前端三分鐘 X 要轉職養豬還是做被取代的工程師？用 Google AI 打造我的 AI 雙刀流自動化工作流系列

一、養豬看飼料換肉率（FCR），AI 看 Token 投資報酬率（ROI）

在現代畜殖業中，評估一頭豬好不好，最核心的商業指標是「飼料換肉率 (Feed Conversion Ratio, FCR)」——也就是豬每吃下幾公斤飼料，能轉化成多少公斤的精肉。體型基因好的豬隻，能用最低的飼料成本換取極致的生長速度與換肉率。

到了 AI 時代，工程師在評估大型語言模型（LLM）時，面臨著完全相同的財務邏輯：「Token 換 Code 率 (Token-to-Code Efficiency)」。

你的每一次 Prompt、每一個檔案的注入，都是在砸真正的美金（API 費用）。如何針對「適用場景」挑選對應的 AI 基因，用最低的 Token 成本換取最高品質的系統交付，正是 AI 前端架構師的核心技能！

二、AI 御三家與養豬業御三家：基因、體型與成本效益的完整映射

                      【現代 AI 開發的三元育種架構】
                      
   藍瑞斯 (Landrace)                約克夏 (Yorkshire)
 [Claude 3.5 Sonnet]             [Gemini 3.8 Flash / Pro]
  長身多乳 / 架構品質高 / 中成本      超強母性 / 超長 Context / 代理爆發力
          │                               │
          └───────────────┬───────────────┘
                          │ (一代雜交：全能架構與脈絡管理)
                          ▼
                    二元母豬 (F1)
                          │
                          ├─────────────── 杜洛克 (Duroc)
                          │             [OpenAI / Codex (GPT-4o/o3-mini)]
                          │              極致增重 / 臨門一腳強爆發 / 邊際成本高
                          ▼
                     【三元肉豬 (LYD)】
            → 高換肉率、低邊際成本的 AI Agent 工作流

三、精打細算：如何組裝高「換肉率」的 AI 雙刀流產線？

如果養豬場全給豬吃最高級的高價進口飼料，養出來的肉豬絕對會讓你賠本；同理，如果你連簡單的語意解析或寫註解都全交給昂貴的推理模型，你的 API 帳單會立刻爆表。

最佳的「三元雜交（AI 工作流）」應該遵循極致的成本效益分配：

1. 用 Gemini 3.8 Flash (約克夏) 做「廉價巨量吞吐與 Agent 多步驟調度」

• 情境：要重構一個 10 年歷史、高達數萬行的 Legacy 專案。
• 策略：先用 Gemini 3.8 Flash 吃下全專案檔案，進行 static 分析與 Context 剪枝。用低成本的 Token 算出專案的架構地圖與 Schema，並負責多步驟的 Agent 自動化任務規劃。

2. 用 Claude (藍瑞斯) 做「高品質骨架定型」

• 情境：定義元件邊界與 DoD 驗收標準。
• 策略：把剪枝後的精華資料交給 Claude 3.5 Sonnet，只讓它生成 Web Component 的核心 Class 介面與測試案例規範。雖然單價中等，但因為它「極少寫出垃圾邏輯」，一次到位率極高，反而節省了反覆重試 (Retry) 的 Token 浪費。

3. 用 OpenAI / Codex (杜洛克) 做「精準肌肉填補與執行」

• 情境：執行單一獨立模組的內部實作與測試 run-test。
• 策略：把明確的小任務交給 GPT-4o 或 o3-mini 進行精準衝刺，透過 MCP 呼叫工具、執行測試。範圍極小，Token 用量少，發揮其最強的執行爆發力。

四、AI 開發工作流的三代演化：從「無效吃料」到「閉環自動化」

就像養豬業從「手動給料巡房」演進到「全自動感應養護」，我們的前端 AI 開發工作流也經歷了三個極具代表性的世代轉變：

+------------------+      +------------------+      +------------------+
|  第一代：Chat 時代 | ---> | 第二代：Plugin 時代| ---> | 第三代：Agent 時代 |
| (手動搬磚/拷貝貼上)|      | (輔助修改/單檔介入)|      | (自立自強/閉環驗證)|
+------------------+      +------------------+      +------------------+

• 第一代：Chat 時代（GPT-3.5/4 複製貼上）

• 換肉率極低：工程師像個「搬磚翻譯官」。在 ChatGPT 視窗貼上 Code -> 詢問 Bug -> 複製 AI 回答 -> 貼回 IDE。上下文極度受限，花在 Copy-Paste 與去除無用解釋的時間，甚至比自己寫程式還長。

• 第二代：Plugin 與 Copilot 時代（IDE 內嵌輔助）

• 局部換肉率提升，但全域成本高：AI 以 Copilot、IDE Plugin 形式存在。工程師選取單一檔案，按熱鍵讓 AI 幫忙 Inline 修改。但缺乏「全域視野」，一旦改動涉及跨模組檔案，AI 開始「改 A 壞 B」，需要人類手動收尾。

• 第三代：AI Agent 時代（Harness 韁繩工程與自立自強）

• 極致換肉率：結合 MCP 與 CLI 工具（如 agy CLI）。工程師給定高階目標與 DoD (Definition of Done)，AI Agent（如 Gemini 3.8 Flash agent）自行呼叫靜態分析工具、拆解任務、自動開檔修改，並自主觸發測試鏈 (Vitest) 驗證。失敗了自動讀取 Error Message 自我修正，直到 100% 通過。

五、這場演進中，我們看到了哪些可以好好運用的優勢？

1. 上下文剪枝 (Context Pruning) 降低飼料成本：在 Chat 時代，我們習慣把所有東西塞給 AI 導致「Context Rot」。到了 Agent 時代，我們學會像養豬業按階段給予精準配方飼料一樣：只給 AI 必要的 API Data Contract，切除無關的 UI 樣式雜訊，讓 Token 利用率與精準度最大化。
2. 確定性閉環 (Verification Loops) 減少廢料產生：AI 會幻覺，但測試環境不會。Agent 時代最大的優勢在於把單元測試與 MCP 變成 AI 的「前額葉皮質」。我們不需要當 Code Review 的保母，只需要寫好測試規範，讓 AI 在自動化測試鏈中自我對撞、自我修復。
3. 從 Builder 升級為 Architect (架構師)：當 AI 御三家的「基因與體型」能被我們根據換肉率（Token ROI）隨心所欲地調配，且 AI Agent 已經能夠自立自強時，工程師的價值不再是寫了幾行 CSS，而是：

• 能否設計出防腐敗的模組邊界（如 Web Component + ESM）？
• 能否設計出兼具「極低成本與高執行力」的 AI 雙刀流產線？

下一個時代的開發者，手裡握著的是 AI 御三家的優秀基因，腳下踩的是自動化的 Agent 產線。擺脫雜訊、控制成本並擁抱自動化，正是我們升級為 AI 前端架構師的最佳契機！明天 Day8 將探討如何更進一步，用 Google AI 韁繩工程 (Harness) 解構多巴胺 Agent 工作流，為 AI 戴上前額葉皮質！我們明天見！