為什麼現在工程師不能只會寫 Code，還要會用 AI Agent
如果一個工程師到現在還沒認真用過 Claude Code、Codex 或 Gemini，我會覺得他落後的不是工具，而是想像力。
這句話聽起來可能有點重，但我不是在販賣焦慮，也不是在說工程師未來不需要寫程式。我的意思剛好相反：工程師依然重要，只是重要的方式正在改變。
過去，大家理解工程師價值的方式很直接。需求來了，自己拆解、自己查資料、自己寫、自己 debug、自己修。誰寫得快、寫得穩、懂得多，誰就更有價值。
但這幾年，事情已經開始變了。
AI 不再只是聊天工具，也不只是幫你補幾行 code 的自動完成。像 Claude Code、Codex、Gemini 這類工具，真正厲害的地方，不是讓你少打一點字，而是它們開始能參與整個工作流程：理解任務、閱讀專案、提出方案、生成初版、補測試、改文件、協助重構，甚至幫你做一部分研究和驗證。
這代表一件事：工程師的核心能力，正在從「把每一行程式親手寫出來」，慢慢轉向「如何定義問題、拆解任務、設計流程，並讓 AI 成為自己產能的一部分」。
工程師的價值，正在往上移
很多人一聽到 AI 寫 code，就會立刻聯想到「工程師會不會被取代」。但我覺得這個問題本身就有點偏了。
真正正在發生的，不是 AI 直接把工程師整體取代掉，而是工程師的價值重心正在往上移。
以前比較重要的是：
- 你能不能把功能寫出來
- 你能不能記住語法和框架細節
- 你能不能快速處理重複性實作
這些能力現在當然還有價值，但已經不是唯一的價值來源了。因為 AI 正在快速吃掉一部分「可以被描述、可以被模仿、可以被反覆生成」的工作。
於是更有價值的能力，會變成下面這些：
- 你怎麼理解問題本身
- 你怎麼把模糊需求拆成可執行的步驟
- 你怎麼安排任務順序與技術路線
- 你怎麼判斷 AI 產出的好壞
- 你怎麼把 AI 納入一個穩定可重複的 workflow
換句話說，工程師不再只是「寫的人」，而越來越像是系統設計者、任務調度者、品質把關者。
這不是工程能力變少了，而是工程能力被重新分配了。
最大的誤解：把 AI 當成高級搜尋引擎
我覺得現在很多人對 AI 最大的誤解，就是只把它當成加強版搜尋引擎，或稍微聰明一點的自動補完工具。
這種用法不是沒幫助，但它很容易讓你低估 AI 的真正價值。
如果你只是偶爾問它：
- 這段 code 怎麼修
- 幫我寫一個 function
- 幫我整理某個概念
那你得到的提升，大多只會停留在局部效率上。你會覺得它方便、但沒有到非用不可。
可是當你開始讓 AI 參與更完整的工作流時，感受會完全不同。
例如你可以讓它先幫你：
- 讀懂一個 repo 的結構
- 根據需求列出實作計畫
- 預先找出邊界條件
- 補齊測試案例
- 草擬文件或 migration 說明
- 幫你檢查某個重構方案的風險
這時候 AI 就不是一個單點工具，而是變成整個開發流程裡的一個協作者。
差別不在於它替你打了幾行字，而在於它開始幫你減少大量切換成本、整理成本、試錯成本。這種改變，影響的是整體輸出節奏，而不只是局部速度。
不自己用，你永遠不會知道 AI 的極限在哪
這也是我一直很在意的一件事：你不親自去用 AI，就不會知道它的極限在哪。
很多人對 AI 的判斷，其實來自二手資訊：
- 看別人分享
- 看網路 demo
- 聽媒體報導
- 偶爾問幾個簡單問題
但這些都不夠。
你只有真的把 AI 放進自己的工作裡，才會慢慢知道：
- 什麼任務它做得很好
- 什麼任務它容易亂講
- 什麼情況適合讓它先開路
- 什麼情況一定要自己收斂
