讓 AI 替你跑，你來決定跑什麼——從 Marvin Lin 的 Agent 實踐學到的事
本文是 C Talk+ X TKUG #17 | AI-Native Frontend - 從 Prompt 到 Production 的工程實踐 活動心得，記錄 Marvin Lin（CMoney 前端工程師）的演講重點與個人反思。活動於 2026.06.26（五）在新北市板橋區田明文化金融大樓舉辦，由 CMoney 全曜財經與 TKUG 共同主辦。
Marvin 說他讓 Agent 跑了整晚，早上進辦公室時已有 28 個 task 完成。他只需要睡前把任務下好，機器自己跑。
聽到這裡，台下一陣羨慕的氣氛。對一個前端工程師來說，這聽起來幾乎是夢寐以求的工作流。
但我同時也知道：建構出這套工作流之前，他付出了多少個夜晚。
這大概就是這個時代最微妙的地方——工具的上限，已經遠超過一個人體力的下限。
基本功更重要了，不是更不重要
Marvin 在投影片第一張就直說：「Agents 時代，基本功更重要了。」
他列的清單沒有任何新名詞：Git、Design Patterns（SOLID 這些）、Unit Tests、CI/CD、E2E Testing。但他說，這些在 Agent 時代反而更關鍵——因為你現在要告訴 Agent「目標是什麼」，而不是「步驟是什麼」。如果你自己沒有把目標想清楚，Agent 會幫你跑歪。
他用了喬哈里窗的比喻：在「自己知道」的象限，你可以清楚指揮 Agent；但如果落在「自己不知道自己不知道」的盲點區，交給 Agent 做的事情你連有沒有做對都確認不了。基本功就是縮小那個盲點的方式。
這段話讓我重新想了一下：我以為 Agent 時代是「技術技能降格、溝通技能升格」的時代，但 Marvin 說的是相反的——你愈熟，你指揮 Agent 的效率愈高，盲區愈小。不是說前端工程師的技能要全部清空重來，而是在既有的基礎上，把「讓 Agent 理解目標」這件事也納進來。
Wiki 知識庫：讓那些每天重複的問題消失
讓我印象最深的，是 Marvin 提到建立企業級前端知識庫這件事。
他們讓 Agent 每 15 分鐘自動跑一次，把系統資訊整理進 Wiki，讓 PM 可以直接問 Agent 取得數據，不用每次跨部門找工程師問「這個參數是什麼」「這個功能邏輯在哪裡」。
對前端工程師來說，這個場景的意義不只是「方便」——它意味著那些每天佔掉你大量時間的重複性溝通，可以被系統性地解決掉。你可以把精力放在真正需要人類判斷的事情上。
但建立這個知識庫本身，就需要大量前期投入。表面上看起來是 AI 在幫你做事，但那套工具鏈是工程師一行一行設計出來的。它不會從天上掉下來，它是你花時間把系統理解到足以「寫給 AI 看」的程度之後，才能建起來的東西——而那個理解系統的能力，就是基本功。
認知投降的對立面：Marvin 的做法是什麼
讀過一篇 Anthropic 的研究——使用 AI 時學習成效最高的那組人，是「先讓 AI 生成程式碼，再確保自己完全理解每一行」，而不是「把任務丟給 AI 就走人」。
Marvin 在台上說的也是這個邏輯。
他花大量時間設計 task 的結構、狀態機、驗證機制，這些都是工程師必須自己想清楚的東西，AI 沒辦法替你決定。如果只是把「幫我寫個前端元件」丟給 Copilot，然後直接貼進專案，那確實輕鬆，但也確實是在認知投降。
Marvin 的做法恰恰相反——他用 AI 做執行，但把定義任務、設定邊界、制定驗證標準這些核心工作留給自己。
這才是真正的 AI-Native：不是讓 AI 替我想，而是讓 AI 替我跑，我來決定跑什麼。
這句話值得存下來，因為它描述的不只是一種工作方式，而是一種工程師在 AI 時代的自我定位。
但我的體力是真的有限
老實說，聽完這場分享，我有一種很矛盾的感受。
我很想讓 Agent 幫我跑 side project，也想把自己的工作流建到像 Marvin 那樣。但我也知道——Marvin 背後投入的那些夜晚，不是每個人都能或都願意付出的。工具民主化了，但時間沒有。
現在的情況是：AI 工具讓一個人可以做到以前三個人才能做的事，但前提是你得先花相當多時間把那套工具鏈建起來。如果每次看到新工具都想試、都想整合進工作流，那永遠在建工具，永遠沒有時間真正用它來做事。
我沒辦法天天開發新的 side project 到早上六點。這不是藉口，這是現實。
一個帶走的想法
不要追著所有趨勢跑，而是選一個你真正想解決的問題，然後用 AI 把它做透。
Marvin 成功的關鍵不是用了最新的模型，而是他把基本功練到足以「把目標說清楚」——然後才有辦法讓 Agent 跑得準、建得起知識庫、驗得了輸出。這件事 AI 幫不了你，只有你自己可以做。
工程師在 AI 時代的核心競爭力，依然是「你到底想解決什麼問題」。有了這個清晰度，工具才有了意義；沒有這個清晰度，再好的工具也只是讓你更有效率地迷路。
28 個 task 的背後，是一個工程師把問題想清楚的能力。那個能力，AI 幫不了你長出來。