AI Agent 是什麼？與一般傳統 AI 不同在哪？
與傳統 AI 通常需要輸入指令來完成特定任務相比， AI Agent 則可結合多種技術，包括大型語言模型（LLM）、工具呼叫、規劃和推理框架等，能自主決策、動態適應使用者需求並執行複雜工作流程。
AI Agent 的核心特點包含規劃能力，可根據使用者目標拆解任務，制定計劃並逐步執行；也可透過像是搜尋、計算等功能與工具補足知識；以及處理來自周遭環境的資訊，儲存過往的互動過程，並加以利用改進後續表現。
這些能力讓 AI Agent 不僅可以處理基本的行政任務，甚至能應用於旅行規劃、醫療診斷、緊急應變等場合，成為一名高效率的「數位同事」或「數位伴侶」。
AI Agent 的核心特點包含規劃能力、工具整合、感知與記憶。(圖/Napkin AI)
AI Agent 是怎麼執行任務的？從 3 大工作階段看 AI Agent 如何運作
第一階段：目標設定與規劃
具體來說，AI Agent 是怎麼完成任務的？主要可分為 3 大工作階段：
第一階段為目標設定與規劃（Goal initialization and planning），AI Agent 雖然具備自主性，但一開始仍需要人類設定明確的目標和執行環境。針對相對複雜的任務，AI Agent 會將其拆解成許多個小任務，並制定具體的行動計畫；對於目標較簡單的任務，AI Agent 可以不進行事先規劃，而是直接透過反思和改進完成。
- 開發者：設計和訓練 AI Agent 系統。
- 部署者：提供使用者 AI Agent 的使用權限。
- 使用者：設定 AI Agent 需要完成的特定目標，並提供可使用的工具和資源。
舉例來說，假設使用者想要規劃一趟希臘衝浪之旅，希望 AI Agent 幫忙找出 2025 年最適合衝浪的周次。AI Agent 可能會這樣執行任務：
- 收集資訊：AI Agent 需要收集希臘的天氣資訊，例如潮汐、降雨量、日照等。
- 判斷衝浪條件：AI Agent 需要了解哪些天氣條件適合衝浪。
- 分析數據：AI Agent 需要分析收集到的天氣資訊，並預測明年哪個週次最符合衝浪條件。
第二階段：利用可用工具推理
然而，AI Agent 並非什麼事都知道。執行任務的過程中，AI Agent 可能會遇到自身知識庫不足的情況，此時 AI Agent 會使用外部工具來補充知識。
因此第二階段，是「利用可用工具推理」（Reasoning using available tools）。AI Agent 會使用外部工具如數據庫、API 及其他代理補充知識。根據外部工具提供的資訊更新自身知識庫，並調整計畫和自我修正，來提升後續表現。這個階段會透過多輪查詢、互動，加以整合新獲得的資訊來解決問題。
- 數據庫：AI Agent 能從數據庫中查詢相關資訊，例如產品資訊、客戶資料、歷史數據等。
- API：AI Agent 可以透過 API 呼叫其他服務，例如天氣預報、地圖導航、翻譯等。
- 其他代理：就像人類找其他領域的專家合作一樣，AI Agent 能與其他專精於特定領域的 AI Agent 合作，共同解決問題。例如負責規劃旅行的 AI Agent，能與負責預訂機票和飯店的 AI Agent 合作，提供更完善的服務。
第三階段：學習與反思
最後一個階段是學習與反思（Learning and reflection），AI Agent 會利用反思機制，整合來自其他 AI Agent 或人類的回饋意見，進一步提升目標和行動的精準性。使用者可以對 AI Agent 推薦的產品或服務提供評分或意見，幫助 AI Agent 學習和改進。
針對收到的回饋，AI Agent 會反思自身的決策過程、分析原因，找出可以改進的地方，並調整之後的執行策略，避免再次犯下同樣的錯誤。AI Agent 具備迭代優化（iterative refinement）與長期學習能力，可以將解決方案儲存於知識庫內。
以前面提到的希臘衝浪之旅為例，在第三個階段中，AI Agent 可能會這樣反思與改進：
- 收集使用者回饋：AI Agent 能詢問使用者是否滿意推薦的行程，並收集使用者對行程的意見和建議。
- 分析回饋資訊：AI Agent 分析使用者的回饋，了解哪些方面需要改進。像是使用者可能覺得行程安排太緊湊，或希望可以增加文化體驗的行程。
- 調整行程規劃：AI Agent 根據使用者的回饋調整行程規劃。例如可以將行程安排得更寬鬆，或者增加博物館、古蹟等文化體驗景點。
- 更新知識庫：AI Agent 會將調整後的行程規劃和使用者的回饋資訊，都儲存到知識庫中，未來規劃類似行程時會拿出來參考。
AI Agent 工作階段包含設定目標與規劃、執行任務、學習與反思。(圖/Napkin AI)
AI Agent 聰明嗎？厲害在哪？5 大類 AI Agent 一次看
