[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-spec-driven-ai-turns-mcp-into-workflow-engine-zh":3,"tags-spec-driven-ai-turns-mcp-into-workflow-engine-zh":33,"related-lang-spec-driven-ai-turns-mcp-into-workflow-engine-zh":48,"related-posts-spec-driven-ai-turns-mcp-into-workflow-engine-zh":52,"series-tools-eb69f305-b521-4e6c-8300-f036abfb4fb4":89},{"id":4,"title":5,"content":6,"summary":7,"source":8,"source_url":9,"author":10,"image_url":11,"keywords":12,"language":21,"translated_content":10,"views":22,"is_premium":23,"created_at":24,"updated_at":24,"cover_image":11,"published_at":25,"rewrite_status":26,"rewrite_error":10,"rewritten_from_id":27,"slug":28,"category":29,"related_article_id":30,"status":31,"google_indexed_at":32,"x_posted_at":10,"tweet_text":10,"title_rewritten_at":10,"title_original":10,"key_takeaways":10,"topic_cluster_id":10,"embedding":10,"is_canonical_seed":23},"eb69f305-b521-4e6c-8300-f036abfb4fb4","規格先行 AI 讓 MCP 變工作引擎","\u003Cp>AI 兩秒能生出計畫。問題是，它常常自己跑掉。這次的重點是先寫規格，再讓工具動手。\u003Ca href=\"https:\u002F\u002Fmodelcontextprotocol.io\" target=\"_blank\" rel=\"noopener\">Model Context Protocol\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fkiro.dev\" target=\"_blank\" rel=\"noopener\">Kiro\u003C\u002Fa>，再加上 \u003Ca href=\"https:\u002F\u002Fwww.reaper.fm\" target=\"_blank\" rel=\"noopener\">Reaper\u003C\u002Fa>，把「想法」和「執行」拆開來做。\u003C\u002Fp>\u003Cp>講白了，這很像先交作業草稿，再按送出。\u003Ca href=\"https:\u002F\u002Fagilityfeat.com\u002Fblog\u002Fspec-driven-ai-integration-automating-complex-workflows-with-mcp-and-agentic-tools\u002F\" target=\"_blank\" rel=\"noopener\">AgilityFeat\u003C\u002Fa> 的案例很直白。AI 先寫流程，人工確認，最後才讓代理人去操作 DAW。這種做法看起來低調，但很實用。\u003C\u002Fp>\u003Cp>我覺得這比單純「叫 AI 幫忙」更成熟。因為真正麻煩的，從來不是生成文字，而是把步驟做對。少一步，整個流程就歪掉。多一個檢查點，錯誤就少很多。\u003C\u002Fp>\u003Ch2>為什麼規格先行比直接自動化更穩\u003C\u002Fh2>\u003Cp>很多 AI 示範都反過來。先叫模型做事，再回頭修。這種方式很爽，但也很容易翻車。規格先行的邏輯剛好相反。先把任務寫清楚，再讓工具執行。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775051003623-0w2d.png\" alt=\"規格先行 AI 讓 MCP 變工作引擎\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這件事在複雜工作特別重要。因為複雜工作不是一個動作。它是很多步驟串起來。每一步都可能出錯。你如果把意圖、上下文、執行混在一起，模型很容易亂猜。\u003C\u002Fp>\u003Cp>在音樂製作裡，這個差異更明顯。Producer 要的是控制感。AI 可以幫忙建 track、上色、設 bus、準備 FX chain。可是最後的聲音判斷，還是人來做。這樣分工才合理。\u003C\u002Fp>\u003Cul>\u003Cli>先寫規格，再執行\u003C\u002Fli>\u003Cli>人工先審核，工具再動作\u003C\u002Fli>\u003Cli>適合多步驟、重複性高的工作\u003C\u002Fli>\u003Cli>比較不會誤刪、誤改、誤送出\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這種模式也很適合軟體團隊。