yii.
← Digest
EP46 · 2026年4月15日 星期三 · 8 min read

工程師正在分裂成三種人

AI 月費 $200 正在把軟體工程師切成 Shipper、Builder、Coaster 三種人

每天花 1% 的時間，掌握科技脈動。

今日金句#

“The AI hype has created a special, generous budget for AI tools, and there’s no one watching the bill.” 「AI 熱潮創造了一個特別慷慨的 AI 工具預算，但沒有人在看帳單。」 — Gergely Orosz, The Pragmatic Engineer

“Open source libraries become more valuable, since the tokens spent securing them are amortized across all users.” 「開源函式庫的價值正在變高，因為花在保護它們的 token 可以攤到所有使用者身上。」 — Simon Willison, Simon Willison’s Weblog

“The problem isn’t that teams lack ideas — it’s that they try to prioritize fundamentally different archetypes of work with one formula.” 「問題不是團隊沒想法，而是他們想用同一套公式去排優先序三種根本不一樣的工作。」 — Lenny Rachitsky, Lenny’s Newsletter

今日主軸#

今天的訊號都指向同一件事：AI 工具正在從「提升生產力」變成「重塑軟體工程的經濟結構」。The Pragmatic Engineer 的 2026 調查發現工程師正在被切成三種原型 — Shippers 用 AI 狂出貨、但技術債累積得更快；Builders 卡在品質問題，每天跟 AI 的幻覺對抗；Coasters 學得輕鬆，但產出越來越多「AI slop」。同時每月 $100–200 的工具預算「沒人在看帳單」，30% 的工程師每月都會撞到使用上限。與此同時 Latent Space 紀錄 Notion 為了把 agent 推上正式版重寫了五次、整合超過一百個工具；Simon Willison 則從英國 AI 安全研究所評估 Claude Mythos 的報告裡看出一個更深的訊號 — 資安正在變成 proof of work，誰的 token 預算多、誰就能找到更多漏洞，而開源函式庫的價值因此被放大。不管你是 shipper、builder 還是 coaster，這一切的底層都是：工程師手上那張工具帳單，正在決定你會變成哪一種人。

必讀#

  1. Not all AI agents are created equal — Lenny’s Newsletter AI
  2. Notion’s Token Town: 5 Rebuilds, 100+ Tools, MCP vs CLIs — Latent Space AI
  3. Figma Design to Code, Code to Design: Clearly Explained — ByteByteGo Tools
  4. Top Local Models List - April 2026 — Latent Space AI
  5. Trusted access for the next era of cyber defense — Simon Willison AI
  6. The impact of AI on software engineers in 2026 — The Pragmatic Engineer Dev
  7. Cybersecurity Looks Like Proof of Work Now — Simon Willison News
  8. Zig 0.16.0 release notes: Juicy Main — Simon Willison Dev

1. Not all AI agents are created equal#

Lenny’s Newsletter 這篇訪問了多個已經把 agent 推上生產的團隊，歸納出一套「三層原型」的優先序框架：確定型自動化（60-70%）處理規則明確的任務、ReAct 推理（25-30%）處理需要判斷的中型任務、multi-agent 編排（5-10%）才留給真正複雜的 workflow。作者直指多數團隊的錯誤是「拿同一套公式去排三種根本不一樣的工作」，導致過度工程、成本爆掉、價值卻有限。一個實際案例：email 自動化 agent 在八週內從 52% 完成率提升到 87%，省下 2.5 FTE，每月 $18K。

  • 三層原型框架：別急著蓋 multi-agent，多數問題用規則自動化就能解
  • 明確的 ROI 門檻：八週內 52%→87% 的真實數據，比任何 demo 更有說服力
  • 反過度工程：agent 不是越複雜越聰明，選錯層級會直接燒錢

💡 為什麼重要：這是第一篇把「要不要用 agent」的決策從信仰拉回商業計算的文章。對於正在評估要不要導入 agent 的工程主管、PM 來說是必讀，它給了一個清晰的 checklist，能幫你避開「所有東西都是 agent」的陷阱。

