找ML & AI

導師大大導師

讓 AI 真的幫你做事：Agent 工作環境的系統設計

AI agent 正在從會回答問題走向**能實際做事**。它可以查資料、讀文件、呼叫 API、修改檔案、跑測試，也可以串起一段完整工作流程。 但 agent 一旦能做這麼多事情，問題就不只在模型聰不聰明，你還要考慮： - 它可以看哪些資料？ - 它可以用哪些工具？ - 哪些動作需要被限制或審核？ - 如果它做錯了，我們能不能恢復到之前的狀態？ - 怎麼判斷它是真的可靠，而不只是 demo 看起來很順？ 如果你已經聽過 RAG、MCP、agentic coding、context engineering，但還不確定這些概念在完整 agent 系統裡怎麼組合起來，這場活動會是一個很好的起點。 ### 活動亮點 ❌ 不會教 Claude Code、Codex 或任何特定 coding agent 的操作技巧 ❌ 不是 prompt 技巧或工具 demo 的教學 ✅ 用系統設計角度理解 agent，建立跨工具、跨產品都適用的基本架構 ✅ 用具體例子說明 agent 如何從拿到任務、找資料、使用工具，到驗證與回報結果 ✅ 討論 agent 怎麼被限制、被觀察、被追蹤，以及怎麼判斷它做得好不好 ✅ 後半段會丟出幾個真實情境的討論題目，讓各組討論，再分享講者會怎麼思考這些問題 適合想理解 agent 系統基礎架構，但還不想直接跳進複雜實作細節的人 ### 活動大綱 #### Part 1｜從 chatbot 到能做事的 agent - 定義 agent 和一般聊天機器人 chatbot 的差別 - chatbot 只有"回答錯"的問題，但 agent 會"真的做錯事" - 為什麼 agent 一旦能動手做事，就需要一套可控的工作環境 #### Part 2｜Agent 的工作環境由哪些部分組成？ - Agent harness 的整體架構：資料來源、記憶與狀態、工具、執行流程、權限邊界、紀錄與評估 - Agent 到底看到了什麼：文件、程式碼、搜尋結果、資料庫與外部系統 - 好的設計不應該是把所有資料都丟給模型，需要挑出當下真正需要看的內容 #### Part 3｜Agent 如何一步步完成任務？ - 從拿到任務到完成任務的完整流程：理解目標、選擇下一步、使用工具、讀取結果、修正方向 - 自動化程度的取捨：哪些事 agent 可以自己做、哪些要先產生草稿、哪些高風險操作必須有人確認 - 繼續、停止、還是問人：agent 的決策邏輯 #### Part 4｜怎麼讓 agent 變得可追蹤、可評估、可控？ - 為什麼只知道最後結果不夠：記錄 agent 看了什麼、用了哪些工具、做了哪些決定 - 怎麼判斷 agent 做得好不好：過程是否合理、成本是否可控、有沒有碰到風險操作 - 最小可行版本：一開始應該先做哪些保護與檢查 #### Part 5｜情境討論 - 講者會準備幾個貼近今天內容的討論主題 - 各組挑一兩個題目討論，分享彼此的想法 - 講者分享他會怎麼思考這些問題、考慮哪些因素 ### 適合對象 - 正在評估或導入 AI agent 工具，想先建立判斷框架的人 - 對 AI 系統設計有興趣，想從更高層次理解 agent 運作邏輯的人 - 聽過 RAG、MCP、agentic coding，但還不確定這些概念怎麼在完整系統裡組合起來的人 - 想理解 agent 系統基礎架構，但還不想直接跳進複雜實作細節的工程師或 PM ### 活動流程 12:45–13:00｜入場 & 報到 13:00–14:00｜主題分享 14:00–14:30｜Q&A 深度對話 14:30–14:45｜中場休息 14:45–15:15｜小組討論：情境題交流 15:15–15:30｜講者分享思考角度 15:30–15:45｜Wrap-up & 合照