從手寫程式碼到自動化代理：走進 AI 輔助開發的未來

從機器語言到自然語言，補齊一個現代開發者的完整知識圖

By XD3an

電腦科學發展到現在其實還不到一百年，卻已經從打孔卡一路走到了 AI，中間換過好幾次玩法。以前想寫程式、做系統開發，你得對電路怎麼接、硬體怎麼跑很有概念；現在有了 AI，幾乎任何人都能用日常講話的方式跟它一起把應用做出來。這篇想把這條路從頭到尾聊一遍，也順便把一個現代開發者該有的知識地圖補齊。

程式與系統開發方式的演變概覽

程式語言發展演變概覽

第一階段：1940年代（機器語言 Machine Language）

  • 時代背景：二戰前後，最早的電腦（例如 ENIAC）誕生。ENIAC（Electronic Numerical Integrator and Computer，電子數值積分計算機）是世界上第一台可程式化的通用電子數位計算機，於 1943–1945 年間由 John Mauchly 與 J. Presper Eckert 在賓州大學打造，最初用於計算美軍的彈道射擊表。它有大約 1.8 萬顆真空管、重達 30 噸，算起來比人手快上千倍。不過那時候還沒有程式語言，所謂的寫程式，其實是靠實體插線和撥動開關來完成的。
  • 溝通媒介：二進位代碼（0 與 1）、打孔卡片、實體線路插拔。
  • 開發者的狀態：那時候的工程師，與其說在寫程式，不如說是在做物理操作，直接在硬體上撥開關，把電訊號送進真空管裡。
  • 技術限制：換一台不同型號的電腦，同一套運算邏輯就必須重新打孔、重新接線。
Betty Snyder 與 Glen Beck 於 1945 年在彈道研究實驗室透過插線與撥動開關為 ENIAC 編程 Betty Snyder 與 Glen Beck 於 1945 年在彈道研究實驗室，靠插線和撥開關為 ENIAC 編程，這大概是機器語言時代最有代表性的一張照片了。src: Wikipedia, ENIAC

第二階段：1940年代末期～1950年代初期（組合語言 Assembly Language）

  • 時代背景：第一代馮·紐曼架構（Von Neumann architecture）的電腦開始運作，科學家受夠了無窮無盡的 0 和 1。
  • 溝通媒介：英文縮寫與助記符（如 MOV, ADD, JMP）。
  • 發展出了組譯器（Assembler），開發者終於可以用人類看得懂的短單字來代表二進位指令。
  • 技術限制：雖然不用寫 0 和 1，但依然被死死綁在硬體架構上。開發者還是得親自管理 CPU 暫存器與記憶體位址，且不同硬體廠商的組合語言完全不互通。
1949 年劍橋大學的 EDSAC 電腦 1949 年劍橋大學的 EDSAC 電腦是最早的儲存程式電腦之一，象徵組合語言時代的開端。src: Wikipedia
J. Robert Oppenheimer 與 John von Neumann 於 1952 年合影 J. Robert Oppenheimer（左）與 John von Neumann（右）於 1952 年 10 月 IAS 電腦落成典禮合影，象徵組合語言時代電腦設計的理論基礎。src: Encyclopaedia Britannica

第三階段：1950年代中期～2022年（高階程式語言 High-level Languages）

這是軟體工程史上最漫長、分支最龐大的一個時代。人類在這個階段停留了將近 70 年，並在內部經歷了多次微小的典範轉移：

  • 1950年代中期（科學與商業運算）：FORTRAN（1957）和 COBOL（1959）誕生，人類第一次能用類似數學公式與基礎英文句型的語法來寫程式。
  • 1970年代（系統級抽象）：C 語言（1972）出現，成為現代軟體工業的基石，幾乎所有後來的作業系統都基於此。
  • 1990年代（物件與網際網路）：Java（1995）、Python、C++ 普及，大家開始用物件導向的方式，把真實世界的東西模擬進程式裡。
  • 溝通媒介：極度嚴謹的英文語法、迴圈（for, while）、條件判斷（if/else）。
  • 編譯器（Compiler）和直譯器（Interpreter）也是在這時候出現的，程式碼終於跟硬體脫鉤，工程師不用再管底層 CPU 長什麼樣子。
  • 技術限制：語法幾乎沒有容錯空間，少一個分號、縮排錯一格，程式就直接掛給你看。
Ken Thompson 與 Dennis Ritchie 於 1973 年攝於貝爾實驗室 Ken Thompson（左）與 Dennis Ritchie（右）於 1973 年攝於貝爾實驗室。Ritchie 開發的 C 語言讓 Unix 得以用高階語言重寫核心，實現了跨硬體平台移植，奠定現代軟體工業的基石。src: History of Information

