打造你的 AI 工作流：Agent Skill + MCP 實戰工作坊

當 AI 已經能寫 code，工程師的價值在哪裡？答案是：往上移了一層。從「把功能做出來」，變成「把問題定義清楚、把流程設計好，再交給 AI 執行」。這場 90 分鐘的實戰工作坊，就是要讓你親身經歷這場思維轉變。

我們不空談理論。你會以一個真實的專案為練習場——可以是 AuthGate（OAuth 2.0 開源專案），也可以是你手上公司內部的專案——用 Claude Code 搭配 Agent Skill 與 MCP，完整跑過一輪軟體開發生命週期（SDLC）——從規劃、開發，到自動化 Review 與提交。過程中你會清楚分辨：Agent Skill 決定 AI「怎麼做」，MCP 讓 AI 接上外部服務（Jira、Gitea、Confluence 等），兩者結合，AI 才能既懂流程、又能在你的開發環境裡真正動手。

更重要的是兩個你會親身撞見的轉變。透過模糊指令與精準規格的對照實驗，你會看見「寫規格」如何取代「寫程式」成為新的核心競爭力；而當你親手修改一個 Skill、把團隊的最佳實踐封裝成可複用的資產，你會體會到工程師如何從「執行者」升級為「策略者」——影響力不再是一次性的執行，而是可規模化的流程設計。會寫 code 的人很多，但能把問題拆清楚、把團隊智慧封裝成 Skill 的人很稀缺。這堂課，帶你成為後者。

課程目標
本工作坊的核心，不是教 OAuth、也不是教 Go，而是讓工程師親身經歷一場思維典範的轉移：當 AI 能寫 code，工程師的價值往上移了一層——從「把它做出來」變成「把它定義清楚、設計好流程、再交給 AI 執行」。

完成本課程後，學員將能夠：

一、理解 Agent Skill 與 MCP 的定位與互補關係。 清楚分辨 Skill 決定「怎麼做」、MCP 讓 AI 接上 Jira、Gitea、Confluence 等外部服務，並知道兩者結合後，AI 才能既懂流程、又能在真實開發環境裡實際動手。

二、用 AI 跑完一輪完整的 SDLC。 以真實專案（AuthGate 或自己手上的專案）為練習場，串起規劃、開發、Review、提交四個環節，體驗 AI 如何介入軟體開發生命週期的每一步。

三、體會「從寫程式到寫規格」的能力轉移。 透過模糊指令與精準規格的對照實驗，親眼看見規格品質如何決定產出品質，理解「把問題定義清楚」正在成為工程師新的核心競爭力。

四、領悟「從執行者到策略者」的角色升級。 透過實際修改一個 Skill，體會把團隊最佳實踐封裝成可複用資產的意義——你的影響力從一次性執行，變成可規模化的策略。

課程綱要
模組一｜開場與環境就緒

定調整場主軸：今天學的是 AI 如何重塑開發工作流，任何夠真實的專案都可以是練習場。確認學員環境就緒（Claude Code、已準備好可以動手改的專案並成功 build），並安裝 skill marketplace 與四個 skill（commit-message、copilot-review、pr-prepare、plan-feature），作為後續所有練習的前提。

模組二｜概念對齊：Agent Skill vs MCP

釐清兩者定位與互補關係，並攤開本場核心錨點——「舊典範 vs 新典範」對照圖：左邊是工程師埋頭寫 code、靠人盯 review；右邊是工程師寫規格、定義 skill、AI 執行、人把關。以 AuthGate 的分層架構與 CLAUDE.md 作為示範素材，讓學員看見一個正式專案的樣貌；學員也可對照自己手上的專案思考如何套用。

模組三｜練習一：規劃 + 開發

體驗主題：寫規格 > 寫程式

設定範圍可控的任務（例如為 /health 回應加入版本資訊並補上對應測試）。設計模糊指令與精準規格的對照實驗，讓學員兩次產出的落差，親身印證「規格能力就是新的核心競爭力」。過程中觀察 AI 如何在多檔案間建立上下文，以及人在計畫階段的把關如何提升品質。

