Architecture Journal
當實作不再是瓶頸，治理與溝通才是 AI 時代的核心能力
TL;DR
這次 DevOpsDays Taipei 2026 兩天下來，最清楚的共識不是哪個模型最強，而是：
AI 把實作時間壓得很短，卻無法壓縮治理、溝通與可觀測性這些「人與人之間」的硬時間。
這篇文章整理兩天裡我有參加、或共筆有實質內容的場次，並把共通訊息收成五個結論。
所有內容來自講者與現場社群共筆的共同貢獻，感謝所有講者與社群參與者。
核心觀察
不是哪個 agent framework 最潮，而是更根本的一件事：當實作速度被 AI 大幅拉高之後，真正的瓶頸開始從 coding 轉向治理。
換句話說，現在更難的已經不是「做出來」，而是：
- 要做什麼
- 邊界在哪裡
- 誰有權限做什麼
- 出錯時怎麼回退
- 團隊怎麼在高速產出下維持一致性與可靠性
AI 雖然把實作時間壓縮得很短，卻很難壓縮團隊之間的溝通、資訊同步與開會成本——這往往是專案最後僅剩的硬時間。
議程總覽
下面照議程時間排序。每場附講者、投影片與原始共筆連結。
6/25（四）
| 時段 | 主題 | 講者 |
|---|---|---|
| 09:30-09:40 | Welcome opening | 陳正瑋（艦長） |
| 09:40-10:40 | 從多模型視角談與 AI 共智 | 李智樺（Ruddy 老師） |
| 11:00-12:00 | Coding Agent 時代架構師的改變 | 吳剛志（Andrew Wu） |
| 12:45-13:10 | 以 AI Agent 重構 SDLC | 濮紹華（AlanPu） |
| 13:30-14:10 | AI 認知負債與 Harness Engineering | 柯仁傑（David Ko） |
| 13:30-14:10 | AI 效率提升，誰保護品質？ | 盧建成（Augustin Lu） |
| 13:30-14:10 | DevSecOps 漏洞自動化 | 何品緯（Hopin） |
| 14:30-15:10 | Kamal 零停機部署原理 | 高見龍 |
| 14:30-15:10 | Flow 不死：DevOps 的不變本質 | 陳正瑋（艦長） |
| 14:30-15:10 | 十年 Infra Platform 的產品視角 | 陳俊毅（Levi Chen） |
| 14:30-15:10 | kagent × A2A 自主協作 | 蕭兆洋（Charles Hsiao） |
| 15:30-15:55 | AI Agent 接管 On-Call | 翁傳翔（Herb） |
| 15:30-16:10 | 工程師新角色：從需求到程式碼 | 楊琬晴（Rose） |
| 15:30-15:55 | AI 輔助遺留系統現代化 | 王家駿（James） |
| 15:30-15:55 | Platform Engineering 遇上 GenAI | 林樹熙（Shuhsi） |
| 16:15-16:40 | Agent Skills 智慧測試 | 蔡明哲（Max） |
| 16:15-16:40 | GSI 協議：AI 驅動 SDD | 薛華慶（James） |
| 17:00-17:40 | AI 維運的四大陷阱 | 蔡宗城（smalltown） |
| 17:00-17:40 | 一個人的 DevOps | 鄭重男（Nickle Cheng） |
| 17:00-17:40 | OpenClaw 無人值守 | 王仁宏（3ric）& 簡汎羽（Nick Chien） |
| 17:00-17:40 | DevOps 生命週期的 AI 輔助 | 郭家齊（Edward Kuo） |
6/26（五）
| 時段 | 主題 | 講者 |
|---|---|---|
| 09:30-09:40 | Welcome opening | 吳其勳 |
| 09:40-10:40 | Agile × QMS 共存 | Hosotani Yasuo（三菱電機） |
| 11:00-12:00 | OKR 與 DevOps | Ikuo Odanaka |
| 13:30-14:10 | 當專案從 300 暴增到 1500 | 吳柏毅（appleboy） |