第四階段：2022年底～至今（自然語言 Natural Language）

  • 時代背景：以 ChatGPT（2022年底發布）為標誌性起點，大語言模型（LLM）突破了理解人類語境的門檻。
  • 溝通媒介：人類的日常自然語言（甚至包含錯字與語病）＋ 提示詞（Prompt）。
  • 這時候輪到 AI 大型語言模型上場。開發者的角色從寫執行步驟的人（How to do）變成講清楚自己要什麼的人（What I want）。你下個指令，AI 就能把自然語言轉成 Python 或 C，再丟給傳統編譯器變成機器碼。
  • 技術特徵：寫程式的門檻被壓得很低。真正吃重的能力，也從背得出語法，變成能不能想清楚整個系統、能不能把需求講明白（也就是所謂的 Prompt Engineering）。
ChatGPT 使用者介面截圖 ChatGPT 使用者介面截圖。2022 年底發布的 ChatGPT 標誌著自然語言時代的起點，開發者只需用日常語言下達指令，AI 便能理解意圖並轉譯為程式碼。src: Wikimedia Commons（CC BY 3.0）

現代開發技術棧

開發應用與系統的流程，已經從一個人埋頭寫程式，變成跟 AI 一起寫程式。動手之前，先花點時間把整張技術地圖攤開來看會比較有方向。

所謂的技術棧（Tech Stack），其實就是你拿來蓋一個網站或應用的一整套工具組合。講白一點，大致可以分成四塊：

  • 前端（Frontend）：使用者看得到、摸得到的那一層。
    • React / Next.js：負責畫介面的函式庫，加上一套全端框架。
    • TypeScript：補上型別檢查，讓你少踩很多低級錯誤。
    • Tailwind CSS：實用工具優先的樣式框架，排版排得又快又順手。
  • 後端（Backend）：藏在畫面背後、真正在幹活的那一層。
    • Node.js / Express：最順手的 JavaScript 執行環境與伺服器框架。
    • Python / FastAPI：高效能的 API 框架，很適合要接 AI 的場景。
    • Go：勝在高併發，執行速度也快。
  • 資料庫（Database）：東西總得存下來。
    • PostgreSQL：功能很全能的關聯式資料庫。
    • MongoDB：走彈性 schema 路線的 NoSQL 文件型資料庫。
    • Redis：常拿來當高速快取或訊息佇列。
  • 部署與維運（Deployment / DevOps）：怎麼把東西穩穩地送上線。
    • Docker：把環境包成一致的容器，到哪跑都一樣。
    • Vercel / Cloudflare：現代前端與無伺服器（Serverless）託管平台，部署很省事。
    • Kubernetes：規模一大、要管一堆微服務時，靠它做容器自動化部署。

    補充：這些技術的權威資源，通常就是它們的官方網站與官方文件，上面連的都是各自的官網。原始碼可到對應的 GitHub 專案查看，例如 facebook/react、vercel/next.js、microsoft/TypeScript、kubernetes/kubernetes 等。

下面就一塊一塊往下拆，聊聊各自現在比較主流的選擇。

前端

現在新專案大部分都會從 Meta framework 開始，比較少人會想自己從零組合造輪子。

Meta framework（元框架）是什麼：React、Vue 這類框架本身只負責畫畫面、管理元件狀態，並不管路由怎麼設計、資料怎麼抓、要不要做伺服器端渲染、怎麼打包。Meta framework 就是建立在這些基礎框架之上，把路由、資料抓取、渲染策略、打包工程全部包好的框架。例如 Next.js 是建立在 React 之上的 meta framework，Nuxt 是建立在 Vue 之上的。
  • Meta framework 是常見起點：Next.js 和 Nuxt 內建路由、資料取得、快取、渲染策略，省下不少重造輪子的時間。
  • React Server Components + SSR：讓 server-first 變成預設做法，只把真正需要互動的部分送到瀏覽器。
  • TypeScript：2025 年已超越 Python 和 JavaScript，成為 GitHub 上貢獻者最多的語言。2026 年還在正式專案寫純 JavaScript 多少會被當成有點過時。

後端

後端並不像前端那樣擁有如此明顯的典範轉移，則比較像是看團隊需求選擇，但雲端原生已經算是預設的選擇：

  • Node.js/TypeScript、Python（Django/FastAPI）、Go、Rust 都還很活躍，選擇通常取決於團隊背景與需求。
  • 如果產品會應用到 AI/ML，Python 的 FastAPI 是比較常見的選擇，畢竟 AI 生態系是 Python 優先的，LangChain、LlamaIndex、DSPy、CrewAI 全部都是 Python 原生。
  • 架構上 serverless 和 microservices 依然是主流，雲端原生（AWS/GCP/Azure）搭配容器編排也是常使用的方式。

AI 應用開發

這塊是目前變動最快的，也最難整理出一套穩定技術棧：

  • LangChain + FastAPI + Next.js：這套組合被不少人稱為 2026 年比較受矚目的技術棧，滿適合需要整合 LLM、做 AI 副駕駛的產品。
  • 常見的切分方式是：Next.js 處理前端與使用者體驗，FastAPI 專門處理 AI 推論與 pipeline，兩邊用型別化的 API 合約溝通。
  • 建議先把架構骨架定下來就好，工具鏈細節（agent framework 用哪個、RAG pipeline 接哪個向量資料庫）留到動手做的時候再查。

