回想当初建站,我用 Cursor 加上 Claude 从零开始做个人网站。当时采用 Hugo 框架,整合多语系、自动翻译、GitHub Actions CI/CD 与 Fitbit 即时数据,从概念到上线不到两周。

以自己当时的工作方式估计,若倒退三年,同样的事情大概需要三个月,还得外包一部分。

但有一件事没有变快:决定这个网站「应该长什么样子」。

不是视觉设计的问题。是更根本的问题:这个网站要服务谁?要传达什么?哪些功能是核心、哪些是干扰?文章要分成几个主题支柱?每个支柱之间的关系是什么?读者看完一篇文章之后,下一步该被引导到哪里?

AI 可以帮我整理读者需求、比较方案,甚至提醒我目标彼此冲突。但「我是谁」和「我认为什么重要」,仍需要我说清楚;采用哪个方向,也由我承担结果。这种判断,就是我在这里说的品味。

品味不是你以为的那种东西

「品味」这个词在中文里带着一种菁英感,好像在说「我懂红酒、你不懂」。但我要谈的品味,跟菁英无关。

我在意的设计不只让东西变漂亮,也要让它适合使用:服务谁、解决什么问题,以及使用时会遇到什么限制。

「让东西变对」:这就是品味的本质。

更具体地说,品味是三种能力的交集:辨识力(在一堆选项中看出哪个是对的)、否定力(敢于说「这个不做」)、以及脉络感(理解为什么在这个情境下,这个选择才是对的)。

辨识力可以靠经验累积。否定力需要勇气和判断。但脉络感最难:它需要你同时理解技术限制、使用者需求、商业逻辑、文化背景,然后在这些面向的交集里找到最佳解。

把设计原则、使用情境与资源限制交代清楚,AI 可以协助评分、排序,也能提出不做某件事的理由。但排序是否有用,取决于条件是否完整、假设是否合理,以及实际使用的结果。我的工作是补足脉络,检查建议,并对取舍负责。

我的品味是怎么练出来的

说实话,我不是天生有品味的人。我的品味是被踩坑踩出来的。

做顾问的那些年,我看过太多「技术上完美但市场上无感」的产品。团队花了半年打磨一个功能,上线后发现使用者根本不在意。问题不在技术执行,在于一开始就没问对问题:「这个功能解决的是谁的什么痛点?」

后来在做循环经济的过程中,我学到另一层品味:适配感。同一套金属回收技术,在 A 工厂的产线上是革命性的改进,在 B 工厂就是多余的复杂。差别不在技术本身,在于你有没有能力判断「这个解决方案适不适合这个场景」。

这跟神学训练的经验意外地相通。十五年的神学背景教会我一件事:同一段经文在不同脉络下可以有完全不同的意义,而诠释的品质取决于你对脉络的理解深度。这种「脉络敏感度」后来成为我做所有判断的底层能力:不管是选技术架构、定内容策略、还是决定一篇文章的切入角度。

现在用 AI 建系统的时候,我发现品味的价值变得更明显,而不是更不重要。

举个具体的例子。建辩论引擎时,有许多设计选择:模型要几个、对话几轮、查核放在哪里。各种组合仍要检查成本、限制与效果。我当时选择「四个模型、辩论加协作双模式、Perplexity 做最终查核」,是根据当时跑过的几十次实验、对不同模型输出倾向的观察,以及想要的品质做判断。这是当时的配置;模型表现会变,最后查核也不代表输出必然正确。

AI 帮我写了引擎的每一行程式码。但引擎「该长什么样」,是品味决定的。

Vibe Coding 的真正意义

很多人把 Vibe Coding 理解成「不用认真写程式了,跟 AI 聊聊天就好」。这个理解错得离谱。

我从 Vibe Coding 得到的提醒是:部分原型做得更快,并不会让取舍变得不重要。 部署、测试、维护、安全与资料品质仍有成本;决策品质也不是成果唯一的差异来源。

我在〈程式码变便宜之后:从 Vibe Coding 到 AI 代理,谁负责交付?〉里,把成本拆成产生初稿、确认可用与交付后维护。那篇谈试作与交付的边界;这篇想谈个人如何判断什么值得做。