| 13:30-14:10 | 低成本 Observability 2.0 | Scott Liao & Herber Wang |
| 13:30-14:10 | 智慧協作 | 李智樺（Ruddy 老師） |
| 13:30-14:10 | AI 時代 DevSecOps 變革 | 蔡龍佑（Tygrus） |
| 13:30-14:10 | MCP 自動完成 RCA | 宋岡諺（Johnny Sung） |
| 14:30-15:10 | 打造 GCP DevOps Agent | 楊騏（Jason Yang） |
| 14:30-15:10 | Alert 分析的 6 個月演進 | 周建毅（Miles） |
| 14:30-15:10 | AI 軟體供應鏈淨化 | 王青（Alex Wang） |
| 15:30-15:55 | 每分鐘 5 億筆的可觀測性 | 熊崇緯（Chungwei） |
| 15:30-15:55 | LLM 驅動的 ML Pipeline as Code | 陳彥誠（Ian） |
| 15:30-15:55 | 金融業 SRE Portal | 秦芝儀 |
| 15:30-15:55 | OTel Lakehouse 與 AIOps | 游舜傑（Jay） |
| 16:15-16:40 | Centralized Pipeline 可觀測性 | 吳明倫（Allen Wu） |
| 16:15-16:40 | 群體決策的協作實踐 | 陳家丞（Michael Chen） |
| 16:15-16:40 | 自動化版本治理與 DevX | 陳松林（小松 XiaoSong） |
| 17:00-17:30 | Vibe Coding 到 AI-Native DevOps | 董大偉（David） |
| 17:00-17:40 | Agent Production Day 2 Operations | Jimmy Liao & Kevin Chiu |
| 17:00-17:40 | 漏洞決策與優先排序 | 高于凱（HackerCat） |
| 17:00-17:40 | 規格驅動 AI 強化 DevOps | 張哲嘉（Che Chia Chang） |
| 17:00-17:40 | DevOps 衰退？ | 王宏仁 |
6/25（四）
Welcome opening — 陳正瑋（艦長） {#welcome-opening-1}
艦長提到大量使用 AI 與工具可能逐漸削弱技能；今年是第九次 DevOpsDays Taipei，並拋出明年第十次還需不需要 DevOpsDays Taipei、還需不需要 DevOps 這個問題。最後提醒填問卷與參加 OpenSpace。
共筆： HackMD
從多模型視角談與 AI 共智 — 李智樺（Ruddy 老師） {#ruddy}
用指揮家比喻人與多模型協作，提出共智四原則：邀請 AI 入桌、人類持續參與、把 AI 當特定角色、假設它是最差版本。重點在多模型交叉驗證、降低認知負荷，以及工程師從解題者轉為共智系統策展人。
當 Coding Agent 能寫 Code，架構師該做什麼改變 — 吳剛志（Andrew Wu） {#andrew}
用雙循環方法區分 Vibe Coding 與 SDD：先用 AI 快速驗證價值，再把流程規格化與規模化。架構師的重心從監督實作轉向規格收斂、系統建模與風險前置處理。
筆者補充： 這場最有共鳴的地方，是它把我最近做 side project 的感受講得很具體：當 Coding Agent 已經能有效承接大部分實作後，底層程式撰寫不再是主要瓶頸，真正稀缺的能力開始往業務理解、架構設計與規格定義集中。V 型能力階層圖讓我很有感，因為它點出了一個現實變化：越靠近底層、越偏執行型的工作，正在被快速壓縮。
但這不代表上層只要丟需求就好，反而代表文件品質會直接決定開發品質。當功能邊界、互斥關係、共用邏輯與命名規則沒有先講清楚，AI 很容易把模糊地帶各自實作一遍，最後形成重複開發與系統分裂。所以我會把這場的收穫理解成：未來真正重要的，不只是會不會寫 code，而是能不能把方法、文件與決策脈絡管理好。
小編觀點： 這場的核心不是「架構師更重要」而已，而是「規格與治理」變成主要產出。AI 會把可執行碼做得很快，但只要規格不清、邊界沒定、驗證沒寫，速度只會放大錯誤。
