用 Replit Agent 端到端打造 Agentic 應用

講者自介與這場的定位(約 02:20–02:22)

Brandon Middleton 是 Replit 的 Head of Education。他先講了兩件跟履歷無關的事:11 年前他以「第一個用嘻哈 rap 完成畢業致詞的人」進了金氏世界紀錄(Haas 的 evening & weekend MBA,2015 年畢業);以及他在 Amazon(AWS,待了六年)、Microsoft 等地方任職期間,都一直在本業之外教書——到了 Replit 才第一次能全職做這件事。他現在的守備範圍是大學、K–12 與非營利組織,主題是「怎麼把 AI 素養變成實際可操作的東西」。

他把這場定調成同時是演講也是示範:一邊談教育,一邊用 Replit 把應用蓋出來。開場他請全場舉手:研究/自認是技術人的一大片,而自認非技術、但有在 vibe coding 的也不少——他說這場會同時照顧兩邊。

第一個 demo 就是他當天早上用 Replit Agent 做的一個 app:全場打開一個網址、上傳照片與留言,照片就即時出現在大螢幕的「scroll wall」上。他用這個現場運作的東西當作 agentic AI 的最小示範,後面也用同一個 app 來講資料庫、部署與 API。

主題一:大學的設計前提已經不成立了(約 02:24–02:30)

他在 Stanford d.school 每年春季開一門叫 Redesigning Finance 的課,學生會拿學費與體驗的落差開他玩笑。他認為玩笑之所以好笑是因為有真的成分:「我相信美國夢、我照著所有人告訴我的去做,它就會給我一份工作」這個信念正在消退。

他的核心論證是:現行教育系統其實設計得很好——只是它是為幾百年前的世界設計的。

• 當年資訊是稀缺的:你必須來到大學,才能從教授那裡取得資訊;知識鎖在圖書館、實驗室與講堂裡。
• 當年「記得答案」就是學習的證據。今天不是了——你可以有一堆書本知識而沒有街頭智慧,可以觀察到一堆東西但那些全是錯誤資訊或假訊息。
• 今天資訊到處都是,答案是充沛的,而且智慧本身也正在變得普遍而充沛:模型成本在掉、模型智慧在快速變好。

於是他丟出那個讓機構不舒服的問題:如果我們今天——2026 年夏天——拿一張白紙重新設計大學,我們會怎麼做?

• 還會把一切繞著講堂與圖書館組織嗎?
• 還會是 16 週一學期嗎,還是應該更短?
• 還要點名嗎?出席在未來的教育裡還重要嗎?
• 期末考的閉卷回憶與死背,是要留著還是丟掉?

他的判斷是三個「搞混」:我們把「在校時間」跟「學習」搞混了,把「文憑」跟「學生真正的能力」搞混了,有時候還把「花四五年把學生排序」跟「教育學生」搞混了。 結果大學變成一套極度昂貴的排序系統——用招生排序、用成績與科系排序、有時候直接用學校本身排序——而四五年後的產出,我們稱之為 merit,並且真的據此決定錄不錄用一個人。

主題二:AI 素養巡迴與現場的訊號(約 02:26–02:33)

Replit 做了一個他稱為 AI literacy tour 的計畫,已經走過芝加哥、紐約、洛杉磯、亞特蘭大與灣區,由下而上地問:現在當一個學生是什麼感覺?當一個老師、拿著上級交下來的 AI 命令、要把 AI 素養翻譯成對自己與學生有意義的東西,又是什麼感覺? 訪談對象從幼稚園老師一路到 R1 大學的研究者與教授。

他放的一張照片是東帕羅奧圖(East Palo Alto)的社區工作坊:同一個房間裡從 7 歲到 77 歲,一起討論當地的資源分配問題。他用便利貼和手機把 7、8 歲小孩說的話和 75、76 歲長者說的話一起收下來,再用 Replit 上傳到一個應用裡、把 AI 當夥伴一起思考——重點是讓那些不自認是工程師或資訊科學家的社區成員,親眼看到這件事有多容易。

同時,職場端傳來的訊號相當嚴峻:

• 2026 年初,年輕的應屆大學畢業生失業率約 5.7%。
• 更刺眼的是約 41.5% 屬於低度就業(underemployed)——「我可能從一間很不錯的學校畢業,但我做的工作遠低於我的智識能力,甚至低於我的興趣。」
• 世界經濟論壇的報告指出,接近 40% 的勞工現有技能預期會在 2026 到 2030 年之間改變;他換算成:如果用 100 個人代表全球 80 億人,其中 59 人得在未來四年內轉換、再訓練、重新轉向。

