STOP CODING : Agentic Coding 如何改變我們的開發方式

無論技術如何演進、AI 領域的工具如何高速的不斷推陳出新，我想最核心的門檻仍在於對 Agent 的認知與應用思維

這份簡報主要說了四個重點：
- 從 AI Coding 到 Agentic Coding
- 4 個思維轉變
- 10 個 Agent 槓桿點
- 衡量自己進步的 4 個 KPI

『 要成為不可替代的人，你必須先學會用 Agent 取代你自己 』

這句話看起來有點反直覺，但當你開始思考如何讓 Agent 處理掉那些重複、低產值的任務時，你才真正擁有了槓桿，去處理更高級的設計與決策

希望這次分享能幫助到大家！

Transcript

1. ST OP CO DIN G Agentic Coding 如何改變我們的開發方式 Neo Hsu
2. 今日議程 01 AI Coding vs Agentic Coding 的核心差異 02 邁向 Agentic Coding 的四個思維轉變 03 10 個提升 Agent 執行力的槓桿點 04 衡量進步的 4 個 KPI 05 明天就能開始做的事
3. PART 01 AI Coding vs Agentic Coding 的核心差異
4. AI Coding：三大要素 人類給指令，AI 產出程式碼 — AI 是「高效打字員」 Context 上下文 你給 AI 看了什麼資訊 Model 模型 你用的是哪個 LLM Prompt 提示詞 你怎麼下指令 典型提示：「創建一個 Golang 檔案，包含一個函數，接受兩個參數，回傳它們的和。」
5. Agentic Coding：核心四要素 設定目標和計畫，AI Agent 自主執行、做決策、驗證結果 — AI 是「自主工程師」 Context Model Prompt Tools NEW Tools = AI Agent 可自主呼叫的工具：讀寫檔案、Shell 命令、Git、API、測試執行… 典型提示： 「建立 Git 分支 → 撰寫功能 → 執行測試 → Commit → 生成報告」
6. AI Coding vs Agentic Coding AI Coding Agentic Coding 核心要素 Context + Model + Prompt Context + Model + Prompt + Tools AI 角色 高效打字員 自主工程師 提示風格 線性、單一任務 目標導向、端到端 執行方式 你說一步，AI 做一步 你設定目標，Agent 自主執行 人類參與 始終在迴圈中 可以離開迴圈 第一階段的 AI Coding 提升了你的編碼速度。第二階段的 Agentic Coding 改變了你整個工作 方式。
7. PART 02 邁向 Agentic Coding 的四個思維轉變
8. 思維轉變 1 停止寫程式碼 你的雙手和大腦，不再是寫程式碼這份工作的最佳工具。 身份區分 程式設計師 核心價值 = 手動撰寫程式碼 工程師 核心價值 = 槓桿 從今天開始 就算只是 log 修改或 README 修改， 都用 AI 去做。 重點不是 coding，而是了解 AI 對你專案的理解程 度，從中修正、補強文件和結構。
9. 思維轉變 2 從「我能做什麼」到「我能教 Agent 做什麼」 Agent 才華橫溢，但它是眼盲的。每次新會話都從零開始。 Context 讓 Agent 理解你的程式碼庫 Model 匹配任務的複雜度 Prompt 傳達目標和約束 Tools 確保正確的工具來執行
10. 思維轉變 3 從迭代式提示到一次到位 迭代模式 提示 → 看結果 → 不滿意 → 修改提示 → 看結果 → 再修改 → 來回好幾輪 你變成了 AI Agent 的保姆 一次到位 完整計畫 → Agent 自主執行 → 一次搞定 精力花在前期規劃和系統建構 而非後期的來回修正 每一次回頭修正，消耗的都是你最重要的資源 — 時間
11. 思維轉變 4 從直接修 Bug 到建構系統 傳統做法 看 log → 找錯誤 → 手動修 AI Coding 拿 log 貼給 AI 問 → 確認後請 AI 修 你還是中間人 Agentic 確保異常輸出到 STDOUT → Agent 自己看到錯誤 → 自己修復 你不在迴圈裡 你解決的不是一個 bug。你建構了一個系統，讓未來所有類似的 bug 都能被 Agent 自己解決。
12. 四個思維轉變 — 總結 1 停止寫程式碼 工程師的價值是槓桿，不是手動撰寫 2 採納代理視角 從「我能做什麼」到「我能教 Agent 做什麼」 3 追求一次到位 精力花在前期規劃，不是後期迭代 4 建構系統而非修補問題 讓 Agent 能自己看見、理解、解決問題
13. PART 03 10 個提升 Agent 執行力 的槓桿點
14. In-Agent 槓桿點：核心四要素 始終與 Agent 同在 1. Context 上下文 CLAUDE.md、AGENTS.md、copilot-instructions.md、README、程 式碼庫結構。品質直接決定表現。注意大小管理。 2. Model 模型 選擇正確的模型匹配任務複雜度。簡單重構不需最強模型，複雜架構需 要最強推理能力。 3. Prompt 提示詞 明確的目標、有序的任務清單、驗證標準、輸出格式要求。 4. Tools 工具 終端命令、檔案讀寫、Git、API、SKILL、MCP Server。可在 prompt 中明確指定工具。