模組四｜練習二：Review + 提交

體驗主題：執行者 > 策略者

實際操作兩個 skill 串起閉環。先跑 copilot-review 體驗 AI 自我審查、發現問題、自動修正的「檢查—修正」循環；再跑 commit-message 體驗依 staged 變更自動產生 conventional commit 訊息。中段打開 skill 原始檔，引導學員意識到：你正在「執行」別人定義的規範——那麼，你願不願意當那個定義規範的人？

模組五｜收尾：客製化與思維轉變

體驗主題：把智慧封裝成資產

示範如何修改一個 skill 使其符合自己團隊的規範（例如調整 commit 格式、加入 issue 編號規則）。學員親手改 skill 的那一刻，就是從執行者躍升為策略者的具體證明。邀請學員分享「如果要把你團隊的某個重複工作寫成 skill，會是什麼？」，最後以核心訊息收束全場。

https://cloudsummit.ithome.com.tw/2026/lab/4794

Transcript

1. HANDS-ON · 90 MIN 2026.07.01 當 AI 已經能寫 code — 打造你的 AI 工作流 Agent Skill + MCP 實戰工作坊 ↑ Bo-Yi Wu @appleboy 工程師的價值，往上移了一層
2. WHO'S TALKING · 自我介紹 appleboy 聯發科技 · 後端架構工程師 Technology Platform 開發與維運 在公司負責推動 AI 工具導入，探索 AI 能為軟體 團隊加速多少開發流程與決策效率。 Go 微服務 Open Source 帶領三個 Team Backend Kubernetes DevOps GitHub @appleboy blog.wu-boy.com
3. THE THESIS · 核心命題 當 AI 已經能寫 code， 工程師的價值在哪裡？ 價值不會消失，而是往上移了一層。 FROM 親手把 code 寫出來 → TO 定義問題、設計流程、指揮 AI
4. AI 已經是程式碼的主要作者 AI 產出佔總新增行數 90.7% AI 12.74M 開發者 1.31M 總計 14.05M 程式碼 Code 86.6% AI 6.86M · 人 1.06M ≈ 6.5× 文件 Docs 95.7% AI 4.97M · 人 0.22M ≈ 22.5× 測試 Tests 96.4% AI 0.92M · 人 0.03M ≈ 27× 最常被犧牲的文件與測試，反而被 AI 補得最滿
5. // THE LIFECYCL E · SDL C 全流程分工 哪些交給 AI，哪些更要專注 01 Plan 規劃 人為專注 → 02 Develop 開發 AI 主導 → 03 Testing 測試 AI 主導 → 04 Docs 文件 AI 主導 → 05 PR Review 審查 人為專注 → 06 CI · CD 整合 · 部署 補強 AI 大量協助 Develop · Testing · Documentation 繁重的實作、測試與文件，幾乎全交給 AI 一次補 滿，人不再是產線。 人為專注 + 補強 Plan · PR Review · CI / CD 方向對齊、品質把關與上線護欄，由人主導、加強補 強 —— 這才是價值所在。 >_ 繁重的交給 AI ，方向與品質的把關留給人
6. PART 01 · 概念對齊 01Agent Skill × MCP 兩個關鍵字，定位與互補關係
7. PART 01 · 概念對齊 Agent Skill × MCP，各司其職 Agent Skill 決定 AI 「怎麼做」 把團隊的最佳實踐、流程與規範，封裝成 AI 可複用的能 力 —— 讓 AI 懂你的做事方法。 MCP 讓 AI 「接上服務」 把 AI 接上你的開發環境與外部系統 —— 讓 AI 在真實環 境裡動手。 Jira Gitea Confluence 懂流程 + 能動手 = 兩者結合，AI 才能既懂你的流程，又能在開發環境裡真正動手。
8. MCP Gateway 把關, IDP 發 Token, Client 不直連 MCP 每個請求都先過 MCP Gateway 上的 mcp-oauth2 驗 JWT，驗過才帶著身分與 scope 轉發進 MCP 集群。 MCP CLIENT 端 開發者工具 Claude Code OpenAI Codex Gemini CLI → GATEWAY · 單一進入點 MCP Gateway + mcp-oauth2 plugin verify sig (JWKS) iss aud exp scope ⇅ fetch JWKS （快取 / 自動輪替） AUTHORIZATION SERVER IDP /authorize · /token · Auth Code + PKCE → RS256 → MCP 集群 內部 MCP Servers Gitea MCP Jira MCP Confluence MCP 只信 MCP Gateway 轉發進來的 身分標頭，自己不碰 token。 