如何與 AI 一起工作？
隨著人工智慧（AI）技術的普及，各種「工作流（Workflow）」概念被廣泛運用於產業界之中。然而，不同工作流有不同的設計邏輯與適用情境。以下將介紹三種主要的工作流『類型」，深入探討 Agentic 的「運作模式（Pattern）」。
Workflow 的類型
1. Automated Workflow
這種工作流不使用AI，通常根據事先定義好的規則按部就班地執行，不會主動調整或回饋，因此很適合用在一些高度重複且固定的任務，例如表單資料的處理或固定步驟的審核流程。
傳統工作流： 使用者查詢 → 定義步驟1 → 定義步驟2 →...→ 產生結果
- 非 AI 的規則導向，事先定義明確步驟。
- 根據預先設定的規則順序執行步驟，不具備動態調整能力。
2. Non-agentic AI Workflow
使用了 AI 模型來協助處理任務，但通常只是將「問題」交給 AI 模型，讓模型直接產生結果，並不具備後續的動態調整或反饋的能力。像是文本摘要、情緒分析這類較為簡單而明確的 AI 任務，就很適合這種模式。也就是平常你在使用 ChatGPT 的模式。
非代理型 AI：使用者查詢 → AI 模型處理 → 產生結果（單次運作，不反饋）
3. Agentic Workflow
這種模式更加先進且靈活，因為它結合了 AI 代理的動態規劃、工具使用以及自我反思調整的能力。Agentic Workflow 可以根據任務需求即時制定計畫，動態使用不同的工具解決問題，並在過程中持續反思及改善結果，因此特別適合用在較為複雜、高度彈性並且需要持續改善的場景中，例如程式碼撰寫、深度資料研究或複雜問題的解決方案規劃。
代理型 AI：使用者查詢 → 規劃 → 工具使用 → 反思調整 → 動態產生結果
- 可動態制定規劃，透過工具完成任務，並反思調整結果。
- 複雜、高度彈性且需要自我改善的任務，例如「程式碼撰寫」、「深度研究」
三種不同的模式（Patterns）
Agentic Workflow 具備強大的動態調整能力，其核心可分為三種模式：
Planning Pattern
把複雜問題拆解成小任務
當我們面對複雜問題時，往往不知道從哪裡下手。規劃模式的核心思想，就是讓 AI 代理主動把一個龐大的任務，分解成幾個小的、明確的步驟，再依序完成這些子任務，最後完成整個大任務。
舉例來說：想像你要請 AI 幫忙解決一個軟體程式的錯誤（Bug），AI 代理會怎麼做？
- 首先，它會分析你的需求，理解你想要完成的任務。
- 接著，AI 會自動將任務細分，例如：
- 子任務一：閱讀錯誤訊息、釐清問題來源。
- 子任務二：找出可能產生錯誤的程式碼位置。
- 子任務三：透過其他工具或資料庫，查詢並提供可能的解決方式。
- 最後，依序執行這些步驟，直到所有子任務完成，才會整合資訊提供給你完整的建議或答案。
透過規劃模式，複雜的任務變得容易管理，也更精準、更有效率，能大幅降低 AI 產生錯誤或不精確回應的機會。
工具使用模式（Tool Use Pattern）
透過外部工具補足 AI 模型的侷限
儘管大型語言模型（LLM）如 GPT 已經非常強大，但模型的內部知識仍存在一定的限制，例如缺乏即時資訊或現實數據。這時，代理型 AI 工作流中的工具使用模式，就顯得相當重要。
工具使用模式的原理是 AI 代理根據使用者提出的問題，自動判斷並使用外部工具，取得即時的、可靠的資訊來解決問題。
舉例來說：
你問 AI：「今天美國 Apple 股價是多少？」
- AI 接收到這個查詢後，會理解自身內部並沒有當天股價的資訊。
- 因此，代理會立即選擇並啟動適合的外部工具（如網路搜尋或金融 API）。
- AI 代理透過工具，即時取得最新股價資訊，並整合這些資訊後回覆給你。
常見的工具包括：
- 網頁搜尋工具（Google、Bing）
- 向量搜尋引擎（Vector Search，方便快速檢索相關文件）
- 通訊及合作工具（如 Gmail、Slack 等），可進行訊息發送或資訊分享。
透過工具使用模式，AI 可以跨越原本訓練資料的限制，提供及時、準確且與現實世界緊密結合的回答。
反思模式（Reflection Pattern）
讓 AI 學會自我調整，持續改善
反思模式，是代理型 AI 工作流當中最具「智慧」的部分。它的概念很直觀，就是讓 AI 能夠自我評估並修正自己的回答，從而提高結果的品質與準確性。
舉例來說：假設你請 AI 代理協助撰寫一段程式碼來完成特定功能：
- AI 首先產生一段程式碼，並進行實際測試或模擬執行。
- 若發現這段程式碼運作失敗或效果不佳，AI 並非直接放棄或將錯誤資訊回覆給你，而是進入反思模式。
- AI 會主動分析失敗的原因，調整自己的解決策略或修改程式碼後再進行第二次測試，持續迭代到結果達標為止。
反思模式不僅提高單一任務的準確性，更重要的是，它能讓 AI 學習並記住過去的錯誤，逐步提升未來面對類似問題時的處理效率與準確度。
Agentic RAG 的實務範例
透過 Agentic RAG（Retrieval Augmented Generation），清楚展示以上三種模式的運用：
- 記憶檢查： 判斷此問題是否過去已經回答過，若有，直接回應。
- 判斷是否需要額外資訊： 若有缺乏資訊，進行問題分解。
- 子查詢處理： 利用工具（搜尋引擎等）動態檢索所需資訊。
- 反思調整： 判斷資訊品質與相關性，不滿意則重新檢索。
- 生成回應： 最終產生優質的回答。
透過這樣的實務流程，代理型 Workflow 可以有效處理複雜的使用者問題，提供精準與適切的回答。
人類 x AI，未來一起工作的方式
我們創造語言、神話、藝術與宗教，藉由這些符號形式，構築出豐富且複雜的文化世界。如今，我們也同樣透過工具與科技創造新的符號 — AI 便是當代人類文明最具代表性的符號形式之一。
透過深入了解不同工作流的特性與其背後運作模式後，我們能更有效地判斷在不同的情境中，應該如何選擇適合的 Workflow 來發揮最大效果。從傳統的規則導向工作流，到非代理型 AI 工作流，再到具高度自主性與適應能力的代理型工作流（Agentic Workflow），每種模式都有其適用的場景與優勢。
Agentic Workflow 的核心價值，在於透過規劃、工具使用與自我反思，讓 AI 具備接近人類的思考彈性與主動調整能力。然而，即便再強大的 AI，也必須借助外部工具與人類的設計引導才能充分發揮實力。因此，AI 的極限，其實也取決於人類提供的工具與框架。就像一句常聽到的話：
當我們為 AI 代理持續打造更適合、更強大的工具時，我們也同時擴展了人類自身的潛能。