【結論】為什麼 AI Agent 經常採用 Unix-like 的工作方式？我認為有幾個原因：
1. 充足的模型訓練資料與廣大的開源社群支持：Unix-like 生態長期累積了大量開源程式碼、教學與工具，可能提供豐富的模型訓練素材。實際工作時，Agent 也有許多現成工具可以使用或組合，不必每次從頭打造。
2. 具有跨平台泛用性：Agent 需要在不同環境完成工作，而 Unix-like 生態裡的許多工具，可以讓同一套方法沿用到不同平台。
3. AI 易於直接操作電腦：Unix-like 的命令列（操作方式很像早期的 DOS 介面）與檔案系統讓 AI 可以直接下達指令、讀取資料、確認執行結果並修正錯誤，因此對電腦操作的掌握程度較高。
從這些特性來看，我認為，隨著 Agentic AI 持續普及，過去以人類操作為重心的軟體介面，未來的重心將快速移轉至適合 AI 操作的介面。
個人經驗：使用 Windows 時，Agent 卻幾乎總是採用 Unix-like 的方法
從今年二月開始，我開始大量使用 Agentic Coding。一開始，我主要是在自己的 Windows 電腦上使用 Claude Code。但很快我就注意到一件奇怪的事情：明明我使用的是 Windows，AI Agent 卻好像一直想把我的電腦變成一台 Unix-like 的電腦。
做不同的專案時，它常常會叫我安裝 WSL、Node.js、Docker，或建立各種命令列開發環境。它產生的 script、檔案操作方式、環境變數、套件管理與部署流程，也經常帶著非常濃厚的 Unix-like 色彩。
當然，這些東西很多在 Windows 上還是可以執行。透過 WSL、Docker、Git Bash，以及各種跨平台 runtime，Windows 可以相容大量原本偏向 Unix-like 的工具與開發方式。
但「可以執行」不代表完全沒有問題。實際使用時，偶爾還是會出現一些很好笑的錯誤。例如 Windows 與 Unix-like 系統的檔案路徑使用不同方向的斜線，AI Agent 有時候很自然地產生了 Unix-like 的 path，丟到 Windows 環境裡才發現不能直接使用。
這反而讓我開始好奇：我明明使用 Windows，為什麼 AI Agent 不直接用「Windows 的方法」解決問題？
明明用 Windows，為什麼 AI Agent 都像是在寫 Linux 程式？
充足的訓練素材，也有現成工具可用
開源程式碼、教學與工具，可能成為豐富的模型訓練素材。
同一套工作方法，可以沿用到不同平台
Unix-like 生態裡的許多工具，具有跨平台泛用性。
命令列與檔案系統，讓 AI 更容易掌握操作
直接下達指令、讀取資料，確認執行結果並修正錯誤。
介面的重心將快速移轉至適合 AI 操作
過去的介面重心在於人類操作。
開發者社群與開源生態，使 Unix-like 成為 Agentic Coding 的自然選擇
先看 Stack Overflow 2025 Developer Survey。這是一項涵蓋多國開發者的大型調查，受訪者主要來自 Stack Overflow 社群。2025 年共有 49,009 份有效回覆，來自 177 個國家，其中 76% 的受訪者為專業開發者。
在「工作時使用的作業系統」這一題中，共有 31,569 份回答。以下是受訪者在工作時使用的主要桌面與開發環境：
作業系統／環境：工作時使用（Professional use）
Windows：49.5%
macOS：32.9%
Ubuntu：27.7%
Windows Subsystem for Linux（WSL）：16.8%
Debian：10.4%
Red Hat：5.7%
Arch：4.6%
Fedora：3.7%
NixOS：1.8%
Pop!_OS：1.1%
另外，這一題可以複選。同一位開發者可能同時使用 Windows、WSL 和 Ubuntu，也可能使用 macOS 工作，同時操作 Linux server。因此上述比例不能直接相加，也無法從這張表計算出一個準確的「Unix-like 總使用率」。
觀察上述桌面與開發環境選項，可以看到：除了 Windows 之外，其餘選項幾乎都與 Unix-like 開發環境有關。
macOS 本身就是 Unix 系統。它的底層 Darwin 承襲了 Unix/BSD 的技術血統，而且 macOS 本身通過 UNIX 認證。對一般使用者來說，它是一套完整的圖形化桌面作業系統；但對開發者來說，打開 Terminal 之後，底下就是一個完整的 Unix 環境。
