會寫程式不夠！「AI 原生工程師」成矽谷新物種：懂編排多個代理人，才能擠進薪資金字塔前 1％
重點一：矽谷初階工程師失業潮不是景氣循環，是過度擴張修正、CS 畢業生供給過剩、AI 取代初階任務三股力量疊加的結果。
重點二：能夠「編排多個代理人」的工程師正在成為技術人才市場最稀缺的物種，核心技能是上下文管理而非程式碼精確度。
重點三：初級工程師缺乏行業敬畏感，反而是驅動 AI 激進應用的關鍵燃料，這是資深工程師的經驗包袱所無法複製的。
一份履歷，乘以一千，才換來兩次初步聯繫。
這是一位加州大學柏克萊分校（UC Berkeley）電腦科學系應屆畢業生在矽谷求職的真實遭遇。史丹佛大學（Stanford University）兼任講師、舊金山早期新創 AI 負責人 Mihail Eric 在 YouTube 頻道 EO 的訪談節目《The Thinking Mode：From Writing Code to Managing Agents. Most Engineers Aren't Ready》中引述了這個案例。
這個數字本身不足為奇。景氣緊縮時，求職困難是常態。但若仔細拆解「1/500」背後的成因，會發現眼前這場就業冰河遠比表面看起來更難解凍。
Mihail Eric 指出，當前矽谷科技業的人才困境由三道浪疊加而成。
第一道浪是 2021 年疫情驅動的過度擴張：企業隨後發現裁減兩到三成人力後系統仍照常運作，等於親手證明了組織過去的冗餘。
第二道浪是 CS 系畢業生人數在過去十年間增長了兩至三倍，供給側的結構性過剩早在生成式 AI 出現前就已埋下。
第三道浪才是 AI。它讓企業開始質疑究竟還需不需要初階人力。
而現在三道浪同時拍打，就一舉讓就業市場進入重組階段。
「管代理人」正在取代「寫程式」
傳統工程師的價值由語法熟練度與程式碼精確度定義。在那個框架下，寫出正確、高效的程式碼就是核心競爭力。這個定義在 AI 工具大規模普及後正快速失效。
取而代之的是「AI 原生工程師（AI-Native Engineer）」這個新物種。他們不將 AI 視為輔助插件，而是視為一種新架構。
其日常更接近管理者：將任務拆解後分配給各個 AI 代理人（Agents），監控執行進度，在代理人陷入死循環時即時介入，並持續優化回饋機制。核心技能不再是程式碼本身，而是上下文管理（Context Management）與代理人邊界定義。
兩種工程師思維的差異，具體體現在四個維度：
任務視角：傳統工程師專注親手編寫邏輯與實現細節；AI 原生工程師專注任務拆解與智力資源分配。
核心能力：傳統工程師倚重語法熟練度與程式碼精確度；AI 原生工程師倚重上下文管理與代理人邊界定義。
系統角色：傳統工程師是線性功能的執行者；AI 原生工程師是代理人群落的管理者。
失敗處理：傳統工程師手動追蹤 Bug 與修補邏輯；AI 原生工程師修正代理人的理解偏差、優化回饋循環。
影片中特別指出，「編排多個代理人（Orchestrating Agents）」是這個新物種的最終考關。唯有具備這種能力的工程師，才能進入技術人才金字塔頂端的 0.1% 行列。
代理人越多，為何系統反而越脆弱？
為何編排多個代理人是一種稀缺的能力？主要在於「多個代理人協作」聽起來像效能倍增器，但實際情況往往相反。
盲目增加代理人數量會產生「代理人膨脹（Agent Bloat）」：通訊成本攀升、錯誤率累積，最終演變為系統性混亂。換言之，代理人具備「錯誤放大」的特性，第一步的微小理解偏差，會在第二步被加倍擴大。
