
當教練的都知道,不管是線上課還是大班團課,最難的從來不是動作示範,而是沒辦法同時盯著每個學員的角度對不對。這篇文章要教的,是怎麼「用嘴巴講清楚需求」,讓 AI 直接幫你把一個能抓學員動作的小工具做出來,你完全不用自己寫任何程式碼。這個工具做出來後,學員用手機打開瀏覽器就能用,不用額外下載 App。看完這篇文章,你會知道:這個工具背後用了什麼技術(不用懂細節,知道名字就好)、怎麼一步一步跟 AI 講話讓它把工具生出來、以及最後要怎麼讓學員點連結就能用手機使用。
先說清楚一件事:用 Vibe Coding「做出一個能動的版本」真的很快,10 分鐘內就能看到雛形。但如果目標是「準到能實際用在課堂上、學員操作起來不卡頓、判斷角度不會亂跳」,就不是 10 分鐘的事了,通常需要好幾輪的測試跟調整。這篇文章會誠實地把這兩件事分開講,讓你有合理的期待:做出來很容易,但做到「好用」需要花心思。
什麼是 Vibe Coding?
「跟 AI 對話生成程式」這件事,有個新名字叫做 Vibe Coding。簡單說,就是你不用自己寫程式碼,只要像聊天一樣,把你想要的功能講給 AI 聽,AI 就會把程式做出來給你看效果,不滿意的地方再跟它說,它會馬上修改。這就像蓋房子:你不用自己會砌磚頭、拉電線,只要跟工人說「我要三個房間,採光要好」,工人就會蓋出來給你看,不滿意的地方再說一次,工人再改一次。以前要做這種動作偵測的軟體,通常要學過寫程式的人才做得出來,現在靠 Vibe Coding,一般人也能在很短時間內做出一個「真的能動、能用」的版本。
這個工具背後,用的是什麼技術?
先講結論:這篇文章選用一個叫「MoveNet Lightning」的東西,原因很簡單——它跑得快、檔案小,放在網頁上一開就有反應,不會卡頓。
這類軟體要能看懂人的動作,靠的是一種叫「姿態辨識模型」的東西,你可以把它想成是「已經訓練好、專門看得懂人體動作的 AI 眼睛」,你不用自己教它怎麼看,直接借用現成的就好。目前比較常見的「AI 眼睛」大概分三種:
- MediaPipe:Google 做的,除了身體動作,連臉部表情、手指動作都能一起抓,但要抓的東西越多,手機有時候會跑得比較吃力。
- YOLO-Pose:很擅長「一次看很多人」,適合人很多的畫面,但通常要搭配比較專業的電腦環境才能跑得順,不太適合直接放在網頁上讓大家點開就用。
- MoveNet Lightning:專門設計給網頁用的,檔案很小、跑得很快,開網頁馬上就有反應。這篇文章要做的是「網頁版、手機也能開」的工具,三種裡面它最適合。
用 Vibe Coding 打造這個工具,實際要做什麼?
先講結論:整個過程分成四步——「把想要的功能講清楚」「讓 AI 把工具做出來」「打開來測試」「放到網路上分享」。你大部分時間是在跟 AI 對話、看畫面、講哪裡要修改,完全不用碰程式碼。
這是這篇文章的重點,以下是實際可以照做的步驟。
第一步:把想要的功能講清楚,說給 AI 聽
你不需要懂任何技術名詞,只要把「你想要什麼」講清楚就好。可以直接把下面這段文字複製起來,貼給 AI(例如 Claude)看:
請幫我用 HTML + JavaScript,搭配 TensorFlow.js 的 MoveNet Lightning 模型,做一個可以在瀏覽器直接執行的即時姿態偵測網頁。需求如下:
- 打開網頁後會請求使用者的鏡頭權限,並即時顯示鏡頭畫面
- 偵測到人體關節後,在畫面上疊加骨架線條
- 整個功能只用一個 HTML 檔案就能執行,不需要架設伺服器或安裝額外套件
- 畫面版面要能適應手機直向螢幕,方便用手機瀏覽器打開使用
- 優先考慮流暢度與低延遲,盡量減少畫面卡頓
上面這段裡的英文名詞(HTML、JavaScript、MoveNet Lightning),你完全不需要知道是什麼意思,那是講給 AI 聽的「咒語」,AI 看得懂就好,你只要負責把需求講清楚。這段話包含了「功能」「要用的技術」「要在手機上用」「速度要快」四個重點,AI 拿到這些資訊,通常就能一次生成出堪用的完整版本。
提醒:這個階段 AI 做出來的檔案,你在電腦上點兩下打開,通常只能在電腦上測試,手機還打不開,這是正常的。因為手機的瀏覽器基於安全考量,通常要等網頁「真的放到網路上」,才會讓網頁使用鏡頭,不是打開一個存在手機裡的檔案就可以。這件事不用自己處理,先把電腦版做到滿意,之後(第四步)再直接問 AI「我要怎麼讓手機也能打開這個網頁、使用鏡頭」,AI 會告訴你怎麼把檔案放上網路。
第二步:讓 AI 生成程式,你只負責「看」跟「說哪裡不對」
AI 做出程式後,把它打開來測試。這時候你要做的不是改程式碼,而是像驗收作品一樣,講出你看到的問題,例如:
- 「鏡頭畫面是左右相反的,可以幫我翻轉嗎?」
- 「骨架線條太細看不清楚,可以加粗、換成比較亮的顏色嗎?」
