從 ChatGPT 到 Agentic

這是一篇我的學習。結合了網路上一些參考，涵蓋了從 AI 模型、複合系統，到「ReAct」方法，以及何時應該選寫簡單的程式，或是更具 Agentic 的做法，希望對你學習上有所助益。

前言

在過去的一年中，ChatGPT 已經徹底改變我們對 AI 的想像。隨著我們進入2025 年，焦點漸漸不再只是單一的 LLM，而是轉向更模組化的系統，最終走向能夠做更多事情的 AI agents。本文將探討以下議題：

• 為何複合系統如此重要
• 什麼叫做讓 AI 不只「推理」，還能進一步「行動」
• ReAct（Reason + Act）方法如何成為 AI 代理的核心
• 何時該使用簡單的程式化方法，何時該使用更代理式的方法來應對複雜任務

早期階段：ChatGPT 的使用

在最初的階段，LLM 的使用方式相當直接，(把它理解成 ChatGPT 即可)：

1. 輸入問題 → LLM → 輸出答案

或是在需要整合外部知識時，可能會採用

2. 輸入問題 → 搜尋 → LLM → 輸出答案

這樣的方式對於一般的問答任務或基礎需求已經足夠，但它也有明顯的侷限：

• 難以適應：單一模型無法輕易轉換到新任務或動態需求
• 知識有限：如果不頻繁重新訓練，模型知識會過時

串接而成的系統

為了克服上述限制，AI 社群跟產品開始打造複合系統，也常被稱為 RAG（Retrieval-Augmented Generation）。在這種架構下，你會將整個 AI 流程分成專門的元件：

1. 檢索（Retrieval）：查詢知識庫或資料庫
2. 推理（Reasoning）：利用（通常是 LLM）解讀檢索到的資料
3. 執行（Acting）：根據推理結果執行相應的動作，或產生最終答案

透過將問題拆解到不同的元件中，團隊就能在不重新訓練整個系統的情況下，升級或替換任何一個元件。這不僅更容易適應，也能確保知識不斷更新。

進入 AI Agent：Reason、Act 和 Memory

什麼是 AI 代理？

AI 代理 更進一步，帶來了自主性（autonomy）——它不只是輸出答案，還能：

1. 推理（Reason）：用大型語言模型多步驟思考與規劃。
2. 行動（Act）：呼叫外部工具，如搜尋引擎、計算器，甚至執行程式碼。
3. 存取記憶（Access Memory）：從資料庫或其他資源中讀取專門或情境化資訊。

換句話說，AI 代理能觀察自己行動的結果，反覆微調自己的計畫，並持續優化，直到得到完善的解決方案。

ReAct 方法

描述 AI 代理運作邏輯時，常用的縮寫就是 「ReAct」。實際流程是：

• Re（Reason）：AI 決定要如何規劃任務、需要哪些工具或資料來源。
• Act：代理執行這些動作（查詢資料、計算、程式碼執行等），然後根據結果進行觀察、調整，並決定下一步。

這個循環可以在複雜任務中重複多次，不同於一次性向 LLM 提問就產生答案的作法。

快思與慢思的自主性

在此結合了人類與 AI 的決策模式：

• 務實（人類）- 快思（Think FAST）：人類擅長快速的直覺判斷。
• 代理（LLMs）- 慢思（Think SLOW）：基於 LLM 的代理可以較系統、逐步地搜尋大量資料，並全面評估潛在解答。

這種雙重機制能在面對簡單任務時維持高效率（人類的快速判斷），同時在複雜任務上藉由 AI 的「慢思」來進行深入而全面的分析。系統因而擁有更高的自主性，可依需求將不同類型的任務交給最適合的決策者。

簡單任務 vs. 複雜任務

程式化（Programmatic）：面對簡單任務

對於簡單、規格明確的任務——例如定期生成報表、單純計算、或一次性的網頁爬蟲——只需使用條件式（if-then）或固定指令的程式化方法就可以：

• 低度不確定性。
• 解法步驟大致固定。
• 不太需要反覆迭代或多次決策。

此時，「程式化」方法往往更直接並節省資源。

代理式（Agentic）：面對複雜任務

當一個任務包含多步驟、動態資訊或不確定需求時，就需要引入代理式 AI：

1. 計畫 / 思考（Plan / Think）：代理提出假設或解決路徑。
2. 行動（Act）：代理呼叫各種外部工具或 API。
3. 觀察（Observe）：評估執行成果是否符合期望。
4. 迭代（Iterate）：若結果不理想，就重新調整計畫，再次行動，直到取得理想結果。

