第六幕｜AgentAI 入門：四個關鍵詞

Agent：大腦＋工具＋迴圈

前五幕的零件到齊了：會說話的大腦、說清楚的交辦、接上工具的 USB-C、寫好做法的手冊。這一幕把它們放進一個會自己轉的迴圈，AI 從「回答你」變成「幫你把事做完」。

這一幕要回答

AI 怎麼從「問一句答一句」，變成自己把事做完？哪些事可以放心交給它，哪一步一定要你按確認？

AI 生成插畫：深藍色箭頭繞成一圈，上面依序是燈泡、扳手、眼睛、天平四個圖示；史旺姬站在圈中央指揮，戴白色笑臉大帽的老師在圈外拿著金色打勾印章
先想一想

如果 AI 會自己查、自己填、自己送，你最想把哪一件事丟給它？

這題沒有標準答案。先在心裡（或紙上）記下一件事。這一幕最後，會用三個問題替它打分數，看它適不適合當你第一件交給 AI 的工作：選題三問。

2025：AI 開始「加入職場」

大腦＋工具＋迴圈：會自己做事的 AI 同事

前五幕的角色都出場了。這一幕不是再多背一個零件，而是看它們怎麼組成一種新的工作方式：把大腦和工具放進一個會反覆推進的迴圈，AI 就從「你問一句、它答一句」，變成「你交代一次、它做到完」。

2022邊想邊做ReAct 研究提出：讓 AI 想一步、做一步，再看結果。
2024/12分清兩種做法Anthropic 的文章把「Workflow」和「Agent」分開來談。
2025/1加入職場OpenAI 執行長 Sam Altman：今年可能有第一批 AI agent「加入職場」。

本教材採用的定義「LLM 在迴圈裡使用工具，直到達成目標。」

  • 迴圈由 App（例如 Claude Code）來轉，每一步要做什麼，由 LLM 看情況決定。
  • 交辦（Prompt）告訴它這次的目標，手冊（Skill）提供做法，兩者讓它做得對、做得穩。
  • 固定順序、每次都一樣的自動化叫 Workflow，不算這裡說的 Agent（下一段會分清楚）。
史旺姬的一個下午：交代一次，去倒杯水
1交代一次「幫我約下週三下午的會，發邀請前先給我看。」
2她去倒水 ☕AI 助理自己查行事曆、找共同空檔、擬好邀請；不用她每一步再教。
3回來按確認邀請已擬好，停在那裡等她看過、確認，才寄出。

前五幕的零件，這一幕全用上了：

LLM：大腦 Prompt：交辦 MCP：接上工具 Skill：手冊

Agentic 是什麼意思？

Agentic＝像 Agent 一樣，會自己把事情往前推、做到完的特性。聽到「Agentic AI」，就想成「會自己做事的 AI」。

只記一句大腦＋工具＋迴圈＝Agent；交辦（Prompt）和手冊（Skill）讓它做得對、做得穩。

出處：Sam Altman (2025-01) Reflections；Yao et al. (2022) ReAct, arXiv 2210.03629；Simon Willison (2025-09-18) 對 Agent 的定義；Anthropic〈Building effective agents〉(2024-12-19)。

Agent 的工作迴圈

Agent 怎麼做事：想 → 做 → 看 → 判斷，轉到完成為止

聊天機器人（Chatbot）是你問一句、它答一句。Agent 靠的是下面這個迴圈：每轉一圈，都看一次結果，再決定下一步，直到把事做完。

1想目標是什麼？下一步需要什麼資料？先查三人行事曆
2做叫用工具，或完成手上這一步。叫行事曆 Server（示意）
3看讀結果：資料夠不夠？有沒有問題？共同空檔有了？撞到午休嗎？
4判斷完成 → 回報、停下；還缺 → 再一圈。
Agent轉到完成為止↺ 還缺，就回到 ① 再轉一圈
誰在轉圈？
App（例如 Claude Code）
LLM負責決定
  • App 負責轉圈、跑工具，再把結果交回給 LLM
  • App 也設護欄：最多轉幾圈、哪些重要動作要先問你
Workflow 和 Agent 怎麼分？
Workflow 程式事先把路線排好，每次都一樣 Agent LLM 看完結果，自己決定下一步

