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

在上一篇我們介紹了小幫手 Subagent 的基本概念。但當你真正要把 Subagent 落地到每天的工程開發（或智慧養豬場）時，你一定會遇到一個最核心的實務問題：

「到底什麼任務該留給 Main Agent 做？什麼任務該丟給 Subagent？」

傳統的開發模式就像一個傳統豬農：抓起第一隻豬餵飼料 ➔ 餵完去清豬舍 ➔ 清完去檢查小豬健康 ➔ 最後再去點數量。一項做完才換下一項，完全是阻塞式（Blocking）且低效的。

如果讓你同時顧 1,000 隻豬，這種方法一定會讓你直接崩潰！

要從「單打獨鬥」走向「團隊規模化」，我們必須掌握 Antigravity Subagent 的 Async 非同步分工哲學！

一、Async 哲學：擺脫序列阻塞，實現平行派工

官方文件將 Subagent 定位為 Asynchronous（非同步） 運行的獨立 Session。這代表 Parent Agent 不需要停在原地死等，而是可以一口氣同時派發多個任務：

                           [ Main Agent 主豬農 ]
                                     │
           ┌─────────────────────────┼─────────────────────────┐
           ↓ (Async 派發)            ↓ (Async 派發)            ↓ (Async 派發)
     🔍 Research Subagent      🧪 Testing Subagent       🔐 Review Subagent
   (搜尋 10 萬行 Legacy Code)     (背景執行 100+ 測試)     (靜態資安與風格卡關)
           │                         │                         │
           └─────────────────────────┼─────────────────────────┘
                                     ↓
                          Main Agent 接收最終摘要報告

傳統序列阻斷式的工作流：搜尋 ➔ 測試 ➔ Review ➔ 決策。
非同步平行化工作流：搜尋 + 測試 + Review 同時進行！

二、真正關鍵的價值：Context Isolation (上下文護城河)

很多工程師以為 Subagent 只是「讓執行變快」，但 Google 官方明確指出：Subagent 最核心的價值在於 Preserve the Context of your Main Agent（保護主 Agent 上下文不被污染）！

想像一下，如果叫 Main Agent 去搜尋一個 10 萬行的 Legacy Codebase：

Main Agent 的腦袋（Context Frame）：
「正在思考 Login 元件重構 logic... 檔案 A 讀取... 檔案 B 讀取... 檔案 C 巨量 Log... 檔案 D... 檔案 E...」

當無關的搜尋細節填滿 Context，Main Agent 很快就會發生「前講後忘」或邏輯錯亂（產生幻覺）。

Subagent 的護城河哲學：

• Main Agent 只專注於「商業邏輯與決策架構」。
• Subagent 負責進入髒亂的細節戰場（搜尋、巨量檔讀取、測試 Log），最後只將簡明扼要的 3 點結論回傳！

三、豬場任務派發決策矩陣表

到底哪些工作適合丟給 Subagent？我們可以用這張表一目了然：

註：Antigravity 本身提供了 research、browser 等內建 Subagent，亦支援用 Markdown 自訂專屬 Subagent。

四、Subagent 任務判斷四問公式

當你拿不準這個 Task 該不該分拆時，在心中問自己以下四個問題：

[ 判斷公式 ]
① 這件事能不能由小幫手「獨立完成」？
        ↓
② 能不能明確描述出「輸入 Input」與「輸出 Output」？
        ↓
③ 過程是否需要大量「搜尋 / 測試 / 操作」細節？
        ↓
④ 最終結果是不是只需要「摘要回報」給 Main Agent？

• 若 4 題多數為 Yes ➔ 毫不猶豫，立刻包成 Subagent 派出去！
• 若 4 題多數為 No（例如「每做一步都需要問我下一步怎麼辦」） ➔ 留在 Main Agent 執行。

結語：從手藝人到「AI 豬場 CEO」

以前我以為 AI Agent 的進化，是想辦法把「一隻豬」養得越來越聰明。

但深入掌握 Subagent 的 Async 與 Context 隔離哲學後，我才突然醒悟：真正的問題不是怎麼把一隻豬養得更聰明，而是怎麼讓一群豬開始高效率分工！

• 一隻豬負責找資料（Research Subagent）
• 一隻豬負責巡豬舍（Browser/Testing Subagent）
• 一隻豬負責檢查健康（Security Audit Subagent）
• 一隻豬負責點算數量（Review Subagent）

而我這個豬農，只需要坐在咖啡廳看最後的精華摘要報告報告。

看來……我真的快要轉職成功了！ 🐷👷

📝 本日實作作業：

拿出你目前手邊的 Task，嘗試用「四問公式」評估一次，挑選一個最耗費 Context 的搜尋或測試任務，寫成獨立的 Subagent 設定檔吧！

明天 Day 24 一起來看看如果有一天，小豬機器人得比你老闆還要好，我們的生活又會怎麼變化？我們明天見！