一講到 AI Agent，很多人腦海中浮現的畫面，都是「給它一句指令，它就自動幫你完成所有事」，甚至可以自動開公司、自動賺錢。看別人示範，總覺得神奇又厲害。但只要你真正動手用過，就會發現事實往往相反：真正有用的自動化，不是靠一句空泛的 prompt 就能完成，而是要你先想清楚目標、工具、流程、限制與檢查機制。
這一集學識AI，江啟明會從 AI Agent 的基本概念講起，解釋它與普通 Chatbot、傳統自動化工具的分別，並整理出設計自動化工作流時必須留意的核心原則。一句話總結全集：
AI Agent 不是讓你不用思考，相反，它要求你思考得更多。
AI Agent 是自動化歷史的最新一章
要理解 AI Agent，不應該只從近年的大型語言模型（LLM）開始講，而要把它放回一條很長的歷史線——自動化。人類由工具、機器、工廠流水線，到電腦程式、互聯網平台，再到今日的人工智能，背後都是同一個設計思路：有沒有一些工作，不需要每一次都由人手去做？
關鍵在於：工廠之所以能自動化，是因為人類先把複雜的工作拆成細步驟，每一步做什麼、次序、標準、出錯如何處理，全部都由人重新設計過。自動化從來不是單純用機器取代人，它首先是一個工作流程的設計。
傳統電腦自動化雖然更進一步，但有一個明顯限制：它非常依賴明確的規則。「如果 A 發生就做 B」「如果今天是星期一就產生報告」——這種清楚、穩定、可預測的邏輯，電腦處理得最好。可是許多專業人士的工作並不死板，涉及自然語言溝通、複雜情況判斷、創作新方案，這些「人類的經驗」，很難用寫死的 if-then-else 程序去執行。
大型語言模型出現後，情況改變了。LLM 能理解自然語言、按要求創作、根據上下文推斷意圖，打開了新一層自動化的可能性。但這裏要小心：LLM 多了理解與生成能力，不等於它可以承擔所有責任。 它能幫你讀一封 email，不代表它知道應不應該回覆；它能幫你創作，不代表它明白你的價值取向與品牌定位。情況就像你聘請了一個很聰明的員工，你仍然要認真跟他溝通——能力越大，你要花在設計上的心機其實越多。
Chatbot 與 AI Agent 的根本分別
平時慣用的 AI Chatbot，核心是對話：你問它答，你挑一段文字它幫你分析。它很有用，但主要在回應人類的輸入，每一步都要由你在對話中推進。就像一個你請的 consultant，做完你交代的事後，最多給你建議下一步，卻不會替你做決定，也不會主動接手下一個任務。
AI Agent 的核心，則是懂得利用你給它的工具，自己去執行任務。它更像一個全職員工：在你給出完整指令之後，可以在一段長時間內自動地持續做事。但反過來說，如果沒有工具、沒有流程、沒有狀態、沒有檢查、沒有權限設計，所謂的 agent 很多時候只不過是「包裝得漂亮一點的 Chatbot」。因為設計介面相似，很多人忽略了它背後真正的重點——是工作流的設計。
什麼工作才適合設計 AI Agent？
不是所有工作都需要 agent。如果你只是想問一個概念、改一段文字、總結一篇文章，普通 Chatbot 已經足夠；如果你想每一步都自己控制、慢慢探索，Chatbot 反而更合適。
真正適合 AI Agent 的工作，通常具備以下特徵：多個步驟、需要根據中途結果改變行動、需要使用外部工具（搜尋、讀文件、查 database、跑 Python code、寄 email、調用 API）、是重複出現的工作，並且有明確的輸入、輸出和成功標準。
舉例：「幫我寫一篇關於 AI Agent 的文章」未必需要 agent，一個 Chatbot 就能完成。但若改成「每天九點幫我看最新的 AI 論文和新聞，篩選相關內容、分類、寫摘要、評分，再生成一份 Newsletter 草稿，最後交給我審核」——這就是 agent 適合的任務：持續、重複、多步驟、有工具、有篩選、有格式、有審批。
設計 AI Agent 的六個核心原則
原則一：先定義工作，不要先定義工具。 很多人一開始就問「有什麼工具好用、有什麼 template 可抄」，結果變成為了用工具而用工具。正確的第一步，是問清楚這件工作的輸入輸出、有多少步驟、哪些最花時間、哪些最易出錯、哪些需要人類判斷、哪些一定要停下來覆核。
原則二：將工作拆成不同智慧等級。 常見錯誤是把什麼都交給最強的 LLM。其實應該按任務性質分配給四種角色：高智慧 LLM（高層判斷、複雜推理、創意整合）、低智慧 LLM（簡單分類、抽取資料、格式轉換）、傳統程式（精準、可驗證、重複性高的 copy and paste、計算、畫圖），以及人類（目標設定、價值判斷、風險承擔、監督）。叫最高智慧的 LLM 去做 copy and paste，就像請公司年薪最高的人去掃地——不是做不到，而是浪費。
原則三：每一步都要有清楚的輸入和輸出。 AI 做著做著就會「走樣」：一開始叫它做 A，中段理解成 B，最後輸出 C。把每一步的格式、要求、合格標準、遇到資料不足或矛盾時如何應對都寫清楚，不但更可靠，出錯時也能逐步回頭檢查，不用由頭再來。
原則四：要限制 agent 的能力，而非任由它自把自為。 很多人以為 agent 能力越大越好，最好自己上網、自己開文件、自己寄 email、自己做決定。但在真實世界，越自由就越危險、越難檢查、越難追蹤責任。你必須清楚定義它能用什麼工具、能讀什麼資料、能否直接寄 email 或改 database、可以燒多少 token。一個沒有邊界的 agent，就像一個沒受訓練卻拿著公司密碼的實習生。
原則五：檢查機制比生成能力更重要。 很多示範愛展示 AI 一秒生成一篇文、一分鐘生成簡報的生成能力，但在實際設計中，防範問題的部分往往比生成本身更大。檢查可以有很多種：格式檢查、數字檢查、來源檢查、邏輯檢查、安全檢查、人類審批，甚至叫另一個 LLM 做 reviewer 去審核、質疑、指出漏洞。但要記住，LLM 做 reviewer 也並非百分百可靠，最好配合程式檢查或人類檢查——不要以為 AI 說得流暢就等於它對。
原則六：保留人類的介入點。 有些人一聽 AI Agent 就想全自動，但很多有價值的工作，最適合的不是 Fully Autonomous，而是 Human in the Loop。AI 可以生成幾個方案讓你選方向、草擬 email 讓你批准才寄、篩選資料但把有爭議的部分標記出來給你看。這種設計不是落後，而是成熟——真實工作追求的不是百分百自動，而是把人類的時間放在最值得放的地方。
結語：要學的不是介面，而是設計思維
這一集說了很多，但中心思想只有一個：AI Agent 不是魔法。它不是你請回來、完全不用教不用看著的萬能員工，而是一個能用 AI 調用工具、長期執行多步驟工作，但需要清楚限制與檢查的自動化工作流程。
自動化從來不是要人類完全消失，而是迫使我們離開重複的工作，把更多時間花在設計上。未來，每個專業人士都需要更了解自己的專業，而不是跟 AI 鬥熟練。如果覺得難開始，不妨先跟最聰明的 LLM 聊一下，幫自己想清楚；但前提是你必須先花時間了解自己的工作。不要急著全自動，先做半自動——當你想清楚怎樣拆解工作，其實設計已經做了一半。
你最近有哪一個重複的工作流程，值得花時間設計成 AI Agent？
其他同類文章
學識會員