有用 AI 不等於 Agent，要看「下一步誰決定」。

圖上畫了一個圈，不代表它會無限轉下去。模型負責決定，App 負責執行工具、把結果帶回來，也負責設邊界：例如最多跑幾次、哪些動作要先問人。

聊天機器人（Chatbot）

你問一句、它答一句。答完就停，不會自己去做下一件事。

像客服電話

Workflow（流程自動化）

照事先寫好的路徑跑。中間可以有 LLM，但下一站是固定的，不由它決定。

像工廠生產線：每站固定做同一件事

Agent

LLM 在迴圈裡用工具，看完結果自己決定接下來查什麼、用什麼工具、是不是做完了。

像會自己把事做完的同事

所以判斷一套系統是不是這裡說的 Agent，不是問「有沒有用 AI」，也不是問「會不會自動跑」，而是問一句：「下一步，是誰決定的？」這句話，下面的小測驗馬上用得到。

只記一句能「自己決定下一步」，就是 Agent 和聊天機器人、Workflow 最大的不同。

出處：Anthropic〈Building effective agents〉(2024-12-19)：workflows vs. agents；Claude Code Docs〈Overview〉。

小測驗 8／10：哪個才是 Agent？

下面四個都是「自動」的，哪一個才算 Agent？

看答案
B，只有 B 是 LLM 看了結果，自己決定下一步。

先選定再看解答；答錯的話，回到上面的「工作迴圈」重看。

跟著 Agent 轉一次（示意）

約一場三人會議：你只說一次話，它轉了好幾圈

按「看下一步」，一步一步跟著它做

史旺姬：「幫我約下週三下午，我、阿哲、Amy 都有空的一小時，討論活動企劃；發邀請前先給我看。」

你 → LLM「約下週三下午的活動企劃會」
LLM → Skill 手冊0載入排會議手冊
LLM 寫單 → App → 行事曆 Server1查三人行事曆← 回傳：三人的忙碌時段
LLM 自己想2找空檔、避開午休
LLM 自己想3擬會議邀請
LLM → 你4先列給你確認 先停下來，等你
你 → LLM你確認
LLM 寫單 → App → 行事曆 Server5建立邀請並寄出
LLM → 你回報完成

箭頭是簡化畫法：LLM 只寫工單，實際去查行事曆、建立邀請的是 App（第四幕的「AI 只寫單，程式去跑」）。

✅ 做完了。史旺姬只說了一次話，它轉了好幾圈：載入手冊、查行事曆、找空檔、擬邀請；到了「寄出」這種會改變真實世界的動作，先停下來等她確認，確認後才繼續。

怎麼數？一圈＝想一次、做一步

你說一次話，它可能轉好幾圈。真正先查什麼、缺什麼補什麼，會依當時情況調整，上面只是示意流程。

④ 停：先等你確認

邀請寫好，不代表已經被授權寄出。這一輪停在第 4 步，你確認後，才進到第 5 步。

第 0 步那本手冊（Skill）裡寫著這類會議的規矩：避開午休、預設一小時、標題有固定格式，以及寄出前先給人看。除了手冊，也可以用工具本身的確認設定來控制動作；例如 Plan 模式，就是「先看計畫再做」（下面「五種常見狀況」會再講）。但各工具的設定和預設不一樣，不要只記住模式名稱，就以為已經安全。

這四個階段不一樣：你授權到了哪一步？
查到三人的空檔
寫好邀請的草稿
已確認由人看過、按下確認
已送出收不回來了

只記一句會改變真實世界的動作（寄出邀請），先停下來給你確認。

出處：Claude Code Docs〈Choose a permission mode〉、〈Configure permissions〉；schedule-meeting 手冊與行事曆 Server 為示意。