根據功能與智慧程度，AI Agent 可分為 5 種主要類型：
基本反應型代理（Simple Reflex Agents）
只能根據當前感知的環境條件觸發固定的動作，不具備記憶功能，也無法處理未知情境。適用於完全可觀測且狀態單純的環境，依賴預先設定的規則，在特定條件下觸發特定動作。常見的用途像是智能恆溫器，可在設定的時間自動開啟供暖系統。
基於模型的反應型代理（Model-Based Reflex Agents）
可以記住先前的感知結果，並建立內部模型。 AI Agent 的行動，便仰賴內部模型的更新、預設的條件反應和當前狀態。與基本反應型代理相比，更具有彈性，能在部分可觀測的環境中運作。像是掃地機器人，能根據記憶中的房間布局模型調整行動，避免重複清理；自動駕駛汽車能根據感應器收集的路況資訊，建立周圍環境模型，做出駕駛決策。
目標導向型代理（Goal-Based Agents）
顧名思義，目標導向型代理具備「目標」的概念，能根據目標選擇適當的行動順序，透過計劃來尋找達成目標的最佳途徑，行動更具有靈活性， 也更適用於需要多步驟才能達成目標的情境。例如一般導航系統能根據當下的交通狀況，推薦最快到達目的地的路線。
效率型代理（Utility-Based Agents）
率型代理的 AI Agent 不僅以達成目標為目的，還會透過效率函數（utility function）計算最佳解。效率型代理會考慮效益、成本或完成時間等因素，選擇效用最大的行動，適用於需要在多個可行方案中選擇最佳方案的情境。例如高級導航系統可根據油耗、時間和過路費等因素計算出最優路線；資源分配系統能根據資源的效益和成本，決定最佳的資源分配方式。
學習型代理（Learning Agents）
學習型代理擁有學習機制，能從經驗中改進性能，主要包含 4 個組成部分：學習、評論、執行和問題生成，可適應「未知環境」並持續提升能力。 舉例來說，電商推薦系統能根據用戶行為學習，提供更精準的商品推薦；垃圾郵件過濾器能根據郵件特徵學習，區分垃圾郵件和正常郵件。
一個 AI Agent，可以同時具備多種特徵！「多智能代理系統」又是什麼？
不同類型的 AI Agent 適用於不同的情境。簡單總結，基本反應型適合完全可觀測的環境，而效率型和學習型更能處理複雜或動態的問題，而學習型代理是最先進的類型，具有從環境中學習並持續改進的能力，特別適合個性化服務，例如推薦系統。
值得注意的是，這些類型並非互斥，一個 AI Agent 可以同時具備多種類型的特徵。例如一個導航系統可以是目標導向型代理，也可以同時也利用效率型代理的邏輯來計算最佳路徑；自動駕駛汽車可以是基於模型的反設型代理，也同時具備學習型代理的能力，不斷優化駕駛策略。
此外，由多個 AI Agent 組成的新型態 AI 系統「多智能代理系統」（Multi-Agent Systems），則進一步提升了 AI Agent 的效能，透過多個獨立代理的互動與協作，解決單一 AI Agent 無法應對的大規模或複雜問題。
多智能代理系統具備分散性、自主性、目標導向性與互動性的特點，適用於需要高可靠性與規模化解決方案的情境，也因此具備動態推理（Dynamic reasoning）、處理複雜問題的能力與增強記憶能力（Enhanced memory）等特點。像是在醫療領域，AI Agent 可協助制定治療計劃或管理藥物流程；而在自然災害應急中，它們可快速定位受災者，提供救援建議等。
未來 5～10 年，AI Agent 能完成人們 80% 的日常工作！那人類的價值在哪？
人工智慧招聘公司 Moonhub 創始人兼執行長 Nancy Xu 在世界經濟論壇（World Economic Forum）指出，未來 5～10 年，AI Agent 將能夠完成人們 80% 的日常工作時間，深刻改變人類的工作與生活模式。
試想一下，當 AI Agent 能完成多數的日常工作時，人類的價值會是什麼？AI Agent 的崛起，也迫使人們重新定義「什麼是獨特的人類勞動」。而 AI 與人類的協作，將進一步推動「AI 人才革命」，工作者需要學習更多新技能來適應這項轉變，整體社會結構與制度也需要適應這些變化，為人們提供新的機會與支援。
然而，AI Agent 的快速發展也伴隨著風險。像是 AI Agent 需要採用大量數據，如何確保資料不被濫用、是否安全與合規都是一大重點。此外，許多重複性工作可能因此消失，也會引發失業問題。在諸如醫療與金融等高風險情境下導入 AI Agent，如何在 AI 自主性與人類監督之間取得平衡也至關重要。
資料來源：IBM、Microsoft、World Economic Forum；本文初稿由 AI 協助整理，編輯：支琬清
>>本文經<經理人>同意轉載。
e-First智能理財 AI幫你一鍵試算！
2025/6/30前基金投組投資費用0元優惠中～
