DoorDash 讓每位員工都用上 Claude Code（第 1/2 段）
🏦 台灣Pay 銀行轉帳 💙 PayPal
DoorDash 受訪者分享個人 Claude Code 用法，以及公司如何推廣 AI 並提升產出
- 00:09 DoorDash 本週推出 Cowork，目標是「拉高底線」（raise the floor），提升全公司的 AI 素養
- 06:46 DoorDash 在 2025 年某時導入 Claude Code
- 12:22 做法：找出成功案例、請他們發表書面成果；目前挑選少數團隊深入執行，看他們做出什麼
💡 你可以怎麼用：把你用的 AI 接上信箱、行事曆這些每天在用的工具，之前 AI 做不成的點子先記下來，等新模型推出再試一次。也可以找同事開一個小頻道，互相分享哪些用法有效、哪些白白浪費時間。
看全部 45 條重點
🧑🏫 DoorDash 在 2013 年創業時，受訪者就在史丹佛宿舍親手寫過公司的程式，後來公司變大就沒再寫了，直到用 Claude Code 才又把程式上線。這一段講兩件事：受訪者自己怎麼用 AI 寫程式，還有 DoorDash 怎麼讓全公司都用起 AI、讓產出明顯增加。想知道一家大公司實際怎麼推 AI，可以參考這段。
- 00:09 DoorDash 本週推出 Cowork，目標是「拉高底線」（raise the floor），提升全公司的 AI 素養↳ Cowork 是 DoorDash 本週在全公司推出的 AI 工具。「拉高底線」（raise the floor）指的是讓最不熟 AI 的人也跟上，不是讓高手更強。
- 00:09 連工程部門以外的人都已大量使用 Claude Code，會用 terminal 寫程式、上線很多東西↳ Claude Code 是會寫程式的 AI 助手，terminal 是電腦上打指令的文字視窗。重點是連非工程師都在用它寫程式，還做出不少上線的東西。
- 00:39 很多人（包括高層）還把 AI 當成單純的聊天工具；接上 Gmail、Google Calendar、Slack 後，才發現知識工作效率提升↳ 很多人（主管也一樣）只把 AI 當成問答聊天用。讓它連上 Gmail、Google 行事曆和 Slack（公司通訊軟體），能直接碰到你的工作資料以後，才真的省到時間。
- 00:39 Claude 在全公司普及後，DoorDash 看到產出（throughput）大幅增加↳ throughput 指團隊寫程式、交付成果的量。Claude 在公司普及之後，這個量明顯變多。
- 01:10 受訪者 9 歲第一次接觸寫程式：媽媽送哥哥去程式營，受訪者跟著去，結果是受訪者學起來了↳ 小故事：原本是哥哥要去程式營，受訪者只是跟著去，最後學會寫程式的反而是受訪者。
- 01:10 2013 年受訪者在 Stanford 宿舍親手寫 DoorDash 的程式；公司規模變大後就不再寫程式↳ 2013 年 DoorDash 剛起步，程式是受訪者在史丹佛宿舍親手寫的。公司變大後，受訪者轉去做管理，就不再寫程式了。
- 01:41 直到開始用 Claude Code，受訪者才再次把 production code 上線到公司的 code base↳ production code 是正式上線、用戶會用到的程式，code base 是公司全部的程式碼。多年沒寫程式的受訪者，靠 Claude Code 又把程式上線了。
- 01:41 寫程式通常用 terminal，有時試用 desktop app↳ 受訪者多半在 terminal 裡用 Claude Code，偶爾也會試試有圖形介面的桌面版 app。
- 02:12 受訪者給自己訂的目標：不手動寫程式，幾乎全部交給 Claude Code 這個 agent 寫↳ agent 指能自己規劃步驟、自己動手做事的 AI。受訪者刻意規定自己不親手寫程式，幾乎全部交給 Claude Code 去寫。
- 02:12 設定多個 repository；同一個 repo 要開多個 session 時用 work tree 避免衝突，通常同時跑幾個 session↳ repository（repo）是放一個專案程式的地方，session 是一次 Claude Code 工作。work tree 能讓同一個 repo 分成幾份獨立的工作區，幾個 AI 同時改也不會打架。
- 02:44 第一次嘗試不求助任何人、把功能上到 production，失敗了，因為 agent 搞不懂怎麼正確設定本機環境↳ 第一次想完全不問同事、只靠 AI 把功能上線，結果失敗了。卡在「本機環境」：要讓程式在自己電腦上跑起來需要一堆設定，AI 搞不定。
