Andrew Ng：Coding Agent 加速 frontend，對 research 幾乎沒用——你的位置在哪裡？

「AI 會取代工程師嗎？」這個問題問了三年，討論一直在原地打轉。

更精確的問法是：同樣是軟體工作，AI 帶來的邊際增益差多少？ 這個版本的問題才有意義，因為它承認 AI 不是均質的加速器，而是對不同工作性質有完全不同的效果。

Andrew Ng 在 2026 年 5 月初發布了一則觀察——他把 coding agents 的加速效果，按工作類型從高到低排了序：frontend、backend、infrastructure、research。這份排名不是從市場行銷角度說 AI 有多厲害，而是他在實際組建和管理 AI 時代工程團隊的過程中得出的工作假設。

值得注意的是他最後那句補充：「我現在要求 frontend 團隊以比一年前快得多的速度交付產品，但對 research 團隊的期望幾乎沒有改變。」這一句話對資源分配的意義，比整個排名本身還要直接。

Frontend：AI 的主場

Frontend 排在最頂端，原因不難理解，但背後的結構性邏輯值得說清楚。

UI 開發有幾個特性使它天然適合 AI 加速：工作單元小而清晰（一個 component、一個頁面、一個互動效果）、輸出結果可以立即視覺驗證、錯誤通常是局部的不會擴散到整個系統。最重要的是，LLM 訓練資料裡充斥著 HTML、CSS、React、Tailwind 的範例——模型對這個領域的「直覺」遠比其他領域精準。

一個 coding agent 在 frontend 工作裡能做的不只是補全程式碼：它可以根據設計稿快速出原型、把 Figma 截圖轉成可執行的 component、根據描述調整樣式和響應式布局。這些任務過去需要大量的手動比對和細節調整，現在可以在幾個 prompt 的往返裡收斂。

對台灣做 SaaS 或獨立產品的開發者來說，這個加速效果最直接的意義是：一個人現在能承擔過去需要分給前後端各一個人的工作量，尤其在 MVP 和快速迭代階段。

Backend：資深者的優勢被放大

Backend 排第二，但 Ng 的描述裡有一個細節不能略過：有經驗的工程師比沒經驗的工程師，更能從 agent 那裡獲益。

這個觀察顛覆了「AI 讓初階工程師追上資深工程師」的直覺。實際上，coding agent 在 backend 工作裡的表現高度依賴你給它的問題框架有多精準——你需要知道怎麼切分任務、哪些部分需要人工審查、API contract 該長什麼樣、效能問題出在哪一層。這些判斷力是經驗，不是工具能補上的。

所以 backend 的 agent 加速，更像是給資深工程師加了一個執行力很強的 junior——而不是讓 junior 變成資深。差別非常大。如果你是資深後端工程師，現在是你拉開和初階工程師差距的時候，不是被追趕的時候。

另一個值得注意的地方是：backend 工作往往有更長的上下文依賴。一個 API endpoint 的正確性取決於 DB schema、現有的 service layer、auth 邏輯、error handling 慣例。Agent 需要你把這些背景餵得夠清楚，才能做出不踩坑的選擇。這個「上下文管理」本身就是一項需要學習的技能。

Infrastructure：知識邊界太硬

Infrastructure 是 Ng 明確說 agent 效果「even less effective」的層次。他給的例子很說明問題：把一個電商網站撐到 10,000 個並發用戶、同時維持 99.99% uptime，或是找到一個微妙的網路設定錯誤（subtle network misconfiguration）。

這類工作的困難在於它的搜尋空間太深、後果太即時、而 LLM 的訓練資料在這個領域的覆蓋率相對低。Infrastructure bug 往往不是一眼能看出邏輯錯誤的程式碼問題，而是在特定負載條件下才會觸發的行為——你需要對整個系統的拓撲有清晰的心智模型，才能知道往哪個方向找。

這不是說 agent 完全幫不上忙。它可以幫你起草 Terraform 設定、跑通 Kubernetes YAML 的基本語法、查文件、整理 runbook。但那些真正難的基礎設施問題，現在還是高度依賴人的直覺和系統性的排查能力。

對 AI 工具有真實期望，本身就是一種工程成熟度的表現。

Research：AI 的盲區

Research 被 Ng 放在最後——coding agents 帶來的加速在這裡幾乎消失。

他的解釋非常精準：研究工作的核心不是寫程式，而是「思考新想法、形成假說、設計實驗、詮釋結果」。這些環節是認知密集的，而且每一步的正確性都取決於前一步的判斷。Coding agent 可以加速寫實驗程式碼的部分，但研究工作裡有大量不是程式碼的東西——讀論文、質疑假設、決定下一個實驗方向。

這個觀察有一個延伸意義：如果你的工作越靠近「生成和執行有明確規格的東西」，AI 帶給你的加速越大；越靠近「在不確定性裡找到對的問題」，AI 帶給你的邊際價值越低。這不只是研究的問題——任何需要在模糊情境下做判斷的工作，都有類似的特性。

Ng 說他對 research 團隊的交付期望「幾乎沒有改變」。對一個長年建構教育平台和研究機構的人來說，這是一個非常誠實的承認。

對台灣技術人的具體含義

這份排名有幾個直接的實務意義：

如果你是做產品的 indie developer 或小型 SaaS 團隊，現在是認真把 frontend 速度壓到極致的時候。市場給你的時間視窗只會更短，工具已經在那裡了。

如果你是後端工程師，重點不是用 agent 取代判斷力，而是把你的系統知識整理成 agent 能消化的格式：好的 README、清晰的架構決策記錄、精確的任務切分。你的上下文管理能力決定你從 agent 拿到多少。

如果你做 infra 或 research，不要因為「別人說 AI 很強」就對自己的工作方式感到焦慮。這個領域的複雜性不是工具幾年內能平整的。你現在做的事情，技術含量還在。

最後一點：這份排名今天是這樣，不代表三年後還是這樣。Infrastructure 的知識會慢慢進入訓練資料，研究工作的某些環節也會逐漸出現更好的 AI 支援。但在工具確實追上來之前，按照現有的邊界分配資源和調整期望，才是務實的做法。

如果你正在認真把 agent 整合進開發流程，工作環境的硬體也值得跟上：蝦皮編輯選物 · 開發者桌面 4 件套——機械鍵盤、USB-C Hub、螢幕掛燈、站立書架，是遠端工作桌面常見的 CP 值組合。

利益揭露：本文部分連結為聯盟連結，點擊購買我會獲得回饋，不影響你的價格。