一次記住

新同事比喻：四個關鍵詞＋Agent，一張圖記住

點任一個角色，看它在「約會議」裡負責什麼
讓它做得對、做得穩
五個名詞，不是五個孤立的定義，而是一張工作分工圖。點上面任一個角色，看它在史旺姬約會議的故事裡做了什麼。

只記一句大腦＋工具＋迴圈＝Agent；交辦（Prompt）和手冊（Skill）讓它做得對、做得穩。

Agent 的風險

Agent 會自己動手，也就會自己出錯：5 種常見狀況

先看正面的狀況，想想你會怎麼防，再點卡片翻到背面看對策。

會錯意

你說「清掉舊信」，它可能理解成「刪除」而不是「封存」，一次清掉上百封。

怎麼防？點我翻面 ↻

對策：講清楚目標和範圍

不放心時，先切到 Plan 模式（只看、不動手、先交計畫），看過計畫再讓它動手。

再點一次翻回去

被假交辦帶走

信件或網頁裡藏著寫給 AI 的指令（提示注入），它可能當真，照著把資料寄出去。

怎麼防？點我翻面 ↻

對策：寄出前自己看

寄出、轉寄前，一定自己看收件人和內容。要它讀外部內容的工作，不要同時給它寄信的權限。

再點一次翻回去

一步錯，步步錯

迴圈第一步查錯資料（例如抓錯月份），後面每一步都蓋在錯誤上，越做越偏，最後版面再漂亮也是錯的。

怎麼防？點我翻面 ↻

對策：檢查中間結果

步驟越多，越要設中間檢查點。第一步先自己對過，再讓它往下做；不要只在最後看成品。

再點一次翻回去

權限給太大

能刪、能寄、能付款的工具越多，出錯的代價越大；一句話就可能動到整個專案的資料。

怎麼防？點我翻面 ↻

對策：只給需要的工具

寫在 Prompt 或手冊裡的規矩，是告訴它「應該怎麼做」，擋不住它真的去做；真正的鎖是權限設定。

再點一次翻回去

亂裝外掛

網路上下載的 Skill 或 MCP Server 本身就是程式，可能藏著跟說明不符的動作，例如偷偷把資料傳出去。

怎麼防？點我翻面 ↻

對策：只裝可信來源

只裝自己寫的、官方的，或公司審核過的；裝之前請 IT 看。像安裝軟體一樣看待它，不是名字好用就直接裝。

再點一次翻回去

想複習提示注入和權限：提示注入與致命三角 、最小權限 。

Plan 模式：先看施工圖，再動工
1只讀資料先看、先查，不改任何檔案
2先交計畫寫出它打算怎麼做
3你看過範圍對不對？有沒有會錯意？
4才讓它動手照確認過的計畫做

Plan 模式是 Claude Code 裡的一種模式。其他工具不一定有同名功能，設定和預設也各不相同；重點是「先看計畫再做」這個習慣。

五種狀況，收成四句話：

  1. 1範圍小一點
  2. 2權限剛好就好
  3. 3重要動作有人看
  4. 4來源要可信

只記一句Agent 能做的事越多，越要「小權限、多確認、只裝可信來源」。

出處：OWASP Top 10 for LLM Apps 2025（LLM01、LLM06）；Claude Docs〈Agent Skills overview〉Security considerations；Claude Code Docs〈Configure permissions〉、〈Choose a permission mode〉。

