為什麼這個領域重要

過去十五年，開發者工具一直為人類打磨。彩色輸出、進度條、友善的錯誤訊息、Tab 補全。可到了 2026 年，真正呼叫這些工具的主體變了。Claude Code、Codex、Cursor 這類編碼代理替人類敲終端機。指令相同，使用者不同——「好設計」的定義隨之翻轉。

最清晰的案例是 Hugging Face 的 hf CLI。它多年來都是為人設計的，但隨著代理使用越來越多，Hugging Face 索性把它重做，讓它同時服務兩類使用者。效果體現在 token 上。代理在沒有 CLI 時手寫 curl 或 Python SDK，在複雜的多步任務中會消耗高達 CLI 方式 6 倍的 token。token 就是成本與延遲。也就是說，你如何打磨工具的表面，直接決定了代理的速度與單位經濟成本。

接著 MCP（Model Context Protocol）把局面做大了。它是 Anthropic 開放的標準，如今 GitHub、Cloudflare、Stripe 都已採用。截至 2026 年，公開的 MCP 伺服器超過 1 萬個，SDK 月下載量接近 9700 萬次。無論是台灣、香港的大型科技公司，還是剛拿到 A 輪的新創團隊，把內部系統暴露給代理都不再是業餘專案，而成了平台團隊的正式工作。人類偶爾檢索一次程式碼庫時代的工具，撐不住每秒發起數十次工具呼叫的代理。填補這道鴻溝的人，正是代理原生工具工程師。

所需技能

首先要有扎實的後端與系統基本功。這份工作處在協定設計、AI 工程與平台工程的交叉地帶，三者只擅長其一是不夠的。在此之上，代理時代疊加了它特有的直覺。

• 工具表面設計。 撰寫代理能讀懂、能立刻上手的清晰、無歧義介面。連錯誤訊息也要從「是模型而非人在決定下一步動作」的視角重寫。Hugging Face 從本地安裝的二進位檔自動生成一個教會代理每條 CLI 指令、並始終保持最新的 Skill，是值得借鏡的範例。
• MCP 伺服器工程。 從頭到尾交付一個把內部系統安全暴露給代理執行環境的伺服器。認證、權限邊界、冪等性、限流——既然預設呼叫方是自動化的，護欄就必須更嚴格。
• 代理可觀測性。 非確定性系統沒有日誌就無法除錯。依照 OpenTelemetry 的 GenAI 語意慣例，對 LLM 呼叫、工具使用、代理推理進行追蹤。ServiceNow 在 2026 年 3 月收購 Traceloop（OpenLLMetry），說明這一層已經動真格了。
• 評估與成本意識。 你要能把一個工具寫三個版本，跑同一套測試，比較完成率與 token 消耗。在招募現場，成本最佳化意識恰恰是篩掉「只在實驗室玩過」的那道關卡。

職業路徑

需求在飛速上升，可真正交付過生產級伺服器的人卻很少。所以這個職位要求一個尷尬的交集——既不是普通的後端工程師，也不是純粹的 ML 研究員——而市場上這種人並不多。2026 年招募的重心落在中階：兩到四年經驗，至少端到端交付過一個生產級 MCP 伺服器。你能不靠資深工程師帶，獨立交付一個伺服器嗎？這才是關鍵問題。

入行路徑其實很平常。從後端或 DevOps 起步，轉入開發者體驗或平台團隊，負責面向代理的介面；或者從 AI 工程的編排一側下沉到工具層。職稱還沒定型，散落在 Developer Experience Engineer、Platform Engineer（Agent）、AI Tooling Engineer 等名目下。薪酬沿著 AI 工程師的整體區間走，美國全國區間為 14.5 萬至 31 萬美元，舊金山灣區的總薪酬報告為 27 萬至 39 萬美元以上（Kore1 2026 年指南）。在台灣與香港，這通常對應平台或基礎設施序列的上緣。

最快的證明方式就是親手做一個。挑一個內部 API，用一個小的 MCP 伺服器包起來，加上認證與冪等性，再用 OTel 為每次呼叫埋點。然後把同一個任務交給沒有 CLI 的代理，量一量 token 的差距。這一個循環，勝過履歷上任何關鍵字。