在過去一年，圍繞代理工程（agentic engineering）的討論，已經從束具（harnesses）與循環，發展到艦隊（fleets）與軟體工廠（software factories）。我個人認為，工程師必須掌握外層循環——也就是為這些系統負責。當像 Fable 和 GPT-5.6 這類強大模型問世時，這一點只會更加重要。
Agent 具有槓桿效應，而槓桿效應會帶來責任。必須有人能夠清楚解釋：到底改變了什麼、為什麼是安全的、以及如果出錯會發生什麼事。否則，他們的行動就無法被正當化，這也意味著他們的組織從一開始就不太可能要求他們這麼做。
因此，我想談談三個詞。第一個是品質（Quality），指的是我們在系統上線前設下的所有檢查機制。這些檢查會產出證據，而我們根據這些證據做出裁決（Verdict）。
第二個是裁決（Verdict），指的是在我們的工作進入依賴系統前所做的最終決定：我是這個內容的生產線負責人。我所帶領的團隊，其產出都是以我的名義交付。模型可以撰寫內容，但裁決權在我手上。沒有我的決定，我團隊的工作不會進入我們的依賴系統。裁決就是一個生產決策：我們應該交付、阻擋、重新導向、縮小回應範圍、加入護欄，還是直接拒絕？
第三個是可回答性（Answerability），指的是保證如果有人提出疑問，我能夠解釋為什麼。
換句話說：我們的 Agent（我將其定義為一個模型，加上由檔案、工具、記憶體、技能、沙盒、權限、可觀測性和復原機制組成的束具）負責運行我們的循環（我將其定義為調查、實作、驗證、重複）。而這個循環正是我們建立軟體工廠的方式。
模型只是引擎。束具——包含工具、記憶體、權限、沙盒、測試——是你圍繞它打造的車子，讓它能安全地執行真實工作。
把這個束具放入一個可重複的循環：調查、實作、驗證、重複。這個循環讓一次好的運行，變成一個你可以信任並重複執行的流程。把束具放入一個可重複的循環——調查、實作、驗證、重複——在這裡，由一個獨立的檢查（而非模型自己的說法）來決定工作何時完成。
現在，同時運行多個循環。一個工廠就是大規模運作的循環——Agent 在內部運送工作，而人類則在邊界掌握決策權。
這個工廠的核心，是一個精心劃分的邊界，區隔開系統內部與系統外部。在系統內部：我們收集輸入（來自產品團隊的意圖、先前交付工作的知識、近期事件、或使用者的特定回饋）。Agent 循環會調查任務、實作計畫、並驗證結果。然後，證據會跨越這個邊界。一個擁有依賴系統的人類，會看到證據並決定是否繼續進行。
朋友們，這就是我們正在嘗試的轉變。過去，我們的 Agent 是在執行循環的內層循環中工作。現在，它們則在運行內層執行循環。工程師掌握著外層循環。
在系統內部，我們的 Agent 實際上只做一件事：能力。調查任務、實作計畫、測試結果、並回報的能力。這就是模型的能力。正如我們所說，那個未來已經到來。
系統外部，同樣只有一件事：主體性。決定、驗證、批准、以及擁有的主體性。
你看，我們仍然在談論程式碼。它只是需要被安放在一個地方，並由知道自己在做什麼的人來執行。
AI 程式碼的潛力已不再是邊緣的。在 Sonar 2026 年的調查中，我們詢問團隊其提交的程式碼中，有多少比例是 AI 輔助的。這個比例雖然不大，但也不容小覷。一些受訪者表示，他們預期 AI 輔助提交的比例將大幅成長。Sonar 2026 年的程式碼現況報告發現，42% 的已提交程式碼是 AI 生成或顯著 AI 輔助的，而這個比例預計將持續成長，而非趨於平緩。
換句話說，創造正在變得越來越便宜。更稀缺的資源是審查、驗證、理解與維護。
我們將生成速度提升得比控制速度更快。因此，我們面臨一個「信任-驗證」缺口。我們交談過的許多人，仍然對 AI 程式碼抱持著某種程度的不信任。然而，似乎較少人持續將這種不信任融入他們的驗證流程中。
