當我們開始擁抱具備「手」和「自主規劃能力」的代理人 AI (Agentic AI，如 Antigravity) 時，很多人會陷入一個誤區：既然 Agent 這麼強，那就把所有疑難雜症、甚至是最前期的混沌發想，通通塞給它處理。
但在實戰中，這種「全包式」的代理人工作流往往會帶來三個痛點：
- Token 消耗極快：前期的想法梳理包含大量的發散與嘗試，會讓 Agent 在多輪對話中背負沉重的 Context 歷史，導致 Token 費用飆升。
- 思維噪音干擾：發想階段的「雜質」非常多。如果讓 Agent 直接在代碼庫中遊走，它可能會因為這些不成熟的想法而寫出大量無用程式碼或反覆修改。
- 專注度被分散：在 Agent 環境中，開發者常常要分心去看它的 Tool Calls、代碼執行結果與報錯，反而無法專心收斂思考。
為了解決這個問題，我最近摸索出一套 「兩階段人機協作方法論」。以「建構虛擬企業建模」的標準方法為例，我成功地讓 Antigravity 的使用量大幅減少，同時讓產出過程變得無比流暢，甚至還帶有一點幽默的樂趣！
🧠 兩階段協作的核心架構：發散在雲端，落地在地端#
這套方法的精神其實很簡單：把「發散發想」交給免費、快速的網頁版 AI；把「嚴謹落地」交給擁有本地環境操作能力的 Antigravity。
graph TD
A[階段 1: 網頁版對話] -->|想法發散與梳理| B(收斂成 Workflow 草案)
B -->|手動記錄 AIQA & 腳本篩選| C[Playwright 匯入 Workspace]
C -->|乾淨的 Prompt 與脈絡| D[階段 2: Antigravity 接手]
D -->|執行 Tool Calls / 讀寫代碼| E(生成系統 Workflow 檔案)### 階段 1：網頁版 AI (如 Gemini Web UI) 的思維收斂#
在最前期的發想階段，我直接在網頁版的 Gemini 做想法與設計上的討論。
- 低成本的發散：網頁版對話沒有本地 Token 的負擔，我可以毫無壓力地跟它聊各種天馬行空的想法。
- 專注於思考：在這個環境中，我不需要管環境配置、不需要管 Python 報錯，只需要專心在邏輯與設計的收斂上。
- 產出 Workflow 草案：當對話告一段落，想法逐漸清晰後，我請它幫我整理出一個大致的標準工作流文件草案。
### 階段 2：地端 Agentic AI (Antigravity) 的結構落地#
有了前期的 Workflow 草案後，接下來就是讓 Antigravity 發揮實力的時刻：
- 讀取脈絡：我讓 Antigravity 讀取剛才在網頁版整理好的 Workflow 草案，並直接建構成系統內部的標準工作流檔案（即專案中的 .agent/workflows/virtual-enterprise-modeling.md）。
- 精準執行：因為進來的脈絡已經過度清洗與收斂，Antigravity 不用再猜測我的意圖，只需在我的 workspace 內，發揮它「有手、有代碼執行能力」的特長，精準完成目錄建置與架構寫作。
🛠️ 我的實戰小技巧：AIQA 紀錄與 script 篩選腳本#
在這個流程中，我依然維持著傳統的 AIQA 記錄習慣。但如果把混亂的全過程都丟給 AI, 感覺容易將事情搞混。
於是我設計了一個小技巧：
- 雖然每一次網頁版的對話都有被手動記錄下來，但我寫了一個 Script，專門用來挑選與過濾出「我真正要的是哪幾個精華對話」。
🎯 實測結果：流暢且高度擬真的虛擬企業#
有了這套經過網頁版收斂、再由 Antigravity 嚴謹建構的 /agent/workflows/virtual-enterprise-modeling.md 工作流，我試著真的去跑一次「虛擬企業建模」。
結果還意外不錯！以往在 Agent 環境裡直接發想，經常因為 context 膨脹導致 Agent 邏輯錯亂或卡住；而這次：
- 極度流暢：每一步都有 clear instructions，Antigravity 順暢地幫我把 APQC 的流程框架與 ISO 9001 條款，作為「骨架」牢牢定錨。
哈爸心得： 人機協作的精髓不在於「誰取代誰」，而是「頻寬的分配」。發散階段的混亂與直覺，是人類（或低成本網頁 AI）最擅長的戰場；而結構化的程式碼撰寫與重複性高的檔案操作，則是 Agentic AI 的天下。學會用「雙核」進行大腦分工，不僅省下大筆 Token 費用，也讓開發過程好玩多了！
AI 協作聲明： 本文由筆者提供原始筆記與實戰思維，由 AI 助手 Antigravity 彙整架構與修辭。結合了虛擬企業建模的兩階段實務與哈爸筆記的敘事風格，展現人機協作下的個人 AI 應用成果。