AI Native 工作方式與便捷入口

在 EvoX 的生態中，使用者無需死記硬背安裝指令或繁複介面。藉助 Codex 等具備程式碼理解與執行能力的 AI 工具，研究者只需透過自然對話即可完成環境配置、演算法設計與論文級實驗。入口上移之後，分工也隨之改變：AI 負責把意圖翻譯成可執行的程式碼，研究者負責判斷什麼問題值得研究、什麼結果值得相信。

入口為什麼從「指令」移到「對話」

傳統流程要求研究者先記住框架安裝指令、依賴配置方式與介面呼叫規則，實驗的起點被壓在一串串細節上。AI Native 工作方式把入口上移到意圖表達：你說明任務、約束與驗收標準，工具負責檢查環境、補齊依賴、生成腳本並執行。對已經具備工程經驗的開發者而言，節省下來的時間正好轉移到真正困難的部分——問題定義與結果判斷。

一次對話裡，AI 承擔的工作

• 環境配置：安裝 EvoX 及其依賴，確認 GPU 與 CUDA 環境可用。
• 演算法設計：按任務選擇或生成演算法程式碼，例如為多目標問題搭建 NSGA-II 的族群、交配與突變流程。
• 實驗執行：提交任務、監控運行狀態、返回日誌與失敗原因，並支援在對話中繼續排查。
• 結果整理：彙總指標、繪製收斂曲線與路線圖，輸出可複現的實驗記錄。

示例：倉庫機器人避障尋路

假設要在固定倉庫佈局中為機器人找一條盡可能短、避障平滑的路線。研究者只需描述目標與約束，AI 即可呼叫 EvoX 的 NSGA-II，在 GPU 上並行評價大量候選路線，並給出無碰撞的視覺化路線與優化過程曲線。此時研究者要判斷的是：佈局是否代表真實場景、安全半徑與路徑長度之間的權衡是否合理、結果是否足以支持工程結論。

人的職責上移

工具越容易使用，人的責任越清晰。AI 可以迅速把一個想法變成程式碼，卻不能替你決定這個想法是否值得研究、目標是否表達了真正的問題、比較是否公平。因此真正需要練習的是提問：什麼對象可以改變？什麼回饋能說明變化有效？哪些約束不能被破壞？下一輪應該保留什麼？—— Code is cheap. Taste matters.