🔗 閱讀原文 | 來源：Lenny’s Newsletter

2. Notion’s Token Town: 5 Rebuilds, 100+ Tools, MCP vs CLIs#

Latent Space 這集深度訪談了 Notion 的 Simon Last 和 Sarah Sachs — 他們把 Custom Agents 這個功能重寫了五次才敢推上生產版。核心心得：企業級 agent 的難點不在模型，而在 tool disclosure（工具要逐步揭露給 agent）、MCP 而非 CLI 的選擇（為了標準化和權限管控）、以及把會議記錄當成結構化資料源而非 free-form 文字。Notion 內部最後用了超過一百個工具，每個工具上線前都要經過嚴格的 prompt injection 測試。訪談也提到 Notion 工程師把這個項目稱為「Token Town」，因為每一次重寫都代表一大筆 token 成本被倒進去。

  • 5 次重寫才敢上線：production-ready 的 agent 不是一次就能對
  • MCP 不是炒作：Notion 選 MCP 是為了統一權限管控和工具標準化
  • 漸進式工具揭露：避免幻覺和 scope creep 的關鍵架構技巧
  • 會議記錄 = 結構化資料：把 agent 餵對資料比調 prompt 更重要

💡 為什麼重要：這是目前為止最完整、最誠實的「大公司做 agent 的失敗與成功實錄」。任何正在構思 agent 架構的工程師都該看 — Notion 踩過的坑，你沒必要重新踩一次。也為今天的 Lenny 文章提供了強力印證：agent 不是越複雜越好，它是一門 token 經濟學。

🔗 閱讀原文 | 來源：Latent Space

3. Figma Design to Code, Code to Design: Clearly Explained#

ByteByteGo 這篇把 Figma 的「雙向工作流」拆解得非常清楚。傳統的 design-to-code 只能靠截圖或硬塞 JSON 給 AI，結果精度差、token 爆、agent 完全看不懂你的 design system。Figma 的解法是走 MCP — 把 design tokens、component spec、layout metadata 直接暴露給 agent，讓 agent 理解「這是一個 Button 而不是一個矩形」。反過來，code 的變更也可以被 MCP 同步回 Figma，形成真正的雙向迴路。

  • MCP 在 design-code 橋接的關鍵角色：解決「截圖看不懂、JSON 太重」的老問題
  • 雙向迴路：design ↔ code 不再是單向轉換，而是可持續優化的工作流
  • 對設計系統工程師是重大利多：agent 能理解 token 階層、component variants

💡 為什麼重要：視覺程式設計的未來版圖正在被 MCP 重新畫。如果你做前端、設計系統、或任何會同時碰 Figma 跟 code 的角色，這篇告訴你接下來一年工具鍊會長什麼樣。與 Notion 那篇合起來看，可以看到一個清楚的趨勢：MCP 正在變成企業級 agent 的通用語言。

🔗 閱讀原文 | 來源：ByteByteGo

4. Top Local Models List - April 2026#

Latent Space AINews 統整了 2026 年四月開源社群對本地模型的最新共識 — 注意，是「社群真正在用什麼」而不是「benchmark 跑出來誰最高」。baseline 推薦 Qwen 3.5，coding 首選幾乎一面倒地指向 Qwen3-Coder-Next。Gemma 4 和 GLM-5 則在一般對話和多語任務上有強勢表現。有趣的是 MiniMax M2.7 — 它不是最強，但它展示了一個 pattern：專門化模型在 agent 任務上打贏通用模型，而且成本只有三分之一。

  • Qwen 3.5 = 本地 LLM baseline：沒時間挑就先跑這個
  • Qwen3-Coder-Next = local coding agent 首選：整個社群的共識
  • 專用模型 > 通用模型：agent 任務用小型 specialist 更便宜更準
  • 社群驗證 > benchmark：實際用過的 dev 說了算

💡 為什麼重要：今天最「可行動」的一篇。如果你在為每月上百美金的 AI 工具帳單煩惱、或想把某些任務從 cloud 搬回本機跑，這份清單是 2026 年第二季最直接的答案。搭配今天 Pragmatic Engineer 的調查結果看更有意思 — 本地模型正在變成對抗 AI 工具通膨的主流反擊手段。