其中一个关键是指令的品质,而指令又取决于对问题的理解。它还需要可靠的资料、适合的工具、工程检查与使用者回馈一起支撑。

我用自然语言描述需求时,更在意把意图与技术条件一起交代清楚。「接收 JSON 排程资料,验证栏位后存入资料库」说明了技术工作,但 AI 产出的程式仍要测试。「让一个人管八个社群平台,可靠性优先于灵活性」则说明了取舍方向。两者互相补足;目标清楚,不代表实作就不会出错。

前者偏向工程规格,后者偏向我所说的品味。两者都需要,也常常交织在一起。

人文素养为什么突然变重要了

在自己的 AI 协作经验里,我越来越重视「把想法说清楚」的能力。这不是技术与表达能力的排名;两者都会影响合作。

这听起来很简单,但「说清楚」其实是一种极其复杂的能力。它需要你先想清楚自己要什么(自我觉察)、然后用对方能理解的方式表达(沟通能力)、同时预判对方可能误解的地方并提前澄清(同理心)、最后在对方的回应中辨识出哪些部分是对的、哪些需要修正(批判性思考)。

这四种能力:自我觉察、沟通、同理心、批判性思考:全都是人文训练的核心。修辞学教你怎么精准表达。哲学教你怎么拆解问题。文学教你怎么理解脉络。历史教你怎么从案例中提炼判断力。

我自己的经验是,神学训练对我跟 AI 协作的帮助,远大于任何一门程式语言。因为神学的核心训练就是:面对一个复杂的文本,在多种可能的诠释中,找到最合理、最负责任的那一个。这跟面对 AI 的输出时需要做的事,本质上是同一件事。

这也是为什么我认为「后程式码时代」不是工程师的末日,而是人文素养的文艺复兴。

品味可以被培养吗

可以。但不是用「上一门品味课」的方式。

品味来自三个来源:大量的输入(看够多好的和坏的东西)、跨领域的连结(在不同领域的经验之间找到共通的判断框架)、以及反复的实践与反馈(做出选择、承受后果、修正判断)。

Vitsœ 列出的 Dieter Rams 十项好设计原则,把有用、易懂、诚实与细节都放进设计判断。对我而言,这提醒了品味也可以说出理由,而不只是「我喜欢」。

对我来说,品味的培养有一个很具体的方法:刻意练习「为什么不做」。每次做决策的时候,不只记录你选了什么,也记录你放弃了什么、以及放弃的理由。时间一长,你会发现自己的判断框架越来越清晰。

我在经营个人网站的时候就这样做。每篇文章写之前,我会先列出三到五个可能的切入角度,然后逐一排除,直到剩下最有价值的那一个。被排除的角度不是不好,而是在这个时间点、对这群读者、在已有的文章脉络中,不是最「对」的选择。

这个过程,就是品味的肌肉记忆。

把判断与责任留在合作里

我在〈AI Agents vs. Agentic AI〉里谈过,人机协作还需要架构设计。在〈当语言被放弃〉里,我也担心难以阅读的模型内部过程会增加监督难度。不过,读得到过程不等于输出正确,读不到也不代表所有外部验证都失效。

这两个议题的交集,就是品味。

品味参与决定让 AI 做什么,也影响我选择哪些验收标准。但监督不能只靠自己的好恶,还要有测试、资料核对与使用者回馈。

AI 也能协助发现脉络、提出目标与挑战假设。我仍需要确认:服务谁、资源有哪些限制、什么价值值得保留。接受一套建议,不等于把决定的责任一起交出去。

程式码可以复制,模型可以训练。对我而言,仍值得反复练习的是:选择建构什么、放弃什么,以及能不能把理由与结果说清楚。

把条件与选择说清楚

AI 加快制作,也让取舍更值得说清楚。

AI 可以比较方案,采用的方向仍需要理由。

意图与技术规格互相补足,不保证实作零错误。

品味需要经验,也需要测试与使用者回馈。

记录不做什么,并用结果修正自己的判断。

把目标说清楚,也对采用的方案负责。

四格漫画:AI 加快制作,也让取舍更值得说清楚。AI 可以比较方案,采用的方向仍需要理由。意图与技术规格互相补足,不保证实作零错误。品味需要经验,也需要测试与使用者回馈。记录不做什么,并用结果修正自己的判断。把目标说清楚,也对采用的方案负责。

2026 年 11 月 5 日修订。 建站与模型配置记录的是当时的工作经验;三个月是我自己的估计。本文以品味讨论取舍与责任,设计原则参考文中连结的 Vitsœ 页面。