因此架構師真正的價值，是把需求拆成可驗證的決策，把共用與互斥寫清楚，讓 AI 有路可走。沒有文件的 AI 開發，不是敏捷，是失控。
以 AI Agent 重構 SDLC — 濮紹華（AlanPu） {#sdlc}
91APP 以人機協作、Tasking Flow 標準化、Coding 與 AutoTesting Agent 三階段導入 AI。重點是把文件當指令、用 arc42 與 ISO 25010 管理風險，讓流程成為核心競爭力。
共筆： HackMD
當 AI 帶來思考外包 × 認知負債 — 柯仁傑（David Ko） {#david}
從認知負債切入，指出過度依賴 AI 會讓大腦與團隊失去思考能力。解法是特性團隊、結對編程、多團隊 PBR、端到端所有權、ADR 與 Harness Engineering。
AI 讓效率提升，但誰來保護品質 — 盧建成（Augustin Lu） {#augustin}
AI 讓產出變便宜，但判斷變貴；講者用數據說明開發速度提升的同時，安全事故與 PR 量也一起增加。重點放在 SDLC 五階段的風險、RePPIT 循環，以及讓產出可判斷、可驗證、可維護。
共筆： HackMD
DevSecOps 漏洞自動化 — 何品緯（Hopin） {#hopin}
以 GitLab Security Policy 觸發 SCA/SAST 掃描，串接 DefectDojo 與 Jira 形成從發現到關閉的自動化流程。實務上用 webhook + Lambda 解耦、用 Claude 預處理誤報，並每週產出統計報表。
共筆： HackMD
部署零停機的秘密：Kamal 流量切換 — 高見龍 {#kamal}
從 kamal deploy 追到 kamal-proxy，拆解零停機的核心是原子性切換：先把新請求導到新版容器，再讓舊版處理完手上請求。Kamal 以 SSH + Docker 達成比 K8s 更輕的部署體驗。
共筆： HackMD
Flow 不死：AI 時代 DevOps 的不變本質 — 陳正瑋（艦長） {#flow}
回到 DevOps 的四個不變本質：Flow、Feedback、Automation、Collaboration。AI 只是把瓶頸移位，重點還是端到端價值流與團隊協作。
十年打造的 Infra Platform — 陳俊毅（Levi Chen） {#levi}
從十年 infra/SRE 建設回看產品團隊視角，補上平台與使用者之間的認知落差。內容涵蓋異常分級、Operation Master 輪值、Postmortem 與 AI Agent 維運。
共筆： HackMD
以 kagent × A2A 構築自主協作 — 蕭兆洋（Charles Hsiao） {#kagent}
kagent 提供一個可持續擴充的協作骨架：既可以直接利用既有監控類 agent，也能透過 A2A 把新 agent 接進來，保留很大的演進彈性。
投影片： kagent × A2A · 共筆： HackMD
筆者補充： 這場對我特別有吸引力，因為我本身就在開發 ADK 與 A2A 相關應用，公司內部最近也在研究 AgentOps。從這個角度看，kagent 的價值不只是它已經能兼容監控相關 agent，而是它提供了一個可持續擴充的協作骨架：既可以直接利用既有能力，也能再透過 A2A 把新的 agent 接進來，保留很大的演進彈性。
另一個讓我特別興奮的是它採用開源模式。對內部正在摸索 agent 協作與維運自動化的團隊來說，這種開放架構比封閉產品更有吸引力，因為不只是能用，還能理解它怎麼運作、怎麼延伸，甚至怎麼改造成更符合自己場景的控制面。
小編觀點： 這類平台最有價值的地方，不只是「自動化 K8s」，而是把 agent 變成可組裝的能力單元。A2A 的意義在於，監控、修復、查詢、審核可以分拆成不同專長的 agent，各自演化又能互通。
不過這也代表治理會比 demo 更重要：權限邊界、失敗回退、可觀測性、以及 agent 之間的責任切分，會決定它到底是可用平台，還是另一個很酷但難維護的實驗品。
當 AI Agent 接管你的 On-Call — 翁傳翔（Herb） {#herb}
以 Claude SDK 打造 AI Ops Agent，串接白名單工具、拓撲地圖與 pgvector 知識庫，讓 agent 可以自己診斷與修復告警。也分享記憶體 leak demo、Gemini CLI 救火案例與安全護欄。