- 03:14 2026 年初再試一次同樣的事，直接就成功了；最新模型出現「自己想辦法解決」的轉折點↳ 2026 年初用新模型做同一件事，一次就成功。差別在新模型卡關時會自己想辦法，不會停下來等人幫忙。
- 03:14 受訪者曾用五種不同程式語言把程式上到 production；強調不逼自己實際玩很難相信↳ 受訪者用 AI 在五種不同程式語言的專案裡都成功上線過，也強調這種事光聽很難相信，要自己動手試過才會懂。
- 03:44 用舊模型做不成的點子，過幾個月用新模型重試，有時就成功了↳ 之前 AI 做不到的事先別放棄，記下來，幾個月後模型升級了再試一次，常常就成功了。
- 03:44 DoorDash 要團隊「unlearn」：丟掉自己的點子沒關係，別對自己做的東西太執著↳ unlearn 就是把舊習慣放掉。模型進步很快，昨天花心血做的東西，今天可能就有更好的做法，要捨得丟。
- 04:15 模型能力變化很快，不論是自己的 setup 還是正在做的 agent，都要跟著重新設計↳ setup 指你用 AI 的那套工作設定。模型能力一直在變，不管是自己的用法，還是公司正在開發的 AI 工具，都要定期重新設計，不能做完就不管。
- 04:15 建議每位 engineering manager 設目標親自把 production code 上線（不是 prototype），走完 DoorDash 所有流程↳ engineering manager 是帶工程團隊的主管。建議他們親手把一個真的功能上線，不是只做個試做版（prototype），而且要走完公司所有正式流程。
- 04:45 親自上線能看清模型能力，也能看出工程師被什麼卡住、為何無法更快↳ 主管自己做過一次，才知道 AI 現在真正做得到什麼，也才看得到工程師實際卡在哪些流程、為什麼快不起來。
- 04:45 在 DoorDash 最能打動人的訊息：公司投資在員工身上，提供 token 預算與工具讓大家探索 coding agent↳ token 是計算 AI 用量的單位，用越多花越多。最能打動員工的是公司願意出錢，給大家額度和工具，讓大家放心去試。
- 05:46 新工作方式的代價：多個 agent 同時跑、不斷 context switching，有時非常耗腦力↳ context switching 是注意力在不同工作之間來回切換。同時指揮好幾個 AI 做事，要一直切過去盯進度，其實很耗腦力。
- 05:46 程式量暴增帶來新問題：大家抱怨 merge 太久，很多 CI/CD 流程需要重新設計↳ merge 是把新寫的程式併進主程式，CI/CD 是程式自動檢查、測試到上線的流程。程式一多，這些關卡就塞車，得重新設計。
- 06:16 DoorDash 投資 AI code review agent，讓 review 變容易↳ code review 是上線前由別人檢查程式有沒有寫對。DoorDash 做了專門檢查程式的 AI，減輕人工審查的負擔。
- 06:16 資安問題變多（不只 DoorDash，整個產業都是），要讓 AI 在上 production 前幫忙抓出，像貓抓老鼠↳ 程式變多，資安漏洞也跟著變多，整個產業都一樣。對策是讓 AI 在上線前先把漏洞抓出來，一邊冒出來一邊抓，像貓抓老鼠。
- 06:46 DoorDash 在 2025 年某時導入 Claude Code↳ DoorDash 是在 2025 年的某個時間點開始導入 Claude Code。
- 06:46 與 IT、資安團隊合作，為 AI 工具設立特別的採購與審查流程，讓員工幾乎馬上能用↳ 公司買新軟體，通常要跑很久的採購和資安審查。DoorDash 替 AI 工具開了一條專用的快速通道，員工幾乎馬上就能用。
- 06:46 真正的轉折點大約在去年底或今年初；Claude Code 採用率與團隊產出呈現相關↳ 效果真正明顯是在去年底到今年初。Claude Code 用得越多，團隊的產出也跟著越高，兩者一起往上走。
- 07:16 成功來自高層支持，加上 IT、資安、工程合作；一開始預算別卡太緊，優先讓人探索↳ 成功的關鍵是高層支持，加上 IT、資安、工程三方合作。一開始預算別管太死，先讓大家敢用、敢試。
- 07:47 給人探索空間，同時設好護欄；資安不能妥協，資安團隊全程參與↳ 護欄就是事先設好的安全限制。可以放手讓大家玩，但資安底線不能退，資安團隊從頭到尾都要參與。
- 08:18 初期做法：先把工具發給大家，看誰是早期採用者、他們覺得什麼有效↳ 一開始不急著訂規則，先把工具發下去，看哪些人最早用起來，他們又覺得哪些用法有效。
