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？
• 小組討論環節，讓你能認識同樣在摸索 AI agent 的人，聊聊彼此的實作與困惑

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

這場活動會從系統設計角度出發的思考框架，不會著重在 Claude Code、Codex 或任何特定 coding agent 的操作教學

• 用系統設計角度理解 agent，而不是只看 prompt 或工具 demo
• 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
• 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
• 安排時間可以跟大家聊聊自己在 AI agent 這塊正在做什麼、遇到什麼問題

活動大綱

Part 1｜從 chatbot 到能做事的 agent

• 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

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

13:45–14:00｜入場 & 報到
14:00–15:00｜主題分享
15:00–15:30｜Q&A 深度對話
15:30–15:45｜中場休息
15:45–16:15｜小組討論、Networking 交流
16:15–16:30｜Wrap-up & 合照