軟體工程的終局？當價值從寫 Code 轉向設計 AI 協作系統

隨著大型語言模型（LLM）在程式碼生成領域的能力日趨成熟，我們正目睹軟體工程核心價值的根本性轉移。過去，工程師的價值高度集中在親手編寫、除錯與優化程式碼的技藝上。然而，當 AI 能以驚人速度產出大量程式碼時，單次寫 code 的速度已不再是稀缺資源。真正的挑戰與價值，已轉向更高層次的系統設計：如何建構一個能讓多個 AI 代理（Agent）高效、安全協作的環境，並對其產出進行有效治理。這不僅是工具的變革，更是對工程師核心職能的重新定義。

一個思想實驗：當 AI 在五個月內寫下百萬行程式碼

一個引人深思的場景是，一個僅有 3 到 7 人的小型團隊，在短短 5 個月內，藉由 AI 代理的輔助，完成了一個包含百萬行程式碼的專案。這聽起來像是科幻小說，但它精準地描繪了我們正在邁進的未來。當程式碼的「生產」環節被大幅自動化後，人類工程師的精力自然會從鍵盤上的敲打，轉移到白板前的架構規劃與系統治理上。

這意味著，過去我們衡量一位資深工程師的標準——例如他對某個框架的精熟程度或演算法的實現速度——其權重正在下降。取而代之的，是另一組更為抽象但至關重要的能力：定義問題、拆解任務、設計代理間的溝通協議、建立品質驗證的閘口，以及確保整個系統的穩定與可擴展性。這就像從一位手藝精湛的工匠，轉型為一座自動化工廠的總設計師與管理者。

當 AI 成為開發團隊的核心勞動力，人類工程師的職責便不再是生產線上的工人，而是生產線的設計者、監督者與維護者。

為什麼純粹的程式碼生成速度不再是瓶頸？

程式碼生成工具如 GitHub Copilot 或 Devin AI 的出現，已經證明 AI 在處理局部、明確定義的編碼任務上極具效率。然而，一個真正健壯的軟體系統，其複雜度並非來自單一功能的實現，而是源於大量模組間的交互、狀態管理、錯誤處理與長期維護性。

單純追求生成速度，很快會撞上「整合地獄」與「維護惡夢」這兩堵牆。AI 產出的程式碼可能在單元測試中表現完美，但在複雜的整合場景下卻暴露出隱蔽的缺陷。根據 SWE-bench 的基準測試，即使是頂尖的 AI 代理，在解決真實世界 GitHub issue 的成功率也僅在 13.8% 左右，這凸顯了理解完整脈絡與依賴關係的困難。

因此，瓶頸不再是「如何寫得更快」，而是「如何確保寫出來的東西是對的、安全的、可維護的，並且能與系統其他部分和諧共存」。這個問題的答案，不在於更快的程式碼生成，而在於更完善的開發治理框架。

如何設計一個 AI 代理的協作與治理系統？

要駕馭 AI 代理的強大生產力，我們需要建構一個全新的工作流程與環境。這個環境的核心不再是 IDE 或版本控制系統，而是一套指導 AI 代理行為的「憲法」與「基礎設施」。參照如 Anthropic 對工具使用的設計，我們可以將這個系統拆解為幾個關鍵組成部分：

明確的任務描述：為 AI 代理設定「憲法」

首先，需要以類似 `CLAUDE.md` 或專案規格文件的方式，用清晰、無歧義的語言定義專案的最終目標、功能需求與非功能性需求（如性能、安全標準）。這份文件將成為所有 AI 代理行動的最高指導原則，確保它們的每一次「決策」都與核心目標保持一致，避免偏離軌道。

建立技能庫：讓 AI 代理擁有可重用工具

接著，將可重用的功能、內部 API 或特定領域的知識封裝成標準化的「技能」，供 AI 代理調用。這不僅能避免重複造輪子，更能確保關鍵邏輯的一致性與品質。例如，一個「用戶身份驗證」技能可以被多個需要處理用戶登入的代理重複使用，大幅提升開發效率與系統穩定性。

子代理分工：拆解複雜任務，各司其職

面對龐大的開發任務，我們需要將其拆解給專門的子代理。例如，可以設立一個前端代理專門處理 UI/UX、一個後端代理負責業務邏輯與資料庫互動、一個測試代理專注於編寫與執行測試案例。這種分工模式參考了生成式代理（Generative Agents）的研究，讓每個代理能專注於特定領域，提升專業度與效率。

掛鉤與驗證：確保程式碼品質與安全

在開發流程的關鍵節點設置自動化「掛鉤」與驗證機制至關重要。例如，每當一個代理提交程式碼時，自動觸發一系列的靜態分析、單元測試、整合測試與安全掃描。只有通過所有驗證的程式碼，才能被合併到主分支。這類似於 OpenAI Assistants API 中對函數調用的回調機制，是確保產出品質的最後一道防線。

精細權限控管：降低 AI 代理的潛在風險

最後，必須精細地定義每個代理的權限邊界。例如，前端代理只能修改前端相關的程式碼庫，無權存取生產環境的資料庫密鑰。這能有效降低安全風險，避免單一代理的錯誤或惡意行為影響整個系統，是建立信任與確保系統安全的關鍵。

總結來說，新一代的軟體工程師，其工作成果不再只是一段段程式碼，而是一套能讓 AI 高效產出高品質程式碼的、穩定運作的系統。我們的工作是設計規則、定義邊界、建立驗證機制，然後信任這個系統去執行。這是一個從「動手做」到「設計系統讓別人（或 AI）做」的巨大轉變，也是 AI 時代對技術人員提出的新要求。

延伸閱讀

• SWE-bench: Can Language Models Solve Real-World Software Engineering Problems? (arXiv)
• Introducing Devin, the first AI software engineer (Cognition Labs)
• Tool use (Function calling) (Anthropic Official Documentation)
• Generative Agents: Interactive Simulacra of Human Behavior (arXiv)

我是江中喬，一位具有 TPM 與產品管理背景的 AI 系統建構者，目前專注於 AI 認知增強系統與多 Agent 協作架構的設計與實踐。