我每週都會跟美國同事開會。兩個月前，我連 CLI 是什麼都不知道。但這不是故事的開頭。真正的起點是某場會議裡，我對著螢幕停了三秒，對方在等我回答。我腦袋裡有完整的技術邏輯：「3D 轉檔圖面有破面、幾何資料異常、可能影響後續開模精度。」然而最後我只講出一句：「No, it’s broken.」
那句話太粗糙了。那不是我真正想說的話。但在會議當下，我講不出來。
為了彌補這個差距，我試過各種方法。打開字幕、用即時翻譯、把會議錄音存下來，隔天再重聽，確認自己沒有漏掉關鍵細節。我也試過學習 App，練商務英文、文法與主題課程。那些內容沒有問題，只是它們提供的是通用場景，而我的需求其實很具體。
我要練的是：
「怎麼跟設計師解釋矽膠材料的製程限制，修改成可行方案。」
「怎麼在部門會議裡提出我的意見、讓對方接受我的提案。」
有一段時間，ChatGPT是我的英文口說好朋友。把當天要討論的專案內容整理成文字，請它模擬對方角色與我對話。它的理解能力太強了，不管我用什麼破英文，它都聽得懂，這讓我能在安全的環境裡練習開口。然而幾輪之後，我開始察覺到問題，對話是即時的，修正是一次性的，幾句之後它往往會偏離角色，開始給出泛泛的鼓勵與建議。
我不需要一個傾聽者。
我需要的是一個會指出問題的教練。
慢慢地，我開始把商務會議拆解開來，它其實有結構。一部分是可控的，例如專案更新、預期問題與固定的討論節奏，這些都可以事先練習；另一部分是不可控的，即興討論與臨時質疑，但即使如此，也可以在會後回顧與優化。如果把會議視為訓練素材，而不是一次性事件，如果把逐字稿轉化為有角色、有衝突與任務設定的對話場景，並且讓每一次修正都能被記錄與分類，那麼練習是否會更接近真實場景？
那時候，我還不會VibeCoding。我不知道 Git workflow 怎麼運作，不知道資料庫怎麼串接，也不知道 API Key 應該放在哪裡。但我已經很清楚我要解決的問題。
於是，我決定自己做一個。
Coach AI 是什麼
Coach AI 是一個商務英語對練工具。
它的核心不是教英文，而是把真實工作場景轉化為可反覆演練的對話情境。
系統會拆解專案背景與角色，重建可重新練習的場景。一次性的會議，不再只發生一次。
Fig. 1 Material Library Dashboard — Uploaded transcripts are structured into reusable speaking scenarios.
例如，某一場跟美國 PM 討論產品開發時程的會議紀錄，Coach AI 會從中拆解出多個可練習的情境，每個情境都對應一段具體的主題。
Fig. 2 Scenario Selection — Each meeting generates targeted real-world practice situations.
點進去情境後，會看到任務簡報：
這一步確保練習有明確目標、要解決的問題，而不是隨機對話。
Fig. 3 Mission Briefing — Roles, objectives, and conflict points are defined before practice begins.
接著，你可以用語音或文字進行對練。AI 會持續追問、質疑、要求具體化。
Fig. 4 Live Practice Session — A simulated stakeholder challenges your response in real time.
練習結束後，系統會給出整體評估與逐句優化建議，指出哪些表達過於籠統，哪些說法可以更專業，並自動整理值得記憶的詞彙與句型。
Fig. 6 Practice Summary Report — Performance metrics and improvement areas are consolidated into a final evaluation.
整個流程其實很單純：
分析 → 對練 → 複盤 → 累積
暫停一下
接下來的重點不是擴充功能，而是使用回饋。我會每週固定用它練習，累積真實體驗，再決定下一步。包含將「練習後的回饋循環」做得更完整。現在練完會有報告，但報告裡的建議還沒有很好地串回下一次練習。
我希望做到：上週練習時常犯的錯誤，這週系統會特別針對那些點設計新情境。
如果這套邏輯真的有效，我可能會把「用真實素材練習」這個框架抽象化，延伸到簡報、談判或其他溝通場景。但這是之後的事了。
這篇文章的意義，不在於工具本身。而在於我開始把「寫程式」納入我的問題解決工具箱。我沒有變成另一種人。只是多了一種建構方式。我做出了第一個完整可運行的 AI 工具。
這只是開始。
若想知道Coach AI更多細節，可參考下方
Coach AI 主要功能
1. 逐字稿分析
- 上傳會議紀錄（.txt ）
- AI 自動辨識產業、參與者、關鍵字
- 產出 3-6 個練習情境
2. 情境對練
- 語音模式：即時語音對話，像真的在開會
- 文字模式：打字練習，適合想仔細斟酌用詞的時候
- 角色選擇：你可以選擇扮演哪一方
3. 練習報告
- 整體評分（詞彙精準度、商務專業度、溝通清晰度）
- 逐句優化建議（對比你說的 vs. C2 級別怎麼說）
- 自動擷取值得記憶的詞彙和句型
4. 學習累積
- 專業詞彙庫：練習中遇到的關鍵詞彙（目前累積 103 個）
- 金句庫：AI 建議的更好說法
- 待改進區：標記需要加強的表達
- 弱點分析：系統會追蹤你的常錯句 TOP 3
技術上怎麼做到的
（給有興趣的人）
前端用 React + TypeScript + Vite，跑在本地端。
AI 由三個 Gemini 模型分工處理：
- 文字分析與報告生成
- 即時語音對話
- 文字轉語音播放
資料庫用 Supabase。有做 Row Level Security，每個用戶只能看到自己的資料。
開發過程中最大的坑是：Google AI Studio 適合快速做原型，但不適合串接後端資料庫。我在上面卡了很久，後來才搬到本地端用 Claude Code 開發。
現狀與限制
可以用的：
- 完整的分析 → 練習 → 報告流程
- 語音和文字兩種對練模式
- 雲端同步（登入後資料不會丟）
- 個人弱點追蹤（常錯句 TOP 3）
還沒做完的：
- 手機版（已完成響應式設計，Vercel 部署測試中，很快可以隨身用）
- 離線模式
- 更細緻的學習進度分析
限制：
- 需要準備會議逐字稿或專案文件
- AI 對練的聲音目前只有英文
- 免費額度有限，重度使用需要自己申請 Gemini API Key
如果你有什麼想法，歡迎交流。：）