他強調這不代表大學本身沒有價值,而是「教育、學生能力、與機會這三者之間的連結,目前處於高度張力狀態,而我們必須把它解掉。」

他自己的路徑就是論證:UIUC 電機系畢業 → 到灣區進 Cisco 當網路軟體工程師 → Haas MBA(2015)→ 之後放下了不少程式與產品管理的技能 → 離開 AWS 加入 Replit 後,又把設計、工程、產品管理這個三角裡的技能撿回來。所以他的結論是:learn、unlearn、relearn 才是核心技能。

主題三:AI 不是下一個 edtech 小工具(約 02:33–02:40)

他刻意把 AI 跟計算機、跟 2003 年的 Google 搜尋區隔開來:AI 當然可以自動化批改、論文摘要、生成教案,但他認為 AI 給的是一個「百年一遇、把教育重新繞著人的潛能重建」的機會。

他相信每個人都有一種天生的熱情、渴望與能力,能對這 80 多億人交付某種東西;而 vibe coding 與 agentic AI 可以幫人達到自己的巔峰狀態。「人類史上第一次,想像每個人都有 agentic 助理與個人家教,是真的可能在幾年內實現的事。」

他特別指出這件事的分配面:在帕羅奧圖,他的鄰居會把小孩送去週六學校、下午三點放學但六點才到家,因為排滿了 STEM 家教。「懂得navigate這套系統的家長,他們的小孩其實過得很輕鬆。」他真正在意的是另一邊——那些在滿座的講堂裡沒有自信舉手的學生。24 小時全天候的個人家教意味著:

• 凌晨兩點那個太害羞、不敢在課堂上舉手的學生,可以問到問題;
• 需要用另一種方式解釋的學生有選擇(視覺型 vs 聽覺型;口試表現好 vs 限時筆試);
• 需要各種學習調整(accommodations)的學生能拿到,而且不必承受尷尬、疲憊或來自老師與同學的評價——尤其當老師本來就處在一對多的場合裡。
• 多語言支援:他自嘲住灣區 21 年、只會英文,「會兩種以上語言的請舉手——所以基本上我輸給你們全部人。」但他認為 agentic AI 在這裡幫得上忙:你可以用英文、法文、西班牙文或任何母語對 Replit 說話,再把成果翻譯給互動另一端說不同語言的人。

但他明確反對「取代老師」的框架:這是擴大一個老師能觸及的範圍——面對 15 人、50 人、100 人的班級。當老師從 broadcaster 變成設計者、教練、導師、評論者與社群建立者,學生反而有更多空間長出領導力與主導權。「AI 絕對可以傳遞資訊,但老師要做的、也是真正重要的,是那種很個人的關心與在意——那個常常無形的東西,那個老師對學生的信任,會讓學生願意多熬兩小時把東西做完,或對自己交出去的作品產生驕傲。」

他用一個非典型的學生案例補充「教育」的邊界:一位簽在唱片公司十年、發過三張專輯、拿過葛萊美的音樂人,五年前解約後來到 Replit 辦公室——他問的不是 agentic AI 的技術問題,而是他想自己開一家唱片公司,解決當年困擾他的那些事,例如串流版稅的收入認列(在 Spotify、YouTube Music 上串流一次只拿到幾分之一美分),以及他去稽核自己該拿多少錢時被踢皮球、被掃到地毯下的種種錯誤。他沒有 CS 背景,就用 vibe coding 來重新想像音樂產業的這一塊。「即使他不屬於任何一所大學,這在我的守備範圍裡仍然算教育——音樂教育、商業教育、科技教育。」

主題四:那評量要怎麼改?(約 02:48–02:52)

他的立場很直接:「考試差不多已經死了。」

在他自己的 Redesigning Finance 課上,他要求學生錄 5 到 7 分鐘的 YouTube 影片,講自己如何跟一個金融主題搏鬥。去年的題目之一是:如果你要重新設計再保險與保險業、改善理賠人的體驗,面對下一場洛杉磯野火或下一次佛州洪水,你會在理賠人層級、保險公司層級、再保險公司層級分別怎麼設計?學生得真的做出東西,然後同步口頭辯護自己做的東西。「所以除非他們已經精通 deepfake,不然他們是真的把功夫花在想清楚、做出原型,再把影片放在旁邊一起交。」

