AI Agent 是什麼？跟自動化、跟 ChatGPT 差在哪？

為什麼每個人講的 AI Agent 都不一樣

這個詞現在被貼在太多東西上。一個會自動回覆訊息的機器人叫 agent，一支每天寄報表的排程叫 agent，一個能查資料的聊天視窗也叫 agent。結果就是你聽三個人講，會得到三種東西。

麻煩的是，這不只是名詞之爭。你要決定「要不要花錢導入」「這個外包報價合不合理」「我自己能不能做」，答案完全取決於你買的是哪一種。

所以這篇不從我的定義開始，從幾家真的在做這件事的公司的官方定義開始。

四家官方怎麼說

先把原文放上來。這四家都是自己在做模型或 agent 平台的，說法有各自的角度，但有一個共同點。

• Anthropic（做 Claude 的公司）把整個大類叫 agentic systems，再分成兩種：workflow 是「LLM 與工具透過預先寫好的程式路徑被編排」，agent 是「LLM 自己動態決定流程與工具用法，掌握著要怎麼完成任務」
• OpenAI 的說法是「Agent 是能獨立替你完成任務的系統」，並且明講只是接上 LLM、但沒有讓它控制流程執行的應用（單純的聊天機器人、單輪問答、情緒分類器）不算 agent
• IBM：「AI agent 是一套用手上的工具自己設計出流程、進而自主完成任務的系統」，強調它會把任務拆解、過程中持續重新評估並自我修正
• Google Cloud：「AI agent 是一個處理輸入、用手上的工具進行推理、再依自己的決定採取行動來達成目標的應用」

四家講的其實是同一件事

把上面四段擺在一起看，用字不同，但指向同一條線。

Anthropic 說「動態決定流程」，OpenAI 說「用 LLM 控制流程執行、動態選擇工具」，IBM 說「自己設計流程」，Google 說「依自己的決定採取行動」。

判準就是一句話：決定下一步做什麼的，是程式碼，還是模型。

程式碼決定的，是 workflow，中文講自動化。模型決定的，才是 agent。這條線跟它跑得多快、多聰明、介面多炫都沒有關係。

最常見的誤解：以為會自己跑就是 agent

這是我自己也講錯過的一個。很多人把「它會在每週一早上自己啟動」當成 agent 的特徵。

但觸發方式跟是不是 agent 完全無關。一支寫死步驟的排程可以每週一早上跑，一個會自己決定要查什麼的 agent 也可以每週一早上跑。兩者的差別不在什麼時候開始，在開始之後那段誰在做決定。

會這樣誤解很正常，因為從外面看，兩種東西的表現一模一樣：時間到了，信箱裡多一份報告。要分辨只能看中間。問一句話就知道：「這週如果數字特別怪，它會不會自己多去查一點別的東西？」會，是 agent。不管怎樣都跑一樣的流程，是自動化。

Agent 內部到底在做什麼

把 agent 拆開，核心是一個一直在繞的迴圈：看現在的狀況、決定下一步、動手做、看結果對不對。不對就再繞一圈。

關鍵在「繞幾圈、繞去哪」事先不知道。這也是 OpenAI 特別提到的一點：agent 要能認得出任務什麼時候算完成，需要的時候能自己修正，失敗的時候能停下來把控制權交還給你。

IBM 講的「持續重新評估自己的計畫並自我修正」也是同一件事。沒有這個修正的能力，就只是一條比較長的直線流程而已。

四種東西常被叫做 agent，只有一種算

把市面上會被叫 agent 的東西攤開排一次，你會發現它是一個光譜。

重點不是「越右邊越厲害，所以要往右邊走」。剛好相反：大多數生意上的問題，停在第三階就夠了，而且更穩定、更便宜、出錯更好查。

真實系統多半是分層的，不會整個是或整個不是

上面那個光譜容易讓人以為一套系統只能落在其中一格。實際拆開來看，多數系統是好幾層疊起來的，每一層的答案不一樣。

舉一個我自己的例子。我有一套每週自動產出營運報告的東西，我原本以為它整套算 Agent，拆開才發現只有中間那層是：

• 第一層　撈資料：一支腳本去固定幾個地方抓數字、算固定幾項對比。步驟全部寫死，這層連 AI 都沒有用到。不是 Agent
• 第二層　寫成報告：這層交給 AI，而且它是自己決定要翻哪幾份資料、看到不對再往下追、自己判斷夠了沒有。這層是 Agent
• 第三層　寄出：固定腳本，不管報告寫了什麼都照寄。不是 Agent

