《機緣力》用 Fleet-as-Code 打造 LLM 好運氣 從單一 Agent 到多智能體 Fleet 協作

機緣力 (Serendipity Mindset) 是指在不確定與偶然事件中，主動發掘、連結並轉化為有利機會的認知能力。克里斯汀．布胥 (Dr. Christian Busch) 在《機緣力：創造好運的技巧與科學》中指出，30-50% 的重大科學發現皆源於對偶然事件的捕捉，而「聰明運氣」可以被系統化設計——書中核心公式正是 運氣＝努力＋環境＋心態 的關鍵互動。

在我過去一年導入 AI Agent 的實踐中，最大的領悟是：工程師的核心瓶頸已從「寫程式碼」轉移到「如何指揮 AI 探索正確的方向」。這與機緣力的本質完全對齊——不是等待靈感，而是主動打開連結界面、讓意外碰撞出價值。

特別是在 2026 年，AI 已從「聊天機器人」演進為能自主規劃、動手完成任務的 Agent。工程師面臨的挑戰不再是語法，而是如何打破「功能固著」——避免把 AI 當搜尋引擎，而是學會用 Fleet-as-Code 組建多智能體團隊，讓機緣力在系統層次發生。

實踐路徑分為三步：

1. 打破工具與思維的「功能固著」。
2. 主動擴大 AI 與職涯的「連結界面」。
3. 建立心理安全感的沙盒與協作 Fleet 環境。

一、意外如何變成好運：打破工具與思維的功能固著

在克里斯汀．布胥 (Dr. Christian Busch) 博士的著作《機緣力：創造好運的技巧與科學》中，運氣被區分為兩種：一種是無法控制的狗屎運 (Blind Luck)，另一種則是能夠主動編排、有預備的聰明運氣 (Serendipity)。

機緣力的科學公式：機緣力 = 偶然事件 + 連結行為 + 實踐價值。30-50% 的重大科學發現（如抗生素、微波爐與便利貼）皆源於對偶然事件的捕捉。

要獲得聰明運氣，首要任務是克服認知心理學中的功能固著 (Functional Fixedness)。意即人們習慣僅依循物體或概念的預設用途思考，因而對意外機會視而不見。例如在新冠疫情爆發時，傳統啤酒廠若固守本業便會面臨危機，但部分廠家迅速將剩餘酒精轉產洗手液，成功度過難關。

此外，書中指出運氣並非天賦，而是透過主動探索與心態調整可培養的能力。作者強調，成功來源於努力與有意識地創造機會的互動，遠離單純的運氣觀念。

對齊 AI 開發：單一 Agent 的失憶與自我感覺良好痛點

在 AI Agent Skill 開發指南 中，我們強調過度限制的 Prompt 會導致 Agent 遇到預期外的邊緣案例 (Edge Cases) 時直接崩潰。這本質上也是一種功能固著。

在真實開發案例中，工程師如果只用單一 Agent 來做完整功能的開發，往往會在任務變長、對話變多時遇到以下瓶頸：

• 上午開發順利，下午 Context 變長就崩潰：Agent 開始產生失憶現象，忘記早上的架構決定，逼得工程師必須重頭問一次。
• 自我感覺良好與 Review 淪為形式：請 Agent Review 自己的程式碼，它只會敷衍地回答 LGTM，邏輯清晰；問它有沒有沒考慮到的地方，它會回答你說得對，我再看看，然後實際上什麼都沒改。

為了打破這種功能固著，在 韁繩工程實踐 中，我們不再使用 Hard-coding 綁死 AI 的每一步，而是為其提供動態反思與容錯機制。

在多智能體系統（Multi-Agent System）的實踐中，這正好呼應了開源多模型編排架構 code-yeongyu/oh-my-openagent (omo) 的核心理念。單一模型不可能在所有任務上都完美，硬要一個模型兼顧規劃、編寫與自審，只會加速上下文窗口的無情消耗。透過引入 omo 這類編排器，系統不再把 AI 程式設計當作單次對話，而是將其解構為可持續執行的工作流，這才是打破功能固著的關鍵。

