AI Agent 開發的演進與新法
看到一篇文章寫的不錯，紀錄留存一下，並且簡單的重點整理。 本文僅做紀錄與整理，觀點本身皆來自原文作者。 原文：https://www.facebook.com/100063744608911/posts/1526846902783449/?mibextid=wwXIfr&rdid=ABv4HxePsdb0LmOe Agent 開發的三個階段演變 第一階段：工具連接期 (Function Calling / MCP) 作法：利用 LLM 的 API 與 Function Calling 能力，將 AI 與後端系統串接。後來演變成標準化的 MCP (Model Context Protocol)。 痛點：技術門檻過高，能獨立完成的人很少。 第二階段：多代理協作期 (A2A / Multi-Agent) 作法：類似 Google 提出的 Agent to Agent，讓多個 AI 各司其職。 痛點：類似「微服務」亂象，過度設計 (Over-engineering)。管理多個 Agent 的 Context 很困難，且往往「一個 Agent + 多個 Tools」就能解決問題。 第三階段：Coding Agent 與 SDK 成熟期 (現在) 作法：使用 Claude Code 或 GitHub Copilot 這類高度可自訂的 Coding Agent。 突破：透過自訂 Instructions 和 SKILLs (流程知識)，不僅能寫程式，還能處理非開發任務。這是最直覺有效的路徑。 AI 時代的 MVP (最小可行性產品) 開發新路徑 過去的軟體開發往往是「從輪子造車」(從底層一行行寫)，風險在於最後一刻才知道客戶喜不喜歡。AI 讓「理想的 MVP 路徑」(滑板車 -> 腳踏車 -> 汽車) 變得成本極低且可行： ...