Ubuntu、Debian、Red Hat、Arch、Fedora、NixOS、Pop!_OS 等則都是不同的 Linux distributions。Linux 並不是原始 Unix 的直接後代，但大量遵循 Unix 的設計哲學與標準，因此一般被歸類為 Unix-like 系統。
至於 WSL 則更有意思。它的全名是 Windows Subsystem for Linux，是 Microsoft 在 Windows 裡提供的 Linux 執行環境。換句話說，就連不少選擇 Windows 的開發者，也會特別在 Windows 裡再建立一個 Linux 環境。
如果再拿一般 PC 市場來比較，差異就更加明顯。根據 Gartner 的統計，2025 年全球 PC 出貨量約 2.70 億台，其中 Apple 約 2,483 萬台，全球出貨市占率只有 9.2%。
但在 Stack Overflow 調查的受訪者中，使用 macOS 工作的比例卻高達 32.9%。
兩者統計的基礎不同：Gartner 統計的是全球 PC 新機出貨量，Stack Overflow 統計的是受訪者工作時使用哪些作業系統，因此不能直接視為同一種市場占有率。
但拿來觀察族群差異，對比仍然非常明顯。在全球 PC 新機市場，Apple 約占十分之一；在受訪開發者的工作環境中，macOS 卻接近三分之一。
而這還只是 macOS。Ubuntu 單獨就有 27.7%，再加上大量使用 WSL 與各種 Linux distributions 的開發者。
即使因為複選而無法算出 Unix-like 的精確總使用比例，仍然可以很清楚地看到：相較於一般個人電腦市場，開發者的工作環境高度 Unix-like。
今天大量 Web server、Cloud、Container、Kubernetes、AI infrastructure，本來就是建立在 Linux 上。Git、SSH、shell、Python、Node.js、Docker、各種 CI/CD 工具，也都深受 Unix-like 生態影響。
除了開發者使用的作業系統，也可以看看開源專案的自動化工作環境。Delft University of Technology 一份於 2023 年公開的學士論文，分析了 1,637 個 GitHub 專案的持續整合設定。持續整合，就是程式碼更新、合併之後，自動建置與測試的一連串工作。研究發現，樣本中 73.7% 的 GitHub Actions 工作設定使用 Ubuntu，Windows 則占 2.8%。這裡統計的是工作設定，而不是整個 GitHub 的專案比例，但仍顯示這批開源專案的自動化工作明顯偏向 Unix-like。
從上面的資料來看，開源生態裡有大量 Unix-like 的工具與工作方式。這些開源程式碼與相關資料，也是模型容易取得的訓練素材。模型學習人類如何開發軟體，也會受到它能接觸的資料影響。因此，我認為 AI Agent 經常採用 Unix-like 的方式，是很自然的選擇。
開發者工作時使用哪些作業系統？【複選】
49.5%
32.9%
27.7%
16.8%
10.4%
5.7%
4.6%
3.7%
1.8%
1.1%
Agent 的執行與回饋循環，很適合文字化的操作介面
除了模型可以學到的範例，還可以看這種工作方式如何幫助 Agent 操作電腦、取得結果，並決定下一步。
Agentic Coding 和一般在對話視窗裡使用 AI，有一個很大的差別：它不只是跟你聊天，而是真的可以進入你的工作環境，讀取與操作檔案。
當 Agent 進入一個專案，它可以看到程式碼、目錄結構、README、各種設定檔、套件資訊、log，以及之前工作留下來的文件。
換句話說，它不是只知道你在對話框裡告訴它什麼，而是可以從這些檔案與目錄中，逐步理解整個工作的脈絡：這個程式是做什麼的、以前做過什麼、各個元件如何連在一起、目前有哪些設定，甚至這台機器需要什麼樣的執行環境。
而這正好是 Unix-like 環境很適合 Agent 的地方：大量程式設定、環境資訊與系統狀態，本來就以檔案或文字化介面的方式存在。
對人類而言，圖形介面的價值是把複雜的底層資訊隱藏起來；但對 AI Agent 而言，這些資訊反而不需要被隱藏。Unix-like 的 filesystem 對 Agent 更加「透明」，讓它可以直接看見工作的脈絡，也可以更直接地理解並操作這台機器。
這種「透明」，也延伸到了命令列介面。Agent 的工作方式，本來就是一個不斷循環的過程：
