# 策展 · X (Twitter) 🔥🔥🔥

> 作者：Andrew Ng (@AndrewYNg) · 平台：X (Twitter) · 日期：2026-05-06

> 原始來源：https://x.com/AndrewYNg/status/2051691741150081122

## 中文摘要

吳恩達指出，coding agents 對不同軟體工作加速程度有差異，前端開發獲益最大，研究工作則最少。

吳恩達在 [DeepLearning.AI The Batch 第 350 期](https://www.deeplearning.ai/the-batch/issue-350/)（2026 年 4 月 24 日發布）分享觀察，coding agents 加速軟體開發類型排序為：前端開發、backend、後端基礎設施（infra）、研究。此分類雖極簡化，但有助團隊架構時設定現實期望，例如要求前端團隊比一年前大幅加速產品實作，但對研究團隊期望未大變。

**前端開發加速最顯著**  
前端開發（如為電商網站建置產品描述網頁）大幅加速，因為 coding agents 熟練 TypeScript、JavaScript 等熱門前端語言，以及 React、Angular 等框架。此外，透過操作網頁瀏覽器檢查自身產出，coding agents 擅長閉環迭代自家實作。雖然當今大型語言模型（LLMs）視覺設計仍弱，但若提供設計或精美設計非重點，實作速度極快。

**後端開發挑戰較大**  
後端開發（如建置回應產品資料查詢的 APIs）較難，需要人類開發者多費力引導模型考量邊緣案例（corner cases），以避免細微 bug 或安全漏洞。後端 bug 易引發非直覺下游效應，如資料庫偶爾傳回錯誤結果，比典型前端 bug 更難除錯。雖然資料庫遷移（database migrations）用 coding agents 較易，但仍棘手，需小心避免資料遺失。後端雖因 coding agents 加快許多，但加速程度低於前端，且熟練開發者仍遠勝使用 coding agents 的新手。

**基礎設施效能有限**  
在基礎設施任務中，coding agents 更不給力，例如將電商網站擴展至 10K 活躍使用者同時維持 99.99% 可靠性。LLMs 對基礎設施知識有限，無法掌握優秀工程師的複雜權衡，因此吳恩達鮮少信任其關鍵基礎設施決策。建置優質基礎設施需測試與實驗期，coding agents 僅略助一臂之力，但這仍是重大瓶頸，快速 AI 程式碼無大助益。最後，找出基礎設施 bug（如細微網路設定錯誤）極難，需深厚工程專業，故加速程度低於後端開發。

**研究工作加速最少**  
研究工作加速更少，涉及構想新點子、擬定假設、執行實驗、解讀結果以調整假設，並迭代至結論。Coding agents 僅加速研究程式碼撰寫速度（吳恩達也用其協調追蹤實驗，讓單一研究者管理更多實驗），但研究除程式碼外工作繁多，當今 agents 僅邊際助益。

**團隊組織實務應用**  
將軟體工作簡分前端、後端、基礎設施、研究雖極簡，但此心智模型有助吳恩達組織團隊，例如前端團隊須比一年前大幅加速產品實作，研究團隊期望則未大變。他對如何組織軟體團隊善用 coding agents 達速感興趣，將持續分享發現。

## 標籤

Agent, 產業趨勢, 教學資源, DeepLearning.AI, Andrew Ng