前言：旅行中的「分工角色」

還記得 昨天 (Day 1) 提到的「旅行規劃 Agent」嗎？
如果把一次完整的旅行想像成一個專案，就會發現光靠一個人其實很難處理好所有細節。通常我們會分工：有人專門安排行程（Planner）、有人研究當地美食（Researcher）、有人專門記錄交通方式（Navigator）、有人會在突發狀況時做臨場調整（Problem Solver）。

這些角色各有特色，但共同構成了一個能完成複雜任務的團隊。Agentic AI 也是一樣：它不是一個單一的「問答機器」，而是透過不同能力模組與設計模式（Design Patterns）的組合，變成能在動態環境下持續「做事」的智慧夥伴。

從被動到主動：LLM 與 Agentic AI 的分水嶺

傳統的 LLM 多半是「一問一答」：你問它，它答你；你改條件，它再重答。這種互動雖然方便，但在面對多步驟、需要即時外部資訊、或需要持續追蹤狀態的任務時，往往顯得不足。

而 Agentic AI 的價值在於「把 目標 丟給系統，讓系統 自己想辦法完成 」。它會主動查資料、呼叫工具、拆解任務、反思修正，並在必要時與其他 Agent 協作或重新規劃，直到達成目標為止。

Agentic AI 的核心能力

要讓 AI 從「工具」走向「夥伴」，它必須具備一系列核心能力，這些能力像是一棵逐層展開的能力樹，從基礎的感知環境，到高階的規劃、反思與協作，彼此環環相扣。

• Autonomy（自主性）
  不必等人類逐條下指令，能依既定目標自行推進。交代「三天行程、預算 300 歐、偏好藝術與咖啡館」後，會主動展開安排，而不是只回一串清單。

• Perception（感知）
  能察覺環境狀態與變化：天氣轉雨、景點臨時休館、交通延誤、餐廳營業時段、票價浮動等都在視野內。

• Reactivity（反應力）
  在偵測到變化時立即採取合適對策：下雨就把戶外換成室內動線；火車誤點則改用其他路線或調整到站時間，避免硬走既定計畫。

• Planning（規劃力）
  把大目標拆成可執行步驟並安排順序，必要時預先準備備案。實務上常結合逐步思考（如 CoT / ToT）與地理動線、開放時段、移動成本等約束來調整。

• Tool Use（工具使用）
  不只「會說」，還能「會查、會算、會驗證」：調用天氣與票價 API、用地圖估算移動時間、檢視餐廳菜單或訂位可用性，讓建議從想像落到可執行。

• Memory（記憶）
  把偏好與限制寫入並在後續沿用：不吃牛肉、偏好咖啡館、對走路距離的耐受度、曾挑過的餐廳／景點等，後續規劃會自動避開不合適選項並優先符合偏好。

• Reflection（反思）
  產出不是終點；會自檢與修正。若發現同日移動過遠、預算超標、或排程過於緊湊，能主動重排或提供替代方案。

• Learning & Adaptivity（學習與適應）
  不必重訓模型，也能隨互動調整決策傾向：觀察你常拒絕早場行程，下次就延後起點；看到你偏好步行多於轉車，規劃會逐步貼近這種節奏。

  與 Memory 的差異在於：Memory 記的是「事實／偏好」，Learning 調的是「策略／行為傾向」。

• Collaboration（協作）
  能與其他 Agent 或模組分工並整合：有人專責動線、有人看預算、有人審查可行性；協調者把結果彙整成一致方案，讓 1 + 1 > 2。

• Goal-oriented（目標導向）
  始終圍繞任務目標行動，而非生成漂亮但不落地的文字；當目標是「三天 300 歐、偏好藝術、避免牛肉」，整體決策都圍繞這個框架收斂。

Agentic AI 的運作

這些能力如何協同？可以用一個閉環來理解：

1. Input：人類給定目標（例如三天行程、300 歐預算）。
2. Observation：Agent 持續觀察環境（天氣、交通、景點營業資訊）。
3. Action：依據觀察與規劃做出行動（呼叫工具、生成建議）。
4. Environment：行動會改變環境（例如預訂完成、選擇的景點已被標記為已訪）。
5. Loop：環境回饋再被觀察，觸發下一輪決策，直到達成目標。

