▲ 用自己的話講清楚需求，讓 AI 把你的研究小工具寫出來
做研究的人，應該都有過這種時刻。
讀到第三十篇論文，開始記不得哪篇讀過、哪篇只看了摘要。訪談逐字稿整理到一半，發現每一段都要手動編號。上課要分組，又得打開試算表亂數排一次。每到這種時候，心裡就會冒出一句：要是有個小工具幫我做就好了。
過去這句話多半停在心裡，因為下一步是學程式，而做研究已經夠忙了。
不過，這兩年情況改變了。你可以用自己的話把需求講清楚，讓 AI 寫程式，再一步步改到好用。這種做法有個名字，叫 vibe coding。
這篇文章，我想談三件事：研究圈怎麼看待這種做法、研究者適合拿它做哪些工具，以及哪幾條界線一定要固守。
Vibe coding 是什麼
Vibe coding 這個詞，最早是在開發者社群流傳開來的，聽起來有點隨性，好像跟著感覺寫程式就好。但學術界已經開始認真定義它。
Meske 等人（2025）在 IEEE Access 發表的論文，把 vibe coding 定義為一種軟體開發方式：人與生成式 AI 藉由自然語言對話協作，共同產出軟體。過去你要把想法翻譯成電腦能執行的精確指令，現在改由 AI 從你的描述去推論你想要什麼。
這篇論文有一個觀察，我覺得對研究者特別重要：vibe coding 重新分配了人與機器之間的知識工作，專業的重心從技術實作，移向協作與統籌。
翻成白話就是：你不用會寫程式，但你要很清楚自己要什麼、怎麼判斷做對了沒有。而這兩件事，剛好是研究者每天都在練的能力。
研究圈已經走到哪裡
如果你覺得這只是做做小玩具，可以看看另外兩篇論文。
第一篇是 Meyer（2026）發表在 Journal of Proteome Research 的論文。作者用 vibe coding 做出一個蛋白質體學的資料分析平臺，能做資料標準化、差異表現檢定和火山圖視覺化，包含使用者介面、後端邏輯與資料上傳流程。整個應用程式只用了四個自然語言提示詞、不到 10 分鐘完成，作者沒有手寫任何一行程式碼，模型使用費不到 2 美元（不含主機與人力時間）。
作者也特別說明，這篇論文不是要推出新的分析平臺，而是示範領域專家可以用這種方式快速做出分析工具的原型。論文中也逐步交代了生成過程，並評估產出程式碼的功能是否正確。
第二篇論文更進一步。Aygün 等人（2026）在 Nature 發表的研究，開頭就點出一個研究者都很有感的問題：科學發現的循環，常常卡在為了計算實驗而緩慢、手工撰寫軟體這一步。他們做了一套結合大型語言模型與樹狀搜尋的 AI 系統，自動寫出並改良研究用的軟體。在單細胞資料分析上，這套系統找出 40 種在公開排行榜上勝過人類頂尖方法的新方法；在預測 COVID-19 住院人數上，也做出 14 個表現勝過美國疾病管制與預防中心（CDC）綜合預測模型的預測模型。
這篇 Nature 論文談的是全自動系統，和一般人用對話做小工具不是同一回事。但兩篇放在一起看，方向很清楚：開發軟體這件事，正在從研究的瓶頸，變成研究者自己就能處理的環節。
我自己做過的研究工具
說說我自己的經驗。
今年八月，我花了一天做出一個私人研究儀表板。我的研究材料散在 Zotero、論文腦、Obsidian 和硬碟四個地方，沒有一個地方能告訴我今天該接哪條研究線？這個儀表板會從四個來源撈資料，算出每條研究線的燈號、文獻庫的健康狀況和閱讀節奏。
從動念到上線大約一天，我自己沒有寫任何一行程式碼。完整的過程，我寫在〈一天做出自己的學術研究儀表板〉。
這個網站工具區的文獻回顧矩陣、研究提問鷹架、AI 使用揭露＋倫理自檢等小工具，也都是用 AI 做出來的。
這些經驗讓我確定一件事：真正花時間的不是寫程式，而是想清楚要做什麼、不做什麼，以及怎麼確認它做對了。
研究者適合自己做的四類工具