跨平台 App

  • React Native + Expo：如果本來就熟悉 React、TypeScript，這條路走起來比較順，網頁端的元件邏輯可以直接共用，Expo 現在是官方推薦的預設起點。
  • Flutter：如果產品比較動畫密集、視覺一致性是核心賣點（例如要求中階 Android 也保證 60/120fps），或團隊本身沒有 React 背景，Flutter 自己畫像素，跨裝置的視覺一致性目前 React Native 還做不太到。

開發部署

部署沒有標準答案，取決於專案類型與預算：

  • Next.js 專案優先考慮 Vercel + Supabase（原廠平台，零配置，但 Hobby 方案不能商用）。
  • 預算有限、流量會快速成長選 Cloudflare Pages（幾乎無限免費頻寬，但 Workers 不是完整 Node.js 環境）。
  • 後端有 AI 推論需求可搭配 Railway、Fly.io 或 Modal（容器/長連線模型，不受 serverless 執行時間限制）。
  • 需要精細控制基礎設施，或已有既有雲端資源則考慮 AWS/GCP/Azure 或自管 Docker + VPS，學習曲線最陡但彈性最大。

技術棧參考資源：

Python

  • 為你自己讀 CPython 原始碼：理解直譯器運作，對 AI 效能工程蠻有幫助的
  • Fluent Python（第二版）：想寫出道地又有效率的 Python，這本大概是公認的標竿。它會帶你深入資料模型、裝飾器、上下文管理器這些語言內部機制，重點不在語法，而在告訴你 Python 為什麼要這樣設計
  • Real Python 進階教學專區：涵蓋並行處理（concurrency）、元編程（metaprogramming）、效能優化、CPython 內部運作、C 擴充套件，內容扎實、免費，是 Real Python 官方整理的進階學習路徑
  • Raymond Hettinger 的 PyCon 演講：他是 Python 核心開發者之一，也是社群裡公認最會講技術的人。像 Transforming Code into Beautiful, Idiomatic Python 這場，YouTube 上都找得到完整版，看完你對什麼叫 Pythonic 會有完全不一樣的體會
  • Python 官方文件的 What's New：每個新版本發布時官方寫的完整說明，養成習慣讀這個，會發現很多你天天用卻不知道存在的新特性，也是了解語言演進方向最直接的管道
  • Real Python：Async IO 完整教學：Python 的非同步程式設計是最容易學了語法但用不好的一塊，這篇把 asyncio 的概念和實務講得很完整，對接 FastAPI 這類非同步框架會有幫助

TypeScript

React 生態 / Next.js

  • React 官方文件 Quick Start：React 19 的起點
  • Next.js 官方 Learn 課程：免費互動課程，帶你從零建一個財務儀表板，涵蓋路由、資料抓取、串流、身份驗證，官方團隊寫的，算是最權威的起點
  • Next.js App Router 官方文件：查細節功能會用到，2026 年 Pages Router 已進入維護模式，直接學 App Router 就好
  • Electron：跨平台桌面應用（工具類產品常用）
  • Capacitor by Ionic：Web 打包成原生 App，通常會比從零學 Flutter/Dart 快一些上線（這點是合理推論，沒查到 2026 年的具體數據佐證）

後端 / AI 應用開發

  • FastAPI 官方 Learn 文件：官方形容這是一本書、一門課，也是官方推薦的學習路徑，從基礎到進階都涵蓋，品質公認很高
  • LangChain 官方 Learn 文件：官方教學、概念說明與 RAG/agent 範例，是目前最新版本（LangChain v1.x）的權威參考，這塊工具鏈變動快，建議直接看官方文件而非教學文章，比較不會學到過時寫法

跨平台 App

系統與資料基礎

開發應用與系統的工作流程，除了知道怎麼跟 AI 協作、怎麼用好工具之外，還有一塊很容易被忽略、但決定系統扛不扛得住的基礎知識。

資料結構與演算法基礎

它決定的是你寫出來的程式碼會不會在資料量變大時垮掉。

  • 常見資料結構：陣列、雜湊表（hash table）、鏈結串列、樹（尤其是二元搜尋樹）、圖（graph）。你不用背到能手刻紅黑樹，但要知道每種結構查找、插入、刪除大概要花多少時間，以及什麼情境該用哪一種。
  • 時間複雜度（Big O）：能看懂 O(1)、O(log n)、O(n)、O(n log n)、O(n²) 的差異，並在寫程式時大致判斷自己寫的迴圈屬於哪一種，是資深與初階工程師最明顯的分水嶺之一。
  • 排序與搜尋演算法：不用手刻，但要理解為什麼資料庫索引用 B-tree、為什麼二分搜尋比線性搜尋快這麼多。
  • 實務上的用法：多數時候你不是在發明演算法，而是在判斷這裡用 Set 還是 Array 比較快、這個 N+1 query 該怎麼用雜湊表解掉。真正的價值，是把這些知識用在效能除錯和程式碼審查上。