01 · CHALLENGE 無 token 請求被擋：401 + WWW-Authenticate 指向 resource_metadata 02 · DISCOVERY Client 讀 /.well-known/oauth- protected-resource 找到 IDP 03 · AUTHORIZE Auth Code + PKCE 走完授權， IDP 簽發 RS256 token 04 · VERIFY MCP Gateway 以 JWKS 驗簽 章，再驗 iss / aud / exp / scope 05 · FORWARD 通過才轉發，附上 X-MCP- Subject 與 X-MCP-Scope Bearer JWT X-MCP-Subject / Scope
9. PART 02 · AI SDLC 02AI SDLC 全流程實戰 規劃 + 開發 + Review + 提交
10. // PLAN STAGE · PLAN-FEATURE SKILL 寫程式之前， 先把計畫講清楚 多數 AI coding 失敗，不是因為模型不夠強，而是人沒給足 夠的 context。plan-feature 用約 15 分鐘把你變成 Claude 的產品經理，大幅提升實作成功率。 $ /plan-feature → 產出 plan.md 投入時間 ~15min 動程式碼前的規劃成本 產出物 plan.md 一份可交接給全新 AI 對話的 契約文件
11. // WHEN TO USE · 何時使用、何時略過 什麼情況該 plan，什麼情況直接做 該用 · 非琑碎的功能開發 + 「新增 / 建立 / 實作 / 開發 / 上線」一個功 能 + 功能、端點、元件、頁面、服務、能力 + 提示很短、說不清楚 ——「加個 dashboard」 「做個登入流程」 + 只講功能、沒給檔案路徑的需求 略過 · 真正琑碎的改動 – 錯字修正、單行設定變更 – 單純的重新命名 – 使用者已經給了完整規格 >_ 有疑慮時，就 plan （When in doubt, plan ）
12. // THE WORKFLOW · 八步驟工作流程 照順序走完八個步驟 STEP 1-5 · 思考與設計（先別寫程式） 01 釐清目標 Clarify goal 02 探索程式庫 Explore code 03 界定範圍 Identify scope 04 驗證策略 Verification 05 畫設計圖 Sketch diagram STEP 6-8 · 寫成文件、核可、交接 06 撰寫 plan.md Draft the plan 07 取得核可 ✋ 寫程式前停在這 08 建議交接 Recommend handoff
13. 把一切寫成一份 plan.md plan.md # Plan: <feature name> ## Goal — 問題陳述 ## Architecture / flow — Mermaid ## Scope ### May modify ### Must not modify ## Existing patterns to follow ## Constraints ## Verification — 3 e2e tests ## Done definition — [ ] checklist ## Risks & rollback ## Open questions Goal · 一段就好 誰用、做完長怎樣、回傳什麼——具體到實作 者不必再猜 Scope · 兩份清單 明確列出可改與不可改，守住核心程式碼 Verification + Done 3 個測試 + 可勾選的完成定義 checklist
14. // HANDS-ON · 動手練習中斷點 BREAK · 10–15 MIN 換你動手跑一次 拿一個自己手上的真實案例——一個正在做、或接下來要做 的功能、端點、重構都行。打開 AI coding 工具，善用 /plan-feature，照八步驟跑到產出 plan.md。 01 選一個真實的題目，別挑玩具範例 02 執行 /plan-feature，讓它問你、釐清目標 03 跑到產出 plan.md，你看過並核可 練習時間 10–15 min 跑到 plan.md 產出為止 ✋ 卡住就舉手 等一下挑一兩個案例一起看 $ /plan-feature