共筆： HackMD
工程師的新角色：從需求到程式碼 — 楊琬晴（Rose） {#rose}
工程師的角色轉向決策者，靠 SDD 把需求轉成結構化規格文件。重點是提供足夠上下文、守住需求邊界，避免 AI 生成速度把技術債一起放大。
共筆： HackMD
AI 輔助遺留系統現代化 — 王家駿（James） {#james}
用對抗性對話、Log 驗證、多模型比對來做遺留系統現代化，最後把共識沉澱成特徵測試。關鍵提醒是：重構常常就是刪東西。
Platform Engineering 遇上 GenAI — 林樹熙（Shuhsi） {#shuhsi}
從 Platform Engineering 視角看 GenAI 對內部平台團隊的衝擊與重塑機會。共筆較少，主要素材在投影片裡。
Agent Skills × MCP × Playwright 智慧測試 — 蔡明哲（Max） {#max}
QA 不該成為 AI 時代瓶頸，講者把測試拆成可重用的 Agent Skills，並用 MCP 與 BM25 限縮範圍。流程上由 agent 先產測試程式，再交 QA 驗證與回歸。
GSI 協議：AI 驅動 SDD — 薛華慶（James） {#gsi}
GSI（Gherkin-Structure-Implement）把規格、架構、實作拆成三段，由 AI 扮演 PM/架構師/工程師/QA。用 Gherkin、Playwright BDD 與 SpecBridge 做可追溯的驗收流程。
不用擔心被 AI 裁員，因為出事還是你要負責 — 蔡宗城（smalltown） {#smalltown}
用 incident 拆解 AI 在維運現場的四大陷阱，並提出 Evidence Gate、Policy Gate、Change Gate 三道防線。核心是 AI 是加速器，不是自動駕駛。
共筆： HackMD
一個人的 DevOps：從程式碼到 Production — 鄭重男（Nickle Cheng） {#nickle}
用 Rails、AI 規格驅動開發與 Kamal 扛起從 code 到 production 的大部分流程。強調 spec 與測試是護欄，沒有紀律就會把混亂放大。
真・無人值守：OpenClaw — 王仁宏（3ric）& 簡汎羽（Nick Chien） {#openclaw}
OpenClaw 接手 on-call、alert、PR approve 與 Terraform 變更等日常維運，達到高比例自動化。講者也直白地說，AI 逼你面對的是你原本沒整理好的知識。
共筆： HackMD
DevOps 生命週期的 AI 輔助驅動 — 郭家齊（Edward Kuo） {#edward}
把 AI 輔助的切入點放回監控與生命週期管理，討論也延伸到 SRE 維運工作該如何分工。
共筆： HackMD
6/26（五）
Welcome opening — 吳其勳 {#welcome-opening-2}
開場強調 DevOps 的核心是讓各單位回到同一張桌子談業務目標，技術是業務的支柱。也提到 DevOps 在 AI 時代仍有價值，並延伸到國際社群現況。
共筆： HackMD
QMS in the Agile Era — Hosotani Yasuo（三菱電機） {#qms}
三菱電機分享如何把 ISO 9001 拆成可執行的工程流程，讓 Agile 與 QMS 共存。重點是把 What 與 How 解耦，並讓 QA 成為團隊中的 companion。
共筆： HackMD
OKR and DevOps — Ikuo Odanaka {#okr}
OKR 是驅動變革的工具，不是 KPI；常見失敗來自把 KR 當工作清單、目標太輕、沒有 Ownership。DevOps 提供持續學習與回饋機制，讓 OKR 真正落地。
AI 不只幫你寫 Code — 吳柏毅（appleboy） {#appleboy}
因 AI 工具讓專案量從 300 暴增到 1500，團隊把 DevOps 流程規模化。包含 AI 驅動 PR 審查、8 步驟 Plan 流程、GitOps + MCP Server 自動化上架，讓人專注在 Plan 與 CI。
