AI AgentAI Agent

三個要件

一個系統要稱得上 Agent，通常要同時具備這三件事：

1. 會拆解任務。給它「整理這季的客訴並找出前三大問題」，它自己決定先讀資料、再分類、最後統計，而不是等你一步步下指令。
2. 能呼叫工具。搜尋、讀寫檔案、查資料庫、呼叫 API。沒有工具的模型只能靠訓練時記住的東西講話，有工具才能接觸到真實世界的資料。
3. 會看結果再調整。執行完一步，它會判斷結果對不對；不對就換方法重試。這個迴圈是 Agent 和「一次性生成一長串步驟」最關鍵的差別。

和聊天機器人的實際差別

假設你要「找出上個月銷售下滑的原因」。

聊天機器人：你貼上報表，它讀完，給你一段分析。你要自己去撈資料、自己判斷要看哪些面向、自己追下一個問題。

Agent：它先去查資料庫拉出上月數字，跟前三個月比對，發現某個通路掉得特別多，於是再去查那個通路的細項，找到是某個品項缺貨，最後回報。中間每一步要查什麼，是它自己決定的。

為什麼現在才做得起來

Agent 這個概念在 AI 領域存在了幾十年。真正變得可用是因為幾件事同時到位：模型的推理能力足以拆解多步驟任務、工具呼叫（tool use / function calling）變成模型的標準能力，以及 MCP 這類協定讓「接上一個新工具」從工程專案變成設定檔的一行。

實務上的限制

錯誤會累積。 單步正確率 95% 聽起來不錯，但連續十步之後，全對的機率只剩約六成。步驟越多，越需要中途檢查點。

成本不好預估。 Agent 會自己決定要跑幾步，同一個任務這次三步、下次十步都有可能，token 用量跟著浮動。

權限就是風險。 給它讀寫檔案或送出訊息的能力，就等於接受它可能在你沒預期的地方做出實際動作。會造成外部影響的操作，值得多一道人工確認。