Stack Overflow：從點子到產品｜DevDay 2026

🧑‍🏫 Stack Overflow 的產品副總分享，團隊怎麼用 OpenAI 的 Codex 同時做兩種很不一樣的產品：一個是規矩很多的企業版，一個是給 AI 用的實驗性新服務。這支值得看，因為它具體說明了什麼時候該把 AI 管緊、什麼時候該放手，也讓人看到「AI 不只查資料，還會回頭貢獻知識」這個新方向。

• 00:00 Stack Overflow 的 VP of product Alex Lado 上台，分享團隊大量使用 Codex 的幾個專案、實務技巧與心得。
  ↳ Stack Overflow 是工程師最常用來問程式問題的問答網站。產品副總 Alex Lado 上台分享，團隊大量使用 Codex（OpenAI 會自己寫程式的 AI 工具）做了哪些專案、學到哪些經驗。
• 00:33 另一個主題是在 agent-first 世界打造產品：現在和 Stack Overflow 互動的不只人類，還有 agent。
  ↳ 第二個主題是：agent（能自己動手完成任務的 AI）現在也會上 Stack Overflow 查答案。所以產品不能只為人設計，也要想好 AI 會怎麼用。
• 01:05 Alex 負責 Stack Overflow 的所有產品，包括公開平台，以及兩個新產品 Stack Internal 和 Stack Overflow for agents。
  ↳ Alex 負責 Stack Overflow 的所有產品：大家熟悉的公開問答網站，加上兩個新產品。一個給公司內部用（Stack Internal），一個專門給 agent 用。
• 01:36 Stack Internal 是新的 enterprise 產品，必須能應付大規模部署，定位是 knowledge intelligence 產品。
  ↳ Stack Internal 是賣給企業（enterprise）的版本，要能一次讓上萬人使用。它不只是存資料，而是把公司裡散落的知識整理成可信的答案，所以定位是「知識智慧」產品。
• 01:36 Stack Overflow for agents（簡稱 SOFA）是小型實驗性產品，主要給個人使用，而且是 agent first。兩個產品都在 SDLC 的不同環節大量使用 Codex。
  ↳ SOFA 是小規模實驗，給個人使用，一開始就把 agent 當主要使用者。SDLC 指軟體從規劃、寫程式、測試到上線的整個流程，兩個產品在各個階段都大量靠 Codex。
• 02:40 SOFA 一開始只有一個假設，團隊想做得 scrappy 一點。他們給 Codex 很大的自由：先提供公司的架構 golden paths，再讓它 go rogue，自己提出該做哪些決策、有哪些限制，並建出整體 container。
  ↳ SOFA 只是要驗證一個點子，所以求快、不求完美（scrappy）。團隊先給 Codex 公司慣用的標準架構做法（golden paths），再放手讓它自己決定怎麼蓋、有哪些限制要顧。
• 02:40 Stack Internal 要部署給既有客戶，客戶規模從 150 到 10,000 seats，大型銀行甚至有 50,000 seats，還要支援 on-prem，限制多很多。
  ↳ Stack Internal 是給現有付費客戶用的。seats 指授權使用人數，客戶從 150 人到上萬人都有。還要支援 on-prem，也就是裝在客戶自己的機房，不放在雲端。
• 03:10 因此做 Stack Internal 時對 Codex 的指示寫得很明確：先提供服務之間既有的架構契約和現行架構，要它在這個安全範圍內開發，並刻意保留 human in the loop。
  ↳ 所以這邊不能讓 Codex 自由發揮。團隊先告訴它各系統之間已經約定好的串接規則和現有架構，要它只在這個範圍內做，而且每一步都刻意安排人來檢查（human in the loop）。
• 03:40 企業產品的複雜度需要先餵給 Codex 足夠 context。除了架構，還要讓它知道企業的需求，例如誰能看到什麼資料、如何避免 data leakage，以及確認提問者是否有權限存取該主題。
  ↳ 企業版很複雜，得先把背景資訊（context）講清楚給 Codex。除了架構，還有誰能看哪些資料、怎麼避免資料外洩（data leakage），以及提問的人有沒有權限看這個主題。
• 04:10 企業端還有不同的授權模型、不同資料來源、on-prem 與雲端等差異，都要帶著 Codex 一步步處理。非企業產品是全新架構，可以直接說出想要的成品，讓 Codex 提出最佳做法。
  ↳ 企業端還有各種授權方式、資料來源，以及機房和雲端的差別，都得帶著 Codex 一步步做。全新產品沒有包袱，直接描述想要的成品，讓 Codex 自己提出最好的做法。
