從 Vibe Coding 進階到 Agentic Engineering：Prompt、Rules、Skills、Subagents 一次搞懂
當 AI 開始參與開發流程，工程師該如何管理而非只下指令？本文用工程視角拆解 AI 協作的四個層次。
前幾個月，我們帶大家實測了許多 Vibe Coding 工具，相信你已經很熟悉「一句話叫 AI 幫我做」。但當你開始想把作品做成能長期維護、能交付、能擴張的專案時，光靠「憑感覺 + 祈禱」就不太夠了。
你需要的是一套更工程化的 AI 協作方法：Agentic Engineering（代理工程）
這篇文章會用最直白的職場比喻，帶你搞懂四個關鍵層次：Prompt（提示詞）、Rules（規則）、Skills（技能）、Subagents（子代理），並補上「新手如何落地」的做法，讓你從 Vibe Coding 的快，走向真正可控、可複用、可迭代的穩。
為什麼 Vibe Coding 會「快，但不穩」？
你可能聽過「Vibe Coding」（憑感覺寫程式）——打開 ChatGPT 或 Cursor，輸入一句話，然後期待 AI 直接吐出能跑的程式碼。它確實很快、很爽，但也常見三種失控：
- 風格漂移：同一個專案越寫越不像同一個人寫的（Architectural Drift）。
- 需求走樣：你說 A，它做出 B，還很自信。
- 安全與品質風險：把敏感資訊寫進程式、產出不安全查詢、測試缺失。
要從「憑運氣」進階到專業的 Agentic Engineering，你要做的不是更會下 Prompt，而是學會把 AI 當作一支團隊管理：你是技術總監，AI 是你的數位員工。
核心概念：Prompt、Rules、Skills、Subagents 的差異
接下來用「公司運作」的比喻拆解四層架構，你會發現：Prompt 是你說什麼；Rules 是你規定怎麼做；Skills 是你給它工具；Subagents 是你把人分組。
Prompt（提示詞）：給實習生的「口頭命令」
定義
Prompt 是你當下輸入給 AI 的指令，用來觸發動作或生成回答。專業一點說，它是「瞬時意圖的觸發器」。
職場比喻
你對實習生說：
- 「幫我查一下這段 API 的用法」
- 「幫我寫一個登入頁」
特點
- 暫時性：對話關了就忘。
- 高波動：你描述不清楚，AI 就容易自由發揮。
- 最容易踩雷：尤其是「直接開寫」而沒有規格與限制。
更穩的 Prompt 小技巧（你立刻用得上）
- 先下「目標 + 範圍 + 輸出格式」再下手
- 先要「方案與風險」再要「程式碼」
- 先要「最小可行版本（MVP）」再擴充
Vicky Tsai
Rules（規則）：寫在紙上的「員工手冊 / SOP」
如果你發現自己每次都在提醒 AI：「請用繁體中文」、「命名規則一致」、「不要把金鑰寫進程式碼」，那你缺的不是 Prompt，而是 Rules。
定義
Rules 是寫在專案規則檔（例如 .cursorrules、CLAUDE.md、或團隊內部規範文件）裡的長期指導原則，讓 AI 在整個專案期間都遵守一致標準。
Vicky Tsai
職場比喻
這就是公司員工手冊：
- 文件格式規範、命名規範、架構規範
- 安全規範、測試規範、PR 規範
特點
- 持久性：寫一次，整個專案都生效。
- 強制性：降低風格走樣與架構漂移。
- 可審核：規則檔本身就是可版本控制的資產。
範例（你可以直接搬到規則檔的方向）
- 「所有資料庫查詢必須使用參數化查詢，禁止字串拼接。」
- 「新增功能必須包含最基本的測試與錯誤處理。」
- 「回覆與註解使用繁體中文；程式碼命名採 lowerCamelCase。」
Skills（技能）：發給員工的「工具箱與權限」
AI 不是只有腦，它還需要手去「操作外部世界」：讀檔、查資料庫、開瀏覽器、查文件、跑測試、開 PR。
定義
Skills 指 AI 與外部工具互動的能力，常透過標準化介面連接（例如 MCP：Model Context Protocol）。你可以把它理解成：替 AI 插上外接設備與權限。
