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

寫到這裡，我突然發現一件極度荒謬卻又無比真實的事情。

這個系列一開始明明是在討論：

「AI 都會寫 Code 了，我是不是乾脆去養豬？」

結果寫著寫著……我居然真的把一座 AI 養豬場給蓋出來了！
（雖然目前大部分還是在電腦與 Google Cloud 裡的虛擬豬舍 XD 🐷）

但如果把這 30 天一路學到的技術元件全部串聯起來，我腦袋裡已經呈現出一個極其宏大的終極畫面。

一、如果這不是 Demo，而是一座真的 AI 智慧養豬場？

想像一下，早上 06:00，養豬場開始一天的工作。第一個起床的不是我，而是 Agent。

1. 06:00｜Sidecar 背景自動化啟動

無人排程系統透過 Sidecar 自動啟用，實時採集養豬場內的各類數據：

• 🌡️ 溫度 / 💨 風速 / 💧 濕度
• ⚖️ 自動電子秤體重 / 📷 巡檢攝影機畫面
• 🥣 飼料自動投放量 / 🚰 飲水流量

2. 06:05｜MCP 把真實世界接進 Agent

以前 AI 只能看我餵給它的文字；現在透過 Model Context Protocol (MCP)，AI 擁有了伸向實體世界的「手」與「眼睛」：

                  [ Gemini 決策大腦 ]
                          │
                   [ MCP Protocol ]
                          │
  ┌──────────┬────────────┼────────────┬──────────┐
  ▼          ▼            ▼            ▼          ▼
[ Sensors ] [ Cameras ] [ DB / Sheets ] [ APIs ] [ 自動餵料機 ]

3. 06:10｜Agent 開始自動巡場與數據分類

Agent 處理完一輪數據後，自動分類出異常狀況：

• P001： yesterday 80kg ➔ today 82kg (🟢 正常)
• P002： yesterday 76kg ➔ today 76.1kg (🟡 增重停滯，需觀察)
• P003： yesterday 91kg ➔ today 90.8kg (🔴 體重下降，警報)
• P004： 體溫 40.2°C (🔴 體溫過高異常)

4. 06:15｜Subagents 分工協作

遇到複雜的多維度分析，主 Agent 自動指派任務給專門的 Subagents 團隊：

                      [ 主 Agent (Farm Boss) ]
                                 │
         ┌───────────────────────┼───────────────────────┐
         ▼                       ▼                       ▼
  [ 健康分析 Subagent ]   [ 成長數據 Subagent ]   [ 環境控管 Subagent ]
         │                       │                       │
  (體溫/疾病初步診斷)     (體重曲線/換肉率分析)     (溫濕度/風速自動調節)

這就是我們在前面的文章裡不斷強調的核心概念：Subagent 不只是讓 AI 速度更快，而是讓 AI 具備專業化分工。

5. 06:20｜人類角色登場：Human-in-the-Loop

這時候，躺在床上的我手機響起一則推送通知：

📱 「今日巡檢完成。997 隻小豬健康正常；2 隻需要持續觀察；1 隻 (P004) 體體溫偏高，需人工確認處置。」

我喝了一口手沖咖啡，走到 P004 豬舍前進行最後的獸醫確認。
這一刻，工程師的角色突然變得非常像——養豬場老闆（Farm Manager）。😂

二、終極藍圖：AI Software Factory 軟體工廠

把這 30 天所有的模組疊加起來，我們看到的其實不只是一座養豬場，而是一個完整的 AI Software Factory（AI 軟體工廠）：

  [ 傳統軟體開發 ]
  需求 ➔ PM ➔ UI/UX ➔ 前後端工程師 ➔ QA ➔ DevOps ➔ Production

  [ 未來 AI Software Factory ]
  需求 ➔ Agent (Boss) ➔ /plan (架構) ➔ Subagents (平行開發) 
       ➔ Code Generation ➔ Auto Testing ➔ Review & Security 
       ➔ Automated Deployment ➔ Sidecar Monitoring

人類的位置並未消失，而是向上升維：從「親手敲寫每一行語法」，轉變為「設計一套能自動把事情做對的系統與工作流」。

三、Google AI 生態系大總結

這 30 天我們並非單純介紹某一個 AI Coding 工具，而是示範了如何把 Google AI 生態系 當作一座工具箱，組合出一套強大的「AI 雙刀流」工作流：

🐷 四、終極提問：我到底要不要轉職養豬？

回到第 1 天我問自己的那個問題：「要轉職養豬，還是做被取代的工程師？」

寫完這 30 天，我的答案拆解為兩個層面：

1. 我要不要離開工程領域？
   • 不要。因為這 30 天讓我深刻體會到，AI 越強大，能將「需求」轉換為「嚴謹 Data Contract 與架構設計」的工程師就越不可或缺。工程師的價值從未減少，只是價值點轉移了。
2. 我要不要去養豬？
   • 如果真要養豬，我也絕對不會是盲目買 100 隻豬的傳統豬農；而是選擇第三條路：工程能力 × AI × IoT × 養豬。

我們不需要在「工程師」與「養豬」之間做二選一，而是可以用「AI 槓桿」把兩者乘起來！

                       [ 🧑‍🌾 我 (Farm Manager) ]
                                   │
                ┌──────────────────┴──────────────────┐
                ▼                                     ▼
      [ 🤖 AI Agent 團隊 ]                   [ 🤖 AI Agent 團隊 ]
                │                                     │
          [ 🐷 豬舍 A 區 ]                       [ 🐷 豬舍 B 區 ]

結語：下一個 30 天的起點

這 30 天的旅程，我們從「讓 AI 幫我寫 Code」跨越到了「設計 AI 團隊如何幫我工作」。

或許未來的某一天，我真的會站在竹東老家附近的某座實體養豬場裡，身邊圍繞的不是一排爆肝寫 Code 的工程師，而是一群高效運作的 Agent 團隊。

那時我打開手機預覽介面，畫面顯示：

🟢 今日 997 隻狀況良好 ｜ 🟡 2 隻追蹤 ｜ 🔴 1 隻需人工確認

我喝一口手沖咖啡，笑一笑：「嗯……這套 AI 雙刀流工作流，好像還真有點搞頭！」

感謝大家這 30 天的陪伴！《前端三分鐘》AI 自動化工作流系列，完美完結！🎉🐷

📝 完結篇讀者思考作業：

如果是你，你會想拿這套 Gemini + MCP + Agentic Workflow 的雙刀流架構，去自動化你生活或工作中的哪一個「養豬場」呢？歡迎在底下留言交流！