所以要問的不是「這是不是 Agent」

把上面那個拆法套到任何一個要賣你的工具，問題會變得好回答很多。

不要問「這個產品是不是 AI Agent」，問「它有幾層，每一層是誰在決定」。通常你會發現宣傳講的那個聰明的部分只佔其中一層，其他都是寫死的流程。

這不代表那個產品不好。寫死的流程佔多數其實是健康的，代表它可預測、好維護。但你會知道自己買到什麼，也會知道遇到例外的時候，它到底有沒有能力處理。

那什麼時候才真的需要 agent

Anthropic 自己的建議寫得很直白：workflow 在任務定義清楚的時候提供可預測性與一致性，agent 則是在需要彈性與模型自行判斷、而且要做到有規模的時候才比較好。

OpenAI 的說法角度不同但結論接近：優先考慮那些過去一直自動化不起來的流程，尤其是規則系統做不好的地方。他們舉的例子是付款詐騙判定，傳統規則引擎像一張檢查表，agent 則像一個有經驗的調查員，能看出沒有違反明確規則、但就是可疑的狀況。

翻成白話，判斷順序是這樣：

• 規則列得出來 → 不要用 agent。寫成固定流程就好，便宜又不會亂跑
• 規則列得出來但多到維護不動 → 可以考慮。這是 OpenAI 特別點名的情境，規則太多太細、改一次就出錯
• 需要看情況判斷、每次狀況都不太一樣 → 這才是 agent 的主場
• 做錯了代價很大 → 先不要全自動。不管用哪種，先讓它產草稿、你按確認

怎麼判斷別人賣給你的是不是真的

現在幾乎每個軟體都說自己有 AI agent。你不需要懂技術也能問出真相，問這四題就好。

• 「如果這次的狀況跟平常不一樣，它會做出不一樣的處理嗎？還是照跑同一套？」照跑同一套的，是自動化
• 「它手上有哪些工具可以用？誰決定什麼時候用哪一個？」如果答案是「我們在後台設定好的」，那是 workflow
• 「它做錯的時候會怎樣？自己發現、還是等我發現？」能自我修正是 agent 的核心特徵之一
• 「哪些動作它可以自己做，哪些一定要我按確認？」問不出明確界線的，先不要買

為什麼很多人買到的是自動化，卻以為買到 agent

這裡要講一句公道話：賣自動化不是詐騙，自動化本身很有用。問題出在期待落差。

你以為買了一個會自己判斷的同事，結果拿到一台會照表操課的機器。機器沒有壞，是你以為它會處理例外，它不會。真正的落差通常在第一次遇到「這次狀況不太一樣」的時候才爆出來。

所以簽約前把那四題問完，比看它的介面漂不漂亮重要得多。

Agent 做不到什麼

不管定義多漂亮，這幾件事今天還是做不到，而且跟模型多強沒有關係。

• 它不會替你承擔責任。它寄出去的信、算錯的數字，後果還是你的
• 它一樣會編。自主跑代表沒有人當場檢查，錯誤會被自動送出去，比你自己用還危險
• 它不知道你沒寫下來的規矩。「這個客人上次已經抱怨過，這次要特別小心」這種事，沒放進去它就不知道
• 它會很有自信地走錯方向。能自己決定步驟的另一面，就是能自己決定走錯

小公司實際上該從哪裡開始

如果你看完覺得「所以我到底要不要做 agent」，我的建議是先不要從 agent 開始。

先把一件重複的事做成穩定的固定流程，讓它每次跑出來的結果都對。這一步做完，你已經省到時間了，而且你會很清楚這件事的例外長什麼樣。

等到你發現「例外多到流程改不動」，那時候再往 agent 走，你才知道要讓它自己決定的是哪一段。順序反過來做，通常是把一件本來就不穩的事，變成一件不穩又難查的事。

一句話帶走

AI Agent 不是「比較厲害的 AI」，是「把決定下一步的權力交給模型」的一種做法。

權力交出去，換到的是它能處理你沒想到的狀況。代價是它也可能走去你沒想到的地方。要不要交、交多少，這是你的判斷，不是技術問題。