•
AI Agent：我們的未來將被分解成多少「智能積木」？
近期，通用型AI產品Manus引發討論熱潮，上課時有學生問它和Deep Seek誰厲害。介於它倆並非同類（Manus是AI Agent, Deep Seek是LLM），就以這篇學習筆記來系統梳理一遍，包括：什麼是AI Agent，AI Agent工作流的類型，AI Agent的應用、挑戰與對個人的啟示。
目標讀者：對AI有初步認識，對AI Agent不是很瞭解，會混淆它與大模型。
全文字數：3251字
建議閱讀策略：速讀看粗體字
⚙️ 何為AI Agent？
根據Google發佈的白皮書《Agents》所言，AI Agent是一種能夠自主觀察環境、規劃行動並執行任務的智能系統。它具備在不同任務和狀態間保持記憶的能力，通過利用一個或多個大型語言模型（LLM）進行推理決策，並能自主決定何時呼叫內部或外部系統。由於AI Agent可以以最小的人類干預自主運作，如理解目標、制定計畫，採取行動，因此被視為“高效能的團隊隊友”或“24小時不停歇的數字員工”。為什麼有人說Manus是“究極縫合怪”，是因為一個典型的AI Agent系統就是由多個層次組成，包括大語言模型（LLM）、工具介面和編排（Orchestration）層等，讓我們看看縫合了幾層：
1️⃣ LLM決策層
LLM扮演AI Agent的大腦，負責理解任務、推理規劃。例如DeepSeek、Open AI 的GPT系列、Google的Gemini，Meta的LLaMA等。有些模型通過引入函數呼叫能力，可以根據需要呼叫外部函數或服務，使LLM輸出文字之餘觸發實際操作。Google提出的“鏈式智能體（Chain-of-Agents）”框架則是一種多個LLM協作的架構，讓多個語言模型合作解決複雜任務。
2️⃣ 工具呼叫層
預先定義的介面讓AI Agent生出雙手，獲得觸覺。AI Agent可以使用各種外部工具或服務，如訪問資料庫、呼叫API、運行程式碼、網路搜尋等。例如，Manus在官網展示的案例可以自動編寫並執行程式碼，自主執行網路瀏覽以蒐集最新市場資訊，並根據指令靈活呼叫各類工具，就像我們現在打開電腦工作的行動軌跡那樣。
3️⃣ 編排層
也稱調度或控制層，類似於大腦中的前額葉皮質（負責高級認知的關鍵區域），是AI Agent的指揮官。它負責協調LLM的推理能力與具體工具的執行能力。編排層會分析使用者意圖，根據任務需求將複雜目標分解成可執行的步驟，安排呼叫何種模型和工具，並維護對話的上下文和記憶。對應到傳統企業中，集合了流程管理員、IT系統管理員、項目經理、資料工程師的協作。
4️⃣記憶與狀態
高級AI Agent擁有人類大腦“海馬體”的區域，包含短期記憶（當前對話和近期資訊）和長期記憶（知識庫、過去經驗）模組。例如，Agent可以記住先前已完成的子任務結果，並將其應用到後續步驟中，提高連續決策的精準性。
圖源：https://vectorize.io/
下圖展示了AI Agent的工作機制：
圖中所示，每個Agent通過介面感知環境資訊（Observe），由LLM等進行自主規劃決策（Plan），再呼叫工具付諸行動（Act），不斷循環從而自主完成複雜任務。這種持續的觀察-計畫-行動循環使Agent能夠根據環境反饋自我調整，變得越來越高效智能。
⚙️ AI Agent的工作流類型
和人一樣，AI Agent也有自己的行事風格和做事方法。AI Agent的工作流（Workflow）類似於我們完成一項複雜任務時的步驟規劃和執行策略。以下為主要幾種工作流：
📌 規劃型工作流
這類Agent善於自主規劃多步驟任務，將複雜問題分解為一系列子任務，並逐步完成。規劃型Agent相當於一個自驅力極強的項目經理：給定目標後，它會列出行動方案，呼叫工具按部就班地執行每一步，比如先調研市場資料，然後分析結果，接著撰寫報告。
📌 反應型工作流
這類Agent更像一個聊天機器人，根據當前輸入迅速作出單步反應，往往是“條件-行動”規則的加強版。例如一個商務助理Agent，遇到詢問公司業績的問題，會即時呼叫財報資料庫查詢再作答。這類Agent擅長即時響應但缺乏長遠規劃。
📌 多代理協作工作流