而這是一個危險的處境。我們需要更便宜、更清晰的方式來驗證 AI 程式碼的可信度。
如果你看一下 GitLab 2026 年 6 月的報告，你會發現治理問題已經發生了轉變。GitLab 2026 年 6 月的 AI 問責研究顯示，審查和驗證是目前使用 AI 時的瓶頸，更令人擔憂的是，治理通常發生在程式碼創建之後，在我們接受了風險並失去對所有權的控制之後。如今，這不單只是關於控制。這關乎我們為系統設定了什麼限制。關乎我們將如何用證據來檢查工作，以及我們將如何讓團隊負責。關乎誰將擁有 AI 生命週期的哪個部分。
因此，這個系列的最後一個區別，在於流程與品質之間。品質是一個關於反向壓力的概念。我們是字面上這麼說的。我們不希望賦予我們的 Agent 它們所能行使的最大限度自主權。我們希望給予它們剛好足夠的自主權，以便我們有足夠的反向壓力來阻止它們、規範它們、檢查它們的工作，並確保我們的人性。
一般的工程實務會產生許多信號，用來指示正在進行的工作是否走對方向。型別檢查、測試、鉤子、沙盒限制、稽核日誌、監控器。我們的工程系統充滿了這類信號，它們的設計目的就是提供足夠的反向壓力，讓系統保持誠實。
因此，只要我們的 Agent 也產生這些相同的信號，我們就能信任我們的一般工程實務能夠提供適當的反向壓力。
信任我們的系統，並不代表我們不希望有人在循環中。這只是代表人類不需要在內層循環中。我們希望他們在「限制循環」（我們應該設定什麼輸入、架構、指令或不變量？）、「抽樣循環」（我們應該抽樣和審查多少輸出？）、「稽核循環」（我們應該保留什麼證據，以及如何確保我們的稽核日誌有效？），以及「所有權循環」（我們應該擁有生產邊界的哪個部分）。
但人類不需要在內層循環中。
Agent 能夠交付比你所能審查的還要多的東西。
而稀缺的資源，是你自身核心的人類判斷力，並輔以日誌或測試這類品質信號。
AI 2026 年 6 月的報告顯示，在實驗環境中，以小時為時間尺度的代理授權基本上已經實現。OpenAI 今年關於 Agent 與未來工作的研究，為這些想法提供了很好的參考。因此，隨著我們的系統開始交付超出我們審查能力的內容，我們需要開始思考如何建立這個所有權邊界。
這就是可回答性發揮作用的地方。
因為對於長時程的 Agent 而言，在以小時為時間尺度上所做的決定，本質上就是決定。而且並非所有決定都會被記錄下來。你無法將它們全部追溯回輸入的 token。如果你所做的只是相信你得到的輸出是針對當前問題的正確選擇，那麼你將需要花費數百甚至數千小時的人力工作來重建導致該輸出的決策鏈，而這幾乎是不可能的。因此，再次強調，可回答性必須成為我們系統設計的核心。
三大隱藏成本
這裡有三個隱藏成本：
認知投降 —— 盲目接受 AI 給你的東西。當你將工作委派給一個 Agent 時，這項工作看起來可能像是 Agent 的工作。但實際上，這是你的工作。這是你的聲譽。這是你的責任。而且，是你的軟體承受了輸出中的缺陷。同時，你的軟體也需要被修改以反映那個輸出。因此，Agent 的輸出就成了你的答案。隨之而來的，是所有相關的問責。華頓商學院的研究指出，當 AI 正確時，這沒什麼問題。但當它出錯時，情況就不妙了。當 AI 出錯時，仍有近四分之三的人選擇接受，而且他們的信心比沒有 AI 時更高。
