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

在上篇我們介紹了 Antigravity CLI (agy)，讓神童 Agent 能夠直接走進 Terminal 讀取檔案，並在我們的審查下自動完成改 Code 與 Commit。

經過這幾天的訓練，我終於養出了一隻智商極高、懂專案架構、又能精準拆解任務的「神童級 AI 豬」。

但當我滿懷期待地對牠說：「去，把剛才寫好的 Feature 建立一個 GitHub Issue，順便發個 PR，順便把遠端的資料庫欄位更新一下。」

這隻聰明的豬只是用圓滾滾的眼睛看著我，搖了搖尾巴——因為牠根本沒有手！

AI 的終極尷尬：大腦 200 分，手腳 0 分

大語言模型（LLM）的本質是一個「文字接龍與推理大腦」。

如果沒有對外的介面，牠就只能像被關在玻璃缸裡的超級天才：

• 牠知道程式碼有 Bug，但無法直接操控遠端 API。
• 牠知道需要這份 API 文件，但無法自己上網搜尋或查詢 DB。
• 牠知道這段 Code 可以 Issue PR，但無法幫你打開瀏覽器點擊 GitHub 的按鈕。

要讓 AI 從「只會聊天的吉祥物」變成真正的「自動化生產力工具」，我們必須幫牠裝上雙手與工具。

登場吧，通用工具傳輸協定：MCP (Model Context Protocol)

以前要讓 AI 呼叫外部 API，工程師必須手動寫一堆客製化的 API Wrapper，每個工具都要重新定義一套 Prompt 與 Function Calling Schema，繁瑣又難以維護。

而 MCP (Model Context Protocol) 的出現，就像是給 AI 訂立了** Universal USB 介面**！

不論外部工具是 GitHub、Local File System、PostgreSQL 還是 Notion，只要該服務提供 MCP Server，AI 就可以透過統一的 MCP Client 協定，像插上 USB 隨身碟一樣，隨插即用這些外部能力。

在 Google AI Studio 與 Agent 環境中，已全面原生支援透過 MCP 連接各類外部工具與 API，整條驅動鏈條變得無比順暢：

[ Gemini 大腦 ]
      ↓ (思考與決策)
[ Agent 控制核心 ]
      ↓ (發送指令)
[ MCP (Model Context Protocol) 介面卡 ]
      ↓ (標準化呼叫)
┌───────────┬───────────┬───────────┬───────────┐
│   GitHub  │ File System│ Local DB  │ Custom API│
└───────────┴───────────┴───────────┴───────────┘

對照養豬：從『手動餵食』到『自動餵食器』的躍升

我們拿養豬場來做個最直觀的對照：

以前我要自己餵豬；現在是安裝自動餵食器。
以前我要自己 Commit 與開 PR；現在是交給 Agent 自動執行！

agy CLI + GitHub MCP：全自動閉環流水線 (End-to-End Pipeline)

當你的 agy CLI 接上 GitHub MCP 與 File System MCP 後，原本需要你手動複製貼上與敲 Git 指令的繁瑣過程，瞬間串接成一條完全閉環的自動化流水線：

Issue 偵測 (GitHub Issue)
   ↓
Gemini 讀取需求與脈絡
   ↓
Coding (自動修改 Local Code)
   ↓
Test (自動呼叫 Terminal 執行單元測試)
   ↓
Commit (自動建立 Git Branch 與語意化 Commit Message)
   ↓
PR (自動透過 GitHub MCP 創建 Pull Request 並 Tag Reviewer)

1. Issue 偵測：GitHub 出現一個新 Bug 或需求 Issue [cite: 11]。
2. Gemini 解析：agy CLI 讀取 Issue 內容，並參考 AGENT.md 規範。
3. Coding & Test：直接修改專案程式碼並自動執行測試 [cite: 11]。
4. Commit & PR 閉環：透過 GitHub MCP，Agent 自動打包變更、切換分支、Commit，最後直接在 GitHub 上為你創建一份 Pull Request 並通知 Reviewer！

原本你要花 30 分鐘切換視窗、複製程式碼、打 Git 指令與開瀏覽器的繁瑣動作，Agent 在背景幾秒內幫你自動完成——這才是真正長出雙手的手腳級 Agent！

結語：沒有手腳的 AI 只是玩具，長出手腳才是工作流

AI 的競爭早已不是比誰的模型參數比較大，而是比誰的 Agent 能更順暢地連接真實世界的工具。學會運用 MCP 與 agy CLI，你的 AI 養豬場才算真正完成自動餵食器的基礎建設。

📝 本日實作作業：

嘗試設定一個 MCP 工具連結（例如：連結本地檔案讀取或 GitHub API），感受一下 Gemini 長出手腳後的威力！

明天 Day 18，我們來看看豬吃完飯要怎麼自動清料槽和環境，我們明天見！