• 04:43 主持人問：在「is grep all you need」的時代，處理企業多元資料來源的答案似乎是否定的，Alex 也回答「No」。
  ↳ 「is grep all you need」是在問：AI 只用最簡單的文字搜尋（grep）找資料，這樣就夠了嗎？面對企業五花八門的資料來源，Alex 的回答是：不夠。
• 04:43 企業裡每個人每天都在產生 context，例如 Slack 討論串、MS Teams、Google 文件。這些內容會被反覆編輯、分享，還附帶權限，乘上每位員工就是 10 倍的複雜度。
  ↳ 公司裡每個人每天都在 Slack、Teams、Google 文件產生資訊。這些內容會一改再改、轉來轉去，每份還各有誰能看的設定，再乘上員工人數，複雜度就翻了十倍。
• 05:14 Stack Internal 是 knowledge intelligence layer：深入原始 context，加以結構化與整理，再套用 Stack Overflow 的核心價值「信任」，也就是驗證。
  ↳ knowledge intelligence layer 的意思是：把這些原始資訊挖出來、整理成有條理的知識，再加上 Stack Overflow 最在意的「信任」，也就是確認內容正確、可以用。
• 05:14 要進入這些系統，就得處理 data leakage、隱私、governance 等一長串事項，而且必須從頭到尾都遵守。
  ↳ 要讀取這些公司系統，就得處理資料外洩、隱私、governance（公司對資料使用的管理規範）等一大串要求，而且從頭到尾每一步都要守住。
• 05:45 Slack、Google Docs、JIRA ticket、Confluence 頁面存放資訊的方式完全不同。每家企業設定 JIRA 的方式也不一樣，這些差異 Stack Overflow 都得一併承接。
  ↳ Slack 訊息、Google 文件、JIRA 工單（追蹤工作進度的工具）、Confluence 頁面（團隊共筆空間），存資料的方式都不一樣。每家公司的 JIRA 設定又各有不同，這些都得處理。
• 06:19 Codex 提出 archetype 的概念，也就是不同來源之間共有的模式。例如 document archetype 可以涵蓋 Google Docs、MS Teams 附件、Confluence、Notion。
  ↳ Codex 想出 archetype（共通類型）的做法，也就是找出不同來源的共同樣子。例如 Google 文件、Teams 附件、Confluence、Notion 本質上都是「文件」，可以歸成同一類處理。
• 06:19 有了 archetype，就能針對某一類 archetype（例如 document）建立 API。Codex 能看出某個模式出現在 10 個來源中，並確保下游都接得上。
  ↳ 分好類以後，只要為「文件」這一類寫一套串接介面（API），不用每個來源各寫一套。Codex 能看出同一個模式出現在十個來源，並確保後面的流程都接得上。
• 06:49 這套邏輯原本要花好幾週才能做完，Codex 只用了幾天。
  ↳ 這套整理資料來源的邏輯，原本要花好幾週才能做完，Codex 只用了幾天。
• 06:49 主持人補充：重點不只是檢索效能。不同來源的權威性不同，例如 Slack 或 Teams 訊息；還要考慮資料新鮮度。拆成 archetype 有助於替各來源加上背景 context。
  ↳ 主持人補充：重點不只是找得快。不同來源的可信度不同，Slack 閒聊和正式文件的分量不一樣，也要看資料新不新（data freshness）。分類後，比較好替每個來源標上這些背景。
• 07:20 Codex 承擔了資料匯入的前期工作，工程師就能專心處理困難的決策：如何套用「信任」。例如判斷 Alex 昨天的 Slack 討論串是否比某人 3 月的討論串更有權威性。
  ↳ Codex 包辦了把資料接進來的苦工，工程師就能專心想難題：怎麼判斷可信度。例如 Alex 昨天在 Slack 的討論，是否比別人三月的討論更可靠。
• 07:54 團隊不希望工程師把心力浪費在「怎麼把各種來源接進系統」，而是專注萃取價值、交付給客戶，這部分的工作量都由 Codex 承擔。
  ↳ 團隊認為，工程師的時間不該耗在「把各種來源接進系統」這種體力活上，而要花在從資料中挖出價值、交付給客戶。接資料的工作量就交給 Codex 承擔。
• 07:54 主持人提到，在 OpenAI 的開發者體驗團隊觀察到，現在看文件的往往不是人，而是被使用者指向文件的 agent，所以網頁體驗要同時為 agent 和人類設計。
  ↳ 主持人觀察到，現在很多說明文件其實是 agent 在讀：使用者會叫 AI 去看文件。所以網頁要設計得讓 AI 也讀得懂，不能只顧給人看。
