
Coding Agent 正在改變工程、產品、設計的協作方式 — 但改變的不是你想的那個
PRD 已死,但死的不是你以為的那個東西
上週看到 Harrison Chase 在 LangChain Blog 發了一篇文章,How Coding Agents Are Reshaping Engineering, Product, and Design,看完之後覺得有幾個點講得很準,但也有幾個地方我的第一手體感跟他說的稍微不同,所以想自己寫一篇。
先說結論:改變的不是「誰的工作消失」,是整個協作的 bottleneck 移位了。
PRD 真正死的是 waterfall 思維
「PRD 已死」這個標題很聳動,但我覺得他真正想說的是:那種「PM 寫需求 → 設計師出稿 → 工程師實作」的線性流程,在 coding agent 的時代幾乎沒有存在意義了。
以前這個流程的邏輯是:寫 code 很貴,所以前面要想清楚再動手。現在 code 生成成本趨近零,你根本不需要花三週對齊需求再開始寫,直接 prototype 出來讓所有人看實際的東西討論,效率天差地遠。
問題是很多公司的流程還停在「先出 PRD 和設計稿才能動工」的模式,這個才是要打破的東西。文件本身沒問題,waterfall 的心態才是問題。
Bottleneck 移到了 review
這個點我覺得是全篇最關鍵的 insight:code 生成不再是 bottleneck,review 才是。
我自己的例子:我的部落格 BridgeCraft 裡面有一套 agent 系統,包含 agent registry、content-distributor(自動發推)、trend-scout(自動研究趨勢)。這些東西大部分的 code 都是 AI 生的,我花最多時間的地方不是在寫邏輯,而是在設計每個 agent 的 prompt 和驗證它的行為是不是符合預期。
換句話說,我的工作變成了:定義 agent 應該做什麼、觀察它實際做了什麼、判斷兩者的 gap 在哪裡。這就是 review。而且這個 review 需要你同時懂 product(它做的事情有沒有價值)、懂 engineering(它的實作有沒有問題)、懂系統設計(這個行為在更大的系統裡會不會爆炸)。
一個人要同時具備這三個能力才能做好 review,這才是現在真正稀缺的東西。
Generalist 的黃金時代
Harrison 在文章裡提到 generalist 的價值暴漲,我完全同意。懂 product + engineering + design 的人,現在可以直接跳過大量的溝通成本,自己一個人就把事情做完。
我是前端出身,資料視覺化做了七年,但現在花的時間分布完全不一樣了。寫 component 的時間變少,花在架構設計、agent 行為設計、系統 review 上的時間反而多很多。這不是我主動選擇的,是 coding agent 把這件事變成自然而然的走向。
老實說這對 specialist 是個警訊。如果你只會寫某一層的 code,但對上下游都沒有判斷能力,那你能做的事情很快就會被 agent 取代。反過來,如果你對整個系統有 mental model,能快速判斷什麼是對的什麼是錯的,那你現在反而比以前更值錢,因為你可以用一個人的頭腦驅動十倍的產出。
兩種活下來的人
文章裡分了兩種新角色:Builder 和 Reviewer。
Builder 是有 product sense、會操作 agent 把東西做出來的人。Reviewer 是有系統思維、能快速評估 agent 輸出品質的人。這兩個角色不是互斥的,最好的狀態是同一個人都能做,但門檻確實不一樣。
Builder 的門檻現在降很低,只要你有想法、會描述問題、知道怎麼 prompt,就可以把東西做出來。但 Reviewer 的門檻沒有降,甚至更高了,因為你要審查的東西變多、變快、變複雜。
這也解釋了文章裡那句我很喜歡的話:「Everyone thinks their role is most advantaged by coding agents—and they are right.」每個人都覺得自己的角色最受益,因為 agent 確實在每個維度都降低了執行成本。但降低執行成本不等於降低判斷成本,後者才是真正的護城河。
Product Sense 是新的基本功
最後一個點:product sense 變成人人必備。
以前 PM 負責 product sense,工程師負責實作,設計師負責 UX,涇渭分明。現在這個邊界模糊了,因為每個人都有能力直接做出東西,所以每個人都需要判斷「這個東西值不值得做」的能力。
不管你是工程師、設計師還是 PM,如果你不懂為什麼用戶需要這個功能、這個功能解決什麼問題、什麼是 good enough,那你在 coding agent 的時代只能做執行層的工作,而執行層是 agent 最擅長的地方。
所以真正要練的不是怎麼用 agent,而是在 agent 把東西做出來之後,你能不能快速判斷它做得對不對、值不值得繼續投入。這個判斷力,才是接下來幾年最值錢的東西。
<h2>延伸閱讀</h2> <ul> <li><a href="/blog/anatomy-of-agent-harness">拆解 Agent Harness — 你以為的 AI Agent 其實 90% 是 harness</a></li> <li><a href="/blog/building-nextjs-for-an-agentic-future">Building Next.js for an agentic future</a></li> <li><a href="/blog/thinking-fast-slow-and-artificial-how-ai-is-reshaping-human-reasoning">Thinking Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning</a></li> </ul>Waiting7777
前端工程師的 AI 實戰紀錄
相關文章
AI Agents五萬顆星背後的 Agent 設計:ByteDance DeerFlow 2.0 的架構拆解
ByteDance 在 2026 年 2 月底把 DeerFlow 整個砍掉重寫,從「多 Agent 研究框架」變成「SuperAgent Harness」。GitHub 星數從原本的幾千顆暴漲到五萬顆,登上 Trending 第一名。但數字不是重點——重點是他們在 v2 裡做了一個根本性的架構決策轉向,對任何想設計 Agent 系統的人都有參考價值。
2026年3月28日 · Waiting7777 · 9 分鐘閱讀
繼續閱讀 →
AI AgentsKensho 用 LangGraph 做金融 Agent — 多 Agent 系統實戰解析
拆解 Kensho 的多 Agent 金融數據檢索系統,分析 LangGraph 在金融業的實際應用。
2026年3月28日 · Waiting7777 · 5 分鐘閱讀
這篇文章對你有幫助嗎?
每週一篇 — 前端工程師的 AI 轉型筆記
從前端到 AI Agent,把複雜的東西拆清楚,寄到你的信箱。