像是建專案骨架、整理資料夾、產生測試資料、準備部署步驟。這些工作不難，但很煩。AI 不一定要很聰明。它只要夠準就行。\u003C\u002Fp>\u003Ch2>MCP 怎麼把意圖接到工具上\u003C\u002Fh2>\u003Cp>\u003Ca href=\"https:\u002F\u002Fmodelcontextprotocol.io\" target=\"_blank\" rel=\"noopener\">MCP\u003C\u002Fa> 的角色很像轉接頭。它讓 AI 能用一致方式連到外部工具。讀資料、下指令、做動作，都可以走同一套介面。你可以把它想成給 \u003Ca href=\"\u002Fnews\u002Fopenclaw-ai-agent-boom-explained-zh\">agen\u003C\u002Fa>t 用的 USB-C。\u003C\u002Fp>\u003Cp>在這篇案例裡，Reaper 不是靠 AI 直接「看懂」介面，而是透過一個 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTwelveTakeStudios\u002Freaper-mcp\" target=\"_blank\" rel=\"noopener\">reaper-mcp\u003C\u002Fa> 伺服器來接 API。這個專案來自 \u003Ca href=\"https:\u002F\u002Fwww.twelvetakestudios.com\" target=\"_blank\" rel=\"noopener\">Twelve Take Studios\u003C\u002Fa>。AI 透過 \u003Ca href=\"\u002Fnews\u002Fmcp-explained-from-prompts-to-production-zh\">MCP\u003C\u002Fa>，就能建立 tracks、調整 session、處理音軌設定。\u003C\u002Fp>\u003Cp>這種設計的好處很現實。你不用把每個 app 都重做一遍。只要工具有 API，就能接進來。今天是 DAW，明天可以是 IDE、CRM、內部儀表板，甚至是資料處理管線。MCP 不會自動變聰明，但它讓 AI 有地方可以「真的做事」。\u003C\u002Fp>\u003Cblockquote>“The map is not the territory.” — Alfred Korzybski\u003C\u002Fblockquote>\u003Cp>這句話拿來講 spec-driven AI 很貼切。規格是地圖。工具才是地形。地圖寫得太糊，代理人就會迷路。地圖寫得夠清楚，執行就會穩很多。\u003C\u002Fp>\u003Cp>AgilityFeat 的流程也很像工程操作。先啟動 Reaper，再載入 MCP bridge，接著開啟 Kiro 的 Power，最後測試連線。這整套沒有魔法。只有設定、權限、和步驟管理。說真的，這才像真的工程。\u003C\u002Fp>\u003Ch2>Kiro 在這裡扮演什麼角色\u003C\u002Fh2>\u003Cp>\u003Ca href=\"https:\u002F\u002Fkiro.dev\" target=\"_blank\" rel=\"noopener\">Kiro\u003C\u002Fa> 是 AWS 的 agentic editor。它的核心想法是先產生規格，再做修改。這對會碰到真實專案的工具很重要。因為你不會想讓模型一邊亂試，一邊改 live c\u003Ca href=\"\u002Fnews\u002Fopenai-codex-plugin-claude-code-zh\">ode\u003C\u002Fa> 或 live session。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775051021809-wjtk.png\" alt=\"規格先行 AI 讓 MCP 變工作引擎\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>案例裡提到的 Power 概念也很有意思。它等於幫 AI 補上領域語言。一般模型可能知道「設定 session」這幾個字，但不一定知道 Reaper 裡每個操作怎麼對應。Power 讓它先學會工具語言，再去執行。\u003C\u002Fp>\u003Cp>這樣做的結果，是少一點即興，多一點一致性。對開發者來說，這點很重要。因為 agent 最怕的不是慢，而是每次都用不同方式解題。你要的是可重複，不是花招。\u003C\u002Fp>\u003Cp>在這種流程裡，Kiro 像規劃師。MCP 像通道。Reaper 像執行場域。三者分工很清楚。這比叫一個大模型「幫我處理」來得可靠多了。\u003C\u002Fp>\u003Ch2>音樂 demo 告訴我們什麼\u003C\u002Fh2>\u003Cp>這個 demo 很具體。輸入一個 prompt，就能建立鼓、貝斯、synth pad、synth lead 四條 track。再下一個 prompt，能做四小節鼓段，包含 kick 和 hi-hat pattern。