前言

走到第 29 天，這趟旅程也即將進到尾聲。

回顧過去的篇章，我們從零開始，一步步探索 Agentic AI 的核心能力，讓 LLM 學會：

• 推理（Reasoning）
• 檢索（Retrieval）
• 工具使用（Tool Use）
• 規劃（Planning）
• 記憶（Memory）
• 反思（Reflection）
• 協作（Collaboration）

同時，我們也探討了三個讓 AI「更貼近現實應用」的核心能力：

• Multimodal（多模態）：讓模型能同時理解文字、圖像與聲音，不只閱讀行程，也能分析菜單、辨識景點。
• Guardrails（安全邊界）：建立行為準則與防錯機制，確保模型在生成內容或使用工具時，不偏離倫理與安全範圍。
• Human-in-the-Loop（人類回饋機制）：在人類關鍵決策點介入審核、修改、批准或拒絕，讓 AI 的決策過程納入人類判斷力。

透過 LangChain / LangGraph / MCP / n8n 的協同整合，
我們讓這些能力從概念變成可觀察、可操作的智慧系統。
如今的 Agent，已不只是回答問題的模型，
而是真正能與人協作、思考、行動的智慧夥伴。

但故事還沒結束。
因為最終的關鍵不是 Agent 與 Agent 之間 的合作，
而是——

人與 AI 之間的協作。

從自動化到增強：人機協作的新範式

今年七月我在維也納參加 ACL 研討會（Association for Computational Linguistics） 時，
還有一場關於人機協作非常精彩的 Tutorial——
《Human-AI Collaboration: How AIs Augment Human Teammates》
這場教學完整梳理了目前 Human-AI Collaboration 的研究與實務進展，提出了許多有啟發性的觀點：

人機協作的目標，不是讓 AI 取代人，
而是讓 AI 增強人類的能力（Augmentation），
幫助我們完成更高層次的任務。

這正是人機協作與傳統自動化的根本差異。

• 自動化（Automation） 追求取代與效率；
• 增強（Augmentation） 則追求互補與創造力。

若 AI 只追求取代人力，將陷入所謂的 「Turing Trap」：
人被排除在決策與創造之外，工作品質與價值感反而下降。
而真正成熟的 AI 系統，應該讓人能「看得見、調得動、學得到」。

這樣的觀點，為我們在旅遊助理案例中實現的「AI × Human Workflow」提供了清晰方向。

人機協作的三層架構：從互動到基礎

Tutorial 中提出 Wang & Lu (2025) 的 三層協作架構（Three-Layer Framework），
正與本系列的技術實作高度契合：

這三層構成了現代人機協作系統的「骨架」。

在本系列的 Demo 中：

• 我們以 n8n 建立可視化的工作流（互動層），
• 以 LangChain / LangGraph 管理多 Agent 推理（流程層），
• 再透過 Memory 與 MCP 工具 承接資料與上下文（基礎層）。

這正呼應了 ACL 教學課程所強調的重點：

真正有效的人機系統，必須整合「互動、流程、基礎」三個維度，
並在其中保持透明性、可控性與學習性。

Process Layer：任務分工與共同反思

在協作的核心中，AI 的任務不只是執行，
而是要讓人理解過程、參與決策、驗證結果。

這與我們在 Day 28 的 n8n 工作流 不謀而合：
每個節點都清楚標示任務分工，
而人類能透過 Gmail 審核、意見回饋來調整決策方向。

Tutorial 指出，這種「回合式合作設計（Turn-based Collaboration）」
是當代人機協作的核心：

其關鍵特性包括：

• 支援 動態角色切換（有時 AI 主導、有時人主導）。
• 促進 共同反思（Co-reflection），讓系統與人都能成長。
• 強調 任務委派與再分配，AI 可根據回饋重新組織行動策略。