進一步閱讀：NeetCode、Big O Cheat Sheet

安全基礎

安全這件事，不是丟給資安團隊就沒你的事，而是每個開發者在寫程式的當下就該放在心上的預設意識。

  • OWASP Top 10：目前業界公認最該優先了解的清單，涵蓋 SQL Injection、XSS、CSRF、權限控管失效等常見漏洞類型。
  • 認證與授權（Authentication vs Authorization）：先分清楚你是誰、跟你能做什麼，這是兩回事；OAuth 2.0、JWT 的基本運作原理要熟。
  • 密鑰與敏感資訊管理：API key、資料庫密碼絕對不能寫死進程式碼或進 Git 歷史，環境變數、密鑰管理服務是基本配備。
  • 輸入驗證：任何使用者輸入都要假設是惡意的，先驗證再處理。
  • HTTPS/TLS：所有正式環境都該強制 HTTPS，知道憑證是怎麼運作的。

進一步閱讀：OWASP Top 10、OWASP Cheat Sheet Series

資料庫與 API 設計

  • SQL 基礎：就算專案用了 ORM，你還是得看得懂、也寫得出基本的 SQL，像 SELECT、JOIN、GROUP BY、子查詢這些，都是除錯效能問題時繞不開的東西。
  • 資料庫設計：正規化的基本概念、什麼時候該反正規化換效能、索引怎麼加才有效。
  • 關聯式 vs 非關聯式資料庫：PostgreSQL/MySQL 適合結構化、需要交易一致性的資料；MongoDB、Redis 這類適合彈性 schema 或高速快取的場景。
  • API 設計原則：REST 目前仍是約 85% 組織採用的主流，理解 HTTP 方法語意（GET/POST/PUT/DELETE）、狀態碼該怎麼用、版本控制怎麼做；GraphQL 則適合前端需要彈性查詢欄位的場景。
  • API 文件化：OpenAPI/Swagger 讓 API 契約可以被前後端、甚至 AI agent 讀懂，是團隊協作的基本配備。

系統設計與可擴展性

  • 快取策略：知道什麼資料適合快取（讀多寫少）、快取失效策略怎麼設計，Redis 是目前最常見的實作工具。
  • 水平擴展 vs 垂直擴展：垂直擴展是加大單台機器規格，水平擴展是加更多台機器分攤流量。
  • 負載平衡：多台伺服器之間怎麼分流量，基本概念要懂。
  • 可觀測性（Observability）：日誌（logging）、指標（metrics）、追蹤（tracing）三支柱，系統出問題時能不能快速定位到根因，取決於這塊有沒有做好。
  • CAP 定理與取捨思維：一致性、可用性、分區容錯性這三者沒辦法同時做到完美，這個取捨的概念放在心裡，選資料庫、選架構時會有幫助。

進一步閱讀：Use The Index, Luke、REST API Tutorial、System Design Primer

被忽略的開發基本功

透過這門 MIT 的課程 The Missing Semester of Your CS Education，補齊一些容易被忽略卻很關鍵的技術能力。這門課由 MIT 校友 Anish Athalye、Jon Gjengset 與 Jose Javier Gonzalez Ortiz 共同開設，屬於 MIT 獨立活動期（IAP）的非學分課程，從 2019 年開課至今，持續在全球開發者社群間廣受轉發。

1. Shell 入門

sh shell sh shell
Windows PowerShell - 也是一種 shell Windows PowerShell - 也是一種 shell
  • 終端與 Shell：終端（terminal）是視覺介面，而 Shell 是實際解讀指令的程式。bash 是 Linux/macOS 最常見的 Shell，zsh/fish 提供更好的易用性。
  • 基本導航：cd、pwd；絕對路徑 vs 相對路徑；.（當前目錄）與 ..（父目錄）。
  • $PATH 與程式查找：Shell 透過 $PATH 環境變數尋找可執行檔；which 可查詢指令實際路徑。
  • 常見命令：cat、sort、uniq、head/tail、grep、sed、find、awk。
  • 推薦替代工具：eza（取代 ls）、bat（取代 cat）、ripgrep（取代 grep）、fd（取代 find）。
  • 管道與組合：| 串接多個程式的輸出入，可組合出複雜的一行指令。
  • 腳本撰寫慣例：shebang（#!/bin/bash）決定用哪個直譯器執行；set -euo pipefail 讓腳本在出錯時提早退出；建議搭配 shellcheck 檢查腳本。
  • AI 輔助：可用 LLM 解釋命令用途、協助撰寫與除錯 Shell 腳本，或將過長的 bash 腳本（100+ 行）轉譯成 Python。

2. 命令列環境（Command-line Environment）

  • CLI 慣例五要素：參數（arguments）、串流（streams）、環境變數（environment variables）、返回碼（return codes）、信號（signals）。
  • 參數與旗標：$1~$9 存取個別參數；$@ 存取全部參數；旗標慣例為 -x 單字母或 --xxx 長名稱，可合併寫（如 ls -la）。
  • Globbing 通配符：*（任意字元）、?（單一字元）、{}（多重展開）；zsh 支援 ** 遞迴匹配。
  • 串流機制：每個程式都有 stdin/stdout/stderr 三條標準流；管道裡串起來的多個程式，其實是同時啟動、一起跑的。
  • 環境變數：賦值語法 foo=bar（等號兩側不可有空格）；用 export 讓變數傳遞給子行程。
  • 返回碼：程式結束時回傳 0（成功）或非 0（失敗）；&&（前者成功才執行）、||（前者失敗才執行）。
  • 信號（Signals）：Ctrl-C 實際上是 Shell 送出 SIGINT 訊號中斷正在執行的行程。