- 什麼樣的 context 給法，會讓它從普通變成真的有用
這些經驗不是看別人示範就能完全學會的，因為它跟你的工作型態、專案結構、技術棧、判斷標準都有關。
也就是說，AI 的價值不是抽象的，它一定要進入你的真實工作流程裡，才會顯現出來。
你如果一直不下場，最後就很容易停留在一個很尷尬的位置：知道 AI 很重要，但自己實際上用不起來；知道別人變快了，但不知道差距到底怎麼形成的。
這才是真正危險的地方。
未來的差距，不只是 coding 能力，而是協作能力
我認為未來工程師跟工程師之間的差距，未必只會表現在 coding 能力本身，而是會越來越明顯地表現在協作能力上。
這裡說的協作，不只是跟人協作，也包括跟 AI 協作。
你要知道怎麼：
- 描述問題
- 拆任務
- 提供上下文
- 限制範圍
- 驗證輸出
- 修正方向
- 把一次性結果變成穩定流程
這聽起來像 prompt engineering，但其實又不只是 prompt engineering。它更接近一種新的工程素養。
因為你不是在對一個神奇黑盒許願，而是在管理一個能力很強、但不穩定、需要引導的系統。
所以，真正厲害的人，不是把工作全部丟給 AI 的人；而是能夠知道哪些工作該給、怎麼給、給到什麼程度，以及最後怎麼收斂的人。
這種能力，某種程度上比單純會寫 code 更稀缺。
會用 AI，不代表你比較強；但拒絕學 AI，也不代表你比較專業
這裡也要講清楚一件事。
我並不覺得「有在用 AI」就 automatically 比別人強。現在也確實有很多人只是把 AI 當成表演工具，貼幾張截圖、跑幾個 demo，就說自己 workflow 升級了。這種狀況當然很多。
但反過來也一樣：只因為你堅持全部自己寫，不用 AI，並不會自動讓你變得比較專業。
如果 AI 已經能在某些任務上穩定幫你節省時間、降低切換成本、提高輸出密度，那你完全拒絕它，很多時候不是專業，而只是習慣。
問題從來不是「要不要用 AI」，而是：
- 你有沒有能力把它用在對的位置
- 你有沒有能力判斷它的邊界
- 你有沒有能力在效率和品質之間取得平衡
說到底，這仍然是工程判斷，只是工具變了。
工程師接下來真正要學的，是把 AI 編進自己的 workflow
我自己越來越相信，未來工程師真正需要學的，不是單純多會一套框架、多背一套 API，而是怎麼把 AI 編進自己的 workflow。
這裡的「編進去」，不是裝個外掛、開個網頁就算了，而是把它變成你工作的一部分：
- 需求理解時怎麼用
- 技術研究時怎麼用
- 寫程式時怎麼用
- 補測試時怎麼用
- 寫文件時怎麼用
- 做 code review 時怎麼用
- 做重構和排錯時怎麼用
當你真的開始這樣思考時，你就不會只問：
「AI 能不能幫我寫這段 code？」
你會開始問：
- 這整段工作流程裡，哪一部分最適合交給 AI？
- 我要怎麼設計上下文，讓它產出更穩？
- 哪些步驟我應該保留人工判斷？
- 怎麼讓這套方法下次還能重複使用？
到這個階段，你才是真的在使用 AI，而不是只是體驗 AI。
結語：未來真正拉開差距的，是誰更早學會把 AI 變成產能系統
我不覺得 AI 會讓工程師變得不重要。
真正會發生的，是工程師的價值定義被往上推了一層。未來更有價值的人，不只是會實作的人，而是能把問題拆對、把流程設計好、把 AI 用在對的位置，最後把整體產出品質拉高的人。
所以我才會說：
現在工程師不能只會寫 code，還要會用 AI agent。
因為未來真正拉開差距的，可能不是誰比較會打字，而是誰更早學會與 AI 協作，並把這種協作變成一套穩定、可複製、能持續放大產能的系統。