後面還能調音量、改顏色、準備 FX chain。每一項都不炫，但很省時間。\u003C\u002Fp>\u003Cp>這裡的重點不是 AI 會不會寫歌。重點是它能不能把機械步驟先做掉。Producer 還是要聽、要判斷、要決定編曲。AI 只是把手上的雜事清掉。這樣人比較能專心在耳朵和 taste 上。\u003C\u002Fp>\u003Cp>如果拿手動流程來比，差異很直接。以前你要一直點選單、加 track、調顏色、設 routing。現在你可以先寫成規格，再一次送出。對一個 session 來說，省下的可能不是 1 分鐘，是整個工作節奏。\u003C\u002Fp>\u003Cul>\u003Cli>建 track 從多次點擊變成一次指令\u003C\u002Fli>\u003Cli>session 設定更一致\u003C\u002Fli>\u003Cli>mix 準備可先審核再執行\u003C\u002Fli>\u003Cli>人保留最後決策權\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這套方法也很像軟體交付。你可以先寫部署 checklist，再讓 agent 執行。你可以先定好資料欄位，再讓它幫你整理 CSV。你也可以先寫客服回覆模板，再讓它去填內容。差別只在工具，邏輯是一樣的。\u003C\u002Fp>\u003Ch2>跟其他 AI 工具相比，差在哪\u003C\u002Fh2>\u003Cp>現在很多產品都在拼「更會聊」。但在工作場景裡，會聊不等於會做。你如果要的是穩定流程，重點不是模型多會寫，而是它能不能照規格執行。這就是 spec-driven workflow 的價值。\u003C\u002Fp>\u003Cp>跟一般聊天式 AI 比，這種流程多了審核點。跟純 RPA 比，它又多了語意理解。RPA 很死板。LLM 很會猜。兩者合在一起，才比較像真的工作代理人。MCP 正好站在中間，把語意和工具連起來。\u003C\u002Fp>\u003Cp>如果拿幾個常見方案來看，差異也很明顯：\u003C\u002Fp>\u003Cul>\u003Cli>ChatGPT 類工具：強在生成，弱在工具整合\u003C\u002Fli>\u003Cli>RPA：強在固定流程，弱在彈性\u003C\u002Fli>\u003Cli>MCP + agent：強在工具接入與流程控制\u003C\u002Fli>\u003Cli>Kiro：強在先寫規格，再做修改\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這也是為什麼我覺得這類架構會先在內部流程冒出來。像 CRM 更新、工單整理、報表生成、會議紀錄整理，這些任務都很適合。因為它們有固定格式，也有明確驗收條件。\u003C\u002Fp>\u003Ch2>這波工具潮的背景，其實很務實\u003C\u002Fh2>\u003Cp>現在大家都在談 AI agent，但很多 demo 都停在「看起來很強」。真正落地時，企業會先問三件事。能不能控權限。能不能追蹤步驟。能不能重放流程。規格先行的設計，剛好把這三件事放進去。\u003C\u002Fp>\u003Cp>對台灣開發者來說，這種做法也很熟。因為我們很常做整合。不是從零造輪子，而是把 API、資料庫、內部系統串起來。MCP 其實就是把這種整合工作再標準化一次。它不神，但很實際。\u003C\u002Fp>\u003Cp>另一個背景是，AI 成本還是要算。模型呼叫有 token 成本，工具操作有風險成本。你如果每次都讓 agent 自由發揮，最後可能省了人力，卻多了修 bug 的時間。先寫規格，等於先把成本邊界畫好。\u003C\u002Fp>\u003Cp>所以這不是什麼神話。它比較像工程紀律回來了。先定義，再執行。先審核，再自動化。這種順序看起來保守，實際上很省事。\u003C\u002Fp>\u003Ch2>接下來該怎麼看這件事\u003C\u002Fh2>\u003Cp>我的判斷很直接。真正能把 AI 用進工作流的團隊，不會只追求最會聊天的模型。他們會先整理規格，再挑工具，再把審核點放進流程。這樣做雖然沒那麼炫，但比較不會翻車。\u003C\u002Fp>\u003Cp>如果你的團隊現在還在手動做很多重複步驟，我會先問一個問題：哪些流程可以先寫成 spec？只要能寫成步驟，就有機會交給 agent。先從低風險任務開始。像整理資料、建模板、準備報表。這些最適合試水溫。\u003C\u002Fp>\u003Cp>下一步很可能不是更大的模型，而是更好的工作流。你可以先找一個重複 20 次以上的任務。把它寫成規格。接 MCP。接工具。再看 agent 能不能穩定跑完。這才是比較務實的路。\u003C\u002Fp>","MCP、Kiro、Reaper 展示規格先行的 AI 工作流。