3. 開發環境與工具（Development Environment and Tools）

  • IDE vs 終端工作流：IDE（如 VS Code）易上手、AI 整合較完整；終端工作流（tmux + Vim + zsh）輕量、在無 GUI 環境也能用。建議兩者都熟悉，至少精通一種。
  • Vim 的哲學：Vim 的操作介面本身就像一套小型語言，每個按鍵都是可以組合的命令，目標是讓你想到什麼、手就能同步做到。
    • 模態編輯（Modal Editing）：Normal、Insert、Replace、Visual、Command-line 五種模式；<ESC> 隨時回到 Normal 模式。
    • 動詞加名詞的語法：移動指令（w 下一個字、0/$ 行首行尾）可與編輯指令（d 刪除、c 修改、y 複製）組合，並可加上數量與修飾詞（如 ci( 修改括號內文字）。
    • Vim 無所不在：VS Code（VSCodeVim 外掛）、Zsh、甚至 Claude Code 都內建 Vim 模式支援。
  • Language Server：透過 LSP（Language Server Protocol）提供自動完成、內嵌文件顯示、跳轉定義查找所有引用、匯入管理等功能。
  • AI 輔助開發的三種形態：自動補齊（autocomplete）、行內聊天（inline chat）、編程代理（coding agents）。

4. 調試與效能分析（Debugging and Profiling）

  • Print Debugging 與 Logging：加入輸出定位問題是最基本的手段；更進階是用日誌框架（INFO/DEBUG/WARN/ERROR 等嚴重級別、支援結構化資料）。
  • 除錯器（Debuggers）：適合那種你不確定要印什麼、或問題很難重現的情境。泛用型有 gdb、lldb，語言專用型像 Python 的 pdb。
  • Record-Replay 除錯：rr 能把一次執行完整錄下來，再一模一樣地重播，甚至可以用 reverse-continue、reverse-step 往回倒著除錯。
  • 系統呼叫追蹤：strace（Linux）/dtruss（macOS）可觀察程式發出的每個系統呼叫；bpftrace（基於 eBPF）可在核心層做低開銷的追蹤。
  • 網路除錯：tcpdump/Wireshark 抓封包分析；HTTPS 加密流量可用 mitmproxy 或瀏覽器開發者工具的 Network 分頁。
  • 效能量測：time 指令拆解出 Real（壁鐘時間）、User（使用者程式碼 CPU 時間）、Sys（核心程式碼 CPU 時間）三種時間，可判斷程式是卡在運算還是卡在等待。
  • 資源監控：htop/btop、iotop、free、lsof、ss。
  • CPU 效能分析器：Linux 標準工具 perf；perf stat 看整體概覽，perf record/perf report 搭配火焰圖（Flame Graph）視覺化熱點。各語言專屬：Python 的 cProfile/py-spy、Go 的 go tool pprof。
  • 效能基準測試：hyperfine 用來比較不同實作或工具的效能，自動跑多次取平均與標準差。

5. 版本控制與 Git（Version Control and Git）

Git
  • 單人開發也有用：能隨時回顧舊版本、留下修改原因的紀錄。
  • 多人協作不可或缺：能快速看出是誰在何時改了什麼、快速找出是哪次修改導致某個測試壞掉。

資料模型

Git 跟其他版本控制系統（像 SVN）最大的差別，在於它把檔案和目錄的變化歷史，看成一連串的快照（Snapshot）：每一個快照，就是某個時間點整棵頂層目錄樹的完整狀態。

// 1. 檔案 (blob)：就是一堆單純的位元組 (byte)，本身不記錄檔名，只有內容
type blob = array<byte>

// 2. 目錄 (tree)：把檔名/目錄名對應到特定的 blob 或其他 tree (支援子目錄)
type tree = map<string, tree | blob>

// 3. 快照 (commit)：記錄父節點、作者、訊息，以及指向該次快照頂層 tree 的指標
type commit = struct {
    parents: array<commit>
    author: string
    message: string
    snapshot: tree
}

// 4. 物件儲存庫 (objects)：Git 的核心是一個大 Map，所有物件以 SHA-1 雜湊值定址
objects = map<string, blob | tree | commit>

// 5. 參照 (references)：將人類可讀的名稱 (如 main, HEAD) 對應到特定的 SHA-1 雜湊值
references = map<string, string>
Git 資料模型示意圖 src: The Data Structures Behind Git
Git 資料庫流程圖 src: The Data Structures Behind Git

