這是 CS146S 系列的最後一篇，對應 Fall 2026 的第十週。
課程主題三條：自我運行、自我改進的軟體系統；部署後的 agent 執行與安全；AI 軟體工程接下來往哪走。講題就叫「The Software Factory: self-running, self-improving software systems」。
「software factory」這個詞也出現在課程描述的收尾：學生結業時應該能「apply software-factory principles to building and evolving software at greater speed and scale」。它是這門課的終點命題。
拆開這個詞
工廠的核心不是自動化，是流程可重複、缺陷可回溯、產線可調整。搬到軟體上，「self-running, self-improving」需要三個東西同時到位：
一、機器可判定的驗收。 沒有這個，「自我改進」沒有改進的方向。這正是 Week 5 的確定性驗證迴圈——linter、type checker、測試、掃描這些非過即敗的訊號。Factory 把它講得很直接：「A codebase with poor feedback loops will defeat any agent you throw at it.」
二、可以被寫回去的流程知識。 agent 做完一件事，學到的東西要能沉澱成下一次會用到的東西。Anthropic 在 Agent Skills 的官方文章結尾把這件事寫成明確的方向：
Looking further ahead, we hope to enable agents to create, edit, and evaluate Skills on their own, letting them codify their own patterns of behavior into reusable capabilities.
三、不需要人啟動的執行。 也就是 Week 8 的背景 agent：issue 進來、agent 開工、PR 出去。
三者湊齊，「self-improving」才不是修辭：agent 跑一輪 → 驗證迴圈給出通過與否 → 失敗的經驗被寫回 skill 或指示檔 → 下一輪成功率提高。這條迴圈的品質完全取決於第一項。 驗收標準含糊的系統，跑再多輪也只是隨機遊走。
「部署後」是被低估的那一半
課程主題裡的「running and securing agents post-deployment」在 Fall 2025 是整整一週（Week 9「Agents Post-Deployment」，客座是 Resolve 的 CTO 與技術人員），指定讀物包含 Google 的 SRE Book與 observability 基礎。Fall 2026 把它壓縮進最後一週。
Fall 2025 那一堂（投影片）開場的兩個數字就把比重講清楚了：
Coding represents just 30 percent of engineering time. Harder 70 percent is running that code in production where complexity, tool silos, knowledge gaps, and interdependencies all collide
課程另外引用估計，停機與服務降級每年讓 Global 2000 損失約 4,000 億美元。寫程式只佔工程時間的三成——如果 AI 只解那三成，它解的是比較小的那一半。
課程教的基本功仍然是 SRE 那套：監控的四大黃金訊號（latency、traffic、errors、saturation），並提醒成功與失敗的請求要分開追，因為失敗請求會扭曲平均值，而「慢的錯誤」最可疑。它甚至給了一份凌晨 3:12 收到資料庫 500 暴增警報時的八步 playbook：確認並評估 → 照黃金訊號查 DB 與 app → 找出最近改了什麼（deploy、migration、feature flag、autoscaling，有相關就立刻 rollback）→ 縮小影響範圍 → 執行緩解 → 穩定並觀察 → 每 10–15 分鐘對外更新 → 收尾記錄。
這份 playbook 值得注意的地方是它完全沒提 AI。 它是那個 AI SRE 要去自動化的對象——你得先知道人怎麼做，才能判斷機器有沒有做對。
課程對「AI SRE」列了四個特徵：動態建構知識圖譜、跨 observability stack 與雲的 agentic 系統、產生即時敘事並指出可能根因與支持證據、以及**「heavy emphasis on explainability and auditability of predictions/reasoning」**。
限制那頁同樣誠實：能處理的事故複雜度有限、現代 production stack 太異質、而且真正改 code 修好還做不到（「all providers are starting with root cause analysis」）。其中一句最實用：
Good root cause analysis requires good monitoring gardening.