人的角色：一張圖帶走

AI 紅綠燈：哪些放心交、哪些要查證、哪些一定要人把關

前面名詞很多，這張圖可以直接帶回工作。哪些事交給 AI？照這三個燈判斷：

放心交給它

  • 寫初稿、改語氣
  • 摘要、翻譯
  • 發想點子、整理成表格

做錯了重來就好。綠燈不是完全不用看，而是可以先讓它做，你看過再用。

例：把會議筆記整理成待辦表格（總覽頁練習 ③）

用了要查證

  • 數字、日期、人名
  • 規章條號、判例、法規

答案準備拿來當真的，就要對照原文。AI 說「我確定」不算數，自己點開原文核對。

例：它說「依差旅辦法第 5 條」，就點開第 5 條看（第二幕：RAG 與查證 ）

一定要人把關

  • 寄出、付款、刪除、對客戶承諾：由人按確認
  • 個資、密碼、未公開數字：不貼進去
  • 人事、法律決定：不交給 AI

例：回覆客戶的信，寄出前自己看過（下面的小測驗）

用同一件工作串起來看：把會議筆記整理成待辦，可以先讓它做（綠燈）；裡面的日期、人名、負責人，要回原文看（黃燈）；如果接著要寄給客戶、做出正式承諾，送出前就要你確認（紅燈）。

AI 多做一步，人不是少管一步，而是把注意力移到這四件事
1定目標講清楚要什麼、範圍到哪裡
2按確認收不回來的動作，由你按
3驗收對照原文，結果能不能用
4寫回手冊做錯的經驗，寫進 Skill
分分看

這件事是綠燈、黃燈，還是紅燈？

把一段會議筆記整理成待辦表格
讓 AI 直接把回覆寄給客戶
AI 說「依規定第 5 條，可以退款」
把一封信改得更客氣一點
報告裡 AI 幫你填上的營收數字
把含客戶個資的名單貼給 AI 整理

只記一句做錯能重來的放心交；要當真的先查證；收不回來的一定由人按確認。

小測驗 9／10：哪一步一定要先問你？

你請 AI 助理「整理這週的客訴信，幫每位客戶擬好回覆」。下面四步，哪一步它不該自己做、一定要先問你？

看答案
A，寄出去收不回來，而且你沒叫它寄。

答錯的話，回到上面的「AI 紅綠燈」，以及第四幕的最小權限 重看。

總複習

六幕走完了：用兩個遊戲驗收

接下來兩題不考背誦：第一題是驗收 AI 寫的一段「AI 小歷史」，第二題是遇到工作上的煩惱，能不能選對要改善的那一層。可以隨時翻回前面幾幕核對，翻回去查，正是這兩題要練的事。

第一幕AI 想變聰明從人教到自己學第二幕LLM會說話的 AI 誕生了第三幕Prompt學會跟 AI 說話第四幕MCP讓 AI 接上工具第五幕Skill把經驗寫成一本手冊第六幕Agent大腦＋工具＋迴圈
小測驗 10／10（複習 1／2）：抓出 AI 的幻覺

你請 AI 整理「AI 小歷史」，它回了下面四句。哪一句是一本正經的胡說八道？

看答案
B，是 5 天突破 100 萬用戶，不是 2 天。

先選定，再翻回前面核對，最後看解答。答錯的話，回到第二幕的LLM 的成長史 重看。

複習遊戲 2／2：配對題

這 5 個工作煩惱，各該用哪個名詞解決？

桌上有 6 張名詞卡，其中 1 張用不到，其餘各解一個最直接的煩惱。真實工作裡這些名詞常常一起出現，但這題先挑「最直接」解決那個煩惱的一個。答對 4 題以上就很好。