這是代理人架構與傳統線性開發最關鍵的差異：傳統程式出錯，工程師追蹤 Bug；代理人出錯，工程師要先修正它對任務目標的「理解偏差」，難度完全不同。
務實的編排策略是循序漸進。先讓單一代理人的工作流穩定後，再引入下一個。每個代理人負責邊界清晰、低耦合的具體任務，例如一個只負責修正 Logo，另一個只更新標題列內容。過早求全，是代理人架構最常見的失敗原因。
讓程式碼庫對 AI「易讀」很關鍵
AI 時代的競爭力已不只取決於用哪個模型，而在於你的程式碼庫（Codebase）對 AI 的可讀性與容錯度。
「契約式設計（Design by Contract）」在這個脈絡下重獲重視。對代理人而言，一份過時的 README 文件毫無意義；唯有清晰的測試用例，才是它真正遵守的行動合約。測試覆蓋率愈高，代理人產出的結果愈可預測，工程師需要介入修正的頻率也愈低。
建立「代理人友善型程式碼庫」有三個具體方向：統一設計模式，確保同一對象的操作只保留一種 API 實現；建立極高覆蓋率的測試環境；強制執行自動化的靜態分析與風格約束，確保代理人產出的程式碼不會因格式差異導致下游失效。
三件事的共同邏輯是降低認知摩擦，讓代理人更少猜測、更多執行。
未來的軟體工程，要的是「能拆解問題的人」
在功能性軟體可以被快速生成的今天，區分卓越軟體的變量仍然是人的「品味（Taste）」，對細節的執著，以及在功能達成後持續實驗的意願。
資深工程師往往帶著「經驗包袱」。他們傾向用舊路徑解決新問題，也對複雜行業的既有規則更有敬畏。初級工程師恰恰相反，他們對醫療或金融系統的複雜度尚無概念，反而更敢於用 AI 嘗試激進方案。這種缺乏敬畏的天真，在 AI 工具普及的當下，是初創企業突破陳規的燃料。
同時，Anthropic 的工程文化提供了一個值得注意的側面。該公司的工程團隊幾乎每週都會利用 Claude 重新編寫 Claude 自身的部分程式碼庫。
這揭示了一個正在發生的轉變。程式碼庫不再是靜止的資產，而是需要持續迭代、反覆重寫的動態系統。 一旦接受這個前提，「初級工程師沒有生存空間」的說法就需要修正。
真正被淘汰的是只會重複執行既定任務的線性執行者；能面對未知問題並將其結構化、懂得分配智力資源的人，無論資歷深淺，仍有很大的發揮空間。
「智力分配者」將是下一個稀缺職位
軟體工程的本質正在從「用數位手段構建複雜系統」演變為「動態分配智力資源」。
這個轉變對工程師的要求不是放棄技術深度，而是拓展思維框架：從「我要怎麼寫這段程式碼？」轉向「我要讓哪個代理人做這件事、給它設定什麼邊界、如何驗證它的輸出？」
下一個世代最有競爭力的組織，不會只是「使用 AI 做事」，而是讓 AI 直接嵌入產品核心，實現部分流程的自主運行。
在那個框架下，最關鍵的工程師角色將是「智力架構師」。懂得如何定義邊界、建立代理人協作體系，並讓系統在沒有人類持續介入的情況下可靠運作。
這個角色需要的不只是技術能力，還有一種思維習慣：對陌生問題保持信心，願意將模糊的挑戰拆解成代理人可以執行的具體任務。而這種能力，未必與工作年資成正比。
延伸閱讀：「AI 腦疲勞」是什麼？研究指同時用超過 3 種 AI 工具，生產力反而下滑：哪些職業受害最重？
資料來源：EO
本文初稿為AI編撰，整理．編輯/ 李先泰
延伸閱讀
MacBook Neo值得買嗎？一台不到2萬，規格與效能如何？限制有哪些？
AI為何翻不好「林宅血案」？元首級口譯揭3大誤區：一個好的翻譯，可以叫醒「外面那個拳頭大的」！
「加入《數位時代》LINE好友，科技新聞不漏接」