🔧 阿川の電商水電行
============================================
**如果 agents 已經能寫 99% 的程式碼，那該怎麼招工程師**？這就是今天要討論的話題。實際上大家普遍不認為 AI 時代就不需要人了，AI 只是開始接管寫程式這件事，但程式碼也只是軟體工程的一環。就目前 AI 的發展趨勢來看，人仍然是必要的，**只是人的角色正在改變**。這也是 Augment Code 公司的觀點：當 Agent（代理程式）已能承擔大量執行性工作後，工程師的核心競爭力，便需從「把程式碼寫出來」轉向「決定該做什麼、怎麼做、如何確保結果可靠」，也就是 AI 原生工程師（AI-native engineer），不再糾結於前端或後端、Android 或 iOS、React 還是 Vue、Go 還是 Elixir，而是更多關注：
產品理解能力、架構判斷、協調溝通與推動 Agent 的能力。
針對這個變化，Augment Code 也歸納出一個對比：
- 傳統工程師是寫程式、實作方案、解決問題、強調個人產出
- AI 原生工程師則更多是定義意圖、編排 Agent、選擇正確方向、強調系統級結果
也就是 人的角色正在從 author（作者）轉向 architect（架構師）與 editor（編輯）。
而這次最有趣的是，Augment Code 提出了他們招聘 AI 原生工程師的幾個核心評估標準。
產品與結果的品味（Product & Outcome Taste）
首先是，你是不是在做正確的事？他們認為，程式碼的生產成本越來越低，最昂貴的錯誤反而是「方向錯了」，所以工程師要更能理解使用者問題、消解模糊需求，能在實作之前就先定義結果。
這相當於把優秀工程師的上限，從「執行得漂亮」提升到「選對問題」。
系統與架構判斷（System & Architectural Judgment）
其次是：這個東西能不能在生產環境中活下來？
Augment Code 覺得，Agent 很擅長寫出「能跑的程式碼」，但不擅長判斷專案是否長期健康、架構能否承受規模、維運風險是否會在後面爆掉等。
這也是未來 AI 原生工程師的核心能力，因為很多線上系統的問題，從來不是「寫不出來」，而是存在許多邊緣情況需要標註出來，例如：
- 隱性耦合
- 效能退化
- 遷移風險
- 可觀測性不足
- 局部正確但全域失配
而 Agent 常常會產出「局部看起來正確但整體不協調的程式碼」（locally correct code that's globally incoherent）。
Agent 槓桿力（Agent Leverage）
這個範疇問的是：你能不能把 AI 真正轉化為工程吞吐？不是「會不會用 AI」，而是：
- 能不能把問題拆成 Agent 能解的形式
- Agent 跑偏時能不能即時校正
- 產出後能不能高效驗證
在這個角色中，你像是在帶一個「幹活非常快、但有時會自信地犯錯」的下屬。AI 場景下工程師之間的差距，不是「誰會用 Claude / Codex / Cursor」，而是誰能讓相同的模型、相同的工具，穩定地產生更高品質的結果。
溝通與協作（Communication & Collaboration）
這也是很重要的一環，因為 AI 接管了執行，人在物理世界中最大的作用就是溝通：你能不能把意圖說清楚，同時讓不同角色快速形成共識？
因為實作速度變快，專案瓶頸會前移到問題定義、tradeoff 澄清、跨職能對齊等場景。Augment Code 認為：最快的團隊不是寫程式最快的團隊，而是最能快速達成清晰共識的團隊。
擁有感與領導力（Ownership & Leadership）
然後是責任，AI 不會承擔責任，人是主要的承擔者，所以這裡的問題是：你是不是對結果負責，而不是只對任務負責？過去優秀的工程師也不只完成自己的程式碼，而是會主動處理未來可能存在的阻礙，例如：建置速度慢、流程模糊、系統間斷裂等情況。
本質上是在強調：Agent 時代不缺「做任務的人」，缺的是「把整個鏈路打通的人」。
學習速度與實驗心態（Learning Velocity & Experimental Mindset）
最後是：你的進化速度能不能跟上工具變化的速度？
Augment Code 認為，今天的工具三個月後可能就過時了，所以最重要的是高頻率實驗、快速調整工作流程、願意放棄舊的工作方式。
當然，這會是一個相當疲累的工作模式。
可以看到，Augment Code 在各個維度裡很少提到寫程式能力，至少寫程式能力已不是單獨的區分維度，因為它認為，程式碼能力正在從「篩選候選人的主軸」退化為「基礎設施能力」。
所以具體到面試場景，Augment Code 會問類似問題：
- 候選人能不能快速釐清一個模糊問題？
- 能不能提前識別架構風險？
- 能不能有效引導並驗證 AI 的產出？
然後他們把候選人分成四類画像：
- AI-Native Systems Engineer：偏基礎設施、架構、系統穩定性
- AI-Native Product Engineer：偏產品品味、使用者理解、結果導向
- AI-Native Applied AI Engineer：偏模型理解、Agent 能力與工作流增強
- AI-Native Early Professional：偏學習速度與以 Agent 為先的成長路徑
從這個分類可以看出，Augment Code 並不是要找到一個「萬能 AI 工程師」，而是在尋找圍繞 AI 原生組織重新分工的人才。
最後總結，核心觀點是：寫程式這項執行成本已漸漸變輕，語言與框架不再是重點；重點是人的架構思維、產品理念與管理協調能力。遇到深度問題或難點時，能不能指定 Agent 走出困境，這是他們認為未來的關鍵能力。
近期字節跳動在武漢與得物相關的消息，也顯示出前後端融合的趨勢，所以或許未來的開發真的是 AI-native。
當然，就目前來看，GitHub 已被許多 Vibe Coding 的 AI 專案充斥，這些專案普遍 README 寫得很好，但成效難以評估，對 AI 生態也是一種污染。
所以這對人的價值而言，決策能力就是你的價值所在。
連結
1) --- 會變成分隔線（上一行必須是空白）
2) # 會變成一級標題
3) ## 會變成二級標題
4) ### 會變成三級標題
5) **粗體文字**會顯示粗體文字
6) ```當第一行與最後一行會顯示程式碼
7) 請搜尋 Markdown 語法，了解各種格式
