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

在上一篇我們靠著 Sidecar 掛載了 24 小時在線的自動化巡場設備，讓豬場能在背景自動監控與收集資料。

原本以為這樣我就能高枕無憂了，結果沒想到豬場的規模越做越大。

有一天，主 Agent 豬農跑來跟我抱怨：

「場長！我現在要同時研究全新的 React 19 架構、跑上百個單元測試、檢查 50 個檔的 Code Review，還要順便產出 API 文件……我一個人快爆肝了！」

看著原本手腳俐落的主 Agent 豬農，因為載入太多細節而變得卡頓、甚至開始胡言亂語（Context 污染），我突然意識到：

一個豬農忙不過來，難道我要繼續逼它一個人硬幹嗎？
Sidecar 是自動餵料機，Subagent 才是我請來的豬農小豬機器人！

我們需要的不是養出一隻「什麼都會但會爆肝」的萬能神豬，而是學會使用 Antigravity Subagent 派出多個小豬機器人分工合作！

一句話直擊轉折：Sidecar 讓設備自己工作，Subagent 讓 AI 找人分工

很多工程師會搞混 Sidecar 與 Subagent 的定位，這句金句能幫你瞬間看清差異：

「Sidecar 是『自動化設備持續運轉』，Subagent 是『主 AI 找專業小豬機器人分頭幹活』。」

                             主 Agent (主豬農)
                                    │
          ┌─────────────────────────┼─────────────────────────┐
          ↓                         ↓                         ↓
    🔍 偵察豬 (Research)       🧪 品管豬 (Testing)       🔐 獸醫豬 (Security)
   Subagent (獨立 Context)   Subagent (獨立 Context)   Subagent (獨立 Context)
          │                         │                         │
          └─────────────────────────┼─────────────────────────┘
                                    ↓
                         主 Agent 接收精簡結果並整合

Sidecar vs Subagent：角色與架構全解析

Subagent 的兩大核心工程價值

官方文件將 Subagent 定位為可以由主 Agent 派出的獨立 Session，它的價值絕不只是「跑得比較快」，而是解決了軟體工程的兩大痛點：

1. Context Isolation (上下文隔離與防污染)

以前讓單一 Agent 大規模搜尋 3,000 頁文件或讀取幾百個檔案時，主 Agent 的 Context 會被巨大的搜尋細節填滿，導致後續寫 Code 時發生「幻覺」。

• 現在：主 Agent 派出一隻「偵察豬 (Research Subagent)」，小豬機器人自己去搜、自己分析，最後只回報「3 個主要風險」給主 Agent。主 Agent 拿到的是精純的結果，而不是整座資料山！

2. Parallelization (平行處理與水平擴充)

以前的任務是序列執行的：研究 ➔ 測試 ➔ Review ➔ 修復。

• 現在：主 Agent 可以同時派出三個 Subagent！研究、測試 與 Security Review 同時平行進行，最後由主 Agent 進行決策整合，將時間縮短數倍！

靈魂實戰：定義專屬的「獸醫豬」Subagent

在 Antigravity 中，你可以非常優雅地用 Markdown + YAML Frontmatter 在 .agents/agents/ 底下自訂專屬的 Subagent：

實體檔案範例：.agents/agents/code-auditor.md

---
name: code-auditor
description: 專門負責代碼資安審核與 Code Review 的資深獸醫豬 Subagent
model: gemini-2.5-pro
capabilities:
  tools: ["read_file", "search_code"]
  skills: ["skills/security-audit/SKILL.md"]
---

# Code Auditor Subagent Guide

你是一位嚴格的資安專家小豬機器人。當主 Agent 委派任務給你時：

1. **獨立審查**：只針對指定的 Pull Request 或 Diff 檔案進行靜態掃描。
2. **精準回報**：嚴禁列出沒有問題的通套廢話，只輸出 Top 3 高風險資安漏洞。
3. **Context 節約**：不要輸出完整的程式碼全文，只提供修正建議的 Diff 摘要。

當主 Agent 執行複雜需求時，它就會在背景召喚 code-auditor，派它去完成 Task 後自動回收結果！

AI 智慧豬場的進化曲線

回顧我們一路建立起來的智慧系統，一座真正的「AI 自動化豬場」已經悄悄成形：

1. AGENT.md ➔ 告訴 AI 這是什麼豬場（ Context 脈絡）
2. Rules ➔ 訂定豬場規章（ Quality Boundary 邊界） [cite: 15]
3. Plugin ➔ 整套豬場設備打包帶走（ Module Reusability 模組化） [cite: 13, 14, 15]
4. Sidecar ➔ 自動化設備 24 小時巡場（ Background Monitoring 背景監控）
5. Subagent ➔ 請專業小豬機器人平行分工（ Parallel Sub-Task 協同作業）

結語：從「養神豬」到「管理 Pig Squad」

本來我以為 AI 自動化的終點，是努力訓練出一隻「無所不能的超級神豬 AI」。

後來才發現，真正高明的架構設計，不是把單一 AI 養得多聰明，而是怎麼建構一個讓 AI 豬群能夠精準分工、互相協作的管理系統！

看來我的自動化養豬場，真的開始招募第一批專業員工了！ 🐷👷

📝 本日實作作業：

嘗試在專案的 .agents/agents/ 目錄下建立一份屬於你的 test-runner.md，將跑測試的硬活指派給這隻「品管豬 Subagent」，親身體驗主 Agent contextual frame 保持極度乾淨的爽快感！

雖然但是，到底什麼任務該留給 Main Agent 做？什麼任務該丟給 Subagent？明天 Day 23 一起來看看，我們明天見！