用 AI 轉職 Web 全端：我如何打造一套學習進度追蹤系統

時間回到 2026 年 3 月，我決定辭職，全心投入 AI coding 的研究。

起點：先確認轉職這條路走不走得通

第一步，我得先確認一件事：到底有沒有可能靠 AI 真的轉職成 Web 全端工程師？我的想法是讓 AI 幫我盤點 Web 全端該會的技能，再排成一連串的計劃，好估算大概要花多久學。於是我先用 Claude Code 查找、研究網路上對 Web 全端的職缺需求，再請它整理出一份計劃：假設我是一個遊戲開發者，要跨界轉職前端軟體工程師，那我還缺哪些知識、該怎麼補。

邊做邊學：以「產出目標物」為導向的學習法

我預期的學習方式是「邊做邊學」：直接請 Claude Code 帶著我實作 Web 前端的練習，再由它解釋為什麼這樣做。實作過程中，不論是架站還是遇到錯誤，碰到問題就請 Claude Code 說明——這類問題業界通常怎麼處理？比起傳統「先大量閱讀、吸收零碎知識，再設法把它們拼成上工時能用、能串接的技能」，我更想用一種以「能精準產出目標物」為導向的精準學習法。

最後我請 Claude Code 把整份轉職學習計劃展開，列出我需要學的東西：從最前面的技術選型，到後面的架站，還有各種業界常用的 pattern 與會遇到的問題。他算下來，整份計劃大約需要 12 到 16 週。

計劃要追蹤，否則一定會跟時程脫鉤

多年的工作經驗讓我知道：一份計劃如果沒有持續追蹤與檢視時程，最後一定會跟原訂時間脫鉤。所以我想了個辦法——既然我已經用 AI 來 coding 和解釋，那就乾脆讓 AI 在每個 session 都幫我把這個 session 做了哪些事、我問了哪些問題、過程如何，記成一份筆記，然後 append 到每天的筆記裡做總結。

接著我打算每隔一到兩週，再用 AI 幫我回顧一次：對照實際進度與當初列出的計劃，看是符合時程、超前，還是落後。

note-record：把每個 session 的總結匯流到同一份筆記

為此我用 Claude Code 建了一個 user-level 的 skill，叫做 note-record。它的用途是幫我總結當下 session 做了哪些事、有哪些值得回顧學習的內容，再 append 到執行當天日期的筆記裡。這樣一來，不管我在哪個專案開 Claude Code，都能直接用這個技能，把各 session 的總結匯流到同一份筆記。

一開始用還沒什麼問題，因為我都是開一個 session、做完一件事，就發一次 note-record 總結。

多 session 帶來的衝突

但等我開始用熟之後，我會同時開很多個 session。在多 session 的情況下，如果它們都 append 到同一份筆記，就可能產生衝突；或者同一件事我在好幾個 session 裡問過，造成重複筆記；又或者每次寫筆記前，都得先把既有內容重新消化一遍，再想怎麼把新內容併進去——這樣會浪費很多 token，也會造成 session 之間無法同時執行的衝突。

改造 note-record：每個 session 各寫一個檔

後來我改造了 note-record：執行這個 skill 時，它不再 append 到單一筆記，而是另外開一個 raw 資料夾，裡面放的是每個 session 各自執行的 note-record 筆記。

換句話說，每次執行 note-record 時，它不會去讀既有內容，而是直接用當下的時間來命名、建立一個新的 markdown 檔，把這個 session 的內容直接寫進去，寫到指定日期的資料夾底下。

note-digest：一天結束時的「最終一致性」

等一整天的 agentic coding 結束，我會再用另一個 skill——note-digest——把今天產生的所有 session record 全部集中整理，寫成一份單一日期的總結紀錄。這種感覺有點像自己在 local 端用 AI 做了一套資料庫的「分散式寫入、最終一致性讀取」。

有了這套簡單的追蹤系統，我就能每隔一兩週請 AI 幫我比對原始計劃與實際進度，確認計劃進度有沒有達到目標。