從寫 Code 到設計 AI 的「馬具」：開發者在 AI 原生時代的新核心價值

當 AI 模型能力逐漸商品化，開發者的核心價值正從逐行撰寫程式碼，轉向更高層次的系統設計。我們不再是工匠，而是監造者，負責設計能引導、約束、驗證 AI 產出的「馬具」（harness）與回饋迴路。這不僅是工具的轉變，而是一場徹底的 AI 原生開發模式（AI-native development operating model）革命，決定了未來軟體工程的品質與可治理性。

最近在開發者社群中，一個略帶挑釁的預測再次浮現：「到了 2026 年，人類或許不再需要閱讀程式碼了。」這個想法雖然聽來激進，卻點出了一個不可逆的趨勢：隨著大型語言模型（LLM）在程式碼生成領域的能力日趨強大——例如 DeepMind 的 AlphaCode 2 在程式設計競賽中表現已超越 85% 的人類參賽者——我們軟體開發的日常工作正在發生根本性的變化。過去，我們花費大量時間逐行編寫、審查和重構。未來，我們的主要工作將是為 AI 代理（AI Agent）建構一個清晰、可控且高效的運作環境。

為什麼我們需要從「寫 Code」轉向「設計環境」？

傳統的程式碼審查（Code Review）流程，在 AI 大量生成程式碼的時代將會遇到瓶頸。當一個 AI Agent 可以在幾分鐘內產出數千行程式碼時，依賴人類逐一檢查不僅不切實際，也違背了提升效率的初衷。更重要的是，人類審查者難以完全理解 AI 產出程式碼的深層邏輯與潛在邊界條件，這會帶來新的品質與安全風險。

當程式碼生成本身變成一種可輕易取得的「商品」（commodity），真正的價值便轉移到那些能夠確保這些程式碼「正確」且「符合預期」的系統性工作上。這意味著我們需要一個全新的開發作業模型，其核心不再是「生產程式碼」，而是「治理程式碼的生產過程」。我們的工作重點，將從親手砌磚，轉變為設計建築藍圖、定義施工規範、以及建立自動化的驗收機制。

這就好比從手工業時代進入工業化生產。工匠的價值不再只是打磨單一零件，而是設計整條能夠持續產出高品質產品的生產線。

AI 開發的「馬具」是什麼？

要讓 AI Agent 在我們的專案中安全、高效地運作，我們需要為它套上一個量身訂製的「馬具」（Harness）。這個馬具並非單一工具，而是一整套環境、規範與流程的組合，旨在引導 AI 在預設的邊界內行動。它主要由以下幾個部分構成：

首先是明確的指令與邊界設定。我們可以透過一份類似 AI.md 或 CLAUDE.md 的文件，來定義 AI Agent 的任務目標、可用的工具、程式碼風格、禁止使用的套件、以及專案的整體架構與脈絡。這份文件就像是 AI 的工作說明書，愈清晰、愈具體，AI 的產出就愈穩定。這需要開發者具備極高的系統抽象與規格定義能力，正如 Anthropic 在其官方文件中強調的，清晰的指令是高品質輸出的前提。

其次是自動化的測試與驗證框架。這是馬具中最關鍵的約束力量。AI 提交的任何程式碼，都必須通過一套嚴格的自動化測試，包括單元測試、整合測試甚至是屬性測試（Property-based testing）。只有當所有測試案例 100% 通過時，程式碼才能被接受。這個框架取代了大部分的人工審查，將開發者的精力從繁瑣的細節中解放出來，專注於設計更全面的測試案例，確保系統的穩健性與可靠性。

最後是持續的回饋與修正迴路。當 AI 的產出未通過測試，或在部署後出現問題，我們需要一個機制將這些失敗的資訊回饋給 AI。這可能是一個自動化的報告系統，將錯誤日誌、失敗的測試案例與相關脈絡打包成新的提示（prompt），讓 AI 進行自我修正。這種回饋迴路是系統演化的關鍵，也體現了以人為本的 AI 協作精神，人類的角色是系統的監督者與調校者。

如何打造一個可治理的 AI 原生開發流程？

轉型至 AI 原生開發模式並非一蹴可幾，它需要思維與工具鏈的同步升級。我認為，一個可治理的流程應包含以下幾個核心支柱：

首先是規格驅動開發 (Specification-Driven Development)。在動手（或讓 AI 動手）寫任何程式碼之前，先投入足夠時間撰寫高品質的規格文件。這份文件不僅是給人類看的，更是未來要輸入給 AI 的核心脈絡，為 AI 的產出提供明確的指導。

其次是測試即規格 (Testing as Specification)。我們應將測試案例視為系統行為最精確的描述。開發者的工作之一，就是用程式碼（測試碼）來翻譯業務需求，為 AI 提供一個絕對客觀的驗收標準，確保其產出符合預期。

第三是基礎建設即程式碼 (Infrastructure as Code)。將 AI Agent 運作所需的一切環境、工具鏈、權限設定都透過程式碼進行管理，確保整個開發流程的穩定性與可複製性。美國國家標準暨技術研究院（NIST）的 AI 風險管理框架也強調了可追溯性與可複製性在 AI 治理中的重要性，這對於 AI 原生開發尤其關鍵。

最後則是人類角色重新定位。開發者將從程式碼的直接生產者，轉型為系統的架構師、問題的定義者、以及最終結果的仲裁者。我們的工作是提出好問題，設計出能讓 AI 高效運作的框架，而不是寫出完美的答案。

最終，我們追求的不是一個完全沒有人類介入的「全自動」系統，而是一個 AI 與人類能夠高效協作、各自發揮所長的共生系統。在這個系統中，AI 負責處理複雜但有明確規則的程式碼生成任務，而人類則專注於更具創造性、策略性與價值判斷的工作——例如定義下一個產品該往哪裡去，或是設計一個更優雅、更具擴展性的系統架構。這或許才是 AI 時代，身為開發者最有價值的所在。

延伸閱讀

• AlphaCode 2 Technical Report (DeepMind)
• Reasoning About Code: The Mind of a Software Engineer (Carnegie Mellon University)
• A Survey on Large Language Model-based Code Generation

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。