今年七月，我有幸前往 維也納 參加 NLP 領域的頂級研討會 ACL 2025。但時程非常緊湊：畢業口試一結束，隔天一早就要搭機前往歐洲。當時因全力準備口試而焦頭爛額，完全沒有多餘心力安排行程。偏偏目的地既遙遠又陌生，理應要有更充足的準備才安心。那時我心裡確實閃過一個念頭——如果能有「替身能力」，讓另一個分身幫我處理行程，該有多好。
平常我在旅遊規劃上算是蠻講究的人，甚至會整理成完整的行程文件（例如以前規劃日本旅行時的紀錄）。規劃行程時，我通常會先找好想去的景點，再搜尋附近的美食，接著考慮交通方式，最後整合成每日流暢的動線。當時還得面對一些背景因素，例如疫情期間需要填寫 Visit Japan Web 等入境手續，讓準備過程更顯繁瑣。換個角度看，這其實就像一個小型的 「旅行規劃 Agent」——會自己蒐集、整理、再輸出一個最合適的方案。而這也點出了 AI 若要成為真正的智慧協作夥伴，就不只要能處理靜態資訊，還得懂得搜尋並因應當下的情境與限制，做出不同的應對。
圖：先前規劃日本旅行時的行程文件，除了景點、美食、交通等基本要素，也必須因應疫情期間的入境規範（如 Visit Japan Web）。
這次 還好有女友大力相助，幫我分擔不少細節，最後才讓行程順利又充實。但也正因如此，我更強烈地想像：要是能有個智慧 「隊友」，能主動幫忙安排行程，那將會減輕許多負擔。
就在這樣的心境下，我參加了 ACL 大會。會場上我見識到許多頂尖研究與應用，深受振奮，也帶回滿滿的能量，更加確信——我們需要的，是能 「主動幫忙」 的 AI，而不只是被動回答的工具。帶著這份啟發，我決定參加今年的 iThome 鐵人賽，用 30 天的時間一步步探索 Agentic AI 的關鍵能力，親手打造屬於自己的 AI 替身。
簡單來說，Agentic AI 就是 「主動型 AI」。它的特點是：只要給它一個目標，AI 就能自己想辦法完成，包含找資料、規劃步驟、執行解決方案。相比之下，傳統的 被動式 AI 更像一個工具，只能一問一答，「一個口令一個動作」，不會持續幫你推進。
如果要找個比喻，我會想到《JOJO 的奇妙冒險》。承太郎的替身 「白金之星」 在覺醒時，會主動替他擋下子彈，而不是等他發號施令才行動。Agentic AI 就像這樣，具備 主動性 與 行動力。
圖：《JOJO 的奇妙冒險》中，承太郎的替身「白金之星」會在危險來臨時主動擋下子彈。這正是 Agentic AI 想像中的樣貌——具備主動性，而非等待指令。
放到旅遊情境裡來說，一般 AI 助手只能回答：「維也納有哪些景點？」但一個 旅遊規劃 Agent 就能更進一步：主動幫你蒐集資訊、依照喜好排出行程，甚至幫你準備備案，就像真正的 智慧旅伴。
既然目標是打造 AI 替身隊友，我的策略不是重新訓練模型，而是讓現有的 LLM（大型語言模型） 逐步變得更 Agentic。
在這 30 天中，我會依序探索幾項關鍵能力：推理、使用工具、反思、自我修正、多代理協作 等等。並且結合 LangChain、LangGraph、MCP（Model Context Protocol）、n8n 這些實用框架，把零散的功能串起來，組合成一個更完整的系統。
最終，我希望 AI 不只是 回答問題的助手，而能成為 「一起解決問題的夥伴」。甚至進一步能讓多個 Agent 組隊，各自分工，協作完成更複雜的任務。在這過程中，我也期待發現一些還沒想到的新方法或觀念，讓這趟探索更豐富。
這 30 天，我會完整記錄學習與實作的過程。希望這些學習經驗，也能幫助對 Agentic AI 有興趣的朋友們。透過這些分享，讓學習更有效率，協助讀者更快掌握重點，也幫助後來者更快上手。
我也期許自己能和大家一起成長。在這條探索之路上，我們 不再是孤軍奮戰，而是能與 AI 夥伴 並肩前行，共同升級。相信隨著更多人掌握 主動型 AI，每個人都能打造出屬於自己的 智慧替身，讓人與 AI 真正攜手，開展全新的協作篇章。
圖：維也納美景宮（Belvedere Palace）的大理石廳 The Marble Hall。抬頭望見滿天壁畫與華麗裝飾，正如這場 30 天的挑戰，也將是一段壯闊而充滿細節的探索旅程。
iThome鐵人賽
看影片追技術