最後更新：2026 年 6 月 28 日｜作者：Mr. Slash｜本文為趨勢解讀，非投資建議
前 OpenAI 共同創辦人、前 Tesla AI 總監 Andrej Karpathy，最近在 Sequoia AI Ascent 2026 的爐邊對談丟出一句把開發者圈炸開的話：「我從未感覺自己作為一個 programmer 如此落後。」說這句話的人，是親手參與打造現代 AI 的那批人之一。他覺得落後，不是因為自己退步，而是因為遊戲規則在 2025 年 12 月那個月悄悄換了一套。
他把這套新規則濃縮成一句對照：vibe coding 抬高了地板，agentic engineering 抬高了天花板。這篇就用普通人聽得懂的方式拆給你看：這兩個詞差在哪、為什麼連大神都覺得自己要重新追，以及如果你根本不寫程式，2026 年到底該練哪一樣，才不會被丟在後面。
一句話結論：vibe coding 是「人人都能叫 AI 做出東西」（抬高地板），agentic engineering 是「專業地指揮一群 AI agent、同時守住品質」（抬高天花板）；普通人 2026 該練的不是打字或背指令，而是「下規格、驗收成果、保留判斷力」這種指揮 agent 的能力。
先一眼看懂：vibe coding 和 agentic engineering 差在哪？
差在你站在哪個位置。一個是讓門檻消失、誰都能上手；另一個是把上限拉高、讓真正會用的人甩開所有人。先看這張對照表，後面再逐項解釋。
| 維度 | vibe coding（抬高地板） | agentic engineering（抬高天花板） |
|---|---|---|
| 一句話定位 | 用講的就能做出東西 | 專業地指揮一群會犯錯但很強的 agent |
| 誰在用 | 所有人，包含完全不會寫程式的人 | 要對成果負責的人、團隊、創作者 |
| 做出來的東西 | 原型、個人小工具、快速試錯 | 能交付、要負責、會被人實際用的東西 |
| 品質與安全 | 能跑就好，先求有 | 守住正確、安全、可維護，不能因為偷懶埋雷 |
| 你的角色 | 提需求的人 | 下規格、驗收、把關的「指揮官」 |
| 對你的意義 | 門檻歸零，人人能玩 | 真正拉開差距的能力，紅利在這裡 |
為什麼連 Karpathy 都說「從未如此落後」？
關鍵不是程式變難了，而是寫程式的「預設工作方式」變了。Karpathy 說，2025 年大半年，Claude Code、Codex 這類 agent 工具雖然好用，但常常要回頭修。直到 2025 年 12 月，他放假、有空多測新模型，發現一件事：丟給 agent 的任務，產出的整塊程式碼「就這樣直接對了」；他再要更多，還是對；他想不起來上一次出手修改是什麼時候。
於是寫程式的最小單位變了。從前是「一行一行打 code」，現在是把一個個比較大的動作直接交辦出去：實作這個功能、重構這個模組、研究這個套件、把服務架起來、寫測試跑測試修錯、比較幾種做法再提一個計畫。Karpathy 的結論很直接：programmer 的角色正在被改寫，從「寫程式碼的人」變成「指揮 agent 的人」。他覺得落後，是因為這套新打法的天花板，被一口氣拉到他要重新追。
vibe coding 是把地板抬高，讓幾乎任何人都能做出軟體；agentic engineering 是把天花板往上拉，是專業地協調一群會出錯的 agent、同時守住品質的工程紀律。
— Andrej Karpathy, Sequoia AI Ascent 2026
他還補了一刀：以前大家講「10x 工程師」，現在這個倍數會被放大很多。真正精通指揮 agent 的人，產出不只是快 10 倍，而是能衝得遠高於此。地板人人都踩得到，天花板卻沒幾個人摸得著，這就是差距的來源。
不會寫程式的你，為什麼也要在意這件事？
因為這套邏輯早就跳出寫程式了。Karpathy 提了一個更大的框架，他叫它 Software 3.0：1.0 是人寫死規則，2.0 是人準備資料訓練神經網路，3.0 則是「用提示、上下文、工具、範例、記憶去指揮 LLM 做事」。在 3.0 的世界裡，你丟給 AI 的那段「指令／上下文」，本身就是程式。你不需要寫 code，照樣在「程式設計」。
他舉了一個很白話的例子：以前要把一個複雜工具裝到各種電腦上，得寫一堆又臭又長、滿是條件判斷的安裝腳本；現在的做法是給你一段文字，你貼進 agent，它自己看你的環境、自己除錯、自己把東西裝好。安裝說明從「給人照著點」變成「給 agent 照著做」。這就是為什麼他不斷強調：未來的軟體要為「agent」而設計，而不是只為「人點來點去」設計——你的 agent，正在變成真正的使用者。
所以重點來了。當「執行」這件事被 AI 變得超便宜，稀缺的東西就換人了：會打字、會背 API、會套版型，這些都在貶值；知道「該做什麼、什麼結果可疑、什麼取捨可以接受」，這些判斷力反而變貴。這跟你寫不寫程式無關，你做內容、做報表、做設計、做研究，全都吃這一套。
agentic engineer 到底在做什麼？一個真實例子
Karpathy 用自己做的小 app「MenuGen」當案例。那是個拍菜單就能生成菜色圖片的小工具。他叫 agent 處理付款時，agent 寫出來的程式「看起來很合理」：用 Stripe 付款的電子郵件，去比對使用者 Google 登入的電子郵件，藉此發放買到的點數。問題是，這兩個信箱很可能不一樣，結果就是有人付了錢卻拿不到點數。程式能跑，邏輯卻錯了。