• 08:25 Stack Overflow 一直是由人類主導的社群，是預設開放的公開平台。Alex 的任務是規劃下一章：讓人類和 agent 一起消費、也一起貢獻知識。
  ↳ Stack Overflow 過去是由人主導、預設對外公開的問答社群。Alex 要規劃下一階段：讓人和 agent 都能來查知識，也都能貢獻知識。
• 08:56 要面對的問題包括：moderator 的角色怎麼調整、問題與答案怎麼處理、被標為重複而關閉的問題怎麼辦。
  ↳ 這會牽動很多既有規則：moderator（維持秩序的版主）的角色要怎麼調整？問題和答案要怎麼管？以前被判定重複而關閉的問題又該怎麼處理？
• 08:56 SOFA 採用獨立架構以加快速度。團隊告訴 Codex 他們的想法，請它找出讓 agent 能在平台上貢獻內容的產品或設計體驗。
  ↳ SOFA 為了求快，用了一套跟主站分開的獨立架構。團隊把想法告訴 Codex，請它設計出讓 agent 能在平台上發文、貢獻內容的產品體驗。
• 09:27 發想階段，Codex 建議保留 Stack Overflow 的品牌特色，把 agent 的身分綁定到它的人類使用者。這個點子來自它掌握的品牌規範與公司歷史 context，最後也照此實作。
  ↳ 發想時，Codex 建議保留 Stack Overflow 的品牌特色，並讓每個 agent 都綁定一位真人使用者。這個點子來自它掌握的品牌規範和公司歷史資料，團隊最後也照做。
• 09:58 SOFA 是公開平台，agent 可以把在 production 中學到的東西推回社群，而不只是當一直消費內容的 lurker。
  ↳ SOFA 是公開平台。agent 在實際上線運作的環境（production）裡學到的東西，可以分享回社群，而不是只當只看不發言的潛水者（lurker）。
• 09:58 agent 修好問題後，可以發一種叫 TIL（Today I Learned）的貼文，例如分享某種架構或語言的 blueprint。
  ↳ agent 修好一個問題後，可以發一篇 TIL（Today I Learned，今天學到的事）貼文，例如分享某種架構或程式語言的解法範本（blueprint）。
• 09:58 演進方向：agent 不只透過 MCP 消費知識，也能把知識推回去，這對 Stack Overflow 是全新概念。
  ↳ MCP 是讓 AI 連接外部工具和資料的通用規格，agent 原本透過它來 Stack Overflow 拿知識。現在的方向是讓 agent 也能把知識送回來，這對 Stack Overflow 是全新做法。
• 11:03 團隊仍在實驗要給 agent 多少自主權。agent 綁定的人類有 reputation（包括 Stack Overflow 的 reputation 點數），而 agent 是以使用者的名義發文。
  ↳ 要讓 agent 自己做主到什麼程度，團隊還在實驗。因為 agent 是以綁定的真人名義發文，發錯內容會傷到那個人的 reputation（在站上累積的聲望點數和名聲）。
• 11:03 自主程度可以設定：例如「沒經過我同意不准發任何東西」，或「遇到某個主題就 go rogue 盡情發揮」。
  ↳ 自主程度由使用者自己設定。可以設成「沒經過我同意什麼都不准發」，也可以設成「碰到某個主題就讓它自己放手發」。
• 11:33 agent 也能驗證既有內容：遇到有公開答案的問題時，它會把建議拿到 production 測試，再回報「我試過，這招無效，這樣才修好」，補齊 agent-first 知識的循環。
  ↳ agent 也能幫忙驗證舊答案：遇到已經有公開解法的問題，它會實際拿去測試，再回報「這招沒用，這樣才修好」，讓知識持續被檢驗、更新。
• 12:07 主持人總結三個重點：企業產品從較多 guardrail 起步，新專案則讓 Codex 自由發揮；用 archetype 處理多元資料來源；agent-native 代表讓 agent 回到貢獻新知識的循環中。
  ↳ 主持人總結三點：企業產品先設好防護限制（guardrail）再做，新專案就讓 Codex 放手做；用共通類型處理多種資料來源；agent-native 就是讓 agent 也回頭貢獻新知識。
• 12:37 企業／組織產品（knowledge intelligence layer）的第一版預計隔天發布；Stack Overflow for agents 已開放免費試用，歡迎大家試用並回饋意見。
  ↳ 企業版第一版預計在演講隔天推出。給 agent 用的 SOFA 已經可以免費試用，團隊希望大家試試看並給意見。

根據影片，Codex 建立跨資料來源的 archetype 邏輯花了多久？