NiceKate AI：用 GPT 5.5 + Goal 做全栈应用 — 多模型協作實現完整博客系統

開場閒聊

卡喬一開場就分享了他最近在改造個人博客的心得。他提到自己經常參考 Simon Pearson 的博文，覺得 Simon 老師在研究細節上的分享非常有價值。於是他昨天也仿照 Simon 博客的風格，重新改造了自己的博客系統。

這次改造不只是在網頁上可以進行博文的增刪改查，還多了 Telegram 機器人的支援——只要發送消息加上一些指令，就能快速發布筆記、英語內容或文章。他甚至開玩笑地說，「連 API 都能發送，方便到我自己都有點不習慣。」

懶人包速覽

核心痛點	解決方案 / 關鍵觀點
單一 AI 模型做決策不全面，計畫容易有盲點	同時讓 GPT-5.5、ChatGPT O4.8、Gemini 3.1 Pro 三個模型參與評審，綜合意見得到 9.7 分計畫
傳統 GreerMit skill 一問一答耗時長	採用批量對話方式，讓多個 AI 同時提供建議，大幅縮短規劃迭代週期
工程專案容易遺漏關鍵功能設計	使用 Google 開源 Design Markdown 提取設計 token，建立結構化設計文檔
Codex 前端渲染與後端功能不同步	逐項比對後端 API 與前端頁面，透過 GPT 標註功能修正缺失 UI 元素

昨天我花了約 40 分鐘仔細看完卡喬的這支影片，他完整呈現了從「想法」到「上線」的全過程——不是用單一模型從頭寫到尾，而是讓三個 AI 互相評審、彼此補充，最後用 Codex 的 Goal 模式來實際執行。這套流程對正在摸索 AI 協作開發的人來說，非常有參考價值。

多模型協作：三個臭皮匠勝過一個諸葛亮

卡喬在這次專案中採取了與眾不同的策略——他不是只依賴單一模型，而是同時讓 ChatGPT O4.8、GPT-5.5 和 Gemini 3.1 Pro 三個模型一起參與規劃階段。

一開始他將提示詞同時發送給三個模型，請它們各自提出博客系統的實作計畫。最終他優先採納了 O4.8 的方案，因為 O4.8 會彈出對話框讓用戶做選擇，互動性更強。但他也沒有忽略另外兩個模型的意見——他把 O4.8 的計畫發給 GPT-5.5 評分，GPT 給出了 8 分並指出了幾個必須修改的關鍵問題，尤其在搜索功能方面提出了具體改進建議。

有趣的是，卡喬觀察到 Gemini 在編碼上雖然不突出，但做計畫卻相當不錯。Gemini Pro 模型知識廣度很廣，在這次專案中貢獻了一個非常重要的點子：加入 Telegram 機器人。這個建議後來成為了整個博客系統的最大亮點。

經過多輪迭代——O4.8 出計畫、GPT 評分、Gemini 補充——最終計畫達到了 9.7 分。卡喬認為這個方式比傳統的 GreerMit skill 一問一答要快得多。

Design Markdown：將設計文件化

計畫完成後，卡喬進入了設計階段。他運用 Google 開源的 Design Markdown 倉庫，讓 AI 從原型中提煉出結構化的設計文檔。

這個 Design Markdown 倉庫原本是從 Google Stitch 分解出來的，非常受歡迎。它包含完整的源數據，能對整個程序做很好的設計把控，而且還有 CLI 工具可以跑 Lint 驗證。AI 生成的設計文檔涵蓋了文件結構、組件設計、顏色、字體等各個方面。

卡喬讓 AI 跑了一次 Lint，發現了一些錯誤並修正後，設計文檔就基本上到位了。他特別強調，把原型 HTML 文件刪掉後再讓 AI 重新生成新的示意頁面，可以得到更乾淨的設計輸出。

Codex Goal 模式：13 階段逐步實現

設計文檔準備好後，卡喬正式進入實作階段。他使用 Codex 裡面的 GPT-5.5，開啟 Goal（目標）模式來執行。

GPT-5.5 先根據 Design Markdown 文件和實現提示詞，生成了一份供各功能使用的開發文檔——包含總目標、設計目標、語言、排版、組件、技術棧約束、中文搜索、數據模型要求、URL 結構等。然後它將整個目標拆分成 13 個階段：

1. 項目骨架 — 初始化專案結構
2. 數據模型 — 設計資料庫 Schema
3. 前端頁面模板渲染
4. 文章導出功能
5. 搜索功能
6. 後台管理
7. 圖片上傳
8. 外部 API 整合
9. Telegram 機器人（新增 webhook 路由）
10. RSS 與備份（28 分鐘）
11. 收尾階段與大量測試（20 多分鐘）

GPT-5.5 在整個過程中展現了很強的自動化能力——它知道自己的目標如何執行、如何驗收，每一階段都寫得清清楚楚。總共耗時接近 2 小時，花費了 125 萬 token。

