目前狀態？預期結果？），然後透過 MCP (Model Context Protocol) 直接在 Linear 裡建立一個 Issue。

這個 Issue 的品質如何？Zevi 坦言，因為他是一人公司，很多脈絡本來就在他腦中，所以 Issue 寫得「夠用」但不一定完美。重點是：它足以讓他之後能快速撿起來開始探索。

階段二：Exploration Phase（探索階段）

當他準備好要處理某個 Issue 時，會用 /exploration phase 並帶入 Linear 的 Issue 編號。這個階段的目的是：

1. 讓 AI 深入理解他想解決的問題
2. 讓 AI 了解目前程式碼的架構
3. 找出哪些檔案需要被修改
4. 討論最佳的技術實作方式

Claude 會讀取大量程式碼檔案，理解現有架構，然後回來問一堆問題：範圍是什麼？資料模型怎麼設計？介面要怎麼呈現？驗證邏輯？評分方式？

這個階段的關鍵在於「不要讓 AI 直接開始寫程式」。花時間來回討論、確保雙方理解一致，是 Serious App 和隨便玩玩的 Side Project 的最大差別。

階段三：Create Plan（建立計畫）

探索完成後，Zevi 會用 /create plan，讓 Claude 根據討論內容產生一份 Markdown 格式的計畫文件。這份文件包含：

• TLDR（摘要）
• 關鍵決策紀錄
• 任務清單（每個任務都有狀態追蹤）

為什麼要產出 Markdown 檔案而不是直接讓 AI 記住？因為：

1. 不同模型擅長不同事情，有文件就可以讓其他模型接手
2. 未來在同一區域開發時，AI 可以參考過去的決策
3. 可以把計畫拆成前端和後端，讓專精 UI 的模型（如 Gemini）處理前端

階段四：Execute Plan（執行計畫）

這時候 Zevi 會切換到 Cursor 的 Composer，因為它執行速度飛快。只要說「execute」然後標記計畫檔案，Composer 就會開始寫程式。

在 Podcast 錄製現場，一個完整的功能（填空題 + 拖放介面 + AI 整合）在幾分鐘內就被建出來了。如果是人類工程師，這可能要花好幾天。

階段五：Review（自我審查）

這是非技術 PM 最大的挑戰：怎麼審查 AI 寫的程式碼？

Zevi 的做法是先手動測試（QA），確認沒有明顯問題。然後用 /review 讓 Claude 審查自己寫的程式碼。它會找出 Critical Bugs、High Priority 問題、Medium Priority 問題等等。

階段六：Peer Review（跨模型審查）

這是 Zevi 最引以為傲的創新。

他會同時打開三個工具：Claude Code、OpenAI 的 Codex、還有 Cursor 的 Composer。讓這三個不同的 AI 模型各自審查同一份程式碼，然後把它們的回饋整合在一起。

/peer review 這個指令的設計很巧妙：它告訴 Claude「你是這個專案的 Dev Lead，其他公司的 Team Lead 看過你的程式碼給了一些回饋。不要全盤接受他們說的，因為你有更多脈絡。針對每個問題，要嘛解釋為什麼這不是問題，要嘛修復它。」

結果是什麼？這些 AI 會互相「吵架」。Claude 有時候會變得很嗆：「這個問題已經被提出第三次了，我第三次告訴你，這是設計如此，不是 Bug。」這種跨模型的交叉審查，大幅提升了程式碼品質，也彌補了 Zevi 自己無法審查程式碼的弱點。

階段七：Update Docs（更新文件）

最後一步，也是很多人會跳過的一步：更新文件。

Zevi 強調，每次 AI 犯錯，他都會問：「是什麼讓你犯這個錯？是 System Prompt 的問題？還是工具的問題？」然後更新對應的文件或設定，確保同樣的錯誤不會再發生

這種「持續改進」的思維，是區分「會用 AI」和「真正會用 AI」的關鍵。

四、每個模型都是一個性格鮮明的同事

在討論多模型協作時，Zevi 分享了一個超有趣的觀察：每個 AI 模型都有非常鮮明的「人格特質」。

Claude — 完美的 CTO

溝通能力強、聰明、不會只是附和你說的話，有自己的見解但又很願意協作。對於需要大量學習和來回討論的 Zevi 來說，這是夢寐以求的 Dev Lead

GPT / Codex — 穿帽 T 的天才工程師

那種穿著帽 T 和拖鞋、坐在暗房裡的頂尖 Coder。你只有遇到最棘手的 Bug 時才會去找他。他會關起門來兩小時，然後出來說「修好了」。你問他發生什麼事，他說「不用擔心，修好了。」完全不善於溝通，但能解決所有最困難的問題。

Gemini — 瘋狂的藝術家科學家

超有創意、UI 設計能力驚人。但如果你坐在旁邊看他工作，你會嚇死。

Zevi 分享了一個例子：他請 Gemini 重新設計 Dashboard 的頂部。然後他看到 Gemini 的思考過程：

• 「首先，我要刪掉整個 Dashboard。」
• 「不對，那是個錯誤。讓我把它加回來。」
• 「喔，我可以編輯資料庫嗎？」

「不！你只是在做重新設計！不要碰資料庫！」

然後最後，Gemini 產出了一個超漂亮的設計。過程很驚悚，但結果很美。去理解每個模型的強項和弱點，讓它們互相制衡，是 Zevi 工作流程的核心策略。

五、學習機會：AI 不只是工具，更是導師

很多人擔心：過度依賴 AI 會不會讓自己的技能退化？

Zevi 的看法完全相反。他認為，只有在「用錯方式」的情況下，AI 才會讓你變差。

他有一個專門用來學習的 /command 叫做 /learning opportunity。每當遇到不理解的技術概念，他就會用這個指令，Prompt 的內容是：

「我是一個正在學習的技術 PM，具備中等程度的工程知識，能理解架構概念。請用 80/20 法則解釋我們正在處理的這個問題。」

這讓他在開發過程中持續累積知識，而不只是盲目地讓 AI 幫他做事。

另一個重要的觀點是：

AI 讓你可以「越級打怪」。

在大公司當 Junior PM 時，你不會有機會思考公司的整體行銷策略、全面翻新產品的 Onboarding 流程。但在自己的 Side Project 上，你可以做任何決策，策略、行銷、訊息傳遞、定價，全部都是你的範疇。