決定下一步 → 執行 → 取得結果 → 判斷 → 再決定下一步。
要判斷一個操作介面是否適合 Agent，可以看它能否讓 Agent 清楚下達指令、取得結果，並驗證操作是否成功。命令列介面非常適合這個過程。它接受明確的文字指令，執行之後回傳文字或結構化結果；如果發生錯誤，也通常會直接回傳錯誤訊息。
對 AI 而言，輸入是文字、指令是文字、輸出是文字、錯誤訊息是文字，Log 也是文字。
現在的多模態 AI 當然已經可以看懂圖形介面。但如果同一件事情可以直接取得精確、結構化、低雜訊的結果，就沒有必要先把它變成畫面，再讓 AI 用視覺方式重新理解一次。從這個角度來看，命令列介面非常適合 AI。
現在看來，這可能不是 AI 特別「偏愛」某一種作業系統，而是當操作電腦的主體從人逐漸變成 Agent，最適合人類的介面，未必就是最適合 AI 的介面。
Unix-like 工具具有跨平台的泛用性，並且有廣大的開源社群支持
而 Unix-like 世界的優勢還不只是命令列介面。Unix-like 的軟體世界裡，有大量功能單純而且標準化的小工具。單獨來看，每一個工具可能都很簡單，但透過 shell、pipe、filesystem 與 script，它們可以被組合成非常複雜的工作流程。
這對 AI Agent 特別有利。Agent 不需要針對每一個可能出現的工作，都事先準備一個專門的功能。只要掌握一批穩定、標準化的基本工具，就可以根據當下的需求，自己組合出新的解決方案。
而「組合既有能力來解決新的問題」，本來就是 AI Agent 很擅長的事情。更重要的是，這些方法往往具有很高的跨平台泛用性。
同一套邏輯可以在 Linux server 上跑，可以在 Mac 上跑，可以放進 Docker container，可以丟進 CI/CD，也可以部署到 Cloud VM。即使使用者人在 Windows，透過 WSL、Docker 或各種跨平台工具，通常還是可以執行，只是偶爾會遇到一些相容性的摩擦。
因此對 AI Agent 來說，如果沒有特殊理由限定平台，採用這套跨平台的 Unix-like 工具與方法，就是很自然的選擇。
Windows 也有這類工具，例如 PowerShell 或 Windows API，但如果開發的是 Windows 平台專用的程式，就不容易直接搬到其他平台使用。
軟體介面的重心，將快速移轉至適合 AI 操作
這件事情或許還有一個更大的影響。現在常常有人討論，AI 會不會消滅傳統的套裝軟體。我認為談「消滅」可能還太早，但 AI 逐漸弱化傳統軟體介面的重要性，已經是一個值得注意的趨勢。
過去一套軟體能不能成功，很大程度取決於人類是不是習慣使用它。圖形介面好不好操作、功能放在哪裡、使用者是不是已經建立長年的操作習慣，甚至整個組織是不是已經習慣這套介面，都可以形成非常強的競爭優勢。
但在 Agentic Computing 的時代，軟體面對的使用者可能正在改變。未來大量操作軟體的，未必是坐在螢幕前面點選選單的人，而可能是 AI Agent。人類告訴 Agent 自己想完成什麼，真正和不同軟體、檔案與系統反覆溝通、操作與確認結果的，則是 Agent。
到了那個時候，一套軟體是否擁有漂亮而且人人熟悉的圖形介面，可能不再像過去那麼重要。相反地，它是否具有清楚、穩定、結構化，而且容易被 Agent 操作的介面——命令列介面、API、filesystem、標準化資料格式——重要性可能會愈來愈高。
這也是為什麼 Unix-like 環境在 Agentic Coding 裡呈現出的優勢，值得注意的可能不只是作業系統之爭。
它透露了一個更大的變化：未來軟體更重要的「使用者」，可能逐漸從人類變成 AI Agent。
我認為，過去軟體介面的重心在於人類的操作；隨著 Agentic AI 持續普及，未來的重心將快速移轉至適合 AI 操作的介面。能讓 Agent 清楚下達指令、取得結果並完成工作的軟體，也將在這個轉變中取得優勢。
附註：Linux（non-WSL）分類有歧義，本文未列入上表
Stack Overflow 2025 調查另有「Linux（non-WSL）」這個選項，工作時使用的比例為 16.7%。但原問卷同時列出 Ubuntu、Debian、Fedora 等 Linux 發行版，沒有清楚說明這些選項應如何區分。官方 Meta 論壇也有使用者指出分類重疊的問題；目前我沒有找到官方對這個分類的明確解釋。因此，本文呈現作業系統比例時，移除這一列，避免把它誤解為 Linux 的總使用率，或與其他發行版重複計算。
資料來源：
發佈留言