🔗 閱讀原文 | 來源：Latent Space

5. Trusted access for the next era of cyber defense#

Simon Willison 這篇紀錄了 OpenAI 推出的 GPT-5.4-Cyber 與 Trusted Access for Cyber 計畫 — 針對資安專業人士提供「身份驗證後才能存取」的模型管道。這是 OpenAI 對 Anthropic 上個月 Claude Mythos 專案的回應：雙方都體認到 AI 正在變成資安領域的雙面刃，既能被攻擊者用來掃漏洞，也能被防禦方用來加快修補。OpenAI 的做法是讓資安研究者證明身份後，可以使用較少限制的版本進行工作。

  • GPT-5.4-Cyber：OpenAI 首個公開承認的資安特化模型
  • Trusted Access 流程：身份驗證後才能解鎖進階能力
  • 直接回應 Anthropic Claude Mythos 專案 — AI 資安軍備競賽正式開打

💡 為什麼重要：AI 資安從「研究題目」進到「正式產品線」。這意味接下來會有更多企業把自己的 SOC 流程綁到 AI 模型上 — 同時也意味攻擊面會以同樣速度擴張。與下面那篇 Simon 寫的「Cybersecurity Proof of Work」合起來看，整個產業的邏輯正在翻轉。

🔗 閱讀原文 | 來源：Simon Willison

The Pragmatic Engineer 2026 年度工程師調查出爐，是今天最尖銳的一份報告。核心發現：AI 工具正在把工程師切成三種原型。Shippers — 速度快、出貨多，但技術債以驚人速度累積；Builders — 卡在品質問題，每天跟 AI 幻覺對抗，覺得被拖慢；Coasters — 學得輕鬆，產能看似穩定，但產出慢慢變成「AI slop」。另一個關鍵數字：30% 工程師每月撞到 AI 使用上限；每個工程師每月的 AI 工具帳單在 $100–$200；而「沒有人在看這張帳單」。歐洲公司比美國公司更謹慎控制開支，反映區域文化差異。

  • 三種工程師原型 — Shipper / Builder / Coaster
  • $100–200/月/人 的 AI 工具帳單正在失控
  • 30% 工程師撞上限 — 生產力被工具計費天花板硬卡住
  • AI slop 正在成為新的技術債來源

💡 為什麼重要：這份報告會成為接下來一年整個工程圈討論「AI 影響工程師」時的共同起點。對個人而言，它提供了一面鏡子：你目前是 Shipper、Builder 還是 Coaster？對主管而言，它點出了一個沒有人敢承認的事實 — 公司為 AI 工具付的錢，遠比大家以為的多，而 ROI 還沒有人真的算清楚。

🔗 閱讀原文 | 來源：The Pragmatic Engineer

7. Cybersecurity Looks Like Proof of Work Now#

Simon Willison 從英國 AI 安全研究所最新評估 Claude Mythos 的報告中，提煉出一個讓整個資安產業重新思考的概念：資安正在變成 proof of work。報告發現 Claude 投入越多 token 做漏洞掃描，就能找到越多漏洞 — 這是一個幾乎線性的關係。這意味三件事：一、攻擊方和防禦方的勝負，會直接變成「誰的 token 預算比較多」。二、開源函式庫的價值因此被放大 — 投入在保護它的 token 可以攤到所有下游使用者身上。三、傳統「資安是工藝」的觀念正在被「資安是資源」取代。

  • 漏洞發現 ∝ token 投入 — 英國 AISI 的線性關係發現
  • 開源 = 共享資安成本 — token 審查被所有 downstream 攤平
  • 資安經濟學倒轉 — 從工藝問題變成資源問題

💡 為什麼重要：這篇會被引用很久。它給了一個清晰的框架，解釋為什麼 AI 時代的資安防禦不再只是「找對的人」而是「花對的預算」。對 CISO、開源維護者、甚至對使用大量第三方套件的開發者都很重要 — 你選哪些 library 用，可能比你想像的更戰略性。