真正的 agentic engineer，不會 agent 給什麼就收什麼。他要有足夠的判斷力堅持「該用一個固定的使用者 ID 來綁定，而不是拿信箱湊」。換句話說，agent 像個記性超好、但偶爾犯傻的實習生：它記得各種 API 細節（這個函式參數叫 dim 還是 axis），你不用再背；但底層觀念、系統邊界、安全紅線，還是得你懂、你把關。Karpathy 列了一串 agentic engineer 的日常：設計規格、審查計畫、檢查改動、寫測試、建驗收迴圈、管權限。聽起來像不像「帶一個團隊」？對，只是團隊成員換成 AI。
普通人 2026 該怎麼練這套能力？
不用會寫程式，照這五步練，方向就對了：
- 學會「下規格」：別只丟一句「幫我做個 X」。把背景、目標、限制、你要的驗收標準講清楚。需求講得愈準，agent 做得愈準。
- 學會「驗收」：成果出來別照單全收。多問一句「這裡為什麼這樣做」，專門抓那種「看起來對、其實錯」的設計（像上面 MenuGen 的信箱 bug）。
- 建自己的知識庫：用 AI 把你領域的零散資料，整理成一份會持續長大的筆記／wiki。Karpathy 把這招當成核心武器——它不是查答案，是把資訊變成你的理解。
- 把工具串成流程：別只學單一工具。把幾個工具或 agent 接成一條「能重複跑」的產線，例如採集素材到產出成品一條龍。
- 保留判斷力：記住 Karpathy 引用的那句話——「你可以外包思考，但你不能外包理解。」你還是那個要知道方向、抓出可疑結果、拍板取捨的人。
想看「指揮 agent」實際長什麼樣，可以參考矽谷創投圈怎麼配置 AI 開發工具的拆解（見文末延伸閱讀），那是 agentic engineering 落到日常的具體模板。
這跟「會不會被取代、能不能賺錢」有什麼關係？
關係很大，而且是好消息。當一個人能指揮 agent 交付以前一個團隊才做得到的東西——剪片、做簡報、寫程式、架網站——「一人公司」「接案」「副業」的門檻就被打開了。這正是 agent 能力最值錢的地方：它是槓桿。
但要看清楚一件事：吃到這波紅利的，不是「會打 prompt」的人，而是「會驗收、有判斷力」的人。AI 把「做出來」變便宜了，所以真正能變現的，是你對品質和方向的把關能力。Karpathy 說的天花板被拉高、10x 變成遠超 10x，講的就是這群人。與其焦慮會不會被取代，不如把自己往「指揮官」那一格挪。
Mr. Slash 怎麼看？
我的看法很直接：「學 prompt engineering 沒用」這種話有點過頭，但方向是對的。把時間砸在背指令、追當紅工具，回報會愈來愈薄；真正稀缺的是判斷力——知道該做什麼、什麼結果不對勁、什麼取捨能接受。AI 讓「執行」貶值、讓「判斷」升值，這個趨勢短期內不會反轉。
所以與其問「我該學哪個 AI 工具」，不如開始練「站在 agent 上面」的能力。挑一件你每週都要做的煩事，這週就用一個 agent 工具，從頭到尾跑一次，重點全放在「我怎麼把需求講清楚、怎麼檢查它做得對不對」。練個幾輪，你就會懂 Karpathy 說的天花板在哪。
常見問題 FAQ
agentic engineering 簡單講是什麼？
用專業方法指揮一群會犯錯、但很強的 AI agent，幫你又快又穩地把事情做完，而且品質、安全、可維護性都不能掉。它是一種工程紀律，不是隨手叫 AI 做東西。
不會寫程式，能練 agentic engineering 嗎？
能。核心不是寫 code，是「把要求講清楚、驗收成果、保留判斷」。這套能力套用在做內容、做報表、做網站、做研究都通用，寫程式只是其中一個場景。
那 vibe coding 還有用嗎？
有用。做原型、個人小工具、快速試錯，vibe coding 很夠。但只要東西要交付給別人用、你要負責，就得升級到 agentic engineering，把品質和安全顧好。
普通人第一步該做什麼？
挑一個你每週都要做的繁瑣任務，用一個 agent 工具把它完整跑一次。重點不在工具多炫，而在練「我怎麼把需求講清楚、怎麼檢查它有沒有做對」。
新手行動清單
- ✅ 這週挑一件每週都要做的煩事，交給一個 agent 工具跑一次
- ✅ 練「下規格」：背景、目標、限制、驗收標準一次講清楚
- ✅ 練「驗收」：成果出來多問一句「這裡為什麼這樣做」
- ✅ 開一份你領域的 AI 知識庫筆記，讓它持續長大
- ✅ 把腦袋從「我要學哪個工具」換成「我要怎麼指揮它」
延伸閱讀
- YC 總裁 Garry Tan 的 Claude Code 配置：agentic engineering 落到日常長什麼樣
- 阿里開源 page-agent：讓網站變成「agent 看得懂」的樣子
- Hermes Agent 上手指南：會自我進化的 AI agent 怎麼用
參考資料
- Karpathy 親自整理的演講摘要（karpathy.bearblog.dev/sequoia-ascent-2026）
- Sequoia AI Ascent 2026 對談影片（YouTube）
- Andrej Karpathy 推文原串（x.com/karpathy）
利益揭露與免責：本文為 AI 趨勢解讀與教學分享，部分站內連結可能含合作關係，不影響你的權益。文中工具、版本與引述以官方最新公告為準（截至 2026 年 6 月）。內容不構成任何投資或職涯建議，請依自身情況判斷。
發表迴響