卡喬特別提到，GPT-5.5 在花了兩小時編碼後，第一次測試時遇到的 Bug 非常少，後端部分的穩定性相當出色。

Cloudflare 部署與 Telegram 機器人整合

部署階段，卡喬讓 GPT-5.5 幫他配置 Cloudflare 的真實帳號。他手動登錄了 Cloudflare CLI，然後讓 GPT 創建真實資源。

Telegram 機器人的配置步驟也很清晰：

1. 創建機器人
2. 生成 webhook 密鑰
3. 獲取 user ID
4. 寫入 Workers 密鑰
5. 註冊 webhook

完成後，只要在 Telegram 對話框中發送 URL 或文字，機器人就會自動發布到博客上。卡喬現場演示了發送一段文字後，刷新博客首頁馬上就看到新貼文出現，速度非常快。發送多張圖片時，可以選擇合併發送，還能加上精選標籤讓它出現在 Highlights 區塊。

QA 精選

Q1：為什麼要用三個 AI 模型協作，而不是只用一個？

卡喬認為，每個模型各有擅長：O4.8 在互動式規劃上最強，會反問細節來完善計畫；GPT-5.5 擅長引用官方資訊給出有依據的建議和評分；Gemini Pro 知識廣度廣，能提出其他模型沒想到的點子（比如 Telegram 機器人）。三個模型互相補充，最終得到的計畫品質遠高於單一模型。

Q2：Design Markdown 在專案中的作用是什麼？

它將模糊的設計想法轉化為結構化的、可驗證的設計文檔。卡喬使用 Google 開源的 Design Markdown 倉庫，讓 AI 從原型中提取 token，生成包含組件、顏色、字體、路由設計的完整文檔。而且還有 CLI Lint 工具可以自動檢查設計的完整性。

Q3：GPT-5.5 的 Goal 模式跟一般對話有什麼不同？

Goal 模式下，GPT-5.5 會自行將大目標拆解為多個階段（這次拆成 13 個），每個階段都有明確的執行計畫和驗收標準。它會按順序執行、自我驗證，並且在階段之間做整體校驗。卡喬觀察到它花了接近 2 小時、125 萬 token 完成了從骨架到部署的完整流程。

Q4：Codex 前端渲染缺失功能的問題怎麼解決？

GPT-5.5 的後端功能雖然完整，但前端頁面上有些按鈕被藏在標題連結裡，有些根本沒渲染出來。卡喬的解法是：透過 GPT 的標註功能，逐一指出頁面上缺失或需要修改的內容，讓 GPT 直接修改前端程式碼。他也利用了 Codex 的 Chrome 插件直接在瀏覽器中操作 Cloudflare 界面。

Q5：這套流程適合什麼規模的專案？

卡喬認為，對於功能不是太龐大的專案，這種多模型協作 + Goal 模式非常有效。如果專案太大，讓 AI 一問一答會花費太長時間。他的經驗是，博客系統這種規模（前後端 + API + 機器人整合）非常適合用這種方式來開發。

主編隨筆

卡喬這次展示的多模型協作流程，其實反映了 AI 開發工具的一個重要趨勢：未來的開發者與其說是「寫程式的人」，不如說是「AI 協作指揮官」。

我在觀看這集時特別注意到一個細節：Gemini 提出 Telegram 機器人的建議後，卡喬立刻採納並成為了系統的核心功能。如果只用單一模型，這個關鍵功能可能根本不會出現在規劃中。這就是多模型協作的價值——不是為了炫技，而是為了降低「思考盲點」。

另外，Design Markdown 的引入也是一個很棒的做法。傳統上工程師會覺得「設計文檔是浪費時間，直接寫 code 比較快」，但卡喬的經驗證明，先花 20-30 分鐘把設計文件化，能讓後續的 AI 編碼階段減少大量不必要的迭代。

如果你是正在摸索 AI 輔助開發的讀者，我建議可以先從一個中小型專案開始嘗試類似流程——用 2-3 個模型做規劃評審、用 Design Markdown 做設計文件化、最後用 Goal 模式執行。這個流程的學習曲線不高，但效率提升非常明顯。

結語

卡喬這次完整示範了從 0 到 1 開發一個博客系統的全流程：從多模型協作規劃（9.7 分計畫）、Design Markdown 設計文件化、Codex Goal 模式 13 階段執行，到 Cloudflare 部署與 Telegram 機器人整合。

他特別強調，Gemini 提出的 Telegram 機器人點子是這次專案的最大亮點——讓內容發布變得極其方便，只要在對話框發送訊息就能自動發布到博客首頁。雖然還有一些小 Bug（比如圖片詳情頁的導航問題），但整體來說，這套 AI 協作流程已經展現了相當成熟的生產力。

對於想嘗試 AI 輔助開發的人來說，卡喬的經驗告訴我們：關鍵不是選哪個模型最強，而是如何讓多個模型互相補充、彼此制衡。