Day 21：Agent（一） — 能用工作流就不要用代理

RAG 讓模型「知道」，Agent 讓模型「能做」。今天進入第二高頻的任務訊號（47.6%）。

但我要先講一個可能讓你意外的建議：你需要的多半不是 Agent。

今天要解決的問題

2025 年以來，「Agent」變成了一個什麼都能塞的詞。實務上多數的失敗是這樣的：

團隊做了一個「文件處理 Agent」，讓它自己決定要先分類還是先擷取、要不要查資料庫、要不要再確認一次。結果：同樣的文件，這次花 4 次 LLM 呼叫、下次花 11 次；成本浮動三倍，處理時間從 8 秒到 40 秒不等；出錯時完全不知道為什麼。

而這個流程本來是固定的——分類 → 擷取欄位 → 寫入資料庫。三個步驟，寫死就好。

用不確定性換來了不需要的彈性。

📊 職缺訊號

「Agent、工作流程與工具串接」出現在 47.6% 的生成式 AI 職缺中，僅次於 RAG。注意這個任務的完整名稱——它包含「工作流程」。市場要的不是「會做 autonomous agent」的人，是能判斷什麼時候該用哪一種的人。

---

一、現象：自主性是一道光譜

圖 21-1：從工作流到代理的自主性光譜（三條曲線為作者依實務經驗歸納的示意評分）。每往右一步，換到彈性，失去可預測性與可除錯性，成本也上升。

這張圖的讀法：

• 左半部（工作流區間）：流程由你決定，模型只負責它擅長的單點任務（分類、擷取、生成文字）。可測試、可預期、成本穩定。
• 右半部（代理區間）：流程由模型決定。能處理你沒預想到的情境，代價是每次執行路徑都可能不同。

判斷準則很簡單：

如果你能事先畫出流程圖，就用工作流。 只有當「下一步該做什麼」真的取決於前一步的結果，且組合太多無法窮舉時，才需要代理。

二、原理：五種設計模式，先試前四種

Anthropic 在《Building Effective Agents》整理了一組實用的模式體系。前四種都屬於工作流：

圖 21-2：從工作流到代理的六種設計模式（示意架構）。實務上八成的需求，前四種就能解決。

模式	適用情境	例子
提示鏈	步驟固定、每步都需要 LLM	翻譯 → 潤稿 → 檢查術語一致性
路由	有明確分類、各類處理方式不同	客服分流：退貨／技術問題／帳務
平行化	多個獨立子任務、可同時進行	同時檢查一份合約的五個風險面向
協調者-工作者	子任務數量不固定，但類型已知	依查詢改寫出的 N 個子問題分別檢索
評估者-最佳化者	有明確的品質標準可自我檢查	生成程式碼 → 跑測試 → 依錯誤修正
自主代理	步驟數與順序無法預先決定	「幫我調查這個客訴的來龍去脈」

三、動手：手刻一個 ReAct 迴圈

即使你最後用框架，手刻一次也是值得的——因為所有框架都是在包裝這 30 行。

"""agent.py —— ReAct（Reasoning + Acting）的最小完整實作。"""
import json

SYSTEM = """你是一個能使用工具的助理。你可以呼叫工具來取得資訊或執行動作。

工作方式：
1. 思考需要什麼資訊才能回答
2. 呼叫適當的工具（一次一個）
3. 觀察結果後，決定要繼續呼叫工具還是給出最終答案

原則：
- 只用工具回傳的事實回答，不要編造
- 若工具回傳錯誤，讀懂錯誤訊息後調整參數重試（最多兩次）
- 若三次仍無法取得資訊，誠實告知使用者"""

TOOLS = [
    {"type": "function", "function": {
        "name": "search_kb",
        "description": "在公司知識庫中搜尋資料。當需要公司政策、產品規格、"
                       "作業流程等內部資訊時使用。",
        "parameters": {"type": "object", "properties": {
            "query": {"type": "string", "description": "搜尋關鍵字或問題"}},
            "required": ["query"]}}},
    {"type": "function", "function": {
        "name": "calculate",
        "description": "執行數學運算。當需要精確計算時使用——不要自己心算。",
        "parameters": {"type": "object", "properties": {
            "expression": {"type": "string", "description": "Python 算式，如 (1200*0.05)"}},
            "required": ["expression"]}}},
]

def execute_tool(name: str, args: dict, ctx: dict) -> dict:
    """工具執行：所有安全檢查都在這裡，不在提示裡。"""
    if name == "search_kb":
        chunks = retrieve_and_rerank(args["query"], user=ctx["user"])  # 帶權限
        if not chunks:
            return {"error": "查無相關資料，請換個關鍵字或確認問題範圍"}
        return {"results": [c["text"][:500] for c in chunks[:3]]}
    if name == "calculate":
        try:
            # 正式環境請用安全的算式解析器，不要用 eval
            return {"result": safe_eval(args["expression"])}
        except Exception as e:
            return {"error": f"算式無效：{e}"}
    return {"error": f"未知的工具：{name}"}

async def run_agent(question: str, ctx: dict,
                    max_iterations: int = 6, max_cost_tokens: int = 20_000):
    """ReAct 迴圈。兩個上限是必要的護欄，不是可選項。"""
    messages = [{"role": "system", "content": SYSTEM},
                {"role": "user", "content": question}]
    trace, used_tokens = [], 0