- 08:18 之後推廣成功案例（專案或人），讓這些人成為團隊裡的推廣者↳ 接著把做得好的專案或人拿出來分享，讓這些人在自己的團隊裡帶其他人一起用。
- 08:48 強調盡量產出能分享給全公司的書面成果；但以公司規模很難統一執行↳ 公司希望大家把心得寫成文件，讓全公司都看得到；不過公司太大，很難要求每個人都做到。
- 08:48 每個團隊要有自己的頻道或論壇，讓人自在分享成功與失敗↳ 每個團隊都要有自己的討論頻道或論壇，讓大家不用顧面子，成功和失敗都能拿出來講。
- 09:19 失敗也要分享，例如沒用的 workflow、浪費大量 token 的 integration↳ 失敗經驗也有價值，像是沒用的工作流程，或很燒 token 的串接（integration，把 AI 接上其他系統）。說出來，別人就不會再踩一次。
- 09:19 現在全公司普遍使用 Claude Code，或在其他 harness 裡使用 Claude 模型↳ harness 是讓 AI 模型能真的動手做事的外層工具，Claude Code 就是其中一種。現在全公司都在用 Claude Code，或在其他 harness 裡用 Claude 模型。
- 09:49 大量投資自動化以吃下產出成長，包括 CI/CD，以及用 Claude 打造 AI code review agent↳ 產出變多，後面的檢查和上線流程也要跟得上，所以公司大量投資自動化，包括 CI/CD 和用 Claude 做的程式檢查 AI。
- 09:49 內部平台 Flux：在 DoorDash 雲端的 VM 上啟動經資安認可、有合適工具的 Claude session↳ VM 是雲端上的虛擬電腦。Flux 是 DoorDash 的內部平台，能在自家雲端開出通過資安認可、工具都配好的 Claude 工作環境。
- 10:20 AI code review agent 就跑在 Flux 上；平台是用 Agent SDK 和 Claude 模型打造↳ Agent SDK 是用來打造 AI agent 的開發工具包。DoorDash 用它加上 Claude 模型做出 Flux，程式檢查 AI 也是在 Flux 上跑。
- 10:50 做法是一次解決一個瓶頸，接著突破下一道牆↳ 他們不會一次規劃好全部，而是先解決目前最卡的地方，解決完再處理下一個卡點。
- 10:50 要求設計師把程式上到 production，過程不完全順利，但方向很好，讓設計師融入軟體開發流程↳ DoorDash 要求設計師也親手把程式上線。過程中有卡關，但方向是對的，設計師也因此真正參與到開發流程裡。
- 10:50 現在很多頂尖團隊的設計師和 PM 都直接參與開發週期，也都用 Claude↳ PM（產品經理）負責決定產品要做什麼。現在很多頂尖團隊的設計師和 PM 也直接參與開發，而且都在用 Claude。
- 11:21 給全團隊的挑戰：用 AI 讓專案時間縮短 3 到 5 倍；設下這種限制會暴露出各種問題↳ 要求團隊用 AI 把專案時間縮短到原本的 1/3 到 1/5。目標訂得這麼極端，流程裡哪裡卡、哪裡沒效率，就全部浮出來了。
- 11:21 很多挑戰在於怎麼用 coding agent、怎麼用標準化的 skills，讓大家都學到最高產那群人的經驗↳ skills 是整理好、可以重複使用的 AI 做事方法。難的是把最會用 AI 那群人的做法標準化，讓大家都能照著做。
- 11:51 一位工程師完成大型 code migration：以前要 4 名工程師花超過一季，他一人 3 週完成↳ code migration 是把大量現有程式搬到新系統或改成新寫法。以前要 4 個工程師花超過一季，這次一個人 3 週就做完。
- 11:51 有些大型產品時程縮短超過一半，上市時間大幅提前↳ 有些大型產品的開發時程縮短了一半以上，能比原本早很多推出給用戶。
- 12:22 做法：找出成功案例、請他們發表書面成果；目前挑選少數團隊深入執行，看他們做出什麼↳ 他們持續找出成功案例，請這些人把做法寫下來；目前先挑少數幾個團隊深入去做，看能做出什麼成果。
📘 術語
Cowork（Cowork（產品名））：DoorDash 全公司推出的工具，用來拉高 AI 素養，可接 Gmail、Google Calendar、Slack
raise the floor（拉高底線）：提升全公司 AI 使用程度最低那群人的水準
throughput（產出量）：團隊寫程式與交付的量；DoorDash 看到它隨 Claude Code 採用而增加