低成本 Observability 2.0 — Scott Liao & Herber Wang（趨勢科技） {#trend}
TrendAI 的 PB 級 pipeline 把成本從百萬級年費壓到 348K 美金，架構用 Kafka、Spark Streaming、Iceberg、Trino 與 Grafana 組成開放格式鏈。也點出 Spark/Trino 的擴容與 partition 取捨。
走出混沌的 DevOps 時代：智慧協作 — 李智樺（Ruddy 老師） {#smart}
從控制→引導、防呆→容錯學習、人寫流程→人機共演化三個轉變切入，提出智慧協作路徑。共筆也附上簡報與延伸閱讀。
AI 時代 DevSecOps 變革 — 蔡龍佑（Tygrus） {#tygrus}
在需求、PRD、原始碼審查到 QA 中導入 AI Agent，並把 SSDF 與安全範本當成護欄。重點是讓 AI 承擔初步滲透測試與誤判調查。
MCP 讓 AI 替你完成 RCA — 宋岡諺（Johnny Sung） {#johnny}
以 MCP 串接 Grafana、Loki 等工具，讓 AI 自動蒐集 incident 時間線與多源證據，產出 RCA 草稿。重點仍是人要把關，且從 read-only tool 與權限限制開始。
共筆： HackMD
從寫到管：打造 GCP DevOps Agent — 楊騏（Jason Yang） {#jason}
以 SDD 和 codebase wiki 讓 AI 理解專案知識，並透過 prospec 自動化流程。核心觀念是 Agent = Model + Harness，且不可逆變更必須人工確認。
共筆： HackMD
Alert 分析進化史 — 周建毅（Miles） {#miles}
從 Excel、Kibana 到 AI Agent 的演進裡，真正瓶頸不是技術而是團隊對 alert 分類的共識。講者也提醒：別用 MCP、用 jq 就好；別用 DB、用 JSONL 就好。
共筆： HackMD
淨化 AI 軟體供應鏈 — 王青（Alex Wang） {#alex}
以套件中心成長觀察為切入：Docker Hub 增長最快，其次是 NPM，再來是 Hugging Face。其餘以官方議程介紹為主。
共筆： HackMD
每分鐘超過 5 億筆可觀測性服務 — 熊崇緯（Chungwei） {#chungwei}
介紹如何營運每分鐘超過 5 億筆遙測資料的大規模可觀測性服務，涵蓋架構、成本與運維挑戰，主要素材在投影片裡。
LLM 驅動的 ML Pipeline as Code — 陳彥誠（Ian） {#ian}
把 ML pipeline 變成可程式化的基礎設施，讓從業者脫離重複勞動，也讓更多公司能用上資料科學。
共筆： HackMD
金融業 SRE Portal — 秦芝儀 {#sre}
透過 SRE Portal 把合規治理內建到平台預設行為，包含四眼原則、自助申請與完整軌跡。核心是合規與效率不是對立，而是治理成本持續存在。
共筆： HackMD
筆者補充： 這場因為同樣身在金融業，所以我特別有感。金融業本來就處在高監管環境裡，很多事情不能只看效率或自動化本身，而要同時考慮可追溯性、責任歸屬與風險控制。
在 AI 可以快速產出工作成果之後，治理的重要性反而被放大了。因為速度提升的不只是交付能力，也包括錯誤擴散與不合規操作的速度；如果沒有足夠清楚的流程、權限與審核機制，AI 帶來的效率很可能會先轉化成新的治理壓力。
這個觀點也呼應了這次很多場次的共同感受：當實作不再是主要瓶頸，真正重要的問題就會轉向治理、協作與可靠性。對金融業來說，這不只是工程方法的調整，更是組織能不能安全採用 AI 的前提。
OTel Lakehouse: From O11y to AIOps — 游舜傑（Jay） {#jay}
用 OTel + Iceberg 做 unified telemetry lakehouse，把調查時間從 30+ 分鐘壓到約 8 秒。也分享開放表格格式、cross-correlation key 與多層異常偵測的架構。
共筆： HackMD
Centralized Pipeline 的觀察與實踐 — 吳明倫（Allen Wu） {#allen}
討論 Centralized CI/CD 中 Platform Team 與使用者之間的期待落差，並用可觀測性與共享指標找出介入時機。重點是建立可持續迭代的決策框架。