    for i in range(max_iterations):
        resp = await client.chat.completions.create(
            model=MODEL, messages=messages, tools=TOOLS)
        used_tokens += resp.usage.total_tokens
        msg = resp.choices[0].message

        if not msg.tool_calls:                      # 模型認為可以回答了
            trace.append({"step": i, "action": "final_answer"})
            return {"answer": msg.content, "trace": trace,
                    "iterations": i + 1, "tokens": used_tokens}

        messages.append(msg)
        for call in msg.tool_calls:
            args = json.loads(call.function.arguments)
            result = execute_tool(call.function.name, args, ctx)
            trace.append({"step": i, "tool": call.function.name,
                          "args": args, "ok": "error" not in result})
            messages.append({"role": "tool", "tool_call_id": call.id,
                             "content": json.dumps(result, ensure_ascii=False)})

        if used_tokens > max_cost_tokens:           # 成本上限：防止失控燒錢
            return {"answer": "這個問題較複雜，已轉由專人處理。",
                    "trace": trace, "stopped": "cost_limit"}

    return {"answer": "我無法在合理步驟內完成這個查詢，已轉由專人處理。",
            "trace": trace, "stopped": "max_iterations"}

這段程式碼有三個生產級的細節，比迴圈本身更重要：

1. max_iterations 與 max_cost_tokens——沒有這兩個上限，一個迴圈錯誤就能燒掉你整個月的預算。這不是可選項。
2. trace——記錄每一步做了什麼。出問題時，這是唯一能讓你重建現場的東西（Day 22 詳談）。
3. 權限在 execute_tool 裡——不在提示裡。這點 Day 17 強調過，Day 25 會看到不這樣做的後果。

四、取捨：什麼時候升級到代理

訊號	判斷
「流程圖畫得出來」	用工作流
「大部分情況固定，少數需要判斷」	工作流 ＋ 一個路由節點
「步驟數不固定，但工具種類已知」	協調者-工作者，或限制迭代次數的代理
「連要用哪些工具都不確定」	自主代理——但先問自己這個需求是不是定義不清
「使用者的請求千奇百怪」	通常代表還沒收斂需求，先做前 20% 高頻情境

4.1 從工作流開始，逐步放寬的實際做法

即使最終要做代理，也建議這樣分階段推進：

階段一：全部寫死。 流程固定，模型只做單點任務（分類、擷取、生成文字）。此時你會累積兩樣東西：真實的使用者請求分布，以及哪些情境是流程處理不了的。

階段二：加一個路由。 從階段一的資料中，你會發現請求其實集中在少數幾類。用一個 LLM 路由節點分流，各類走各自的固定流程。這一步通常能覆蓋 80–90% 的請求。

階段三：對剩下的長尾開放代理。 那 10–20% 無法歸類的請求，才交給有工具、有迭代上限的代理處理。而且要記錄它的每一次執行——這些紀錄會告訴你，其中有沒有哪些又可以被收斂成固定流程。

這個順序的好處是：每一階段都能上線、都能產生價值，而且風險是遞增而非一次到位。它也符合 Day 11 談過的原則——自動化程度應該隨著你對系統的理解而提高。

💡 一個我常用的說服方式

當有人堅持要做全自主代理時，我會問：「這個代理如果做錯，最壞會怎樣？」

• 如果答案是「回答錯誤，使用者再問一次」——那可以放心試。
• 如果答案是「刪掉資料 / 寄錯信 / 下錯單」——那就先做工作流，把不可逆的動作交給人確認。

自主性的上限，應該由「錯誤的代價」決定，而不是由技術的可能性決定。

---

今日小結

• 自主性是光譜不是開關：每往右一步，換到彈性，失去可預測性與可除錯性，成本也上升。
• 能畫出流程圖就用工作流；只有當「下一步取決於前一步結果、組合無法窮舉」時才需要代理。
• 六種模式中，前四種（提示鏈、路由、平行化、協調者-工作者）就能解決八成需求。
• ReAct 迴圈的核心只有 30 行，所有框架都是在包裝它——手刻一次會讓你在除錯時知道從哪查。
• 三個生產級細節比迴圈本身更重要：迭代上限與成本上限（不是可選項）、trace（唯一能重建現場的東西）、權限在執行層而非提示裡。
• 自主性的上限應由「錯誤的代價」決定，不是由技術可能性決定。

明天預告

明天談 Agent 的第二半，也是決定它能不能上線的部分：MCP 標準怎麼降低整合成本、多代理系統的真實失敗模式，以及一套可靠性護欄——怎麼讓一個會自己做決定的系統，不會把公司燒了。

延伸閱讀

• 📄 Anthropic, Building Effective Agents——本文模式體系的來源，「先用簡單的」這個核心主張值得每個做 agent 的人讀一次
• 📄 Yao et al., ReAct: Synergizing Reasoning and Acting in Language Models (2022)——ReAct 的原始論文

---

← Day 20 ｜ Day 22 →

本文同步發布於 iThome 鐵人賽；Blog 版本為站內閱讀與系列導覽的主要版本。