🔗 閱讀原文 | 來源：Simon Willison

8. Zig 0.16.0 release notes: Juicy Main#

Zig 0.16.0 推出「Juicy Main」特性 — 讓 main() 函數可以直接接收一個 process.Init 參數，裡面包含 allocator、I/O 實作、環境變數、CLI 參數等所有常用資源。這是典型的 dependency injection 風格改善，預估每個程式可以省下約 50 行樣板程式碼。

  • DI 風格改善：process.Init 一次提供所有常用資源
  • ~50 行樣板移除 per 程式
  • Zig 正在從語言設計階段走向 production ergonomics

💡 為什麼重要：Zig 的小改動，但對 systems 程式設計師是真實的體感改善。更重要的是它反映 Zig 社群現在的焦點 — 從「我們要不要加 X 功能」轉向「現有功能怎麼用得更舒服」。這是一個語言成熟的訊號。

🔗 閱讀原文 | 來源：Simon Willison

推薦閱讀#

中文技術圈#

開源精選 — GitHub Trending（本週）#

yizhiyanhua-ai/fireworks-tech-graph — Python | ⭐ 2,489 Claude Code skill 產出 production-quality SVG+PNG 技術圖，支援 8 種圖型與 5 種視覺風格。

AgentSeal/codeburn — TypeScript | ⭐ 919 Claude Code 與 Codex 的 token 成本可觀測性 TUI dashboard。配合今日 Pragmatic Engineer 報告看特別有用。

joeynyc/hermes-hudui — TypeScript | ⭐ 881 Hermes agent 的「意識監控」Web UI — 持久記憶 AI agent 的可視化工具。

OpenMOSS/MOSS-TTS-Nano — Python | ⭐ 766 0.1B 參數的多語 TTS，可在 CPU 即時生成語音，無需 GPU。

whwangovo/pyre-code — Python | ⭐ 690 自託管 ML coding 練習平台，68 題從 ReLU 到 flow matching — attention、training、RLHF、diffusion 全覆蓋。

alchaincyf/obsidian-ai-orange-book — ⭐ 606 Obsidian + Claude Code：用 AI 重建第二大腦的橙皮書系列。

hamen/material-3-skill — ⭐ 606 Material Design 3 skill for Claude Code — 30+ 元件、design tokens、主題、響應式版面。

alchaincyf/darwin-skill — HTML | ⭐ 596 讓 Skill 自動演化：評估 → 改進 → 測試 → 保留或回滾。Autoresearch 啟發的自治 skill 優化。

今日觀察#

今天看下來，最明顯的一件事是：整個軟體工程的討論正在從「AI 能幫我做什麼」轉向「AI 的帳單正在幫我決定我是誰」。Pragmatic Engineer 的三原型分類為什麼會刺中這麼多人，不是因為它批判了 AI，而是因為它誠實承認 — 每月兩百美金的工具預算正在改變工程師的工作節奏、產出品質、甚至職涯軌跡，而大多數團隊甚至沒有人在看那張帳單。這和 Simon Willison 從 AI 安全研究所報告裡抓出來的「proof of work」概念是同一個底層邏輯：AI 時代的競爭正在變成 token 預算的競爭。防禦方 vs 攻擊方、大公司 vs 小公司、shipper vs builder，差別不在聰明才智，而在誰有更多 token 可以燒。

有意思的是，今天的新聞裡同時也出現了反制力量：Latent Space 的本地模型清單、Notion 的 agent 架構選擇（MCP 而非 CLI，細粒度權限）、Lenny 推的三層 agent 原型框架 — 這些都是在提醒：不是所有任務都需要燒大模型，也不是所有 agent 都需要越複雜越好。如果 2025 年是「所有東西都變 agent」的年份，那 2026 年看起來會是「工程師開始學會挑哪個任務值得給 agent、哪個本機就能解」的一年。

覺得有用嗎？分享給一個也在追蹤新知的朋友。

也歡迎中長期投資者體驗新工具 → Moniit banner

同期還有