這種工作流不是單個數字員工，而是一群數字員工為你工作。不同Agent可以各自扮演特定角色，相互通訊共同解決問題。例如，Manus智能體據稱採用了多智能體架構，由多個獨立AI元件協同工作：一個Agent負責決策規劃，另一個Agent負責執行具體操作，還有的Agent進行結果校驗等。多Agent協作在商業中有許多創意用法，比如讓幾個AI分別扮演市場分析師、技術顧問、財務專家，頭腦風暴給出見解，綜合形成方案。
📌 自我反思型工作流
這是近年來研究的前沿方向，Agent在執行過程中會自我評估和調整。例如DeepMind的研究讓AI Agent在每步動作後檢查是否符合預期，否則回滾調整（元認知能力）。這樣的Agent在真實的應用中意味著更高的可靠性——它可以在發現錯誤時自行糾正，減少人為干預。
⚙️ AI Agent的應用、挑戰與啟示
📝AI Agent在商業世界的應用
AI Agent在商業世界各領域展現出巨大的應用潛力，可對照看看那些工作會被替代：
✏️金融行業：即時整合海量市場資料和新聞資訊，自動抓取上市公司多年的財務和股票資料並進行交叉分析，幫助金融機構快速洞察市場變化，從而為投資組合提出建議。
✏️諮詢行業：過去需要諮詢公司6名專業分析師花費一周時間完成的行銷資料分析項目，只需要1名員工配合AI Agent在1小時內完成。AI Agent能夠自動收集並整合行銷資料，分析各地區廣告活動的表現，與預期指標比較，生成標準化報告並提出最佳化建議。經人稽核調整後，Agent還能夠直接根據批准的方案更新投放策略。
✏️客戶關係管理（CRM）與服務：突破人工服務的時間和精力限制，同時處理海量客戶諮詢，提供個性化回答，減少客戶等待時間，並在需要時無縫交由人工接管。
✏️綜合業務場景：持續演進的通用AI Agent能夠橫跨多個業務職能執行複雜任務，被視為未來“數位化商業助理”。前文提到的Manus智能體官方公佈的40個應用案例，涵蓋人力資源、行銷策劃、戰略諮詢等企業職能領域。Manus在一個權威的通用AI助手評測基準——GAIA Benchmark上創下紀錄，雖然有待更多專業認可，但它展示了AI Agent在處理跨領域商業任務上的巨大潛能。
📝 AI Agent的挑戰
很多報導說Manus徹底拆了人類的職能部門和崗位。仔細看Manus展示的案例，那些簡歷篩選、財務報表分析、自動化辦公等功能更多的是概念化和原型化示例，要真正落地，還得在資料整合、業務邏輯對接、安全審計和持續維護等方面投入大量資源與精力。因此，AI Agent對於就業的影響更多體現為“轉型”而非“替代”，它更像是輔助各行各業從業者的“共駕（co-pilot）”，通過提升效率讓人們能夠發揮經驗，將精力集中於複雜創造的工作。
值得注意的是，深度學習驅動的 Agent 內部機制存在決策“黑箱”，儘管自我反思型工作流的發展能夠緩解模型幻覺（hallucination），或可突破“黑箱”侷限。但是AI Agent深入參與商業決策後所帶來的決策透明度、演算法偏見和責任歸屬等問題有待全人類的持續研究。
📝 AI Agent發展對個人的啟示
經常有學生給我看一個短影片或者社交媒體帖，指著扎眼扎心的“AI取代人類”標題問：“老師，這說的是真的嗎？”
是不是真的很難說，但我們可以從認識AI Agent的工作流做起，結合自己的真實學習或工作場景，找到自己不被取代的地方。因為長年駐紮商科課程教學前線，僅以教學實踐來舉例：
📎 在課程中要求學生嘗試將大型任務交給AI分解，再自主思考細節，培養宏觀規劃與監督AI執行的能力。
📎 對於一些熱點訊息，鼓勵學生用AI尋找資料，討論如何驗證AI給出的資訊是否精準，提高資訊獲取和鑑別能力。
📎要求學生扮演不同角色進行模擬談判，或引入自主搭建的專業智能體助手合作完成項目實踐。
以上這三種教學設計，分別對應了規劃型、反應型、多代理協作工作流，希望學生在體驗工作流的過程中主動探索與AI協作的最佳方式，提升效率、創造力和思辨力。
⚙️ 總結：
1. AI Agent是一個智能系統，LLM只是系統的認知部分；
2. AI Agent 的應用場景很多，但是有決策透明度、演算法偏見和責任歸屬等問題；
3. 深入理解AI Agent原理，學會融入日常實踐；