15. // CODE QUALITY · CLAUDE CODE 獨有 SKILL 指令 三個 Skill 指令，讓 AI 產出的品質穩定 不是貼程式碼給 chatbot 看——這些 Skill 會在你的 repo 上跑工具、讀整個 codebase、直接動手修。 01 / simplify 收掉過度設計 把 AI 容易寫出的重複邏輯、過度抽 象收乾淨，降低複雜度，讓程式碼 更好維護。 02 / security-review 自動安全審查 掃一遍安全面向，揪出注入、密鑰 外洩、權限漏洞，趁上線前補掉。 03 / code-review max -- fix 最高強度審查 + 自動修 用最強等級做一輪 code review，--fix 把問題就地修好， 不只是列清單。 >_ 每一輪 AI 產出後自動掛上一道品質護欄—— 這是 Claude Code 獨有的 Skill 指令
16. // COMMIT & PR · 兩個 SKILL ，各司其職 Commit 與 PR，拆成兩個 Skill commit 是一顆顆原子變更，PR 是一個完整故事——關注點不同，拆開才能各自做到最好。 SKILL 01 / commit-message 寫出講得出「為什麼」的 commit · 讀 staged diff，理解這次到底改了什麼 · 對照 repo 既有風格與慣例（Conventional Commits…） → 清楚、聚焦，不再是「update files」 SKILL 02 / pr-prepare 把整條分支收攏成一份 PR · 自動生成標題、摘要、變更重點、測試方式 · 補上對應 issue 連結與 reviewer 提示 → 審查者一打開就知道在做什麼、該看哪 >_ 一個 Skill 一件事—— 各司其職，才能各自做到最好、單獨調整
17. // NEXT UP · 換手到第二個 SKILL Commit 講完了，接著把分支收攏成 PR commit 是一顆顆原子變更，PR 是一個完整故事——下半場，焦點換到 /pr-prepare。 SKILL 02 · 接下來 / pr-prepare 把整條分支收攏成一份 PR · 自動生成標題、摘要、變更重點、測試方式 · 攤開 AI 作者身分、變更分類、驗證狀態 → 審查者一打開就知道在做什麼、該看哪 >_ 下半場，把 /pr-prepare 拆開來看—— 它怎麼讀懂、把關、產出 SKILL 01 · 已講完 ✓ commit-message 寫出講得出「為什麼」的 commit · 讀 staged diff，對照 repo 慣例 · 組成 Conventional Commit，直接提交 → 一顆顆原子變更，已經就緒
18. // HANDS-ON · 換你跑一次 動手練習：/commit-message → /pr-prepare STEP 1 / commit-message 在自己的 repo 上做一筆有意義的改動，stage 之 後讓它幫你寫出 commit。 STEP 2 / pr-prepare 把整條分支收攏成 PR，看看它生成的標題、摘要 與變更重點。 ⚠ 先 review 下指令之前，先自己看過代碼確認沒問題再執行——AI 幫你寫訊息、收攏 PR，但不替程式正確性負責； 沒看過就執行，等於把沒驗證的東西直接送出去。 >_ 流程：讀 diff → 自己 review → /commit-message → /pr-prepare
19. // THIRD-PARTY REVIEW · PR 開出後，三選一 發完 PR，先挑一個 AI 幫你 review 一輪 01 GitHub Action Claude Code Review Anthropic 的 claude-code- action，在 PR 上跑 Claude，貼 出逐行 review 與整體摘要。 >_ @claude review 02 原生整合 GitHub Copilot Review 原生整合進 GitHub，把 Copilot 指 派為 reviewer，直接在 diff 上給 inline 建議。 >_ Reviewers → 指派 Copilot 03 OpenAI Codex Review OpenAI Codex，自動或手動觸發， 產出審查意見與具體的修正建議。 >_ @codex review >_ 三者擇一即可——目的是在人類 reviewer 介入前，先讓 AI 抓一輪明顯問題與風險。 >_ 就拿選項 02 的 Copilot Review 來說——它還能用 /loop 自動跑
20. // COPILOT-REVIEW · 把選項 02 變成自動迴圈 一道指令跑一輪 查 → 修 → 再審，交給 /loop 重複 >_ /loop 3m /copilot-review /loop 每 3 分鐘呼叫一次 /copilot-review，每次只跑「一 輪」check-fix，自己收斂——不用守在電腦前。 01 查留言 抓出 Copilot 未解 的 review threads → 02 逐條修 讀懂、判斷脈絡， 再動手改 → 03 push 跑測試、commit、 推上去 → 04 resolve 把已處理的 thread 標記解決 ↻ 05 再審 重新指派 @copilot，等下 一輪 >_ 迴圈只有在 Copilot 回報 generated no new comments 時才停——其餘狀況都只是「結束這一輪」 。 >_ 一輪做什麼、什麼時候停——先看骨架，下一頁拆八步