不是每一種研究工具都適合自己用 AI 做。我建議從下面四類開始，它們有個共同點：用途單純、出錯了你看得出來，而且不直接產出要寫進論文的研究結果。
第一類，研究流程管理。文獻閱讀進度表、論文各章的寫作進度追蹤、投稿狀態紀錄、研究日誌。這類工具幫你管理自己的工作，算錯了頂多是進度表不準。
第二類，資料整理。幫訪談逐字稿逐段編號、把問卷的開放題回覆整理成一張表、把參考文獻清單依姓氏排序。前提是資料都已去識別化，而且整理完你會自己再檢查一次。
第三類，教學。上課抽籤分組、課堂即時投票、小考題目隨機出題、作業繳交進度表。大學老師特別適合從這一類開始，因為需求清楚，而且下週上課就能用。
第四類，自我檢查。把常用的檢核清單做成能勾選的小工具，例如投稿前的格式檢查、問卷題目的雙重問題檢查、口試前的準備清單。
三條一定要固守的界線
Meske 等人（2025）在指出 vibe coding 帶來的機會之餘，也列出幾個風險，其中兩個對研究者特別關鍵：程式碼變成看不懂的黑箱，以及出了錯不知道該由誰負責。
放到研究情境裡，我會守住三條界線。
第一，會進到論文的計算，一定要驗證。如果你做的工具會算出平均數、檢定結果或任何要寫進論文的數字，請先用已知答案的資料測試，或拿同一份資料和 SPSS、R、JASP 這類既有軟體的結果比對。AI 寫的程式跑得出結果，不代表結果是對的。
第二，研究資料不要隨手貼給 AI。做工具時用假資料或已去識別化的範例測試；工具本身也盡量設計成資料只存在自己的電腦或瀏覽器裡，不上傳到任何伺服器。
第三，寫進方法章節的工具，要交代清楚。如果自製工具參與了資料處理或分析，請在方法章節說明它的用途、怎麼做出來的、怎麼驗證過，並依學校或學術期刊的規定揭露 AI 工具的使用情形。程式碼與版本也要留存，日後有人問起才拿得出來。
這三條守住了，vibe coding 就是很好的研究助手；如果守不住，它會變成一個你說不清楚的方法漏洞。
為什麼一個人常常做不完
我教 vibe coding 一段時間後發現，大家卡住的地方，很少是工具本身。
常見的狀況是：興沖沖開了對話視窗，做出第一版，發現有地方不對，改了兩次愈改愈亂，然後研究的事一忙，就放著了。難的從來不是工具，是一個人做到一半就放下。
所以，我計畫開設一個七天挑戰營，用七天的時間，陪你從選題做到上線：
- 第 1 天：選一個你真的會用的工具，讓它先動起來
- 第 2 天：把需求講清楚，讓 AI 不用猜
- 第 3 天：拿真實的一天來用它，修掉卡住你的地方
- 第 4 天：讓它在手機上也好用
- 第 5 天：給一個人試用，看他卡在哪
- 第 6 天：發布上線，拿到你的第一個網址
- 第 7 天：驗收直播，挑同學的作品現場討論，以及做完之後怎麼往下走
這七天的節奏，其實很像做研究：先把問題定義清楚，再用真實情境測試，找人試用、看他卡在哪，最後公開接受檢驗。第 2 天「把需求講清楚」這件事，研究者通常會比其他人上手得快。
要先說明一點：這個挑戰營不是研究專班，任務信的示範例子以生活與工作上的小工具為主，例如記錄喝水和睡眠、幫客戶算報價、上課抽籤分組。但第 1 天選題時，你完全可以選一個研究或教學用的工具，前面四類都很適合當成你的第一個作品。
挑戰營的安排
- 時間：2026 年 11 月 30 日（一）到 12 月 6 日（日），每天早上寄出當天的任務信，每天大約花 30 到 60 分鐘
- 做法：每封任務信都同時寫兩種做法，claude.ai 網頁版或 Claude App 不用安裝任何東西，熟悉一點的人也可以用終端機的 Claude Code；已經在用 Codex 或 Antigravity 的人照終端機做法走即可
- 陪伴：LINE 學習群組每天打卡，卡住直接問，我每天晚上集中回覆一次