二、主動編排機緣：擴大 AI 與職涯的連結界面

機緣力並非消極等待，而是主動撒下機會的種子。書中提出了兩種擴大界面、主動創造聰明運氣的社交策略：

• 增加對話的連結界面：當被問到你是做什麼的時候，避免單一職業回答，而是將答案延伸至個人興趣、正在研究的項目或面臨的挑戰，主動釋放更多連結點。
• 深度提問：越過表面的職業詢問，探尋對方的動機與需求。

對齊 AI 開發：透過 AgEnD (suzuke/agend-terminal) 實現 Fleet-as-Code 的動態編排

將此概念投射至 AI 系統設計，若希望 Agent 擁有捕捉正確意圖的聰明運氣，我們必須為其設計更寬廣的連結界面。在 2026 年，企業衡量 AI 成效的標準，已由個人效率提升轉向組織生產力優化。與其讓單一 Agent 在狹窄的對話框裡掙扎，不如主動擴大界面，建立多智能體團隊。

這正是使用 suzuke/agend-terminal (AgEnD) 的核心精神。透過一份 fleet.yaml 宣告整個 AI 開發團隊（Fleet-as-Code），只要在系統中輸入簡單指令，AgEnD 就能在終端機中自動建立並啟動多個專屬 Agent（Leader、Dev、Tester、DevOps、Docs）。這種將模糊想法丟進 Fleet 進行跨 Agent 討論碰撞的過程，在系統層次上就是將隨機輸入轉化為聰明運氣的展現。

而結合了 oh-my-openagent 的底層能力後，這種連結界面被進一步最大化。當 Fleet 收到不夠成熟的日常痛點時，並非由單一模型硬幹，而是先透過 IntentGate 層分析意圖，再由主調度器 Sisyphus、規劃師 Prometheus、計劃顧問 Metis 等核心角色協同處理，極大地提升了 Fleet 架構在應對不確定性時的韌性。

三、打造機緣力環境：持久化狀態、隔離沙盒與多智能體協作

個人行動的效能取決於其所處的環境。皮克斯 (Pixar) 動畫總部設計了巨大的中庭與中央咖啡廳，強迫不同部門的員工在日常中不期遇；Google 亦透過隨機咖啡機制促進跨領域交流。

更重要的是組織的心理安全感 (Psychological Safety)。在一個容許失誤、鼓勵承認不確定性的文化中，創新的巧合才能被留存並放大。

對齊 AI 架構：Client-Server 協作與 omo 狀態持久化機制

在多智能體系統中，我們可以透過工程手段建立相同的機緣力環境：

1. 跨 Fleet 的 Client-Server 協作與分類路由

將複雜的研發任務拆分為獨立的 Fleet（例如前端團隊與後端團隊），兩個團隊各自獨立工作，透過定義好的介面進行跨 Fleet 溝通。在內部，利用 oh-my-openagent 的分類驅動路由（Category-driven routing），按領域將任務精準委託給視覺、業務邏輯等特定 Agent，避免單一模型因職責模糊而產生無效 Review。

1
2
3
4
5
6
7
8
9
10
11
12
13

+------------------------------------+             +------------------------------------+
|      Server Fleet ( 後端團隊 )      |             |      Client Fleet ( 前端團隊 )      |
|                                    |             |                                    |
| +------------+ +------------+ +--+ |             | +------------+ +----+ +----------+ |
| |Server Agent| |Server測試Ag.| |In| |   跨 Fleet   | |Client Agent| | UI | |前端測試Ag| |
| |  後端程式   | |  自動測試   | |fr| |   介面溝通   | |  前端程式   | |Agent| | 自動測試 | |
| +------------+ +------------+ +--+ | <=========> | +------------+ +----+ +----------+ |
|               |                    |             |               |                    |
|       +-------v-------+            |             |       +-------v-------+            |
|       |    Leader     |            |             |       |    Leader     |            |
|       +---------------+            |             |       +---------------+            |
|        統籌任務分派與整合           |             |        統籌任務分派與整合           |
+------------------------------------+             +------------------------------------+

