架構 · Agent
AI Agent 工作流：讓 AI 自主完成多步驟任務
從單次問答到自主執行，AI 的下一個階段
從聊天到 Agent：差在哪裡？
一般 AI 對話：你問一個問題，AI 給一個答案。每次對話是獨立的。
AI Agent：你給一個目標，AI 自行規劃步驟、使用工具、執行任務、根據結果調整，直到完成目標。
對話是一問一答，Agent 是自主執行。
Agent 的四個核心元素
1. 感知（Perception）
Agent 能接收的輸入：
- 文字、圖片、文件
- 工具執行的結果
- 環境回饋（成功 / 失敗 / 錯誤訊息）
2. 規劃（Planning）
Agent 如何分解任務：
- ReAct 框架：Reasoning（推理）+ Acting（行動），交替進行思考與執行
- Chain of Thought：把複雜問題拆成步驟逐步推理
- Task Decomposition：把大任務分解成可執行的子任務
3. 工具使用（Tool Use）
Agent 能呼叫的外部能力：
- 搜尋網路（Web Search）
- 執行程式碼（Code Execution）
- 讀寫檔案（File System）
- 呼叫 API（External Services）
- 操作瀏覽器（Browser Automation）
4. 記憶（Memory）
- 短期記憶：當前對話的 context window
- 長期記憶：向量資料庫（Vector DB）儲存的知識
- 工作記憶：任務執行過程中的中間結果
Orchestrator-Worker 架構
複雜任務通常用多個 Agent 協作：
Orchestrator（總協調）
├── Worker Agent A（負責研究）
├── Worker Agent B（負責撰寫）
└── Worker Agent C（負責審查）
Orchestrator 負責任務分配與結果整合，Worker 各自專注特定能力。
主流 Agent 框架
| 框架 | 特點 | 適合場景 |
|---|---|---|
| LangChain | 最多社群資源、模組最豐富 | 快速原型、學習 |
| LangGraph | 有狀態的 Agent 圖形流程 | 複雜多步驟工作流 |
| CrewAI | 角色扮演式多 Agent 協作 | 模擬團隊協作 |
| AutoGen | Microsoft 出品，多 Agent 對話 | 企業場景 |
| Claude Code | Anthropic 出品，操作本地環境 | 開發自動化 |
Human-in-the-Loop
Agent 不是完全自主，良好的設計會在關鍵節點等待人類確認：
- 執行危險操作前（刪除資料、發送郵件）
- 結果不確定時
- 需要創意判斷時
Hitl（Human-in-the-Loop） 是讓 Agent 可信賴、可落地的關鍵設計原則。
相關專有名詞
AI Agent Autonomous Agent ReAct Chain of Thought Task Decomposition
Tool Use Function Calling Orchestrator Worker Agent Multi-Agent
LangChain LangGraph CrewAI AutoGen Vector DB
Human-in-the-Loop Agentic AI Context Window Memory
L2「Agent 工作流」課程中，我們會設計一個完整的 Orchestrator-Worker 架構，讓 AI 自主完成一個五步驟的工作任務。