每題點一個名詞，馬上對答案
1每次請 AI 約會議，都要重新交代一次「避開午休、標題格式」，好累
2AI 寫的信太長，又自己亂加承諾
3AI 只會回「請到行事曆建立」，沒辦法真的把會議邀請建進行事曆
4問 AI 上週公司剛發布的新規定，它答不出來
5希望 AI 自己查三人行事曆、找空檔、擬好邀請，只讓我按確認
看完整解答表（含用不到的那一張）
#答案為什麼回去看
1Skill重複的交代寫成手冊，之後每次照做第五幕
2Prompt補上「限制」積木：字數、不承諾金額第三幕
3MCP要動到真的系統，需要接上工具；Skill 只能教它怎麼寫，真正送進系統的是 MCP 工具第四幕
4RAG新資訊在知識截止日之後，先查內部文件再回答（答 MCP 對一半）第二幕
5Agent自己拆步驟、用工具、做到完成，重要動作請你確認本幕
✕LLM5 個煩惱都不是「腦袋不夠聰明」，換更大的模型解決不了。這是最常見的誤會。第二幕
結果不好時，先別急著換模型：先找出卡在哪一層
沒說清楚？→ 改 Prompt
沒有資料？→ 用 RAG 先查再答
沒有工具？→ 用 MCP 接上系統
沒有固定做法？→ 寫成 Skill

只記一句實務上名詞常常一起出現：Skill 教做法、MCP 去執行、RAG 負責查資料。

選題三問

什麼工作最值得先交給 AI？用三個問題打分數

先不談工具多強，談你該從哪件工作開始。三個問題，每題 1～5 分，再把三個分數相乘。分數高的，之後也最適合寫成 Skill。

① 頻率高嗎？

越常做，越值得先整理方法。

  1. 5每天
  2. 4每週
  3. 3每月
  4. 2每季
  5. 1每年

② 花時間嗎？

每次越花時間，改善後越有感。

  1. 52 小時以上
  2. 41～2 小時
  3. 330～60 分
  4. 210～30 分
  5. 110 分內

③ 規則明確嗎？

步驟講得出來、對錯說得清楚，AI 才照得到。

  1. 5能列成清單
  2. 4大多能
  3. 3一半靠人
  4. 2大多靠人
  5. 1每次都靠人

不適合先拿來練的

每次都不一樣、要人際判斷，或涉及機密個資、法律責任。

例如
  • 面談回饋
  • 客訴賠償金額
  • 含個資名單的整理

不要因為某件事很花時間，就跳過資料安全和責任問題。最高 125 分只是幫你排序，不是保證能省多少錢或多少時間。

打分示範：三項相乘，挑出第一個題目（工作與分數為虛構示範）
候選工作頻率耗時規則明確相乘
整理每週會議紀錄44464 ⭐
回覆客戶常見問題52550
彙整週報給主管43448
處理客訴協調44116
年度預算編列15315

客訴協調：常發生、很花時間，但只有 16 分

規則明確只有 1 分，代表多半要靠人際判斷，不適合直接當第一個題目。

年度預算：很重要，但一年才一次

不是它不重要，而是第一次練習，先挑更常出現、比較容易寫出清楚步驟的工作。

現在就換你
  1. 寫下一件你每週重複做的工作（開頭「先想一想」那件也可以）。
  2. 頻率、耗時、規則明確各打 1～5 分，三項相乘；挑分數最高、而且規則至少 3 分的那一件。
  3. 下次做它時用手機計時，記下手動做一次要幾分鐘，之後才有用 AI 前後的比較基準。

只記一句挑三項相乘最高、而且規則至少 3 分的那一件，記下手動做一次要幾分鐘。

學完之後

5 個小任務：把學到的用一次

名詞要真的用過一次，才會變成自己的。做完一項就打個勾（勾選只是讓你自己看進度，不會存起來）。只用你有權限使用的 AI 工具，不放個資、客戶資料等真實內容。

  1. 回去看 → 好 Prompt 的積木 、第三幕的打分方式

  2. 記錄範例
    • 問：「MCP 是哪年誰發表的？」
    • 它答：2024 年、Anthropic，附連結
    • 點開原文：對得上
    記下它答什麼、連結點不點得開、原文是不是真的支持答案；它說「確定」不算數。

