團隊導入 AI Coding 後常遇到同一種困境：每個人的用法不同，好的經驗鎖在個人對話紀錄裡無法複製；AI 有時宣稱「已完成、已驗證」，實際卻沒有真正跑過檢查；日誌、憑證與工具權限也缺乏一致的安全邊界。

問題的核心不是模型不夠強，而是 AI 的行為缺乏可治理的框架。

本演講分享 AIWorkflow 的設計與實戰 — 一套刻意輕量的做法：不引入常駐服務、向量資料庫或新平台，完全以 Git、Markdown 與腳本，把團隊的 AI 協作變成可審查的工程資產。內容拆解四個關鍵機制：

1. 分層與路由：將能力拆成 Workflow、Agent、Skill、Knowledge、Prompt，透過 manifest 讓 AI 每次只載入最小必要上下文。

2. 行為契約：定義可觀察的完成條件、不得宣稱未執行的驗證、同一方法失敗兩次即停下重新評估。

3. 安全邊界：每個 Skill 明確宣告允許的動作與副作用，執行期敏感資料一律隔離在版本庫之外。

4. 自我改善閉環：任務結束後由 AI 產出改善提案，經人工審核才升級為團隊知識——流程會演化，但由人把關。

全程以真實的軟體問題調查與修復流程貫穿，讓 AI 如何依可重現的工作流完成理解問題、分析日誌、定位程式、修改與驗證，而非仰賴一次性的靈感 Prompt。

聽眾收穫：

1. 學會將個人 Prompt 技巧轉化為團隊可維護、可審查的 AI 工作流。

2. 理解「行為契約」的設計，讓 AI 的完成標準可觀察、可驗證，避免只有「看起來完成」。

3. 掌握最小上下文、工具權限與敏感資料隔離等安全設計原則。

4. 建立「執行、驗證、反思、審核、演進」的閉環，持續累積經驗，同時避免錯誤擴散。

5. 一套不需新增複雜基礎設施、能以 Git、文件與腳本立即試行的最小導入藍圖。