Vicky Tsai
職場比喻
你給員工電腦還不夠，你還要：
- 裝好 IDE、開通 Git 權限
- 讓他能查內部文件、看數據儀表板
- 允許他跑測試、查 log、讀取專案檔案
特點
- 讓 AI 從「會說」變成「會做」
- 可控權限：該能做什麼、不該能做什麼，要設計清楚
- 越強越要治理：工具越多，越需要 Rules 來防呆
實際場景
你問：「今天活躍用戶多少？」
- 沒 Skills：AI 可能只能猜一個數字
- 有 Skills：AI 可以直接查詢資料來源並回報結果（並附查詢依據）
Subagents（子代理）：組建專門的「專案小組」
當任務變大（例如重構、做完整功能模組、跨檔案修改），單一 AI 容易「腦霧」：資訊爆量、上下文混亂、改 A 壞 B。
定義
Subagents 是多個專門處理特定任務的 AI 實例，每個都有獨立的上下文空間，彼此分工、不互相干擾。
Vicky Tsai
職場比喻（最直覺）
你把任務拆給不同角色：
- Plan Agent（PM）：拆需求、排優先級、定驗收標準
- Coding Agent（工程師）：依規格寫程式、改架構
- Test Agent（QA）：補測試、找邊界案例、壓回歸
- Review Agent（Tech Lead）：看風險、抓一致性、守規範
特點
- 分工合作：降低單一模型的上下文負擔
- 品質更穩：專注的人做專注的事
- 適合平行化：同時做規格、實作、測試、文件
一張表快速看懂差異（收藏用）
| 名稱 | 角色類比 | 核心作用 | 持久度 | 最適合用在 |
|---|---|---|---|---|
| Prompt | 口頭命令 | 告訴 AI「現在做什麼」 | 暫時 | 一次性任務、簡單問答 |
| Rules | 員工手冊 | 規定「必須遵守什麼」 | 長期 | 團隊風格一致、安全與架構治理 |
| Skills | 工具箱/權限 | 讓 AI「能操作外部」 | 功能型 | 查文件、跑測試、查 DB、看 log |
| Subagents | 專案小組 | 讓多個 AI 分工合作 | 任務導向 | 大任務：重構、模組開發、系統整合 |
新手落地指南：從 Vibe Coding 走向 Agentic Engineering 的 3 步
步驟 1：先建立 Rules，讓 AI「變得可控」
你不需要一次寫到完美，先做最小版本：
- 語言與命名規範
- 安全底線（不寫金鑰、不拼接 SQL）
- PR / 測試 / 文件的最低要求
你會立刻感覺：AI 變得更像同事，而不是靈感型藝術家。
步驟 2：Spec-First（規格優先），先寫「驗收標準」再寫碼
不要一開始就叫 AI 寫程式。先讓它產出：
- 功能清單（MVP vs Nice-to-have）
- 資料流 / API 介面
- 驗收條件（什麼叫做完成）
- 風險與回滾策略
這一步會大幅降低「寫完才發現方向錯」的成本。
步驟 3：需要做事才開 Skills，需要做大事才開 Subagents
- 只是改一個元件？先別急著上多代理
- 要跨檔案重構？才上 Subagents
- 要讓 AI 讀/查/跑？才開 Skills（並保留人工審核）
安全提醒：越進階，越要「關掉 YOLO」
當你開始讓 AI 自動執行任務（例如自動修復、批次改檔、跑指令），務必：
- 預設人工確認（Human-in-the-loop）
- 重要操作先 dry-run（先列出變更清單）
- 保留版本控制與回滾點
- 敏感資料永不上下文（金鑰、憑證、個資）
這不是保守，而是專業工程的基本盤。
結語：你不是在學更多工具，而是在升級「管理 AI 的方法」
Vibe Coding 的價值是「快速啟動」，Agentic Engineering 的價值是「可控交付」。當你把 Prompt、Rules、Skills、Subagents 這四層架起來，你會開始擁有一種新能力：把 AI 當成團隊、把輸出當成工程、把結果當成可迭代資產。