- 「感覺畫面會卡頓,可以確認一下是不是用了 Lightning 版本,而不是比較慢的 Thunder 版本嗎?」
- 「手機直向打開時畫面被裁掉了,可以調整成自動符合手機螢幕比例嗎?」
每次你講完問題,AI 都會馬上生出修改過的新版本給你看。這個「看一次 → 講哪裡不對 → 再看一次」的過程,通常重複個 3 到 5 次,就會有一個順順的版本出來,整體花費的時間,比自己從頭學寫程式快很多。
第三步:確認手機也能正常打開使用
姿態辨識軟體要能在手機上用,最重要的是「用鏡頭的權限」跟「畫面大小要對」這兩件事,一樣可以直接問 AI:
- 手機瀏覽器基於安全考量,通常要等網頁「真的放到網路上」,才會讓網頁使用鏡頭,不是隨便打開一個存在手機裡的檔案就可以,這件事下一步就會處理。
- 手機有前鏡頭跟後鏡頭兩個選擇,可以請 AI 加一個「切換鏡頭」的按鈕,讓學員自己選要用哪一個鏡頭拍。
第四步:把做好的軟體變成一個「網址」
軟體測試沒問題後,最後一步是把它變成一個網址,讓別人「點開就能用」,而不是只存在你自己的電腦裡。做法通常有兩種:
- 用免費的網站空間放上去:像 GitHub Pages、Netlify、Vercel 這些服務,都可以免費把你的檔案放到網路上,變成一個網址。不會操作也沒關係,直接問 AI「我要怎麼把這個檔案放到網路上,變成一個網址」,AI 會一步一步教你點哪裡、怎麼上傳。
- 放到公司自己的網站裡:如果公司已經有網站,直接把 AI 做出來的檔案放進網站裡的某個角落,學員只要點一個連結,就能用手機瀏覽器打開、允許用鏡頭,馬上開始使用,不用額外下載安裝任何東西。
走完這四步,一個「打開網頁就能用、手機也能用」的姿態辨識小工具就完成了,而且你從頭到尾沒有寫過一行程式碼。

我們實際帶專案時看到的狀況
我們在幫團隊把 AI 做出來的東西變成真正能對外使用的產品時,發現大家卡關的地方,通常不是技術太難,而是「第一次跟 AI 講需求時,講得不夠清楚」。像「幫我做一個姿態偵測網頁」這種說法,AI 只能用猜的;但如果一開始就講清楚「要放在網頁上」「手機也要能用」「速度要快」這幾個重點,AI 第一次做出來的版本就會好用很多,之後要改的次數也會變少。
但也要老實說:第一版做出來,通常只能算「堪用」,離「好用」還有一段距離。像是動作判斷準不準、畫面會不會抖動、學員在不同光線環境下能不能正常偵測,這些細節往往要花上比做出第一版多好幾倍的時間去來回測試調整。這也是我們幫客戶把想法從「能動的雛型」變成「真的能上線給學員用」的產品時,花最多力氣的地方。


常見問題 FAQ
Q1:我完全不會寫程式,真的能靠 AI 做出這個軟體嗎?
可以。整個過程你只需要清楚講出「想要什麼功能」「哪裡不滿意」,程式碼的部分完全交給 AI 處理,這正是 Vibe Coding 的核心精神。
Q2:這個軟體可以直接在手機上用嗎?需要另外下載 App 嗎?
不需要下載 App。只要用手機瀏覽器打開連結、允許使用鏡頭,就能直接使用,這也是選擇 MoveNet Lightning 這個技術路線最主要的原因。
Q3:MoveNet Lightning 跟其他兩種比起來差在哪?我該怎麼選?
如果你要的是「網頁版、手機能開、速度快」,MoveNet Lightning 最合適;如果你還想連臉部表情、手指動作都一起抓,MediaPipe 比較齊全;如果畫面裡常常同時有很多人,則比較適合 YOLO-Pose,不過通常需要比較專業的電腦環境才能跑得順。
Q4:做出來的軟體要怎麼分享給學員使用?
最簡單的方式是把檔案放到 GitHub Pages、Netlify 等免費網站空間,或直接放上公司網站的某個網址,學員只要點連結、用手機瀏覽器打開就能使用,不需要額外安裝任何東西。
Q5:偵測出來的動作會不會抖動、不準?
有時候光線變化或鏡頭雜訊,會讓偵測出來的骨架有一點點抖動,這是正常現象。這個問題可以直接跟 AI 說「畫面會抖動,幫我加上讓動作變順的處理」,AI 通常就能直接把這個功能補上。
結論
- Vibe Coding 讓姿態辨識軟體的開發門檻大幅降低,不會寫程式也能在 10 分鐘內做出能動的版本
- 但「做得出來」跟「做得好」是兩回事,要做到準確、順暢、學員實際能用,通常需要好幾輪的測試調整,這是正常的過程
- MoveNet Lightning 是「網頁版、手機能用」這類需求下最合適的選擇,免安裝、速度快
- 完成後透過免費網站空間或公司網站部署,就能變成一個誰都能點開使用的連結
如果你也想試試看用 AI 幫自己的想法做出第一個可用原型,歡迎留言或私訊交流,我們很樂意分享更多 Vibe Coding 實作上的眉角。
維特魯威運動科技 專注於協助團隊把 AI 做出來的雛型,快速變成真正能對外使用的產品,這篇文章紀錄的是我們在實作姿態辨識類應用時,最常使用的一套 Vibe Coding 溝通方法。