三個核心概念：blob、tree、commit

Git blob blob（檔案）：就是一堆位元組（byte），本身不記錄檔名，單純是內容。src: xosh.org
Git tree tree（目錄）：把名稱對應到 blob 或其他 tree，所以目錄底下可以再放子目錄。src: xosh.org
Git commit commit（快照）：記錄父 commit、作者、訊息，以及指向這次快照對應的頂層 tree；commit 本身不可變，所謂改歷史，其實是在建立新的 commit。src: xosh.org
Git hash / SHA-1 所有物件以 SHA-1 雜湊內容定址（content-addressed），彼此靠雜湊值互相參照。src: xosh.org

歷史是 DAG（有向無環圖）

Git 的提交歷史不是單純的線性列表，而是有向無環圖（Directed Acyclic Graph）。因為一個 commit 可以有多個父提交，例如將兩條平行開發的分支合併（Merge）時，產生的合併提交就會指向兩個父節點。

Git DAG commit history src: xosh.org

References 與 HEAD

Git branch references src: xosh.org
  • References（參照）：人類記不住 SHA-1 雜湊值，所以 Git 用 References 來指向特定的 commit。最常見的 Reference 就是分支（例如 main）。分支指標是可變的，當你在該分支新增 commit 時，指標會自動往前推移。
  • HEAD：代表你目前所在的位置（通常指向某個分支，如 HEAD -> main）。
  • Detached HEAD（分離的 HEAD 狀態）：如果你直接 checkout 到某個特定的 commit 雜湊值，HEAD 就會脫離分支，直接指向該 commit。在這種狀態下做的任何新提交，如果沒有建立新分支把它接住，切換回其他分支後，這些新提交就變成沒人指向的孤兒，最後會被 Git 回收掉。
Git HEAD branch2 src: xosh.org

儲存庫三個區域

  1. 工作目錄（Working Directory）：你目前真正在編輯的實體檔案。
  2. 暫存區（Staging Area / Index）：讓你自己挑這次到底要提交哪些修改，可以把手上的變動拆成好幾個乾淨、獨立的 commit。
  3. 儲存庫歷史（Repository / History）：已經被 commit 記錄下來的不可變快照。
Git working directory staging history src: xosh.org

常用指令速查

  • 基礎：git init、git status、git add、git commit、git log --all --graph --decorate、git diff
  • 分支與合併：git branch、git switch、git checkout -b <name>、git merge、git rebase
  • 遠端操作：git remote、git push、git fetch、git pull、git clone
  • 進階：git add -p（互動式部分暫存）、git rebase -i（互動式重寫歷史）、git blame、git stash、git bisect（二分搜尋找出引入 Bug 的 commit）、git worktree（同時檢出多個分支到不同目錄，多 AI 代理並行修改時常用）

進一步閱讀：Oh Shit, Git!?!、Git 官方書籍

6. 程式碼打包與發布（Packaging and Shipping Code）

程式碼寫完只是第一步。怎麼讓別人的電腦、或是伺服器也能順順利利跑起來你的程式，才是打包與發布真正要解決的問題。

  • 依賴與環境：當你執行像是 pip install requests 這樣的指令時，套件管理員在背後幫你做了四件重要的事情：
    1. 搜尋套件庫（如 Python 的 PyPI、Node.js 的 npm）
    2. 尋找對應版本（根據 OS、硬體架構與語言版本）
    3. 解析遞移依賴（Transitive Dependencies）
    4. 下載與安裝到正確的系統目錄
⚠️ 依賴地獄（Dependency Hell）：當專案 A 需要套件 X 的 1.0 版，而專案 B 需要套件 X 的 2.0 版，如果把它們都安裝在全域環境，就會發生版本衝突。
  • 虛擬環境：在 Python 中，我們會用 venv 來為每一個專案建立獨立的資料夾環境，將各專案的依賴完全隔離。現代更推薦使用由 Rust 開發的 uv，安裝速度極快（快上數十倍），還能同時管理多個 Python 版本並存的問題。
  • 專案規格檔：pyproject.toml（基於 PEP 517 與 PEP 621）現在所有的專案設定都應該收斂到這個單一檔案中。
  • 製品與打包（Artifact）：在 Python 生態系中，最常見的製品格式是 Wheel (.whl)，透過 uv build 可以將原始碼同時打包成預先編譯好的 Wheel 以及原始碼分發包。
  • 版本發布與 SemVer：語意化版本（SemVer），格式為 MAJOR.MINOR.PATCH：
    • PATCH（修訂號）：單純修復 Bug，完全向下相容。如 1.0.0 → 1.0.1
    • MINOR（次版號）：新增了新功能，向下相容。如 1.0.1 → 1.1.0
    • MAJOR（主版號）：引入了破壞性變更（Breaking Changes）。如 1.1.0 → 2.0.0
  • 其他主題：可重現性（Reproducibility）、虛擬機與容器（Docker）、配置管理、服務與編排（Kubernetes）、CI/CD。

7. 代理式編程（Agentic Coding）

編程代理是一個被賦予了工具存取權的對話式 AI。它通常存在於你的 IDE 內（如 Cursor、Windsurf），或是獨立的終端機工具中（如 Claude Code）。它不僅能跟你對話，還能自主執行以下操作：