2. 隱形推手：持久化狀態、Hooks 與容錯沙盒

傳統的 Chatbot 常讓人覺得缺乏長期記憶，只要對話停下，進度就中斷。oh-my-openagent 解決這個痛點的精髓在於其內置的生命周期 Hook 攔截與持久化執行機制。當任務未完成且 Session 進入閒置（Idle）狀態時，Hook 會自動檢測未完成的 TODO 並注入繼續推進的提示。

搭配獨立的 Git Worktree 隔離環境與安全沙盒（Sandbox），Agent 之間可以在不互相污染的前提下獨立大膽嘗試。即使遇到連續失敗，系統也會透過指數退避後自動重啟與 Resume，這種高容錯的環境給了 AI 探索多元解法的空間，從中更容易碰撞出優雅的程式碼。

四、AI 時代工程師的機緣力轉型策略

當 AI 能夠輕易搞定八成基礎程式碼，甚至能透過自動化腳本實現如 AI SEO 自動化與 AIO 實踐 的流程優化時，工程師的核心價值早已發生轉換。

• 從程式碼打字員轉型為意圖架構師：計畫是北極星，但不確定性才是常態。在導入以 AgEnD 與 oh-my-openagent 為核心的多智能體編排之後，工程師的時間應花在如何精準描述問題與設定驗證邊界，而非微觀管理每一行代碼。學會像拉動韁繩一樣，運用配置檔案去調整各個 Agent 的模型搭配、權限與 Prompts，讓編排系統自主完成開發與 Debug。
• 利用內向者優勢進行深度反思：書中指出內向者擅長通過深度觀察與筆記發掘機會。工程師應養成審視 AI 執行軌跡、攔截生命周期日誌的習慣，從微小的數據異常或系統重構軌跡中發掘隱形資產，指引 多元職涯 的發展方向。

📊 機緣力自我評測表

為了幫助讀者量化評估個人的機緣力水平，以下整理自《機緣力：創造好運的技巧與科學》的 38 題自我評測。讀者可針對各題項進行評分（從 1 分非常不同意到 5 分非常同意）：

評分說明：將 38 題得分加總，若總分在 150 分以上，代表你具備極高的機緣力心態，極擅長在不確定性中創造機會；若在 110-149 分之間，屬於中等水平，建議從打破功能固著與增加連結界面著手優化；若低於 110 分，建議閱讀原著並有意識地調整行動策略。

❓ 常見問題 FAQ

Q1：機緣力與一般所說的運氣有何不同？

一般所說的運氣通常指無法預測且不受個人控制的盲目運氣；而機緣力則是指一種能被系統化培養的聰明運氣。它需要個人具備開放的思維，在隨機事件發生時主動建立連結，並通過付諸行動將意外轉化為實際價值。

Q2：如何結合 AgEnD 與 oh-my-openagent 來打造高彈性的開發團隊？

AgEnD (agend-terminal) 負責高層次的 Fleet 編排，透過 fleet.yaml 能快速拉起具備多重角色的終端開發小組；而 oh-my-openagent (omo) 則負責底層的多模型調度與狀態管理，提供 IntentGate 意圖解析、Sisyphus/Prometheus 角色協作以及空閒狀態下的生命周期 Hook 持久化自動推進。兩者結合能讓 Fleet 擁有極高的容錯率與動態探索空間。

Q3：內向的工程師該如何增加個人的連結界面？

內向者不需要強迫自己進行高頻率的社交，可透過深度觀察與文字沉澱來擴大連結。例如在 GitHub 上分享 Fleet-as-Code 的建置筆記，撰寫高價值的技術日誌（例如前端三分鐘），或是深入分析系統的 lifecycle hooks 與異常日誌以優化架構。這些沉澱產出的數位資產，都是吸引聰明運氣的主動界面。

• ← 上一篇
• 下一篇 →