他也重新設計了打分方式:全部是小組作業,但會依學生年級(大一到碩士)與背景(工程本科 vs 剛接觸技術的新手)做適性化評分,評分維度包含設計的完成度,以及協作程度——而且是由組員互評決定,不是由老師與助教判斷。

他認為該問的問題整個換掉了。不該再問「這個學生有沒有用 AI?」,而該問:

• 這個學生真的思考過嗎?
• 他驗證過自己交出去的東西嗎?
• 他標註來源、說明東西從哪來了嗎?
• 他改進過那個成果嗎?
• 他能解釋自己為什麼做這些決定與取捨嗎?
• 他能為結論辯護嗎?
• 他能告訴我們機器在哪裡出錯了嗎?——這一項是在用他自己的判斷力與領域專業去評斷機器說的話。

具體做法:每個重要的個人或小組專案之後都安排一次口頭辯護;學生交的不只是一個最終答案,而是一份被追蹤下來的推理紀錄。他在 Replit 裡蓋了一套系統讓學生回顧課堂、交作業並追蹤這個歷程——「兩堂課之間你可能學到很多,兩次考試之間你可能學到很多,而傳統系統根本捕捉不到那些時刻。」

他還舉了兩個「作品比領域專業重要」的例子:

• 舊金山一場生醫黑客松,學生用 Replit 做生物標記發現與藥物探索相關的東西。他坦承自己分子細胞生物學與化學都不強,但身為評審,他的回饋聚焦在他們對解法想得多深、訪談了多少人、流程如何,而不是領域知識。「我們就算不深入某個領域,也能用自己的生命經驗與觀點,讓學生做的東西變得更好一點。」
• 芝加哥 Holy Trinity High School 的 Jack,15 歲,通勤 25–30 英里上學。校長去年春天讓學生用 Replit,Jack 把學校重視的價值與行為準則做成一套系統交給老師:老師直接用手機標記符合校方價值的模範行為,學生累積 XP,並在學生早上下校車走進大廳時的數位看板上顯示排行榜,XP 還能在校內兌換特別的東西。「一個 vibe coding 平台被用來改變一所學校的文化與環境。」 而當他問 Jack 怎麼看待學 AI 這件事,Jack 拆成三層:learning with AI(把它當家教、協作者、評論者、翻譯)、learning about AI(資安、治理、模型與演算法怎麼運作——來自全校唯一一位做過深度專業進修的老師,再由他帶給高二到高三學生)、以及 learning beyond AI(為了把應用透過藍牙串到數位看板而學的東西,以及學校周邊社區的影響與議題)。他覺得這三層很值得當起手式,而且可以延伸到醫學、司法、資源分配等遠超出教室的領域。

他也誠實地說,這個話題很快會變成哲學與意識形態的討論:社會裡長期存在的經濟不平等、貧窮、戰爭等問題,不是技術能治好的,金錢有時是因素但也解不完。他希望能跟社群與學生談這些,而不只是給 AI 素養的技術基礎。

主題五:Replit 平台導覽(約 02:42–02:48、03:04–03:12)

他請一位觀眾用一句話解釋 Replit 給沒用過的人,得到的答案是:「從想法到做出 AI 應用,而不需要懂底下的技術。」 他很滿意這個定義。

介面上他實際點過的東西:

• prompt box:跟 ChatGPT 或 Claude 的互動方式類似;旁邊有 import,可以把在別處已經做的東西匯進來。
• 511 個整合/連接器(個人與企業版):Dropbox、Discord、Slack、Google Drive、Databricks、Google Sheets 等。「先把這些接起來再開始蓋,比較好玩」——你可以直接說「去拿我的 Google Drive、Dropbox、Databricks 跟 Google Sheets,我要做一個做 XYZ 的應用」。
• 產出類型:網站、行動 app、設計、遊戲、簡報。這場的投影片本身就是他用 Replit 做的。 知道要做什麼就點對應的按鈕,可以把模型往那個方向導。
• Learn 與文件(左下角):他們花了不少功夫做影片內容,把人從 0 帶到 100,再從 100 往上一點。
• 模式:Lite(基本問題,例如「把投影片背景從黑色改成橘色」「把這頁文字改掉」)、Economy(預設的中間檔推理與智慧)、Power(要做非常有企圖心的事情時)。每個模式都還能點進去選封閉或開源模型——「為你要做的事挑對模型,是這個體驗的一部分。」