這是前所未有的「刷經驗」機會，而經驗值 (Reps)，正是職涯初期最重要的東西。

Zevi 在 Wix 的第一次產品評審慘遭滑鐵盧後，領悟到一件事：公司對 Junior 的期望不是「成為 10 倍 PM」，而是「成為 10 倍的學習者」一旦轉換這個心態，一切都不一樣了。

六、用 AI 準備面試：打造你的私人教練

Zevi 進 Meta 之前，用 AI 做了完整的面試準備，這個故事值得單獨拿出來講。

首先，他在 Claude 裡建了一個 Project，定位是「面試教練」。他從網路上蒐集所有好的面試框架和資源（特別是 Ben Erez 的內容），把這些餵進 Project 的知識庫。

然後他做了幾件有趣的事：

1. 模擬面試：他會讓 Claude 扮演面試官進行 Mock Interview，結束後請 Claude 給他嚴厲的回饋：「我不要你讓我感覺良好，我要你讓我準備好面試。」
2. 學習標準答案：有些題目他沒時間練習，他會請 Claude 扮演候選人，展示一個完美的回答。從中學習什麼是好的回答結構。
3. 分析高頻題目： 他找到一個網路上的面試題庫（Louis Lynn 維護的），用 Perplexity 的 Comet 瀏覽器讓 AI 分析哪些是最常被問到的問題，以此決定練習的優先順序。
4. 自製練習遊戲：他在市場區隔（Segmentation）這個題型上特別弱，所以用 Base44 快速做了一個 Quiz 遊戲，會隨機出題考他不同的市場區隔情境。他會在通勤的公車上玩這個遊戲。

但 Zevi 也強調：AI 只能帶你到某個程度，真正的突破來自「跟真人練習」。他在 LinkedIn 上主動聯繫陌生人，請他們做真實的 Mock Interview。特別是 Meta PM 面試這種高競爭的場景，人類互動不可取代。

七、給想開始的人：這是成為 Builder 的最佳時代

在訪談最後，Zevi 留下了一段很有力量的話：

「很多人說現在 Junior 找不到工作、沒有 Junior 職缺了。是的，這是真的。但也請問：歷史上還有哪個時代，你可以剛畢業就和幾個朋友一起，用 Bootstrap 的方式創業？」

他觀察到，在 Wix 晚期面試新人時，越來越多候選人有自己用 AI 建的 Side Project。這些人不是在等公司給他們機會，他們正在自己創造機會。

至於技術債的問題、AI 生成的「Slop」（低品質輸出）怎麼辦？

Zevi 的答案是：這跟帶人是一樣的。如果你把一個 Junior 丟進去說「做一份策略簡報」，什麼指引都不給，他大概也只會去 Google「最佳策略簡報模板」然後照抄。

AI 也是一樣，你給它什麼脈絡、什麼指引、什麼風格範例，決定了它輸出的品質。Garbage in, garbage out — 這個道理永遠不變。

而且，Cursor 現在甚至有一個內建的 /deslop 指令，專門回過頭去檢查和清理品質不佳的程式碼。

最後，Zevi 用他最喜歡的兩句話做結：

1. 「You can just do things.」（你就是可以直接去做事情。）這句話現在在 Twitter 上已經變成迷因了，但它描述的正是這個時代的特徵。
2. 「Nobody knows what the fuck they’re doing.」（沒有人真的知道自己在幹嘛。）他從哥哥那裡學來的這句話，讓他可以用更輕鬆的心態面對不確定性。

你從外面看那些成功的公司，覺得他們什麼都想通了。但如果你真的進到裡面，你會發現：「這東西怎麼還沒崩潰？這怎麼還能運作？」

每個人都在邊走邊摸索。差別只在於：有些人在摸索的過程中，抓住了 AI 這個槓桿。

Key Takeaways

1. 從 ChatGPT Project 開始，不要直接跳進 Cursor — 建立一個「虛擬 CTO」Project，讓自己習慣與 AI 協作和討論，這是最低門檻的曝光療法。
2. 規劃比執行重要 — Bolt、Lovable 這類工具的問題在於 AI 太急著寫程式。花時間做 Exploration Phase 和 Create Plan，是打造 Serious App 的關鍵。
3. 用多模型交叉審查來彌補自己的技術盲點 — Claude 擅長溝通、GPT 擅長 Debug、Gemini 擅長 UI。讓它們互相審查程式碼，效果比單一模型好得多。
4. 每次 AI 犯錯，都是改進系統的機會 — 不要只是反覆嘗試直到成功。問 AI「是什麼讓你犯這個錯？」，然後更新你的 Prompt、文件或工具設定。
5. AI 不會取代你，不會用 AI 的人會取代你 — 這不是老生常談，而是正在發生的事。那些花時間建立自己 AI 工作流程的人，正在獲得前所未有的槓桿效應。