2025 年底開始，一個詞越來越常出現在工程師的對話裡：Agentic AI。
它不是比 autocomplete 更準的程式碼建議，而是一種完全不同的工作模式——AI 接收一個目標，自主規劃步驟、執行工具、處理錯誤，最後產出結果。Stripe 每週靠它 merge 1,300 個 PR，Spotify 最優秀的工程師從去年 12 月起就沒有親手寫過一行程式碼。
這篇文章想回答一個實際問題：如果你也想把 Agentic AI 接進日常開發流程，要從哪裡開始？
先釐清一件事：Agentic AI 跟一般 AI 工具的差異
一般 AI 工具（Copilot autocomplete、ChatGPT 問答）是反應式的——你問，它答，結束。
Agentic AI 是主動式的——你給它一個目標，它會：
- 規劃達成目標需要的步驟
- 呼叫工具（讀寫檔案、執行測試、查 API）
- 根據結果調整下一步
- 遇到錯誤自我修復，不是丟給你
這個差異決定了它能嵌入 SDLC 的方式。
SDLC 五大階段 × Agentic AI
1. 需求與設計（Planning & Design）
Agent 能做的事：
- 讀取 PRD 或一段描述，自動拆分 user story 和技術任務
- 根據現有 codebase 產生驗收測試草稿
- 記錄架構決策（Architecture Decision Records）
切入點：在 Linear 或 GitHub Issues 建一個 prompt，讓 Claude 把模糊需求轉成具體技術任務。關鍵是要先寫 spec——目前業界最高共識的最佳實踐是 spec-driven development：先定義要做什麼，再讓 agent 去做。
2. 程式碼編寫（Coding）
Agent 能做的事：
- 接收任務 → 理解 codebase → 寫程式 → 跑測試 → 修錯 → commit
- 安全漏洞掃描、程式碼審查、加上 type annotation
- 跨多個檔案的重構與遷移
切入點：Claude Code CLI 就是這個階段的起點。給它一個任務描述，它會在你的 repo 裡自主執行。不需要任何基礎設施，裝好 CLI 就能開始。
3. 測試（Testing）
Agent 能做的事：
- 分析 diff 範圍 → 自動補充對應的單元測試和整合測試
- 產生 E2E 測試腳本
- 生成測試資料
切入點：把「幫我針對這個 PR 補測試」變成 CI pipeline 的一步。agent 讀 diff、找沒測到的路徑、補測試、commit。
4. 部署與安全（Deploy & Security）
Agent 能做的事：
- 偵測 CI 失敗 → 分析錯誤 → 嘗試修復 → 重新 push
- IaC 程式碼生成與驗證
- PR review：讀 diff、留有意義的評論
切入點：GitHub Agentic Workflows（目前 technical preview）讓你用 Markdown 描述一個 workflow，底下可以跑 Claude Code 或 Copilot 作為 coding agent engine，由 GitHub Actions 觸發執行。
5. 維運與監控（Ops & Monitor）
Agent 能做的事：
- 訂閱 alert → 判斷根因 → 開 issue 或直接嘗試 hotfix
- 瓶頸分析與效能建議
- 生成給新成員的上手文件
切入點：這個階段門檻最高，通常需要先把前四個階段走熟，再來考慮 on-call agent。
實作起步建議
從複雜度由低到高：
| 層級 | 做法 |
|---|---|
| 入門 | Claude Code CLI 做單一任務（寫功能、修 bug、補測試） |
| 進階 | 設定 Hooks，讓 agent 在 commit/push 時自動執行檢查 |
| 自動化 | GitHub Agentic Workflows：用 Markdown 定義，事件觸發 |
| 全流程 | Claude API + Agent SDK 串接 GitHub Webhook，multi-agent 分工 |
大多數團隊從入門就能感受到差異。不需要等「準備好」才開始。
三個關鍵設計原則
從矽谷一線公司（Stripe、Ramp、Coinbase、Spotify）的實際部署中，可以歸納出三個共同原則：
1. Spec first 先寫規格，再讓 agent 執行。給 agent 一個清楚的終態描述，比給它一步步指令有效得多。
2. 沙箱隔離 每個 agent 任務跑在隔離環境中，不能碰 production、不能碰 internet。爆炸半徑要控制在可接受的範圍。
3. Human-in-the-loop 在哪裡 高風險操作（force push、production deploy）保留人工確認。哪些可以 auto-merge、哪些要 review，要事先定義清楚，不要讓 agent 自己決定。
參考資料
- GitHub Agentic Workflows 官方介紹
- GitHub Next: Agentic Workflows 專案
- How to build reliable AI workflows with agentic primitives (GitHub Blog)
- The New SDLC: A Practical Guide to Agentic Engineering
- Agentic SDLC: The AI-Powered Blueprint Transforming Software Development
- Modernizing the SDLC process with Agentic AI (Microsoft / Medium)
- Agentic Coding Best Practices (Blink)
- AI-Driven SDLC: Build Secure, Scalable Software with AI
- Securing the Agentic Development Lifecycle (Cycode)
- An AI-led SDLC with Azure and GitHub (Microsoft Community Hub)
- Top 10 Agentic AI Repos in 2025 (ODSC)