回顧早期的應用，AI Agent 的行動完全依賴程式人員以規則編碼的方式來規範，例如透過「如果 XXX，則執行 YYY」的邏輯，為 AI Agent 制定行為。

如今，AI Agent 已能夠結合生成式AI與大型語言模型，透過調用API與串接雲服務等方式，從龐大資料中快速提取模式與規律，進而發展核心技能。不再只是依循預設規則，而是透過有效的資訊學習不斷優化自身行為。

隨著強化學習（Reinforcement Learning）的發展，AI Agent 進入全新階段，具備感知變動、回應資訊回饋並調整策略的能力，能在決策輔助中發揮更大價值。同時，AI Agent 不再侷限於單一任務，而是透過多任務學習與多模態學習，能同時處理不同類型的資訊（如圖像、文本、聲音），並靈活應用於各種領域。

展望未來，AI Agent 將朝向更高層次的自主性與自我優化發展。包括讓機器學會如何學習的「元學習」（Meta Learning），以及透過監督式學習（Supervised Learning）持續強化規律探索，這些技術都推動了 AI Agent 的進化。

然而，AI Agent 的進步同時伴隨挑戰與疑慮。若 AI Agent 被惡意植入系統，可能成為病毒或駭客程式，帶來資安風險；它也可能誤入不良環境而被不當利用，因此使用者必須持續強化防護與安全機制。

在倫理與法律層面，AI Agent 的自主性提升，決策中可能出現「倫理困境」。最常被討論的案例是自動駕駛：當意外無法避免時，AI 如何作出最後抉擇？在醫療領域，若要讓 AI 真正協助醫師，則需依賴大量病歷資料進行學習，這涉及隱私、資料倫理與法律規範，都是必須審慎面對的議題。

在釐清這些背景與挑戰後，下次我們就要將開始進入專案實作的部份了，透過實際應用來認識 AI Agent 的設計與開發。

參考資料：

1. AI Agent是什麼？應用領域為何？AI Agent？個優點一次看
2. 什麼是強化學習？– 強化學習說明 – AWS
3. 監督式與非監督式學習 - 機器學習演算法之間的區別 - AWS