認知負債 —— 侵蝕你對如何解決問題的理解與記憶。當你將工作委派給一個 Agent 時，你是在把所有思考工作都外包給 Agent。雖然自己從頭到尾想清楚需要時間和精力，但在一個龐大的程式碼庫中進行思考，需要花費大量的資源，而當你試圖快速跟上學習曲線時，這些資源並不存在。因此，你得到的輸出，往往是你自己無法達到的。而 Agent 規劃的時間跨度越長，Agent 產出的程式碼與你對它的理解之間的差距就越大。這個差距會不斷累積，負債也會隨之增加，而爬上學習曲線的成本則幾乎呈指數級增長。Anthropic 的一項隨機對照試驗探討了依賴 AI 撰寫程式的工程師，是否與親自撰寫程式的工程師擁有相同程度的理解。結論令人沮喪：在一項理解力測驗中，透過 AI 工作的工程師得分比沒有使用 AI 的低了十七個百分點，分別是 50% 對比 67%。
接著是編排稅——現在要快速啟動大量 Agent 很容易，但你的認知頻寬無法以同樣的方式平行處理。引導你的 Agent 避免最糟的行為、分類 Agent 產出的工作以找出需要你關注的部分、指導它優先處理你最關心的任務、在讓它運行之前驗證你最重要的限制條件和最危險的假設……這一切都需要工作，而且無法自動化。
人類的判斷無可取代。
棕地（Brownfield）系統在這裡尤其危險，因為你需要稽核的系統行為並不存在於程式碼中。它存在於傷疤之中。
解決方案？在架構決策中將「注意力」列為優先事項。使用工作樹、範圍和證據來減少你初始計畫與其衍生工作之間的耦合。為解決不可行動的步驟設定時間限制。並將軟體中的變更嚴格設定為選擇性加入的權限。
Alpha、衰減、品味：這是貫穿各個領域，塑造職業生涯與表現的三個核心模式。
Alpha，指的是競爭中最高成就者所佔據的領先位置，當你正在執行自己最具價值的策略行動時。衰減，是每個人透過重複和觀察他人而學到的既定模式（如果你喜歡，可以稱之為平原期）。品味，是我們最早能察覺 Alpha 領先信號或衰減模式變化的能力。這是在有任何證據顯示事情正在發生之前，我們對未來走向的判斷。Paul Graham 的觀點是，當每個人都能創造任何東西時，選擇創造什麼就變得更加重要；而 Mitchell Hashimoto 的定義更具操作性：在尚無客觀指標存在的情況下，做出高品質的主觀判斷。從現在開始，品味驅動一切：Alpha 的轉變就是品味的轉變。衰減之所以消退，是因為我們開始品味到不同的東西。
下一步是什麼？將你的品味操作化。怎麼做？給它一個能反映你想從邊緣系統轉移到意識層之物件的名稱。在評論和範例中練習它。讓它的理由變得明確。
並且持續執行最能為你的產業帶來持久競爭優勢的行動。那是什麼？持續將邊界向上提升：從僅僅執行任務，轉變為教導任務、系統化任務、決定何時該執行任務、並擁有最終成果。
每個人都是開發者，但並非每個人都是工程師。當一個開發者擁抱更嚴謹的工作紀律時，他就轉變成了工程師：要求全面且邏輯合理的推理、考慮限制條件與取捨、辨識風險與曝險、以及實踐性的當責。
在未來，人們將離開工程領域的行政工作，並擁抱隨著工程變得更加要求嚴格而湧現的新角色。這些角色會從工藝精神中分離出來，但會明確每個人負責的工作。將會有人負責原型設計。有人負責建構。有人負責清掃。有人負責成長。有人負責維護。
人類也在另一個方向上掌握著系統的邊界。在另一個方向上提升 Alpha：選擇什麼是值得做的、定義完成工作時的限制條件、決定證據是否足夠以繼續進行、以及關懷最終成果。無論是一個團隊還是一百個團隊，這都是唯有人類才能掌握的邊界。
當責將能擴展工廠規模。就像注意力和品味一樣，當責也是讓一切運作的核心二元性之一。沒有當責，就沒有規則。沒有與提問者的爭論。沒有取捨。沒有風險。沒有安全網。如果沒有人承擔決策的後果，那麼高主體性只會帶來混亂。
一個邊界的半衰期是一個發布週期，但一個簽名（signature）的半衰期卻是一個職業生涯。簽名就是你在作品上的署名，代表你覺得可以為交付的東西背書。技能帶給你槓桿效應；當責則將槓桿效應轉化為信任。