    回去看 → 總覽頁練習 ①、律師假判例

  3. 回去看 → 選題三問與打分示範

  4. 虛構示範
    • 我問了什麼：某條規定的條號
    • 它回了什麼：一個不存在的條號
    • 哪裡有幫助、哪裡不如預期：格式整理得好，但條號錯
    • 我怎麼發現：點開原文才發現
    • 哪一步要人確認：發出前要人核對條號

    回去看 → 總覽頁的 5 格紀錄

  5. 如果是工作上要用，先確認你的公司或團隊允許使用哪些工具。

建議節奏
讀完當天做 9 題自我檢核
第 1 週做 ①②⑤
第 2 週做 ③④
最後一步

換你上場：挑出你最想交給 AI 的工作

把注意力從工具名稱，轉回你自己的工作。花 2 分鐘做兩件事：

  1. 用 30 秒，說給家人或同事聽（或寫下來）：

「我最想用的名詞是 　　　，因為它可以幫我處理 　　　。」

  1. 寫下 1 件「我最想交給 AI 的每週工作」，用選題三問替它打分數。

先不用一次把全部自動化。只要選出這件事、說得出大概的做法、知道哪一步需要你確認，就已經是很好的起點。名詞忘了就翻名詞小抄；想繼續練，回到上面的5 個小任務。

AI 生成插畫：檯燈照著桌上一張空白卡片，戴白色笑臉大帽的老師把筆遞給坐著的史旺姬；桌上擺著藍色光球、青色對話框、綠色連接線、紅色手冊和深藍色循環箭頭

從歷史走到 LLM，從交辦走到工具和工作手冊，最後看見 Agent 怎麼把事情一步一步往前推。資料能不能用、結果能不能採用、哪一步能不能送出，這些判斷要留在自己手上。

從第一幕到第六幕

1950 年，圖靈問：「機器能思考嗎？」

七十多年後，我們問：「它能照我的做法，把事做完嗎？」答案，從你寫下的那件工作開始。

延伸學習

想再多懂一點：Agent

先把這一幕讀完、小測驗做完，再挑一兩個來看。「官方」是 AI 公司自己出的入門資料；「史旺基專欄」是站上的進階文章，用到比較多工程術語。

官方 Building effective agents Anthropic・英文文章 業界最常引用的「流程自動化 vs Agent」定義出處；讀開頭的定義段就好。 史旺基專欄 設計循環，而不只是下提示：Claude Code 官方拆解四種代理人循環 史旺基專欄・進階，含工程術語 「循環」怎麼定義、什麼時候停，對照這一幕的想、做、看、判斷。 史旺基專欄 AI 寫程式很便宜，好程式沒有——Simon Willison《Agentic Engineering Patterns》導讀 史旺基專欄・進階，含工程術語 看前兩節：「代理，就是在迴圈裡反覆呼叫工具、達成目標的東西」。
For Teams

想讓團隊一起建立 AI 的共同語言？

這份教材來自一場企業內部分享。若你想替團隊安排 AI 導入課程，可以先看企業培訓的做法與時數，或直接留下需求。

查看企業培訓方案 直接留下需求
Takeaways

第六幕，帶走這幾句

六幕走完了：從 1950 年的圖靈測試，一路走到會自己把事做完的 Agent。名詞忘了，回單元總覽翻名詞小抄；想動手，做總覽頁的三題練習；最後用 9 題自我檢核，確認自己真的會了。

  • 大腦（LLM）＋工具＋迴圈＝Agent：它會想、做、看、判斷，一圈一圈轉到把事做完。
  • 會自動跑，不等於 Agent。分辨的關鍵只有一句：「下一步是誰決定的？」
  • AI 紅綠燈：做錯能重來的放心交；要當真的先查證；收不回來的，一定由人按確認。
  • 先挑頻率高、花時間、規則明確的工作交給 AI：三項各打 1～5 分再相乘，規則至少 3 分。
  • 結果不好時先別急著換模型：先問是沒說清楚、沒有資料、沒有工具，還是沒有固定做法。
做自我檢核