沒有先把監控養好，根因分析就沒有東西可以分析。 這跟 Week 5 的驗證迴圈是同一條原則在維運端的版本。
被壓縮不代表變簡單。agent 進了 production 之後會有兩層要看：
agent 產出的程式碼——這一層跟一般服務沒有兩樣，SRE 那套照用。
agent 系統本身——這一層才是新的。要回答的問題包括：這一輪跑了多久、燒了多少 token、用了哪些工具、在哪一步卡住、重試了幾次、最後有沒有達成驗收標準。這些不會出現在你現有的 APM 儀表板上，因為它們不是請求延遲或錯誤率。
沒有第二層，你就只能用「感覺最近比較不準」來管理一個每天跑幾百次的系統。
這門課十週的形狀
把十週排在一起，論證線其實非常清楚：
W1 agent 的骨架 → 沒有魔法，是一個 while 迴圈
W2 context 工程 → 瓶頸在你給它什麼，不在它多聰明
W3 skills → 流程知識要能封裝、按需載入
W4 客製 agent 與 repo → 規則、閘門、context 隔離
W5 codebase 就緒度 → 環境決定 agent 能自主跑多久
W6 code review → 誰來檢查產出
W7 安全 → agent 自己就是攻擊面
W8 背景 agent → 從盯著跑到交出去
W9 團隊化 → 從個人偏好到組織治理
W10 software factory → 以上全部接成一條會自我強化的迴圈W1 到 W4 是「你怎麼用 agent」，W5 到 W10 是「你的環境與組織怎麼配合 agent」。 分界線落在第五週——這也是為什麼 Agent-Ready Codebases 是新大綱裡最關鍵的一格：它是整門課的樞紐。
對照 Fall 2025 那一版（一週講終端機、一週講 UI 生成、一週講 prompting）就更明顯了。一年之間，這門課從「工具導覽」變成了「系統設計」。
這門課沒有解決的三件事
寫完十篇，有三個缺口值得標出來。三個都不是技術問題，其中一個課程有問但沒答，另外兩個連問都沒問：
一、誰為 agent 產出的程式碼負責——這題課程有問，但沒有答。
這裡我要修正自己先前的說法。我原本寫「課程沒有在談責任歸屬」，那是錯的：Week 7 安全那一堂最後一頁的六個 open questions，最後一題正是「Who is accountable if an AI-generated patch introduces a vulnerability?」；而 Week 6 code review 那堂的收尾更直接：「You own the code that is merged and shipped, no blaming of the AI.」
所以課程的立場是：合併的人負責。但它把這句話停在個人層級，沒有往上處理組織層級——當一份 PR 由 agent 寫、由另一個 agent review、由背景流程合併，「合併的人」可能只是按下按鈕的那個人，甚至沒有人按。這在受監理的產業裡不是哲學問題，而課程自己把它列為未解。
二、資淺工程師怎麼養成。 課程先修要求是 CS111/CS161 等同程度——也就是它假設你已經會寫程式了。那些技能過去是靠做完課程假設你已經會的那些工作養出來的。如果那類工作被 agent 接走，下一代從哪裡長出「知道 agent 什麼時候在胡說」的判斷力？這門課沒有回答，因為它的先修條件把問題排除在外了。
三、宣稱與量測之間的落差。 這一整個領域充斥著沒有可重現方法的倍數：「2-3X faster」、「10x productivity」、「82% catch rate」。這個系列裡真正拿得出方法與數字的來源只有幾個——Google 的 AutoCommenter 論文（留言解決率約 40%）、Sean Heelan 的 o3 實驗（100 次跑 8 次中、28 次誤報）、Factory 的評分變異數（7% → 0.6%）。它們的共同點是都同時報告了失敗率。
這是我讀完整份大綱最想留下的一條判準：看到一個 AI 開發工具的宣稱，先找它的失敗率。找不到就當它沒說。
補充一句：課程自己是符合這條標準的。它在安全那堂報了 AI SAST 的 50–100% 誤報率，在 code review 那堂列了限制清單，幾乎每一堂的最後幾頁都是 limitations 與 open questions。一份會把自己的限制放進投影片的教材，比任何行銷素材可信。
這個系列到此結束
十一篇寫完了。要提醒的是，Fall 2026 在寫作當下（2026 年 8 月）還沒開課——Fall 2026 的部分讀的是大綱，課堂內容全部來自 Fall 2025 的公開投影片。9 月 22 日之後，投影片、reading list 與作業會陸續公開，屆時值得回頭對照：哪些主題被實際講成了什麼、哪些格子跟大綱寫的不一樣。
想自學的話，Fall 2025 的完整教材仍然是最好的起點，作業 repo 也還在。從 week2 手刻一個 agent 開始，比讀十篇文章有用。
會過期的東西
- Fall 2026 的 Week 10 客座尚未公布
- 「software factory」目前主要是課程與少數廠商在用的說法，還沒有共識定義
- 本文列的第二、三個缺口是我的判斷；第一個（責任歸屬）是課程自己列為 open question
參考資料
- CS146S Fall 2026 syllabus — Week 10 主題與課程描述
- CS146S Fall 2025 — 完整 reading list、slides 與 Agents Post-Deployment 那一週的材料
- Equipping agents for the real world with Agent Skills — Anthropic Engineering，agent 自行建立 skill 的方向
- Introducing Agent Readiness — Factory，回饋迴圈與評分變異數
- Introduction to Site Reliability Engineering — Google SRE Book，Fall 2025 Week 9 指定讀物
- Observability Basics You Should Know — Fall 2025 Week 9 指定讀物
- AI DevOps — Fall 2025 Week 9 課堂投影片，含 30/70 比例、四大黃金訊號與事故 playbook
- The Build System — 課程講師的實作影片系列
Loading...