  • 讀取與寫入本地檔案
  • 進行網路搜尋（查閱最新 API 文件）
  • 在終端機執行 Shell 指令（如跑測試、編譯、建置）

運作原理

不要把 Agent 當成魔法，底層邏輯其實非常清晰：

  1. LLM 的本質：說到底，大語言模型做的還是同一件事：給它一段輸入字串，它去預測接下來該輸出什麼，靠的是機率分佈取樣。
  2. Harness：Agent 的核心，其實是一個夾在你和 LLM 中間的控制程式（Harness）。
  3. 回饋迴圈（Feedback Loop）：
    • Harness 會把你的提示詞、對話歷史、以及目前工作區的狀態組合成一大包字串送給 LLM。
    • LLM 回傳的字串裡，可能夾帶著呼叫某個工具的指令（例如：讀取檔案 A、或執行指令 B）。
    • Harness 攔截到這個指令後，真正在你的電腦上執行它，並把執行結果當作新的輸入再次送給 LLM。
    • 每次工具呼叫，都會重新觸發一次 LLM 的推理，直到任務完成。

典型用例

  • 實現新功能：直接用自然語言描述需求。若搭配測試驅動開發（TDD），Agent 可以自己寫代碼、自己跑測試，直到測試通過為止。
  • 修復 Bug：給 Agent 一個報錯訊息，讓它自行在專案中搜尋問題、修改程式碼，並重新執行失敗的檢查來驗證是否修復。
  • 重構程式碼（Refactoring）：指令 Agent 整理架構或抽離共用邏輯。
  • 程式碼審查（Code Review）：搭配 GitHub CLI，讓 Agent 直接幫你看 Pull Request。
  • 程式碼理解：對著一個完全陌生的龐大專案問問題，極度有助於新人上手。
  • Vibe Coding：完全不親手寫任何一行程式碼，純粹靠自然語言與 Agent 互動來完成整個軟體專案。

進階用法

  • 可重用的 Prompt / 模板：把複雜、常用的提示詞（如你個人的 Code Style 規範）存成模板重複使用。
  • 並行多代理（Parallel Agents）與 git worktree：當任務龐大時，可同時開啟多個 Agent 處理不同任務；搭配 Git 的 worktree 功能，讓不同的 Agent 在獨立的目錄下操作同一個儲存庫的不同分支，互不干擾。
  • MCP（Model Context Protocol）：一套開放協議，把 AI 模型要怎麼接上外部工具和資料源這件事標準化了。舉個例子，你裝一個 Notion 的 MCP 伺服器，IDE 裡的 Agent 就能直接讀寫你的 Notion 筆記。
  • 上下文管理（Context Management）：LLM 的上下文窗口（Context Window）是有上限的，塞太多沒用的東西反而會讓它開始亂編。幾個實用做法：該清空上下文時就清、善用回滾對話、需要的話做上下文壓縮。

進一步閱讀：200 行程式碼理解 Agent 核心概念

8. 程式碼品質（Code Quality）

寫出能跑的程式碼只是第一步，如何確保程式碼在多人協作、長期維護下依然保持一致性與穩定性？

  • 格式化（Formatting）：處理表面語法的一致性（單引號還是雙引號、大括號要不要換行、import 的順序等）。
    • 高度可配置：如前端常用的 Prettier，允許你微調各種排版細節。
    • 獨裁且不可配置：像 Python 的 Black 或 Go 的 gofmt，故意不給你什麼選項調，就是要省掉大家為了排版細節吵不完的單車棚效應（Bikeshedding）。
    實務上最省事的做法：把編輯器設成存檔時自動格式化（Format on save），再在專案根目錄放一個 .editorconfig。
  • 靜態檢查（Linting）：比格式化更深入，負責分析程式碼並找出反模式、潛在 Bug 或未使用的變數。進階工具 semgrep 是基於抽象語法樹（AST）的搜尋工具，讓你即使跨越不同的程式語言，也能自訂檢查規則。
  • 測試（Testing）：依照粒度分為三層：
    1. 單元測試（Unit Test）：測試單一函數或類別，速度最快。
    2. 整合測試（Integration Test）：測試多個模組之間的互動是否正常。
    3. 端到端測試（E2E / Functional Test）：模擬真實使用者操作整個系統，速度最慢但最接近真實。
測試的重要觀念：
  • TDD（測試驅動開發）：先寫好測試（此時測試會失敗），再寫實作程式碼讓測試通過。
  • 回歸測試：當你修好一個 Bug 後，一定要寫一個對應的測試，確保未來這個 Bug 永遠不會再出現。
  • 屬性測試（Property-based Testing）：定義屬性，由工具（如 Python 的 Hypothesis）自動生成大量隨機且極端的輸入來轟炸你的程式，找出你想都沒想過的邊界情況。
  • 測試覆蓋率：它頂多是個輔助指標，別盲目追求 100%。因為這行程式有被執行到，不代表它的邏輯真的被驗證過。
  • Pre-commit Hooks：每次你 git commit 時自動幫你跑格式化、Linting，甚至跑一部分測試，讓那些髒亂、不符規範的程式碼，連進 Git 儲存庫的資格都沒有。
  • 持續集成（CI）：利用如 GitHub Actions 等工具，在每次 push、發起 Pull Request 或定期排程時，在雲端伺服器自動執行格式化檢查、Linting、測試與型別檢查。CD（持續部署）進一步延伸 CI，當測試全數通過並合併到主分支後，自動建置並部署到正式環境。
  • 命令運行器（Command Runner）：現代專案的指令常常又臭又長。我們可以使用像 just（現代版的 make）這樣的工具，把複雜的指令包裝成簡短好記的別名（如 just lint 或 just test）。
  • 正則表達式（Regular Expressions）：一種專門用來比對字串樣式的語言，在程式碼品質控管裡到處都用得到。