terminal（終端機）：受訪者寫程式時通常使用 Claude Code 的地方
session（工作階段）：一個 Claude Code 對話與執行；受訪者會同時跑好幾個
repository（程式碼儲存庫）：受訪者設定了多個 repository
work tree（工作樹）：同一個 repo 開多個 session 時用來避免衝突
production（正式環境）：真正上線的環境；和本機就能做的 prototype 不同
prototype（原型）：在本機 setup 就能輕鬆做出的東西，不是正式上線的程式
token budget（token 預算）：公司提供給員工使用 coding agent 的額度
context switching（切換情境）：很多 agent 同時跑，要不斷切換注意力，很耗腦力
CI/CD（持續整合／持續部署）：程式合併上線的流程；程式量變多後需要重新設計
AI code review agent（AI 程式碼審查 agent）：DoorDash 用 Claude 打造，讓 review 更容易，跑在 Flux 上
harness（執行框架）：字幕提到在 Claude Code 以外的其他 harness 使用 Claude 模型
Flux（Flux（內部平台））：DoorDash 雲端的 VM 平台，可啟動經資安認可的 Claude session
VM（虛擬機）：Flux 平台在 DoorDash 雲端上用的機器
Agent SDK（Agent SDK）：DoorDash 用它和 Claude 模型打造 Flux 平台
skills（skills）：標準化的 skills，讓大家都能學到最高產那群人的經驗
code migration（程式碼遷移）：例子：原本要 4 人超過一季，一人 3 週完成
raise the floor（拉高底線）：提升全公司 AI 使用程度最低那群人的水準
throughput（產出量）：團隊寫程式與交付的量；DoorDash 看到它隨 Claude Code 採用而增加
terminal（終端機）：受訪者寫程式時通常使用 Claude Code 的地方
session（工作階段）：一個 Claude Code 對話與執行；受訪者會同時跑好幾個
repository（程式碼儲存庫）：受訪者設定了多個 repository
work tree（工作樹）：同一個 repo 開多個 session 時用來避免衝突
production（正式環境）：真正上線的環境；和本機就能做的 prototype 不同
prototype（原型）：在本機 setup 就能輕鬆做出的東西，不是正式上線的程式
token budget（token 預算）：公司提供給員工使用 coding agent 的額度
context switching（切換情境）：很多 agent 同時跑，要不斷切換注意力，很耗腦力
CI/CD（持續整合／持續部署）：程式合併上線的流程；程式量變多後需要重新設計
AI code review agent（AI 程式碼審查 agent）：DoorDash 用 Claude 打造，讓 review 更容易，跑在 Flux 上
harness（執行框架）：字幕提到在 Claude Code 以外的其他 harness 使用 Claude 模型
Flux（Flux（內部平台））：DoorDash 雲端的 VM 平台，可啟動經資安認可的 Claude session
VM（虛擬機）：Flux 平台在 DoorDash 雲端上用的機器
Agent SDK（Agent SDK）：DoorDash 用它和 Claude 模型打造 Flux 平台
skills（skills）：標準化的 skills，讓大家都能學到最高產那群人的經驗
code migration（程式碼遷移）：例子：原本要 4 人超過一季，一人 3 週完成
✏️ 小考一題
根據影片，DoorDash 的 AI code review agent 是跑在哪裡？
A. 每位工程師自己的筆電 terminalB. Cowork 裡接上 Slack 的整合C. CI/CD 廠商提供的外部服務D. 內部平台 Flux，在 DoorDash 雲端 VM 上啟動 Claude session看答案
答案：D。[10:20] 受訪者說 AI code review agent 是架在 Flux 平台上；[09:49] 提到 Flux 是在 DoorDash 雲端 VM 上啟動 Claude session 的內部平台
💛 覺得有幫助？支持一下
課本免費、沒有廣告，支持與否都能照常讀 🐰