像 CEO 一樣
管理 AI 工程隊
Conductor CEO Charlie Holtz 展示的不是一套炫技工具，而是早期公司如何把 AI coding agents 變成可管理的工作流：人負責方向、邊界與產品判斷，agent 負責大量探索。
來源：Y Combinator YouTube 頻道
SCROLL
Conductor CEO Charlie Holtz 展示的不是一套炫技工具，而是早期公司如何把 AI coding agents 變成可管理的工作流：人負責方向、邊界與產品判斷，agent 負責大量探索。
來源：Y Combinator YouTube 頻道
Charlie Holtz 是 Conductor 共同創辦人，Conductor 是一個在 Mac 上協調多個 coding agents 的 app。影片裡最重要的畫面，是他用 Conductor 建 Conductor。這句話比任何功能清單都重要，因為產品判斷直接來自每天被迫使用自己的工具。
他的日常不是長時間打字寫程式，而是按下 Command N、用麥克風交代任務，讓 agent 去看 Linear issue、提出解法、建立 workspace。當一個 workspace 在跑，他切到另一個 workspace 做 review，像在看一排正在進行的小型 PR。
他也展示了手機上的「conduct on the go」：對手機說想新增 hacker mode，遠端 Mac 就開始工作。這不是為了把工程師變成旁觀者，而是把「提出方向」和「執行大量細節」拆開。
影片裡多次出現 workspace、PR、review、checks、merge、done。Conductor 不是單純把 AI chat 包成漂亮介面，而是把每個任務都放進 worktree，要求它產生 PR，再由人決定是否合併。
這個設計很有創辦人立場。Charlie 說他們刻意不讓使用者直接編輯檔案。你可以有很多 workspace，但每個 workspace 都要經過可 review 的流程。偶爾真的要手改 Tailwind class 或 env file，才進入他們戲稱的 caveman mode。
這也解釋了為什麼他不滿足於 terminal。AI 可能可以在文字流裡工作，但人類需要看見位置、狀態與下一個 action。Conductor 的市場機會，來自把 coding agent 從單一對話變成可管理的多人工作台。
Charlie 提到他們花很多時間寫 skills files 和 CLAUDE.md。裡面不只是格式規則，而是工程文化。例如提醒模型：這是一家新創，不是企業軟體團隊，不要預設每件事都要寫成厚重架構。
他們也把 codebase 分成 AI 可以自由探索的地方，以及需要人類逐行讀過的 slop-free zones。AI 可以貢獻到這些區域，但每一行都要被人讀過。原因很直接：AI 看到壞 code，可能接著寫更多壞 code；看到好 code，也比較可能往好的方向延伸。
他對 UI 也是同樣看法。workspace 這個概念、左中右三欄的安排、open in 按鈕怎麼呈現，都不是讓 AI 自己決定。軟體要有被打磨過的感覺，架構和介面判斷仍然是人類創辦人的工作。
Conductor 剛推出時，很多回饋是「我連一個 Claude Code 或 Codex 都快管不好，怎麼可能同時管三個、五個？」這反而說明產品在推使用者的舒適圈。它賭的是模型會更聰明、任務會跑更久，人需要的不是更多 terminal，而是更好的調度介面。
這也是他們投入 cloud workspaces 的原因。現在 laptop 關上，agents 就停了。但如果 agent 很快會跑十倍久、聰明十倍，就不應該被 Mac 的 CPU、記憶體和開機狀態限制。市場會從「一個人在本機叫一個 agent」移到「一個人持續管理一批遠端 agents」。
對早期公司來說，這是一種成長路徑：先解決創辦人自己的高頻痛點，再把產品做成未來模型能力的接收器。模型變強時，產品不是被吃掉，而是更需要一個能協調、審核與收斂工作的操作層。
Charlie 說他們做產品判斷不是靠大量 analytics 或 A/B testing，而是每天用自己的產品。按下按鈕時感覺對不對、開在中間是否讓流程更統一、icons 放在 top bar 是否清楚，這些判斷來自高密度使用。
這不等於反資料，而是早期產品還在形成時，創辦人必須先有品味和約束。Conductor 很 opinionated：workspace 必須產生 PR，不能直接改檔案；AI 可以大膽探索，但核心契約要由人類寫；多數實驗可以被封存，不必每個 idea 都進產品。
他也談到 token maxing。早期他曾在一個月花掉 2.2 萬美元 token，但同時強調不迷信 lines of code。用高 effort 和 fast mode 是為了探索與解題，最終仍要控制 codebase 膨脹。花錢買速度可以成立，但前提是你知道自己在學什麼、刪什麼、留下什麼。
Charlie 用一個很重的比喻：code 變得像 sawdust。以前 code 是你投入時間雕出的結構，現在更重要的是描述你要什麼、怎麼建、怎麼驗收。code 會從過程裡長出來，模型下一代出現時，你甚至可以重新跑 prompt，得到新的 code。
這不代表 code 不重要，而是人的工作位置往上移。Charlie 會把 Codex 當 workhorse，適合長時間 debug 和解特定問題；Claude Opus 比較像創意夥伴，適合新功能和來回討論。創辦人的任務，是知道何時用哪種 agent，並把它們放進清楚流程。
Conductor 的長期想像是可塑軟體。產品骨架要一致、經過設計，但使用者可以像改遊戲模組一樣，把自己的工作流加進去。
這也是這支影片的創業重點。AI coding setup 表面上是工具箱，實際上是早期公司如何分配判斷權：模型做大量嘗試，人類決定產品骨架、品質線、介面品味與市場方向。
AI 讓 code 變便宜，卻讓產品判斷、工作流設計與人類品味變得更貴。
Conductor 的啟示是：別讓 AI 當架構師；讓 AI 在清楚邊界內，把你敢測的想法跑完。
選完之後，分享你的觀點
喜歡這種分析嗎？
從 AI 代理人、創業策略到平台變化，用台灣讀者看得懂的語言，把複雜的產業變局說清楚。目前已有超過 2 萬位讀者訂閱。
免費訂閱區塊勢 →也可以直接付費支持，解鎖每週完整文章