21. // THE WORKFLOW · 一輪 CHECK-FIX 的八個步驟 一輪八步：讀懂 → 修 → 收尾 01 偵測 PR auto-detect 當前分支，或直接指定 number / repo 02 確認 review 狀態 用 GraphQL 確認 Copilot 審完、且涵蓋最新 push 03 取出未解留言 過濾 copilot-pull-request-reviewer 的 unresolved threads 04 修正程式碼 逐條讀懂、判斷脈絡再修——不盲從每一條建議 05 跑測試 commit 前先綠燈；壞了先修，衝突就 revert 該建議 06 Commit & Push 用 /commit-message 產生 conventional commit 07 Resolve threads 把已處理的 thread 用 GraphQL mutation 標記解決 08 重新觸發 review 重新指派 @copilot，並記錄 lastSeenReviewAt 讀懂 修 收尾 ——一輪結束，/loop 再來一次
22. // LOOP CONTROL · 「結束這一輪」≠ 「整個迴圈停」 分清楚 return 和 stop the loop return 結束這一輪，迴圈繼續 這三種狀況只是等下一次，不會停迴圈： ① 還沒有 Copilot review → 先觸發，等下一輪 ② review 早於最新 push → 等它審最新 push ③ 重新觸發的 review 還沒到 → 用 lastSeenReviewAt 判斷，繼續等 stop the loop 整個迴圈結束 唯一能讓迴圈停的條件： review body 出現 "generated no new comments" 或 "generated 0 comment" ✗ thread 全 resolved、或沒推新 code，都不算停的理 由 上限 10 輪——再多通常是架構分歧，請人 工介入 Copilot review 是 Comment 型——不 approve、不擋 merge 開源 repo 免費——不需 Copilot 訂閱 >_ 掛上 /loop 3m /copilot-review，剩下的交給它自己收斂
23. // HANDS-ON · 掛上自動迴圈，去喝杯咖啡 ⏱ 10–15 min 動手練習：掛上 /loop 3m /copilot-review >_ /loop 3m /copilot-review 下完就放著——每 3 分鐘跑一輪 check-fix，自己收斂，不用守在 電腦前。 STEP 1 指派 Copilot 拿剛開好的 PR（或前面 /pr- prepare 那支） ，把 Copilot 指派 成 reviewer。 STEP 2 掛上 /loop 下 /loop 3m /copilot- review，中途別插手，先讓它跑一 到兩輪。 STEP 3 盯著它收斂 回頭看 PR：review comment 被一 條條自動修掉並 resolve，直到 no new comments。 你會看到 查留言 → AI 自動修 →自動 close / resolve comment → 重新觸發 ↻ ⚠ 下 /loop 前，PR 的程式碼你要心裡有底——AI 照建議修，對不對還是你負責
24. // WRAP-UP · 今天的總結 用 AI 打造全新的 SDLC——但真正撐起它的，是後面完整的 CI/CD 「完整的 CI/CD」是過去我們很少真正做到的事——測試、review、修綠燈、文件、看板，總有環節被犧牲。藉由 AI 的協 助，每一格缺口都被補上，CI/CD 比以前任何時候都更完整。 以前的缺口 AI 補完之後 自動化測試常被犧牲 常略過 → ✓ AI 補齊 Code Review 人力不足被省略 常省略 → ✓ 自動 review CI 紅燈卡很久沒人修 卡很久 → ✓ 修到綠燈 文件 / commit / PR 隨便寫 不一致 → ✓ 規格化 看板 / 狀態靠人手動更新 易漏更 → ✓ 自動回寫 // THE TAKEAWAY AI 不是取代 CI/CD， 而是把它補完。 以前做不完、做不好的環節，現在每一格都能補 上、跑到綠燈——這條 pipeline 比以前任何時候 都更完整。 // 人類只守頭尾兩關 開頭 對齊方向 結尾 最終把關
25. END OF WORKSHOP T H A N K Y O U // 謝謝大家參與這場 Workshop 謝謝大家 。 回去之後，請想想——該怎麼用 AI 改善你團隊的 SDLC 流程？ >_ 挑一個最有感的缺口，用今天的某個 Skill 或一段自動化，先讓一格跑到綠燈。