習Vibe Coding也快半年，主要目標是建立全自動AI稽核員與資安官，取代我自己的工作。開玩笑地，其實是去稽核客戶時，能夠協助客戶看到問題，以及協助判別與AI 標準的符合性，以及安全性。
這二周我利用Anthropic claude and claude code ，並架設在 zeabur平台上。在這段開發期間，我深刻感受到兩個平台的三強聯手威力。當然，小弟我也是關鍵的小弱弱(負責跟AI大人們彼此橫向連接)，若未來AI大人們可以自己溝通，大概也沒有我的事了(旁邊喝茶去)。
接下來，分享一些心得:
1.開發人員常提到研究 (Research) 與開發Development)，我認為在Anthropic中是claude chat與claude code的最佳詮釋。
(1)claude:
*用於使用者跟claude討論概念。討論過程小弟給他專業指導與方法論，給他方向與實際網站參考。
*我設計一份初階的AI System Reslience Test Bed的系統開發規格書，然後與claude討論腦力激盪出全部功能。在確認完需求後，claude就幫我設計出系統平台的技術架構，整理出所有開發功能、功能關聯族譜等。
*設計專案開發時程與計畫，以及可以讓claude code直接開發的指導書(Markdown)
(2)claude code
*會再次審查claude 給的指導書(Markdown)，然後依照claude的開發時程進行開發。
*由於購買點數的限制，所以claude code用四天做完四週的開發工作。
2.部署
(1)由於我規劃Github CI/CD方式部署在zeabur上，但發現開發者設計的架構，不一定能適用在Cloud Platform 架構上。這邊得到一個心得，AI開發前需要架構師指導一下。小弟又回去擔任架構師與AI大人一同研析與Debug。
(2)重點來了，部署時還是發生問題。小弟這時只能拿出「神秘小棒棒-Generative Adversarial Network(GAN)生成對抗網路」，來用於開發階段的， 讓claude code與Zeabur AI 分別擔任生成器（Generator）與辨別器（Discriminator），期望其在開發流程中，對於程式碼審查（Code Review）與自動化測試，在沒有人類干預的情況下自我優化。
「Claude code編碼 <彼此自己對話 > Zeabur AI回饋]
[實務心得-別作夢了，事實是殘酷的]，也有可能我還沒學到方式。
我就在反反覆覆的人工介入兩位AI大人的溝通上，學習到「RLEF 來自環境回饋的強化學習( Reinforcement Learning from Environment Feedback)」的概念與實作，也就是讓AI 學習的是如何「符合現實世界的物理/邏輯規則」開發，而不是讓AI在實驗室內瘋狂無效輸出。
RLEF 應該會是將 AI 從「一本正經地能言善道」轉變為「實戰派」的關鍵，我認為這在Vibe Codeing開發領域中，應該是非常重要的觀念。
總結:
1.讓AI開發前還是要依照軟體工程的流程，釐清系統架構、平台框架與資源等，不然等到後面再來討論。
2.善用AI對AI技巧，2位大人物的溝通深度與速度，不是我這平凡人類能夠比擬的。
3.Vibe Codeing知識深似海，繼續學習囉
接下來要完備AI System Reslience Test Bed系統的內容，骨頭(架構)蓋好了，現在要裝潢內部了
