[AI 分享] Google AI開發框架Day1重點

 [AI 分享] Google AI開發框架Day1重點

摘要 : Google將AI開發共識整理成框架：vibe coding、agentic engineering、context engineering與token成本思維。

內容:

現在有大量專業開發者已經在使用AI Coding Agent，甚至相當比例的新程式碼已由AI產生。但「vibe coding」與「agentic engineering」這些詞經常被混用，導致討論失焦。Google近期推出五天AI開發課程，嘗試把業界逐漸形成的共識整理成正式框架，而這段內容主要濃縮的是Day1的核心觀念。

首先，vibe coding與agentic engineering不是非黑即白，而是一條光譜。從低結構性的vibe coding，到中間的structured AI-assisted coding，再到高紀律的agentic engineering。差異不在於有沒有用AI，而在於AI輸出的規格化程度、驗證方式，以及人類是否設下邊界與判斷機制。像是原型開發可以偏向vibe coding，但若是金流、正式API等高風險場景，就必須走向agentic engineering。

這條光譜上最關鍵的分水嶺是「驗證」。Google強調，沒有tests與evals，再精緻的prompt本質上仍然只是vibe coding。tests用來驗證可確定的輸入輸出，evals則檢查agent的路徑、工具使用與最終品質是否符合標準。換言之，真正成熟的AI開發，不是讓AI一直試錯，而是把驗證系統先建立起來。

若想從vibe coding走向agentic engineering，真正該強化的不是prompt engineering，而是context engineering。這可以理解成替AI做完整的入職訓練：除了任務本身，還要提供角色邊界、領域知識、記憶、範例、可用工具與硬性約束。這些context又可分為static與dynamic兩種：前者穩定但昂貴，後者彈性且省token，但必須設計好何時載入，這本身就是架構決策。

在dynamic context管理上，課程特別強調agent skills的重要性。與其把所有知識都塞進system prompt，不如讓agent先保持通用，只有在任務匹配時才載入對應skill，這種做法稱為progressive disclosure。它能讓同一個agent帶著多種專業能力，但只在需要時支付token成本。同時skills也應持續迭代、模組化維護，避免過大、難追查，否則一旦輸出失準，很難找到是哪個skill造成偏差。

最後，AI正在重塑整個SDLC，也就是軟體開發生命週期。真正被大幅壓縮的是implementation，寫程式可能從數週縮到數小時；但需求訪談、架構決策與品質驗證，多數仍由人主導。因此，AI不是單純讓舊流程加速，而是讓流程邊界變模糊、迭代週期縮短，並把spec品質、context設計與驗證系統，推升為新的核心競爭力。越早建立這些工作系統的人，後續使用AI的效率與成本通常都會更有優勢。