團隊從各自為政到群體決策 — 陳家丞（Michael Chen） {#michael}
從穀倉效應與 Bus Factor 切入，提出 Scrum × 維運的協作框架：4 週 sprint、3 週 grooming、挑戰者制度與輪替主席。用 Epic → Feature → Requirement → Task 四層拆解，再用 Memo 與 Bug 聯防 SOP 沉澱共同知識。
共筆： HackMD
筆者補充： 這場讓我重新思考「框架遵循」與「現場調整」之間的張力。從證照訓練的角度來看，Scrum 強調依框架執行，是因為框架本身就是一種經過抽象與驗證的最小共識；如果太早任意變形，團隊很容易把原本應該暴露的問題藏進流程特例裡，最後失去檢視與改善的基準。
但回到真實團隊現場，大家又常常不得不妥協。當維運壓力、跨團隊依賴、既有組織分工與人力條件都不理想時，完全照教科書執行未必可行，因此流程往往會依情境調整。只要調整背後有清楚理由，而且沒有背離透明、協作與持續改進的精神，我可以理解這種做法。
我自己最後的理解是，這本質上是效率與風險之間的取捨。讓更多人共同參與，能降低單點失效與知識壟斷的風險，但也必然增加協作成本；相對地，把事情集中在少數熟手身上雖然效率高，卻會在關鍵人離開時暴露巨大脆弱性。所以這比較像是一種團隊策略選擇，而不是單純的對錯題。
小編觀點： 我會把這場看成「流程設計」而不是「Scrum 對不對」的辯論。當系統規模、責任與風險上升時，協作方式一定會偏離理想模型，問題不在變形，而在變形後有沒有保留清楚的 decision rights 與責任邊界。
群體決策可以降低 bus factor，但不能把所有事情都民主化。最實用的做法通常不是人人都參與所有事，而是讓關鍵知識可被追蹤、可被交接、可被審核，必要時仍由少數人快速拍板。
自動化版本治理與 DevX — 陳松林（小松 XiaoSong） {#xiaosong}
以 GitFlow 與 CI/CD 把 Release 變成可複製的流程，包含 Conventional Commits、Changelog/Release Note 自動生成，以及前後端版本對齊。重點是降低 PM、QA、RD 的溝通成本。
共筆： HackMD
從 Vibe Coding 到 AI-Native DevOps — 董大偉（David） {#david-hsu}
把 AI 當作團隊成員，從需求、AC/DoD 到任務拆解都交給流程化系統處理。AI 負責 UI、API、資料存取與測試/Infra，人類聚焦商業規則與核心邏輯。
共筆： HackMD
Agent Production Day 2 Operations — Jimmy Liao & Kevin Chiu {#jimmy}
AI Agent 上線後最難的是變慢、回答劣化與除錯。講者示範可同時輸出到 GCP Cloud Trace 與 Azure Application Insights 的監控架構，並附完整 Colab Notebook。
投影片： Day 2 Operations · 共筆： HackMD
漏洞決策與優先排序 — 高于凱（HackerCat） {#hackercat}
從 SAST/DAST/SCA 談到 alert fatigue，並指出 CVSS 的限制，改用 EPSS 與 KEV 協助排序。最後提出漏斗式篩選模型：All CVE → CVSS High/Critical → EPSS 高分 → 優先修補。
共筆： HackMD
規格驅動的 AI 強化 DevOps — 張哲嘉（Che Chia Chang） {#che}
以 GitHub Spec-kit 做 SDD，自動化 DevOps 任務。討論也提到 SDD 可能像 waterfall、過度設計、以及工具限制。
DevOps 衰退？從 CIO 大調查看 AI 原生浪潮的衝擊 — 王宏仁 {#cio}
用 CIO/CISO 大調查反駁 DevOps 已死論，指出它仍在採用但已進入高原期，真正改變的是 AI 相關技術快速上升。也提到新職缺與 DORA 新指標 rework rate。
共筆： HackMD
工作坊補充
Google ADK 即時語音串流 × DevOps — 葉昱宏（國泰人壽）