這種「有刺激就有反應」的循環，讓 Agentic AI 能夠在動態情境下持續推進，而不是停留在靜態的一次性回答。

Agentic Design Patterns

在實務上，要讓這些能力真正落地，不會只靠模型「天生就會」，而是需要一些結構化的設計方式。這些 Design Patterns（設計模式） 就像是常用的積木，讓我們能把不同的能力模組組合起來，搭建出更可靠、可擴展的 Agent 系統：

• Tool Use Pattern
  主動呼叫外部工具（天氣 / 地圖 / 搜尋 / 票價 API、資料庫、OCR 等），並能判斷「何時用、該用哪個」。

• Planning Pattern
  把多步驟任務拆解為子任務並安排順序，必要時還會設計備案，確保在環境變動下依舊能前進。

• Reflection Pattern
  產出不是結束，而是開始。會自動檢查輸出，若發現錯誤或不合理，就重試或修正。這可由單一 Agent 完成，也能交給專門的 Evaluator Agent。

• ReAct Pattern（Reason + Act）
  在推理與行動之間來回：思考 → 執行 → 觀察 → 再思考，直到找到可行的解法。這特別適合動態、不確定的情境。

• Multi-Agent Pattern
  由多個專責 Agent 分工協作：有人負責規劃（Planner）、有人掌控預算（Budget）、有人檢查飲食限制（Diet）、有人做整體評估（Evaluator）。最終結果由協調者整合，通常比單一 Agent 更完整、更可靠。

Demo：LLM（被動） vs Agentic AI（主動）

以下用同一個任務，分別在 關閉工具（單純 LLM）與 啟用工具／思考模式（Agentic 傾向）兩種設定下進行，直觀比較差異。

任務 Prompt（相同）

幫我規劃三天維也納行程，限制：不吃牛肉、偏好藝術與咖啡館、預算 300 歐；請考慮下週天氣。

設定 A：僅 LLM（關閉瀏覽／工具）

• 直接輸出一份三天行程清單：列出熱門景點、幾家咖啡館，提供簡要動線。
• 不會查即時天氣與票價、也不會驗證餐廳是否符合飲食限制，預算常為估計值。

圖：單純 LLM 的一次性回覆，提供概括建議但缺少即時資料與驗證。

設定 B：Agentic（啟用工具／思考模式）

• 系統會先查天氣與票價/營業資訊，再拆解任務規劃行程。
• 依天氣把戶外/室內活動做動態調整，並檢查預算與飲食偏好（不吃牛肉）。
• 產出後進行自我檢查（Reflection），必要時重排並附上備案。

圖：啟用工具後，系統會查天氣與票價並動態規劃，輸出可執行且含備案的行程。

觀察重點

• 資料來源：A 只靠內部知識；B 會主動查詢官方/即時資料。
• 任務推進：A 停在「回答」；B 能持續「行動」到達成目標（查→規劃→驗證→修正）。
• 使用者條件：B 會把「不吃牛肉」「預算 300 歐」等條件落到餐廳與門票選擇上。
• 穩健性：B 具備備案與自檢，遇到天氣變動或預算超標時能自動調整。

你也可以用同一個 Prompt 在 ChatGPT / Gemini 做比較：一次關閉瀏覽/工具、一次啟用瀏覽/工具。會很直觀地看到從「靜態建議」到「主動規劃與驗證」的差異。

小結

• LLM 很有用，但偏向知識與生成；Agentic AI 更像一個會「做事」的隊友。
• 要讓 AI 主動起來，需要一系列核心能力：自主、感知、反應、規劃、工具使用、記憶、反思、學習與協作。
• 這些能力透過 設計模式（Design Patterns） 組合落地，例如 Tool Use、Planning、Reflection、ReAct、Multi-Agent。
• 善用設計模式，就能從單次問答的體驗，進一步打造一個能「持續推進」的 Agentic 系統。

圖：從維也納美景宮（Belvedere Palace）上花園遠眺市區，能看見史蒂芬大教堂與市中心天際線。正如 Agentic AI 的角色，不只專注於局部任務，更能拉高視野，協調各方，推動整體目標前進。