最後 10 分鐘他做了一輪 vibe coding 101,大致是端到端蓋 app 的順序:

1. 多人協作:workspace 上方有 invite 按鈕,可以邀請其他開發者對同一份程式碼一起下 prompt——「就像四五六個人一起編一份 Google Doc,只是你們在一起蓋軟體。」
2. 第一個 prompt:他都讓新手從個人作品集頁開始——「做個東西幫我表達我的職涯成果」,丟一張自己的照片進去,讓它做。
3. Publish:把 hosting、資料庫、資安掃描這些「從 localhost 到可部署」需要的基礎設施全部抽象掉,讓任何人點網址都能用。
4. 加資料庫:「你們剛才能上傳照片,是因為它不只是一個前端頁面。」他當場打開 Tools → Database,展示 Replit 同時有開發資料庫(publish 前測試用)與 production 資料庫;現場的開發庫有 22 列、production 有 32–33 列,「這就是本地做跟 publish 到全世界的差別。」
5. 加 API:天氣、股票時間序列、Shopify,或任何你喜歡的服務,讓 app 每次載入時把資料拉進介面。
6. 加認證:他說整場最短、卻能做到最酷的事的一句話是「add Replit Auth to my app」——五六個字就會生出一個登入入口,支援 Google、Apple 等常見登入方式,使用者從此可以記錄自己的 session、照片與文字。

他在最後留了 vibe coding 的限制,講得相當坦白:

• 你還是得懂一點產品怎麼做,不然做不出來。
• 你會遇到看不懂的錯誤:做法是截圖直接拖進介面,說「我不知道這是什麼、怎麼修」——「幫你蓋東西的那個 Replit Agent,就是你可以問問題、把自己解卡的同一個 agent,你不必等到有人類能來幫你。」
• 複雜度與技術債:他認為這張清單上最有用的技能是 debugging;如果你不是技術背景,學會它就是大量的 trial and error,是你會跟 agent 一起花掉、去補上傳統工程師在課堂裡學到的那些東西的時間。
• 護欄:publish 前有資安掃描,另外還有介面層面的驗證與「什麼合適、什麼不合適」的判斷。「平台端我們盡可能保護使用者與建置者,但也有一些常識與責任是在你這邊的。」

主題六:五個承諾與「證明你做過什麼」(約 03:00–03:04、03:09–03:10)

他留給全場五個承諾,對象是老師、研究者,也希望學生能接住:

1. 保障每一個學生都有 AI 存取權——從資源充裕的大學,一路往下到他認為適合的國中與高中。
2. 重新設計評量,繞著批判性思考轉,而不是「這是對的答案、那是錯的答案」。「今天我們過的生活裡有大量灰色地帶」,他認為光譜值得考慮。
3. 把教學創新看得跟研究一樣重。他認為學術界在「獎勵好教學」與「獎勵研究」之間對比鮮明,希望高等教育更願意照亮那些能把 25、50、100 人一次帶進 AI 素養的老師——「這對我們是很大的機會。」
4. 用終身學習取代一次性的學位。他提到幾年前在 Stanford 當兼任教師時討論過的 on-ramp / off-ramp 概念:一旦你進了這個機構,你就終身是這裡的人——25 歲離開、30 歲回來,或 45 歲離開、47 歲回來都行。他承認經濟模型與具體實作方式仍是開放問題,但「人需要社群」這件事早已被理解。
5. 衡量能力與流動性,而不是排名。他認為讓學生在畢業求職時擁有一套 proof of work 是很大的機會。「我半開玩笑地想過,幫履歷、成績單、也許還有 GPA 辦一場告別式。」因為他認為未來會走到:你指給我看的是你的作品集,是你獨力與協作累積下來的所有專案證據;而當我隔著桌子面試你,決定我要不要把你找進團隊的,會是你能不能把故事講出來、能不能讓我看見你當時面前有哪些分岔、你選了哪一條、以及為什麼。