對於這類動態需求，Agentic AI 能進行探索並在過程中修正，而不是一個指令就把事情做死。

代理式方法的優勢

單純的「一次性回答」模式往往力有未逮。這時候，就需要能不斷「思考、行動、觀察、再思考」的代理式（Agentic）方法。舉例來說，你想整合機票、天氣預報、活動資訊，替自己與朋友規劃一趟完美的跨國旅行。

1. 複雜需求：例如整合機票、天氣、活動資訊來規劃完整行程，或大規模的資料分析、偵錯。代理式 AI 則能同時連動多個資訊來源：查詢航班、即時氣象、旅遊景點評價、甚至自動篩選符合預算的行程。這種多來源、多步驟的整合能力，也適用於大規模的資料分析與除錯（debug）。代理式 AI 能在龐大的資料裡不斷迭代搜尋、比對或模擬演算，最終給出更全面、精準的結果。
2. 適應力：能在發現新訊息或情況變動時迅速轉向或修正策略。在企業流程自動化、資料分析等領域，若中途出現異常資料或市場風向改變，代理式 AI 也能隨時修正策略，避免整個計畫「卡死」在某個錯誤上。
3. 迭代能力：代理可以在每個階段都重新推理，比一次性作答更能避免錯誤。每個階段，AI 代理都可以重新評估當前情況，如果發現前一步的決策失誤，能迅速校正，以降低錯誤帶來的連鎖反應。比起傳統一次性回答模式，這種逐步迭代的特性更能幫助我們在複雜情境中找出最佳解決方案，也避免了「一不小心就全部推翻」的浪費。
4. 結合人類：人類的「快思」判斷與 AI 的「慢思」分析聯合運作，可產生更全面的決策品質。「1+1 大於 2」的模式，讓決策更全面、更客觀，也更能處理高複雜度的挑戰。

如何設計你的 AI Agnet

1. 從簡單開始：如果任務相對明確，先用程式化方法。
2. 模組化：在複雜度漸增時，引入檢索、推理、與行動的模組。
3. 啟用 ReAct：讓 AI 能夠計畫、行動並反覆調整，而非一次性產生答案。
4. 保有人類參與：人類用直覺快速決策，AI 代理則做系統性推理，協力完成任務。

除了 ReAct 還有哪些進階方法？

1. Chain-of-Thought（CoT）：簡單來說，就是在回答之前，讓模型先把它的思考步驟一條一條寫出來。好處是不只幫助我們了解 AI 怎麼想，也能讓我們在需要時修正或調整它的推理過程。

2. Tree-of-Thoughts（ToT）：這種做法就像在同時走好幾條路，看看哪條路能走到好結果。它會不斷比較不同的解法，像樹狀結構一樣，有些路不好就「剪掉」，最後留下一條最可行，或者是說效果最好的路徑。特別適合面對高度不確定或多步驟的複雜任務。

這兩種方法都能與 ReAct 結合，或單獨運用在需要更強推理能力的場景。

Agentic AI 的安全

AI 如果能呼叫外部工具或執行程式碼，這種高自主能力勢必帶來更大風險。因此最好需要設計一個 Sandbox（沙箱），即一種受控且隔離的運行環境，可限制 AI 在該環境中只能進行安全範圍內的操作。即使 AI 出現誤判或嘗試執行危險操作，也不會直接影響主系統或造成大規模損害。

或是做人工審核 （Human-in-the-Loop），記錄 AI 代理所有行動、建議，並保持一定的「回溯與審計」能力。透過上述機制，能在提升 AI 效率的同時，儘量降低風險。

AI 的治理與責任

AI Agent 要真正落地有自主權，需要的不僅是技術，也包含治理與監管。比如說合規方面，針對個資、金融、醫療等高敏感度領域，必須符合各地不同的合規要求（如 GDPR）。

另外，倫理與責任歸屬：AI 代理若做出錯誤決策，該由誰負責？AI 若能自我學習並更新行動策略，就必須對其行為進行定期審視、審計，確保不偏離原本目標或干犯法規、倫理底線。

結論

2025 年之後，正式進入 AI 代理 時代——「ReAct」成為常態，自主性成為關鍵，系統透過不斷的推理與行動循環來進行最佳化。

從單一 LLM 到 Agentic 的演進，產品已經對 AI 能力逐漸加深的理解：AI 不只是回答問題，還能夠計畫、觀察、並動態調整。對於較不變的重複性任務，簡單的程式化方法依舊有效；但面對複雜、多層次的挑戰，AI Agents 則將帶來更具創造力、迭代性與適應性的解方。

無論你是開發者、PM、或純粹對科技充滿好奇的人，辨別何時該用簡單方法、何時該採取代理路線，都是打造靈活產品的關鍵。將人類「快思」與 AI「慢思」結合，AI 就不再只是被動回答，而能成為一個能夠「思考」並且「行動」的夥伴，為各種應用場景開啟無限可能。