AI Coding Agent 會取代工程師嗎？目前沒有足夠證據支持「工程師職業即將消失」，但只靠需求單寫出第一版程式碼的價值正在下降。 Codex、Claude Code、Cursor 與 Copilot coding agent 已能讀程式庫、修改多個檔案、跑測試並準備 PR。公司往後會更在意你能否定義問題、驗證差異、處理風險並對上線結果負責。
如果你正考慮轉職，工程基礎仍值得學。調整的是學習順序：語法之外，要更早練 Git、測試、除錯、HTTP、資料庫、部署與安全，並把 AI 放進可審查的開發流程。
研究真正告訴我們什麼？
Google 的 2025 DORA 報告調查近 5,000 名科技工作者，結論是 AI 像放大器：流程清楚的團隊較容易得到效益，原本協作混亂的團隊則會放大問題。這支持「工程能力會改變」，無法直接推導「工程師人數會減少多少」。
METR 對熟悉自身開源程式庫的資深開發者做隨機對照研究，早期 2025 工具反而讓受試者完成任務慢 19%。這個結果只代表特定工具、受試者與任務，不適合外推到所有開發；它至少證明「用了 Agent 就必然更快」並不成立。
另一方面，2026 年 7 月的研究觀察 2,361 個熱門 GitHub repository 與 25,264 個 Agent PR，發現高強度採用集中在少數專案，常見模式仍是一位人類負責 review 或修改 Agent 產出。現在比較像擴張單一工程師可處理的範圍，尚未形成無人監督的主流交付方式。
哪些工作內容會先改變？
| 任務特徵 | Agent 較容易發揮 | 人仍要負責 |
|---|---|---|
| 規格清楚、有測試、影響範圍小 | 樣板、重複修改、文件、測試初稿 | 確認行為與邊界案例 |
| 跨檔案但可在分支驗證 | 重構、版本升級、錯誤修復初版 | 審查相容性、資料與效能 |
| 需求模糊或涉及正式環境 | 蒐集脈絡、提出方案 | 產品取捨、架構、權限、上線與事故 |
我要下的判斷是：職稱短期內沒有任務變化得快。不要押注「前端會先消失」或「資深一定安全」這類口號；同一位工程師每天同時做容易委派與不能委派的工作。真正的風險是只會接受清楚 ticket，卻無法判斷生成內容是否符合產品與系統限制。
初階工程師該補什麼？
初階職位受到的壓力最明顯，因為樣板實作、文件與簡單修正本來就是常見入門任務。解法不應是跳過基礎。你需要能在沒有 AI 時解釋資料怎麼流動、錯誤在哪一層發生、測試保護什麼行為，以及一個 diff 為何可以合併。
Stack Overflow 2025 調查中，主動不信任 AI 正確性的開發者多於信任者，最常見挫折是答案「幾乎正確」。面試官因而更有理由追問：你如何發現錯誤、改了哪些 Agent 產出、如何證明沒有破壞既有功能。只展示畫面與提示詞，很難回答這些問題。
學生與轉職者可從 Vibe Coding 基礎與風險理解快速原型的邊界，再挑一套工具練熟；想用 Codex 可讀 Codex 完整指南。工具名稱會變，讀程式、測試與除錯能力比較耐用。
中高階工程師的價值移到哪裡？
中階工程師要能把模糊需求拆成可驗收任務，決定 Agent 能改哪些檔案、要跑哪些測試、什麼情況停止。資深工程師還要處理系統邊界、資料遷移、供應鏈、可觀測性、回復策略與跨團隊協調。
我不建議把「同時開很多 Agent」當成資深能力。平行產出愈多，review、整合與驗證負擔也會增加。DORA 的放大器結論在這裡很實際：測試慢、規格亂、責任不清的團隊，增加 Agent 只會更快產生等待中的 PR。
企業導入工具的讀者可接著看 AI Coding Agent 評估指南，把工具效能、權限、成本、稽核與退出方案一起納入採購。
作品集怎麼證明你會用 AI？
做一個規模小但可部署的專案，並留下完整工程證據：
- 一張 issue 說清楚使用者、問題、範圍外項目與驗收條件。
- 一份 Agent 執行計畫，列出允許修改的區域與需要確認的命令。
- 至少一個你否決或重做的 Agent 方案，說明原因。
- 單元或整合測試，包含正常、錯誤與權限情境。
- 可閱讀的 PR，標示 AI 產出、人工修改、風險與驗證結果。
- 部署與回復說明，再加一份短版事故演練或 postmortem。
這份作品集要證明你能控制交付，按下生成只是其中一步。可照 Issue 到 PR 工作流實作一次，並參考站內的 GitHub Agent 採用研究整理理解真實專案如何保留人工監督。
四週練習路線
第一週只讓 Agent 解釋陌生程式庫，你自己畫出入口、資料流與測試位置。第二週選一個可重現的小錯誤，先寫失敗測試，再讓 Agent 提出修法。第三週完成一張 issue 到 PR，逐段 review diff 並記錄退回原因。第四週部署測試版，模擬設定錯誤、服務中斷與回復，最後把過程整理成面試可講的案例。
每週都記錄實際花費時間。你可能在寫第一版時變快，卻在補脈絡或 review 時變慢；只有把整段交付時間算進去，才知道 Agent 是否真的提高能力。
常見問題
AI Coding Agent 會讓初階工程師更難找工作嗎？
可能提高公司對交付速度與驗證能力的期待，尤其是樣板任務。初階工程師仍有入口，但作品集要證明自己會讀 diff、測試、除錯與說明取捨，不能只展示生成完成的畫面。
現在轉職軟體工程師還來得及嗎？
可以，但不要把「會操作 AI 工具」當成完整技能。先建立 Git、程式設計、HTTP、資料庫、測試、部署與安全基礎，再用 Agent 加快練習與跨入陌生程式庫。
該先學 Codex、Claude Code 還是 Cursor？
挑一套符合工作環境的工具，完成一個有測試與 PR 的真實專案，比同時淺試三套更有用。選擇時看程式庫存取、命令確認、版本控制、團隊政策與費用，之後再比較第二套。
面試時可以說程式碼是 AI 寫的嗎？
可以誠實說明使用方式，並準備解釋每個重要設計、你退回哪些建議、測試如何證明行為，以及上線失敗怎麼回復。無法解釋的程式碼不應放進作品集。
哪些工程能力最不容易被 AI 取代？
現階段較難完整委派的是需求與風險判斷、系統設計、測試策略、安全、正式環境事故處理與跨團隊溝通。這些能力也會使用 AI，但責任與最後決定仍在人。
參考來源
- Google Cloud DORA：Announcing the 2025 DORA Report: State of AI-Assisted Software Development（2025-09-23）
- METR：Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity（2025-07-10）
- Stack Overflow：2025 Developer Survey - AI（2025-07-29）
- arXiv：Agentic Much? Adoption of Coding Agents on GitHub（2026-01-26）
- arXiv：Early Adoption of Agentic Coding Tools by GitHub Projects（2026-07-15）
- OpenAI：Introducing the Codex app（2026-02-02）