2025 年末，Google 發布「Introduction to Agents」白皮書，標誌著 AI 正從被動的聊天機器人邁向自主代理系統（AI Agents）。這場典範轉移將如何改變企業運作？本文深入剖析 AI Agent 的四大核心架構、五級能力指標、關鍵的 Agent Ops 營運體系，以及企業落地的關鍵策略。

---

一、 軟體開發的典範轉移：從「砌磚工」到「導演」

人工智慧正經歷一場根本性的轉變。過去幾年，我們熟悉的 AI（如早期的 ChatGPT）主要屬於預測式 AI。Google 白皮書將這種開發模式比喻為「砌磚工（The Bricklayer）」——開發者必須明確定義每一行程式碼的邏輯，告訴 AI 每一步該怎麼做。

如今，我們正進入代理式 AI（Agentic AI） 的時代。這時的開發者更像是一位「導演（The Director）」。你不再需要微管理每一個步驟，而是設定場景（環境）、選角（工具）、給予劇本（目標），然後讓 AI Agent 自主規劃路徑、解決問題並應對突發狀況。

這種轉變意味著 AI 不再只是「回答問題」的工具，而是能夠「完成工作」的合作夥伴。這是一個從「邏輯編寫」轉向「上下文工程（Context Engineering）」的過程，核心在於如何策展 AI 的資訊視窗。

二、 Agent 的解剖學：構成自主系統的四大核心

要讓 AI 像員工一樣獨立工作，它不能只有大腦。Google 定義了 Agent 的四大核心組件，這構成了它的完整「身體構造」：

1. 大腦（模型 Model）：負責推理、規劃與決策的核心。不同的任務可能需要不同大小的模型（如 Gemini Pro 或 Flash）來平衡成本與效能。
2. 雙手（工具 Tools）：讓 Agent 能與真實世界互動的介面。這包括搜尋網路、讀取企業資料庫、執行程式碼或操作 API。
3. 神經系統（協調層 Orchestration）：這是連接大腦與雙手的關鍵，負責管理記憶、規劃步驟（推理 → 行動 → 觀察的迴圈），並確保任務在軌道上運行。
4. 身體（部署 Infrastructure）：Agent 運行的基礎設施，涉及安全性驗證、權限管理與擴展性。

三、 你的 AI 在哪一級？代理系統的五級進化論

並非所有 Agent 都一樣強大。Google 提出了一個清晰的五層級分類，幫助企業評估自身的技術成熟度：

• Level 0(第0級) – 核心推理系統：僅能依據訓練資料回答問題，無法聯網或使用工具（早期的 LLM）。
• Level 1(第1級) – 互聯的問題解決者：AI 開始「長出雙手」，能呼叫外部工具或檢索即時資訊來回答問題。
• Level 2 (第2級)- 策略性問題解決者：具備長期規劃能力，能將複雜問題拆解為多個步驟並依序執行。
• Level 3(第3級) -協作式多代理系統：這是一個分水嶺。多個專精不同領域的 Agent 組成團隊，透過分工合作解決單一 Agent 無法處理的複雜任務。
• Level 4 (第4級)- 自我演化代理：系統能自我學習、改進，甚至在發現能力不足時，自動生成新的工具或子 Agent 來解決問題。

目前大多數領先企業正處於從 Level 2 邁向 Level 3 的階段。

四、 專家團隊模式：為什麼一個 Agent 不夠用？

你可能會問：「為什麼不訓練一個超級 Agent 做所有事？」答案是認知過載。就像人類一樣，如果要一個人同時當律師、工程師又當會計，效率必然低落。

最有效的架構是多代理協作（Multi-Agent Systems）。以「合規性查詢」為例，當用戶提出一個複雜的法規問題時，系統並不是由單一 Agent 硬答，而是啟動一個團隊：

1. 協調器 Agent：擔任專案經理，負責拆解任務。
2. 查詢分解 Agent：將大問題拆成多個搜尋關鍵字。
3. 評論 Agent：負責審核蒐集到的資訊是否準確。
4. 報告 Agent：將最終結果整合成易讀的報告。

這種分工模式不僅提高了準確度，還讓除錯變得更容易——如果報告寫得不好，你知道是「報告 Agent」的問題，而不是整個大腦壞了。

五、 連接萬物的標準：MCP 與 A2A 協定

當企業內部充滿了各種不同功能的 Agent，它們如何溝通？這需要共通語言。目前業界正形成三大互操作性支柱：

• MCP (Model Context Protocol)：這是一種「USB 標準」，讓任何 AI 模型都能快速連接任何數據源或工具，無需為每個工具重新寫程式碼。
• A2A (Agent2Agent)：這是 Agent 之間的通訊協定。就像交換名片一樣，Agent 透過交換「Agent Card」來宣告自己的能力，讓其他 Agent 知道何時該找它幫忙。
• AP2 (Agent Payments Protocol)：為了讓 Agent 能執行商業交易（如訂票、採購），這是建立經濟信任與支付授權的協定。

六、 Agent Ops：駕馭不可預測性的新營運思維

傳統軟體開發（DevOps）的測試邏輯很簡單：輸入 A，預期輸出 B，如果不一致就是 Bug。但在 AI Agent 的世界裡，同樣的輸入可能每次都會得到略有不同的回答，這種「機率性」讓傳統測試失效。

這時，企業需要建立全新的 Agent Ops 體系。這張圖表（圖 6）清楚展示了從 DevOps 到 MLOps，再到 GenAIOps 的演進關係。Agent Ops 引入了三個關鍵概念來確保系統穩定：

1. AI 評 AI（Evaluation）：既然人類無法一一審核，我們就用另一個強大的模型（LLM-as-a-Judge）來擔任裁判，評分 Agent 的回答是否準確、安全。
2. 思考軌跡追蹤（Traces）：傳統 Log 只記錄結果，Agent Ops 則需要記錄「思考過程」——Agent 為什麼決定呼叫這個工具？它的推理邏輯是什麼？這對於除錯至關重要。
3. 反饋迴圈（Feedback Loop）：將用戶的反饋與錯誤案例自動導回系統，成為新的測試資料集，讓 Agent 越用越聰明。

七、 來自前瞻的案例：AI 共同科學家

這不是科幻小說，Google 的 AI Co-Scientist 已經在運作中。這是一個協助科學研究的多代理系統。

在這個系統中，有專門負責「文獻探索」的 Agent，有負責「模擬科學辯論」的反思 Agent，還有負責「生成研究假設」的 Agent。它們協同工作，不僅加速了文獻回顧的速度，還能提出人類科學家可能忽略的新穎假設。

給台灣企業決策者的行動建議

AI Agent 技術已經從實驗室走向應用層，這對企業意味著什麼？

1. 重新思考「工作流程」而非「對話框」：不要只著眼於導入一個聊天機器人，而是檢視企業內部有哪些重複性高、規則明確的「流程」（如採購核銷、初級客服），這些是 Level 2 Agent 的最佳戰場。
2. 資料治理是基本功：Agent 的能力取決於它能存取多少正確的資料。如果企業內部的資料是破碎、非結構化的（所謂的 Dumb Data），再聰明的 Agent 也會「巧婦難為無米之炊」。
3. 擁抱「人機協作」的治理思維：Agent 雖然自主，但需要監督。建立 Agent Ops（代理營運體系）至關重要，確保有明確的護欄（Guardrails）防止 AI 做出越權或錯誤的決策。

AI 不會取代所有人類工作，但懂得運用 Agent 來組建「數位團隊」的企業，將在效率與創新上遙遙領先。

本文作者為資策會數位轉型研究院永續交通科技中心工程師董定融