當 Coding Agent 同時拿得到 repository、terminal 和部署憑證時，「讓它自己跑」就不只是效率選項。它代表有人決定了 Agent 可以改哪些檔案、執行哪些指令、把結果交給誰，以及發生錯誤時誰承擔後果。
DeepLearning.AI 在 2026 年 9 月 4 日刊出一封以 Andrew Ng 名義署名的 Coding Agent letter。文中把 Coding Agent 的工作放回規劃、執行、部署與監控的迴路，並列出五項核心能力：導向工作流、啟用自治、審查成果、客製化 Agent 與環境、理解 Agent 基礎。這篇文章的 X 貼文給了同一個提醒：工程師的稀缺工作會逐漸從逐行輸入，移到決定要建什麼、如何驗證，以及何時停止。
這五項能力可以濃縮成一個實作問題：責任、權限與證據是否對得上？
五項能力其實是在管理五種責任
| Ng 的能力 | 工程上要回答的問題 |
|---|---|
| 導向工作流 | 目標、範圍與下一個可觀察結果是什麼？ |
| 啟用自治 | Agent 可以連續做多大一段？哪裡必須停下？ |
| 審查成果 | 哪個外部檢查能證明行為符合需求？ |
| 客製化 Agent 與環境 | Agent 能讀取哪些脈絡，能使用哪些工具？ |
| 理解 Agent 基礎 | 偏離來自模型、context、工具還是環境？ |
清單本身不是流程，也不會自動產生安全邊界。它的價值在於逼我們為每個答案留下可檢查的產物。
把技能清單翻成權限矩陣
下面這張矩陣是本文的工程化延伸，不是 Ng 提出的正式框架。它把「可委派」拆成三個欄位：Agent 能做的動作、人要保留的決策，以及交付前必須出現的證據。
| 工作 | Agent 可以做的事 | 人要保留的決策 | 交付證據 |
|---|---|---|---|
| 文件或內容更新 | 讀取來源、編輯限定檔案、執行格式與內容檢查 | 來源是否可信、敘事是否正確、是否符合發布政策 | diff、來源連結、policy 與 build 結果 |
| 小型 bug fix | 讀程式與測試、修改限定範圍、執行回歸檢查 | 預期行為、相容性與變更範圍 | 可重現案例、回歸測試、人工 review |
| migration 或 production deploy | 讀取計畫與 log、做 dry-run、準備 rollback | 資料風險、發布時機、最終寫入與批准 | dry-run、備份、rollback、CI 與批准紀錄 |
因此，Prompt 裡的「不要碰 production」不能取代權限控制。sandbox、憑證範圍、CI gate 與 deploy approval 才是能被系統執行的邊界；Prompt 只是在邊界內提供意圖。
四個檢查，讓自治可以撤回
把任務交給 Agent 前，先寫一張短任務卡。它不需要描述每一行程式碼，只要讓責任與驗證可追蹤：
result: "新增內容政策規則，且既有文章行為不變"
agent_scope: "scripts/validate-content-policy.mjs, tests/content-policy.test.ts"
verifier: "pnpm content:policy -- HEAD && pnpm test"
human_gate: "檢查 diff、來源與發布設定後才提交"
receipt: "保留指令輸出、未解問題與批准者"這張卡對應四個檢查：
- 結果可觀察：用頁面、測試、資料或 log 描述完成狀態。
- 工具與路徑受限：只開放完成工作所需的檔案、指令與外部動作。
- 驗證器在模型之外：用測試、policy、CI 或人工流程拒絕錯誤結果。
- 證據決定交付：證據不足就交回人處理，不用 Agent 的自我宣告代替批准。
Ng 也提醒，社群常把「長時間運行」當成自治成熟的證明；實務上，長迴圈若沒有強驗證，只會讓錯誤累積。短迭代、清楚的 handoff 和可回溯的 receipt，通常更容易找到第一次偏離的位置。
三個常見失敗模式
把 Prompt 當成權限。 Agent 被要求不要改生產資料，但 token 仍能連到 production；這不是流程，是願望。把限制放進 sandbox、帳號與 CI gate。
讓產生器自己驗收。 同一個模型寫程式、判斷測試是否足夠，再宣告完成，會把錯誤藏在同一個盲點裡。驗證器要能從模型外部觀察行為。
沒有責任人的平行化。 多個 Agent 同時改同一個邊界，最後只留下更多 diff，沒有人知道哪個決策需要保留。每個平行工作都要有檔案範圍、owner 與合併證據。
和站內文章的分工
本文只處理「誰能做什麼、如何批准」。需要更完整的實作脈絡時，可以接到既有文章：
| 要深入的問題 | 站內文章 |
|---|---|
| 如何把 tools、state、trace 放到模型外 | Harness Engineering：讓 Agent 在可觀測邊界內工作 |
| 如何用 AGENTS、Skills 與 hooks 建立工作環境 | Claude Code 的自駕工作流 |
| 如何串起 plan、spec、build、review、deploy | AI-native SDLC：超越程式碼生成 |
| 如何分配注意力與隔離平行工作 | 多代理工作站的控制平面 |
它們分別補足控制面、環境面、生命週期與協作面；本文提供的是判斷每一層應開多少權限、要收什麼證據的入口。
從下一個任務開始
先挑一個可撤回的工作，寫出結果、Agent 範圍、外部驗證器和 human gate。讓 Agent 執行限定範圍，保存 diff 與檢查輸出，再依證據決定交付或退回規劃。當失敗模式重複出現時，優先補權限或 verifier；只有在邊界清楚後，才值得把迴圈拉長。