工作坊主題聚焦用 Google ADK 的即時語音串流能力，串接 GCP 平台與 DevOps 場景，讓參與者實際操作語音互動與雲端整合流程。
共筆： HackMD
筆者補充： 我在這場擔任助教。比較可惜的是，會前提供給學員的準備資訊還不夠完整，導致不少人當天帶著 Windows 電腦，或尚未準備好 GCP 帳號與相關資源，因此無法完整跟著 workshop 一路實作。
但也有學員反饋內容本身很扎實。以 90 分鐘的時長來看，這類同時包含環境設定、雲端資源準備與實作操作的 workshop，要完整講完並讓大家同步做完，本來就會非常趕。
這次經驗也很有價值，因為它直接暴露出工作坊成敗不只取決於內容本身，而是高度依賴前置準備是否充分。下次我們會把相關資訊公布得更完整，並補上雙 OS 的操作指令，降低學員卡在環境問題上的機率。
小編觀點： 這類 workshop 的真正瓶頸，常常不是教學內容，而是環境前置條件沒有被產品化。當課程同時依賴雲端帳號、權限、作業系統差異與本機工具鏈時，講師其實也在設計一條 onboarding flow。
如果前置資訊不足，再好的內容都會被 setup friction 吃掉；反過來說，只要把帳號、權限、OS 指令、驗證步驟與失敗排查文件化，workshop 品質通常就會大幅提升。這和前面很多場次談到的主題一致：方法、治理與文件，正在變成比單次實作更重要的基礎能力。
另一個難以節省的瓶頸：溝通、資訊同步與開會
AI 把實作時間壓縮得很短，但有一塊時間反而更難省下來：團隊之間的溝通、資訊同步與開會的實踐。
這次有幾場議程直接碰觸到這個問題：
- 〈團隊從各自為政到群體決策〉：用 Scrum × 維運框架、挑戰者制度與輪替主席，把「誰該知道什麼、誰該決定什麼」變成可被設計的東西。
- 〈走出混沌的 DevOps 時代：智慧協作〉：把控制→引導、防呆→容錯學習、人寫流程→人機共演化看成同一條轉變曲線。
- 〈自動化版本治理與 DevX〉：用 Conventional Commits、Changelog 自動生成與前後端版本對齊，把 PM、QA、RD 之間的溝通成本從源頭壓掉。
- 〈十年打造的 Infra Platform〉：點出平台團隊與產品團隊之間最常被忽略的，其實是認知落差。
- 〈Flow 不死〉：回到 DevOps 四個不變本質中的 Feedback 與 Collaboration，本質上就是溝通問題。
把這些場次放在一起看，可以得到一個不太舒服的結論：
AI 越會寫 code，人與人之間的對齊就越重要。
因為產出越快，決策失準的後果也越大，而決策失準往往不是發生在寫 code 那一段，而是發生在需求、開會、交接與驗收的縫隙。
我最後帶走的 5 個結論
把這次幾十場議程讀完一輪後，我會把共通訊息收成下面五件事。
1. AI 把速度問題變成決策問題
以前交付慢，大家先優化實作效率。現在 AI 先把實作加速了，於是決策品質開始直接決定產出品質。
2. 文件是執行介面，不只是知識庫
在 AI 時代，文件不只是給人看，也是給系統執行的輸入。規格、邊界、命名、驗證條件越清楚，AI 的輸出才越穩。
3. 治理不是官僚，而是風險控制面
權限、審核、回退、可追蹤性，這些東西以前常被視為拖慢速度；現在反而是讓高速產出不失控的必要條件。
4. 可靠性不再只屬於 SRE
當 agent、平台、自動化流程都能直接產生變更時，可靠性不再只是某個團隊的責任，而是每個設計規格、流程與權限的人共同承擔的結果。
5. 溝通是僅剩的硬時間，無法再被 AI 直接壓縮
AI 可以幫忙寫程式、寫文件、產測試、回 RCA，但「誰該知道什麼」、「會議怎麼開」、「決策怎麼留下脈絡」這些事，本質上還是要人來設計。把這塊當作剩餘成本處理，團隊才不會在高速產出下，輸在資訊落差上。
筆者補充
這次我自己最大的感受是，很多場次最後雖然題目不同，但大家都在收斂到同一件事：現在不是只比誰寫得快，而是比誰能把方法、文件和治理做得更穩。
對我來說，這比任何單一工具都更值得記下來。
小編觀點
如果要把這次 DevOpsDays Taipei 2026 濃縮成一句話，我會寫成：
當實作不再是主要瓶頸，治理與溝通就是新的工程核心。
AI 並沒有讓工程變簡單，它只是把困難往上推。未來團隊的差距，很可能不在於誰先用上 agent，而在於誰先把規格、協作與可靠性重新工程化。