先寫規格、再執行，能降低錯誤，適合創作、軟體與營運流程。","agilityfeat.com","https:\u002F\u002Fagilityfeat.com\u002Fblog\u002Fspec-driven-ai-integration-automating-complex-workflows-with-mcp-and-agentic-tools\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775051003623-0w2d.png",[13,14,15,16,17,18,19,20],"MCP","Kiro","Reaper","spec-driven AI","agentic workflow","人工智慧工作流","規格先行","Model Context Protocol","zh",1,false,"2026-04-01T09:27:31.400403+00:00","2026-04-01T09:27:31.344+00:00","done","2b841702-af7c-45b9-a51d-981caed1f3e6","spec-driven-ai-turns-mcp-into-workflow-engine-zh","tools","faa30cbd-f205-4332-9fcd-f6d7ad7c1c69","published","2026-04-09T09:00:55.216+00:00",[34,35,37,39,41,42,44,46],{"name":19,"slug":19},{"name":20,"slug":36},"model-context-protocol",{"name":13,"slug":38},"mcp",{"name":15,"slug":40},"reaper",{"name":18,"slug":18},{"name":17,"slug":43},"agentic-workflow",{"name":16,"slug":45},"spec-driven-ai",{"name":14,"slug":47},"kiro",{"id":30,"slug":49,"title":50,"language":51},"spec-driven-ai-turns-mcp-into-workflow-engine-en","Spec-Driven AI Turns MCP Into a Workflow Engine","en",[53,59,65,71,77,83],{"id":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"category":29},"68e4be16-dc38-4524-a6ea-5ebe22a6c4fb","why-vidhub-huiyuan-hutong-bushi-quan-shebei-tongyong-zh","為什麼 VidHub 會員互通不是「買一次全設備通用」","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778789450987-advz.png","2026-05-14T20:10:24.048988+00:00",{"id":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":29},"7a1e174f-746b-4e82-a0e3-b2475ab39747","why-buns-zig-to-rust-experiment-is-right-zh","為什麼 Bun 的 Zig-to-Rust 實驗是對的","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778767879127-5dna.png","2026-05-14T14:10:26.886397+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"category":29},"e742fc73-5a65-4db3-ad17-88c99262ceb7","why-openai-api-pricing-is-product-strategy-zh","為什麼 OpenAI API 定價是產品策略，不是註腳","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778749859485-chvz.png","2026-05-14T09:10:26.003818+00:00",{"id":72,"slug":73,"title":74,"cover_image":75,"image_url":75,"created_at":76,"category":29},"c757c5d8-eda9-45dc-9020-4b002f4d6237","why-claude-code-prompt-design-beats-ide-copilots-zh","為什麼 Claude Code 的提示設計贏過 IDE Copilot","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778742645084-dao9.png","2026-05-14T07:10:29.371901+00:00",{"id":78,"slug":79,"title":80,"cover_image":81,"image_url":81,"created_at":82,"category":29},"4adef3ab-9f07-4970-91cf-77b8b581b348","why-databricks-model-serving-is-right-default-zh","為什麼 Databricks Model Serving 