從 Code Copilot 到 Workflow Architect：AI Agent 如何重組我們的工程工作流

近期 AI Agent 的發展，已遠遠超越單純的程式碼補全。它們正從被動的「Copilot」演變為主動的「執行者」，開始接手需求理解、流程拆解與工具串接。這意味著工程師的核心價值，將從親手實現（implementation）轉向更高層次的工作流設計（workflow design）。這不僅是生產力的提升，更是一次深刻的角色轉變，我們必須重新思考人與 AI 的協作邊界。當 Agent 能獨立完成從建立分支、修改程式碼到提交 Pull Request 的完整閉環時，我們的工作就不再是寫每一行程式，而是設計並監督整個自動化流程。

AI Agent 的價值，為何不再只是補全程式碼？

過去幾年，AI 在軟體開發領域的應用，主要集中在「輔助編碼」（code assistance）。從 GPT-3 時代的程式碼片段生成，到 GitHub Copilot 的上下文感知補全，AI 的角色始終是開發者的副駕，負責加速重複性的編碼任務。

然而，這個典範正在快速轉變。隨著大型語言模型（LLM）具備更強的推理與規劃能力，特別是像 ReAct (Reasoning and Acting) 這類於 2022 年提出的框架，AI Agent 開始能夠自主地使用工具來完成複雜任務。

最近日本一位開發者 Atsushi（@atsushi11o7）的實驗，便是一個極佳的例證。他利用 Anthropic 最新的 Claude 3.5 Sonnet 模型中的「skill」功能，成功讓 AI Agent 自動化了一個前端組件的再設計任務。這個實驗的關鍵在於，Agent 不再只是被動地根據指令寫 code，而是主動地規劃並執行了一系列開發步驟：

• 理解需求： Agent 接收到一個高層次的指令——「重新設計某個 UI 組件」。
• 環境設定： 它利用預先定義好的 skill，操作 GitHub CLI (gh) 建立新的開發分支。
• 程式碼修改： Agent 讀取並分析現有程式碼庫，接著修改相關檔案，完成組件的重構。
• 交付審查： 最後，它再次使用 GitHub CLI 工具，將所有變更打包成一個 Pull Request (PR)，並提交給團隊審查。

整個過程形成了一個完整的「開發閉環」，從需求輸入到交付產出，幾乎無需人為干預。這標誌著 AI Agent 的能力邊界，已從單點的程式碼生成，擴展到對整個開發工作流的理解與執行。

當 Agent 接管執行，工程師的新角色是什麼？

當 AI Agent 能夠處理越來越多瑣碎的執行細節時，工程師的角色與價值也勢必隨之演變。我們不再是生產線上的作業員，反覆執行相似的編碼任務；而是轉型為「工作流架構師」（Workflow Architect），負責設計、建構並維護能讓 AI Agent 高效運作的自動化系統。

在這個新角色下，我們的核心工作將圍繞以下幾點展開：

1. 定義清晰的目標與邊界： 我們需要將模糊的業務需求，轉化為 AI Agent 可以理解並執行的具體目標。這就像是為自動化工廠設定生產指標，目標越清晰，產出越穩定。
2. 打造可信賴的工具集（Skills）： Agent 的能力取決於我們賦予它的工具。無論是操作版本控制、執行測試、部署應用，還是與內部 API 互動，我們都需要將這些流程封裝成可靠、安全的「skill」，供 Agent 調用。
3. 建構標準化與可複製的環境： 前述實驗中，Dev Container 扮演了關鍵角色。它確保了無論是人類開發者還是 AI Agent，都在一個一致、乾淨且預先配置好所有依賴項的環境中工作。這大大降低了 Agent 因環境問題而出錯的機率，是實現穩定自動化的基礎。
4. 擔任最終的品質守門員： 儘管 Agent 能自動提交 PR，但最終的審核責任仍在人類身上。我們的角色轉變為更高層次的 Code Reviewer，專注於審查架構設計、業務邏輯的正確性以及系統的長期影響，而非語法細節。

The engineer's focus shifts from writing the code to designing the machine that writes the code. 我們的關注點從「寫程式碼」，轉向「設計那台會寫程式碼的機器」。

如何為這場轉變做好準備？

這場由 AI Agent 驅動的工作流革命並非遙遠的未來，而是正在發生的現實。從 Generative Agents 於 2023 年發表的模擬社會實驗，到 Devin 這類引發廣泛討論的 AI 軟體工程師，我們看到 Agent 的自主性與能力正以驚人的速度成長。為了適應這場變革，我認為有幾個方向值得我們投入時間：

首先是深化對「工具化思維」的實踐。學習如何將日常的開發任務，拆解成一系列可由命令列工具（CLI）執行的原子操作。熟悉如 GitHub CLI、Docker、kubectl 等工具，並思考如何將它們組合起來，解決更複雜的問題。

其次，是擁抱「環境即程式碼」（Environment as Code）的理念。精通 Dev Container 或 Nix 這類技術，學習如何用程式碼來定義和管理開發環境。這不僅能提升個人生產力，更是未來與 AI Agent 協作的基礎設施。

最後，我們需要培養更強的系統設計與抽象能力。當編碼的執行成本大幅降低後，能夠準確定義問題、設計優雅的解決方案，並清晰地將其傳達給 AI Agent 的能力，將成為工程師最寶貴的資產。這場轉變的核心，是將我們的智慧從「如何做」的細節中解放出來，更專注於「做什麼」與「為何做」的策略層面。

延伸閱讀

• ReAct: Synergizing Reasoning and Acting in Language Models (arXiv)
• Claude Code の skill 機能を本格的に試す (Qiita)
• Official Documentation on Claude Code (via GitHub)
• Dev Containers Official Site

我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。