15. Through-Agent 槓桿點（上） 透過上下文窗口流入 Agent，對成功有巨大影響 5. STDOUT — Agent 的眼睛 Agent 只能看到你讓它看到的東西。 所有異常要有詳細錯誤訊息 · 成功操作也要有日誌 · 不要讓任何錯誤靜默消失 6. Types — 資訊密集關鍵字 類型講述資訊如何在程式碼庫中流動的故事。 用強型別取代鬆散型別。統一術語，讓 AI 能準確理解你在說什麼。 7. Tests — 閉環結構的基石 Agent 會犯錯。測試提供 Closed-loop 讓 Agent 能自我驗證。 Code → Test → Fail → Fix → Test → Pass → Done（Agent 自主完成）
16. Through-Agent 槓桿點（下） 8. Architecture — Agent 的導航地圖 對抗複雜性的最佳武器是一致性。 清晰入口點 · 每檔一職責 · 有意義命名 · 避免超大檔案 · 測試結構映射原始碼 9. Plans — 計畫就是提示詞 好的規劃等於好的提示。 先規劃再執行。讓 Agent 先分析需求、問釐清問題、產出結構化計畫，確認後才開始。 10. Templates — 三次成模式 重複三次就該模板化。 Custom Agents (.agent.md) 定義專用 agent 的指令、工具和 MCP server Prompt Files (.prompt.md) 可重複使用的提示詞模板
17. 槓桿點的實戰對應 碰到問題時，知道該去調整哪個槓桿 你碰到的問題 該改善的槓桿點 Agent 對型別困惑，不知道資料結構 → Types Agent 在程式碼庫裡迷路了 → Architecture Agent 看不到錯誤訊息 → STDOUT 你一直在跟 Agent 來回迭代 → Plans Agent 說做完了但其實有 bug → Tests 你每次都在重複同樣的指令 → Templates
18. PART 04 衡量進步的 4 個 KPI
19. 4 個 KPI — 兩個要往上、兩個要往下 Size ↑ 交給 Agent 的工作量持續增加 從 5 分鐘小任務 → 30 分鐘 → 1 小時端到端任務 Attempts ↓ 每次任務的來回修正次數減少 理想狀態是一次到位，每次修正都消耗時間 Streak ↑ 連續成功交付的次數增加 1次=運氣 · 3次=掌握 · 5次=系統運作 · 10次=Agentic 工程師 Presence ↓ 你需要盯著 Agent 的時間減少 目標：啟動 Agent → 去做其他事 → 回來看結果
20. 從 Coding 到 Engineering — 你在哪個階段？ 階段一：Manual Coding 你親手寫每一行程式碼 你是主角，AI 最多只是代碼補全。耗時、容易出錯。 階段二：AI-assisted Coding 你指揮 AI 寫，但你還在迴圈裡 問 AI 怎麼寫、複貼下來、發現 bug 再問。進度快了，但你還在中間。 階段三：Agentic Engineering 你設計系統，Agent 自主執行 寫 spec、提供 context、建 feedback loop。Agent 去執行、測試、迭代。 上週做的工作，有多少還在階段一？有多少已經到階段二？有沒有任何事已經到了階段三？
21. PART 05 明天就能開始做的事
22. 前置準備：任何事情都先 AI 起手 不管你是什麼角色，任何事情都先讓 AI 起手。 • 回一封信？先讓 AI 起草，你再修改 • 寫會議紀錄？先讓 AI 整理，你再補充 • 寫需求規格？先讓 AI 出框架，你再填細節 • 改一行 log 或一份 README？讓 AI 去改 從「從零開始」變成「從七八十分開始修改」— 這就是 Agentic 思維的起點
23. 行動項目 1-4 1 安裝 GitHub Copilot CLI gh extension install github/copilot-cli Autopilot Mode 全自主 · Plan Mode 先看計畫再執行 2 確保程式碼庫 STDOUT 完整 檢查所有異常是否有完整錯誤訊息 最低成本、最高回報的改善 3 建立 CLAUDE.md / AGENTS.md / copilot-instructions.md 告訴 Agent 專案用途、技術棧、安裝方式、目錄結構 給 Agent 做 onboarding 4 用強型別取代鬆散的 any 對 Agent 和你自己的程式碼品質都有幫助
24. 行動項目 5-7 5 為下一個功能寫一份計畫 花 10 分鐘寫計畫：目標、步驟、驗證方式 計畫就是提示詞，好的規劃就是好的提示 6 建立第一個可重複使用的模板 最常重複做的工作流程 → 建立 custom agent / custom prompt 7 嘗試一次端到端的 Agentic 提示 建分支 → 實作功能 → 寫測試 → Commit → 生成報告
25. 非工程師的 AI 起步建議 PM / 企劃 用 AI 寫需求規格草稿、整理使用者故事、產出競品分析框架 QA / 測試 用 AI 生成測試案例清單、整理 bug report 的結構化描述 設計師 用 AI 生成文案初稿、整理設計規範文件、產出使用者旅程描述 管理者 用 AI 整理會議紀錄、生成週報模板、起草跨團隊溝通郵件 先讓 AI 起手，你再修改。從七八十分開始，比從零分開始快得多。
26. AI Agent / Prompt 實用技巧 1 用 AI 迭代你的 Prompt 用 AI 反覆優化提示詞，逐步精煉到最佳效果 2 明確指定工具名稱和參數 知道用什麼工具時，直接給 tool name 和參數，減少 model 猜測意圖的錯誤 3 觀察 Agent 執行步驟 路線與預期不同時，思考是否沒給足夠的工具或 context 補缺少的資訊 4 善用 Reference 提供 Context 給對應文件參考，不要在一個檔案塞太多內容，讓 Agent 自己去讀取
27. STOP CODING. START ENGINEERING. 要成為不可替代的人，你必須先學會用 Agent 取代你自己 Q & A