是生產推論的正確預設","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778692245329-a2wt.png","2026-05-13T17:10:30.659153+00:00",{"id":84,"slug":85,"title":86,"cover_image":87,"image_url":87,"created_at":88,"category":29},"b3305057-451d-48e4-9fb9-69215f7effad","why-ibm-bob-right-kind-ai-coding-assistant-zh","為什麼 IBM 的 Bob 才是對的 AI 寫碼助手","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1778664653510-64hc.png","2026-05-13T09:30:21.881547+00:00",[90,95,100,105,110,115,120,125,130,135],{"id":91,"slug":92,"title":93,"created_at":94},"de769291-4574-4c46-a76d-772bd99e6ec9","googles-biggest-gemini-launches-in-2026-zh","Google 2026 最大 Gemini 盤點","2026-03-26T07:26:39.21072+00:00",{"id":96,"slug":97,"title":98,"created_at":99},"855cd52f-6fab-46cc-a7c1-42195e8a0de4","surepath-real-time-mcp-policy-controls-zh","SurePath 推出即時 MCP 政策控管","2026-03-26T07:57:40.77233+00:00",{"id":101,"slug":102,"title":103,"created_at":104},"9b19ab54-edef-4dbd-9ce4-a51e4bae4ebb","mcp-in-2026-the-ai-tool-layer-teams-use-zh","2026 年 MCP：團隊真的在用的 AI 工具層","2026-03-26T08:01:46.589694+00:00",{"id":106,"slug":107,"title":108,"created_at":109},"af9c46c3-7a28-410b-9f04-32b3de30a68c","prompting-in-2026-what-actually-works-zh","2026 提示工程，真正有用的是什麼","2026-03-26T08:08:12.453028+00:00",{"id":111,"slug":112,"title":113,"created_at":114},"05553086-6ed0-4758-81fd-6cab24b575e0","garry-tan-open-sources-claude-code-toolkit-zh","Garry Tan 開源 Claude Code 工具包","2026-03-26T08:26:20.068737+00:00",{"id":116,"slug":117,"title":118,"created_at":119},"042a73a2-18a2-433d-9e8f-9802b9559aac","github-ai-projects-to-watch-in-2026-zh","2026 必看 20 個 GitHub AI 專案","2026-03-26T08:28:09.619964+00:00",{"id":121,"slug":122,"title":123,"created_at":124},"a5f94120-ac0d-4483-9a8b-63590071ac6a","claude-code-vs-cursor-2026-zh","Claude Code 與 Cursor 深度對比：202…","2026-03-26T13:27:14.279193+00:00",{"id":126,"slug":127,"title":128,"created_at":129},"0975afa1-e0c7-4130-a20d-d890eaed995e","practical-github-guide-learning-ml-2026-zh","2026 機器學習入門 GitHub 實用指南","2026-03-27T01:16:49.712576+00:00",{"id":131,"slug":132,"title":133,"created_at":134},"bfdb467a-290f-4a80-b3a9-6f081afb6dff","aiml-2026-student-ai-ml-lab-repo-review-zh","AIML-2026：像課綱的學生實驗 Repo","2026-03-27T01:21:51.467798+00:00",{"id":136,"slug":137,"title":138,"created_at":139},"80cabc3e-09fc-4ff5-8f07-b8d68f5ae545","ai-trending-github-repos-and-research-feeds-zh","AI Trending：把 AI 資源收成一張表","2026-03-27T01:31:35.262183+00:00"]