- 驗收：12 月 6 日晚上 8 點線上驗收直播
- 費用：999 元。另外要提醒，Claude 免費帳號額度很有限，連續做七天幾乎一定會撞到上限，建議挑戰期間訂閱一個月 Claude Pro（US$20），挑戰營不代付訂閱費
想要參加挑戰營，不需要任何的程式基礎。如果你是研究生，這七天做出來的東西，可能就是你接下來兩年每天都會打開的工具；如果你是大學老師，下學期第一堂課就用得上。
寫在最後
做研究的人，最擅長兩件事：把模糊的問題問清楚，再想辦法證明自己的答案是對的。
Vibe coding 要的，剛好就是這兩種能力。程式交給 AI 寫，你負責定義問題、驗證結果，以及為最後的成品負責。
下次心裡又冒出「要是有個小工具就好了」的時候，不妨把它記下來。那可能就是你的第一個研究工具。
參考文獻
Aygün, E., Belyaeva, A., Comanici, G., Coram, M., Cui, H., Garrison, J., et al. (2026). An AI system to help scientists write expert-level empirical software. Nature, 654, 909–916. https://doi.org/10.1038/s41586-026-10658-6
Meske, C., Hermanns, T., von der Weiden, E., Loser, K.-U., & Berger, T. (2025). Vibe coding as a reconfiguration of intent mediation in software development: Definition, implications, and research agenda. IEEE Access, 13, 213242–213259. https://doi.org/10.1109/ACCESS.2025.3645466
Meyer, J. G. (2026). Vibe coding omics data analysis applications. Journal of Proteome Research, 25(2), 1191–1197. https://doi.org/10.1021/acs.jproteome.5c00984
常見問題
什麼是 vibe coding？
Vibe coding 是用自然語言和 AI 對話，讓 AI 寫出程式的開發方式。你負責把需求講清楚、實際使用、指出哪裡不對，程式碼交給 AI 產生與修改。Meske 等人（2025）在 IEEE Access 的定義是：人與生成式 AI 藉由自然語言對話協作、共同產出軟體，開發者意圖的傳達方式從確定的指令轉為機率式的推論。
完全不會寫程式的研究生，真的做得出研究工具嗎？
做得出小型、用途單純的工具，例如文獻閱讀進度表、逐字稿編號器、課堂抽籤分組。關鍵不在會不會寫程式，而在能不能把需求講清楚，並用真實資料測試、找出不對的地方。工具愈複雜、牽涉的資料愈敏感，就愈需要懂程式的人協助檢查。
用 AI 寫的程式跑出來的分析結果，可以直接寫進論文嗎？
不建議直接寫。AI 寫的程式可能有你看不出來的錯誤，凡是會進到論文的計算結果，都要先用已知答案的資料對照驗證，或與既有統計軟體的結果比對，並在方法章節說明工具的來源與驗證方式。只用來管理流程、不產出研究結果的工具，風險就小得多。
做研究工具時，研究資料可以貼給 AI 嗎？
受訪者個資、未發表的資料與尚未公開的審查意見，都不應貼進你無法確認資料用途的 AI 工具。做工具時，請用假資料或已去識別化的範例來測試；工具本身也盡量設計成資料只存在自己電腦或瀏覽器裡，不上傳到任何伺服器。