只有人能做出選擇。只有人能繼承後果。Agent 可以被要求安全地在政策範圍內選擇、路由、合併和升級，但它們無法繼承後果。
也許每個程式碼庫都應該附帶某種當責合約，明確列出在接受變更時所理解的檢查清單、做出決策所依據的證據、誰對此變更負責，以及變更被阻擋後的系統狀態。就像這樣：
- 你的注意力與品味
- 你的證據、裁決與所有權
- 你的 Alpha、衰減與品味
高主體性
在一個典型的代理工作流程中，高主體性是一門藝術，知道何時委派、何時檢查、何時停止、以及何時擁有流程的結果。主體性的階梯從低到高：標記潛在問題、調查它、根據它執行、診斷它、提出解決方案、建議修正、以及解決問題。在主體性階梯上的一個高階層級是洞察力：發現問題，認為不值得修復，繼續前進。
撐起軟體工廠的十二根支柱
棕地（Brownfield）是希望擴展規模的工廠所需面對的前沿領域。所有那些精巧的小創新可能還感覺不到什麼，但生產環境卻非常複雜。當建立一個全新的系統時，規劃和實作足夠的反向壓力機制要容易得多，因為你擁有完全的控制權。然而，當你將智慧 Agent 加入一個遺留系統時，情況就完全不同了。
遺留系統包含了完整的生產行為、客戶的未來期望、遷移歷史、發布與預算週期長度、未明說的假設、邊緣案例、資料異常、操作手冊流程、以及所有在缺乏維護意願下累積的傷疤。
要成為棕地系統的守護者，需要一種持久的工程能力。必須進行工作，將隱性知識轉化為明確的限制條件，在團隊之間和世代之間保持其一致性，將這些知識正式化為測試程序和功能規範，並將這些知識與客觀證據連結起來。同時，要將失敗轉化為更多的學習。因為如果系統不再得到它一直以來獲得的關懷，一切都將崩塌。
新工作就是真實工作
隨著你的規模擴大，工作將會變得更有趣。因為當其他一切都已建成時，人們會想要建造新的東西。他們會想要運用在自身技藝中發展出的 Alpha 和品味，來設計可以嫁接在軟體工廠上的新循環。或者，他們會想要建立綠地（Greenfield）系統，將軟體工廠的所有知識，運用在一個優雅、立意良善、且原則明確的努力上。他們會想要設計和實作新的證據形式，使其能達到驗證新系統的水平。他們會想要照顧那些現在已經複雜到需要專注照料的棕地系統。他們會想要設計和管理新的反向壓力機制。他們會想要設計新的 Agent。而他們會想要建立主體性。
而當他們這麼做的時候，他們會發現這一切都是真實的工作。這是件好事。
自動化會產生瓶頸。生產中值得擁有的瓶頸。因為自動化讓我們能夠控制工業規模。但工業規模也會產生新的瓶頸。瓶頸從「我們能建造這個嗎？」轉變為「這個東西應該存在嗎？我們能為它負責嗎？」
我提出的是一個實務性的運作模型，用於擴展代理工程。這其中有內層和外層循環。內層循環是執行工作的地方。循環被設計得盡可能獨立。將所有品質保證和驗證都放在循環內部。一旦你設計並驗證了循環本身，你唯一要做的事情就是建立一個反向壓力機制來控制循環的運行速度和運作範圍，從而授予自主權。並讓人類回歸他們應有的位置，參與正確的決策。不要把理解視為一個交接點或發布關卡，而要把它視為一個決策點，讓人在這裡提供他們的見解。然後，對於每個存在且被回饋到生產系統、新團隊和新工程師的產出物，留下更好的產出物。
建造工廠；維持運轉；讓工作易於理解、可被驗證、有人負責。
Agent 可以撰寫它。但在它到達使用者手中之前，必須有人解釋它為什麼應該存在、為什麼它足夠安全可以成為生產環境的一部分、以及當它出錯時他們會怎麼做。
這就是外層循環中的代理工程——這就是現在的工作。
Pangram 已將本文評為 100% 人類撰寫： https://www.pangram.com/history/ae6caccc-b70f-4336-a019-5c3411516871