9. 程式碼之外（Beyond the Code）

軟體開發本質上是一場跨越時間與空間的溝通。你寫下的程式碼、註解、README 與 Commit Message，都是在與其他人（未來的同事、接手的維護者、半年後的自己）進行單向溝通。

單向溝通的核心原則：永遠把重點放在為什麼（Why），而不是做了什麼（What）。做了什麼，看程式碼本身就知道了，不用你多說。

值得寫的注釋類型：

  • 具體可執行的 TODO：要註明為何延後、何時需要處理。
  • 外部參考連結：演算法的出處、依循的商業規格或 RFC 網址；務必盡量使用永久連結（Permalink）。
  • 正確性論證：當一段程式碼的邏輯不是一眼就看得懂時，說明它為什麼是對的。
  • 踩坑記錄（Gotchas）：如果你花了超過 30 分鐘除錯，才找出一個不太直覺的解法，一定要記下來，救救未來的讀者（很可能就是你自己）。
  • 魔法數字 / 常數的理由：為什麼這裡要乘以 1.05？為什麼重試次數是 3？
  • 為什麼不這樣做的說明：把你試過但走不通的死路記下來，免得哪天有人一片好心，又把你現在的正確做法改回錯的版本。

README 撰寫原則（漏斗式結構）：

  1. 這是做什麼的？（一句話摘要）
  2. 為什麼我該在意？（痛點與價值展示）
  3. 怎麼用？（先給一段最基礎的 Demo 或程式碼範例）
  4. 怎麼安裝？（最後才講繁瑣的環境建置與安裝步驟）

Commit Message 的藝術：

  • 複雜變更的結構：建議照著問題、解決方案、影響與取捨這個順序來寫。
  • 導入規範：強烈建議採用 Conventional Commits（如 feat:, fix:, docs: 等前綴），讓機器與人類都能一眼看懂改動性質。
  • 與 LLM 協作的技巧：如果要請 LLM 幫你寫 Commit Message，千萬別只把 diff 丟過去，那你只會拿到像是新增了三行程式碼這種等於沒說的廢話。最好在剛剛陪你一起開發這個功能的同一個對話裡請它寫，並且明講：重點放在 Why。

貢獻與開源協作：

  • 完美的 Bug Report：發 Issue 前先搜尋是否已有重複。報告必須包含：環境資訊、預期結果 vs 實際結果、明確的重現步驟。
  • MRE（最小可重現範例）：提供一個不含任何無關業務邏輯的 Minimal Reproducible Example，這是對維護者最大的尊重。
  • 清晰的 PR：一個 PR 只能專注於單一改動，並清楚說明動機。
  • AI 程式碼的責任歸屬：即使程式碼是 AI 寫的，你依然是這段程式碼的主人。必須徹底理解並把關後才能提交。

Code Review 文化：

  • 對事不對人：說這段函式的邏輯不太清楚，而不是說你寫得很亂。
  • 提問大於命令：與其直接說把這裡改成 Map，不如問一句：這裡是不是可以考慮用 Map？一句提問就能把對方的防備心降下來。
  • 區分層級：清楚標出哪些是一定要改的 Blocker，哪些只是你個人偏好的 Nits（吹毛求疵）。
  • 不要吝嗇讚美：看到寫得漂亮的程式碼，明確地給予肯定。

參考來源

  1. ENIAC 與 Betty Snyder / Glen Beck 照片
    Wikipedia, ENIAC·Available ↗
  2. J. Robert Oppenheimer 與 John von Neumann 合照
    Encyclopaedia Britannica·Available ↗
  3. Ken Thompson 與 Dennis Ritchie 合照
    History of Information·Available ↗
  4. ChatGPT 使用者介面截圖
    Wikimedia Commons（CC BY 3.0）·Available ↗
  5. The Missing Semester of Your CS Education
    MIT，版權為 CC BY-NC-SA·Available ↗
  6. Explain Git in Simple Words
    xosh.org·Available ↗
  7. The Data Structures Behind Git
    Blog by Juliano Lima·Available ↗
  8. Oh Shit, Git!?!
    ohshitgit.com·Available ↗
  9. Pro Git（Git 官方書籍）
    git-scm.com·Available ↗
  10. 200 行程式碼理解 Agent 核心概念
    mihaileric.com·Available ↗
  11. Conventional Commits 規範
    conventionalcommits.org·Available ↗
  12. OWASP Top 10
    owasp.org·Available ↗
  13. System Design Primer
    GitHub / donnemartin·Available ↗
×