呼應第 5 點,他講了一個 Penn State 的故事:四位剛畢業的學生一起來 Replit 辦公室,說他們還在繼續做大學時開的事業。他問「所以你們每個人都一邊創業一邊上課?」對方說「算是吧」——他們每學期修四門課,每門課只派一個人去上,學完回來教其他三個人;省下來的時間就拿去創業。四年做了四家公司,他追問「有賺到錢嗎?五位數?幾千塊?」對方說:「不,我們每個人在這四年裡各做出大約一百萬美元的 ARR。」

於是他開始想:與其談 GPA、成績單、履歷,「在四年內學會東西、把它變現、參與經濟,最後零負債地走上畢業台」會不會才是教育團隊該設的目標? 他當場問全場覺得這是不是合理的目標,並補了一句:「我大概會雇用那幾個人。」

他也放了一張自己三個小孩(14 歲、10 歲、7 歲)的照片,說他把他們叫做三家新創,每個發薪週期結束就把錢包掏空讓他們開心。他之所以有動力,是因為四年後最大的那家「新創」就要上大學,而 2030 年的學習、教育、認證、大學、甚至工作會長什麼樣子,沒人知道。「如果你覺得你知道 2030 年會發生什麼,請立刻在演講後來找我。」他認為實驗窗口大概只有一年到一年半、最多兩年,要在這段時間把所有想法都試一遍,看哪些有效、哪些沒有。

Replit 的 Faculty Fellows 計畫就是在做這件事:一個現在約 75 位老師的 cohort,每月一場 webinar;願意實驗的老師用 Replit 蓋出體驗與工具,拿去給學生用或用在研究裡,然後回來向 cohort 報告什麼有效、什麼沒效,「這樣下一個還沒敢把腳伸進水裡的人,可以站在別人的共享經驗上,更有信心地試。」

一個非典型的教學案例:教 Shaquille O'Neal vibe code(約 02:56–03:00)

去年 12 月,他和 Replit 創辦人 Amjad 在亞特蘭大的一個拍攝現場,教 Shaquille O'Neal vibe coding。第一個問題非常實體:Shaq 的手太大,打不了字。 解法是請他開好幾個瀏覽器分頁、按 F5、然後直接用講的。

90 分鐘內他們做出了三個東西:

• Shaq GPT:回答所有運動問題,而且把「Charles Barkley sucks」硬編碼進任何跟 Charles Barkley 有關的問題(TNT 的搭檔)。
• Shaq Daddy:「Brandon,我想解決美國的孤獨流行病。有很多單身男性需要知道怎麼跟女性說話,我們得讓這些男人結婚。」——一個給全美男性的搭訕台詞生成器。
• 一個廣告與投資追蹤器:Shaq 的品牌鋪天蓋地(他說 Snoop Dogg 大概跟他不相上下),所以做一個能看今年至今、或歷來的東西,理解自己的時間與品牌的投資報酬率。

他真正想講的重點不是這幾個 app,而是:看到一個那樣的人願意展現脆弱、坦然承認自己不懂、然後真的去試,是很有力量的。這也是他對 Replit 教育團隊的願景——找到那些有意願與謙遜去嘗試新事物的人,等他們做出成果之後,把它帶回自己的觀眾、自己的母校(Shaq 是 LSU)。「如果你有想法,關於怎麼在一個其他人仰望、或小孩覺得很酷的平台或人物身上把這件事規模化,這其實是我教育團隊策略的一部分。」開學季會看到他們跟 Shaq 與其他人做更多這類事。

金句

"We've confused time served in college institutions with learning. We've confused the credentials with a student's capability to actually perform. And sometimes we've confused sorting students throughout four or five years with actually educating them."(約 02:29)

整場對高等教育的核心指控,三句話講完。

"College has become this extraordinarily expensive sorting system."(約 02:29)

上一句的結論。

"The question should no longer be, did the student use AI? … Did the student actually think? Did the student verify the work? … Can the student tell us where the machine got it wrong?"(約 02:51)

評量該問的問題整組換掉——最後一問尤其關鍵:能指出機器錯在哪,才是判斷力的證據。

"The same tool that you're using to build out your application is the same Replit agent that you can ask questions to in order to get unblocked."(約 03:12)

對非技術使用者而言,「蓋東西的 agent 也是幫你解卡的 agent」是最實際的一條。

"Each of us made like a million dollars each over four years in ARR for the businesses that we started."(約 03:10)

Penn State 那四位學生的原話,也是他「用作品集取代成績單」主張最有力的註腳。