Agent 方案解析：gstack 模組架構
一個完整 Agent 方案的模組化解析
為什麼要理解 Agent 架構？
市場上充斥著「AI Agent 教學」，但大多數都在教：
- 如何呼叫 API
- 如何寫 prompt
- 如何用某個框架的 demo
沒有人教的是：一個真正可以上線的 Agent 系統，背後有哪些模組？每個模組的邊界在哪？什麼情況會出問題？
「40% 的 Agentic AI 專案被放棄，原因是架構設計不良、成本失控、缺乏治理。」— Deloitte Tech Trends 2026
理解架構，才能在設計時做出正確的判斷。
什麼是 gstack？
gstack（Governance Stack）是一個用來描述 AI Agent 系統架構的模組化框架，由課程設計團隊基於 Agentic AI 系統實作經驗提煉整理，參考 Deloitte Tech Trends 2026 的治理框架分類與 IBM AI Agents 2025 的生產部署架構研究。
它把一個完整的 Agent 系統拆解成 5 個層次，每個層次有清楚的職責邊界：
┌─────────────────────────────────┐
│ G5 Governance & Audit │ ← 治理層：誰負責？出錯怎麼辦？
├─────────────────────────────────┤
│ G4 Orchestration │ ← 協調層：任務怎麼拆分、分配？
├─────────────────────────────────┤
│ G3 Tool & Memory │ ← 工具層：Agent 能呼叫什麼？記得什麼？
├─────────────────────────────────┤
│ G2 Model & Reasoning │ ← 模型層：用哪個 LLM？怎麼推理？
├─────────────────────────────────┤
│ G1 Input / Output Interface │ ← 介面層：人怎麼跟 Agent 說話？
└─────────────────────────────────┘
五個模組詳解
G1 — 介面層（Input/Output Interface）
職責：使用者與 Agent 的溝通界面
包含：
- 文字輸入（chat、命令列）
- 結構化輸入（表單、API 請求）
- 輸出格式（純文字、JSON、Markdown、程式碼）
常見問題：
- 輸入描述不清楚 → Agent 誤解任務
- 輸出格式不定 → 下游系統無法處理
G2 — 模型層（Model & Reasoning）
職責：選用哪個語言模型、如何推理
核心決策：
- 模型選擇：Claude / GPT-4 / Gemini / 開源模型
- 推理策略：Chain-of-Thought、ReAct（Reason + Act）、Tree-of-Thought
- Context 管理：輸入 token 限制、上下文窗口策略
2026 新趨勢：Context Engineering — 不只是寫 prompt，而是設計整個 LLM 的資訊環境。
G3 — 工具與記憶層（Tool & Memory）
職責：Agent 能用什麼工具、能記住什麼
工具類型： | 工具類別 | 例子 | |———|——| | 資料讀取 | 搜尋網頁、讀 PDF、查資料庫 | | 資料寫入 | 寫入檔案、更新試算表、發 email | | 程式執行 | 跑 Python、呼叫 API、git 操作 | | 外部服務 | Slack、Notion、GitHub、Zapier |
記憶類型：
- 短期記憶：當前對話上下文
- 長期記憶：向量資料庫（RAG）
- 工作記憶：任務執行過程中的暫存狀態
G4 — 協調層（Orchestration）
職責：多個 Agent 或多個步驟的任務協調
設計模式：
- Sequential：A 做完交給 B
- Parallel：A、B 同時執行，C 整合結果
- Supervisor：主 Agent 分配子 Agent
- Feedback Loop：執行 → 評估 → 修正 → 再執行
MCP（Model Context Protocol） 在此層扮演關鍵角色：統一 Agent 與外部工具的溝通協定，讓工具的接入標準化。
G5 — 治理層（Governance & Audit）
職責：確保 Agent 的行為可監控、可審計、可控制
包含：
- 授權控制：Agent 被允許做什麼、不被允許做什麼
- 操作日誌：每個動作記錄，可追溯
- 費用控管：API 呼叫成本監控
- 安全閘道：敏感操作需要人工確認
- 錯誤處理：失敗時如何降級、如何通知
40% 的 Agent 專案失敗，大多在這一層出問題：沒有治理 = 沒有控制 = 無法信任。
一個完整例子：AI 新聞 Pipeline
用 gstack 解析一個真實的 Agent 系統（每日自動生成 AI 新聞摘要）：
| 層次 | 在此系統中 |
|---|---|
| G1 介面 | cron 排程觸發，輸出 Markdown 格式文章 |
| G2 模型 | Claude Sonnet（摘要）+ Gemini（配圖描述） |
| G3 工具 | 網頁爬取、RSS 解析、Gemini 圖片生成 API、git commit |
| G4 協調 | Sequential：抓取 → 摘要 → 生圖 → 發布 |
| G5 治理 | 失敗重試（最多3次）、錯誤 Telegram 通知、503 區分 |
你的 Agent 卡在哪一層？
| 症狀 | 問題層 |
|---|---|
| Agent 誤解任務需求 | G1 介面設計不清 |
| 推理過程跑偏 | G2 推理策略錯誤 |
| 找不到資料 / 記不住 | G3 記憶設計不足 |
| 多步驟任務中途卡住 | G4 協調邏輯缺失 |
| 出錯沒有告警 / 費用暴衝 | G5 治理缺失 |
下一步
理解了這個架構，你就能：
- 評估任何 Agent 工具（它解決了哪幾層的問題？）
- 設計自己的 Agent 系統（每層用什麼？）
- 診斷現有系統的問題（哪一層出了問題？）
L3「Agent 框架深度實戰」課程中，我們會用 gstack 框架設計並實作一個完整的 Agent 方案，包含 MCP 工具整合、CLAUDE.md 設計、以及 Agent 框架的 G4/G5 層實作。