這與我們的 HITL（Human-in-the-Loop） + Reflection & Memory 設計對齊。

Demo：讓 Agent 成為你的 AI 隊友

最終，我們把所有 Agent 能力整合為一個循環：
行程生成 → 郵件審核 → 反思修正 → 記憶更新 → 再規劃 → 批准後自動上架行事曆。

n8n 流程架構

下圖是完整的人機協作工作流：

圖：AI 與人類共同完成「規劃 → 審核 → 反思 → 修正 → 再規劃」的閉環流程。

圖：n8n 工作流設計。每個節點皆對應一個角色與任務，流程透明可追蹤。

在這個流程中：

1. When Chat Message Received
   使用者輸入旅行需求，啟動流程。

2. Supervisor Agent
   呼叫 FastAPI /plan 端點，協調 Weather、Planner、Advisor 三位子 Agent，
   整合天氣、景點與建議。

3. Markdown → HTML
   將輸出內容轉成郵件可讀格式。

4. Gmail 審核（Human-in-the-loop）
   將結果寄給人類審核，等待「Approve」或「Reject」的回覆。

5. If 節點分流
   若批准 → 建立 Google Calendar 事件；
   若拒絕 → 呼叫 /reflect 產生反思。

6. Reflect Agent
   分析使用者回饋，提出修正方向，並透過 Memory 保存反思紀錄。

7. Loop Over Items
   反思內容再回 Supervisor，重新規劃行程，進入新一輪循環。

Multi-Agent 旅遊助理整合成 FastAPI 服務程式實作（片段）

將 Day 24 的旅遊 Agent 包成 FastAPI 服務供 n8n 工作流呼叫使用（以下為節錄示意）

import asyncio
from fastapi import FastAPI
from pydantic import BaseModel
from langchain.chat_models import init_chat_model
from langchain.agents import create_agent
from langchain.tools import tool
from langgraph.checkpoint.memory import InMemorySaver
from langchain_mcp_adapters.client import MultiServerMCPClient
import os
from contextlib import asynccontextmanager



# 輸入模型
class PlanRequest(BaseModel):
    text: str
    reflection: str | None = None
    thread_id: str = "trip"

class ReflectRequest(BaseModel):
    plan: str
    feedback: str
    thread_id: str = "trip"


SUPERVISOR = create_agent(
    model=model,
    tools=[call_weather, call_planner, call_advisor],
    system_prompt="你是旅行統籌助理，整合子 Agent 輸出或反思建議並提供完整建議。",
    checkpointer=MEMORY,
)

# Reflect Agent
REFLECT_AGENT = create_agent(
    model=model,
    tools=[],
    system_prompt="你是反思 Agent，分析使用者回饋並提供修正建議。",
    checkpointer=MEMORY,


# FastAPI 初始化
app = FastAPI(title="Multi-Agent Travel Planner", lifespan=lifespan)

# API endpoint
@app.post("/plan")
async def api_plan(req: PlanRequest):
    if req.reflection:
        req.text += f" 另外，請參考以下反思建議進行調整：{req.reflection}"
    payload = {"messages": [{"role": "user", "content": req.text}]}
    result = await SUPERVISOR.ainvoke(payload, {"configurable": {"thread_id": req.thread_id}})
    return {"plan": result["messages"][-1].content}

@app.post("/reflect")
async def api_reflect(req: ReflectRequest):
    prompt = f"行程安排：{req.plan}。使用者回饋：{req.feedback}。請分析並提供反思建議。"
    payload = {"messages": [{"role": "user", "content": prompt}]}
    result = await REFLECT_AGENT.ainvoke(payload, {"configurable": {"thread_id": req.thread_id}})
    return {"reflection": result["messages"][-1].content}

實際執行結果（逐步）

以下以「我不吃牛肉」為情境，展示人機協作 × 反思記憶如何循環運作。

1）提出需求（User Input）

使用者於 Chat 發出請求：規劃維也納一日遊，需考量天氣與適合的安排。

2）第一版行程寄出（含牛肉選項）

Supervisor 整合 Weather / Planner / Advisor，轉 Markdown→HTML，透過 Gmail 寄出審核信。餐食包含 Tafelspitz（煮牛肉） 與 Goulash（燉牛肉）。

3）人類拒絕並回饋偏好（Human-in-the-loop）

使用者在審核表單勾選 No，並回饋：「我不吃牛肉」。這是人類「導向（steering）」與「控制（control）」的介入點。

4）反思 Agent 啟動（Reflection）

Reflect Agent 解析回饋，產生結構化反思：
— 明確標註含牛肉餐點
— 提供非牛肉替代
— 調整文案與提示語句
反思紀錄寫入 Memory（協作記憶）。

5）重新規劃並標示「無牛肉」

Supervisor 接收反思，重產行程；餐食部分改為 非牛肉選項，並在段落標題中 明顯標示（無牛肉）。

6）人類批准（Approve）

使用者確認調整合理，於審核表單選擇 Yes。

7）自動更新 Google Calendar（落地執行）

n8n If 節點分流至 Google Calendar：建立事件並帶入完整 Markdown（內含「不含牛肉」標註）。這是 Augmentation 的體現：AI 幫人把決策落地。

8）再次詢問（長期互動測試）

同一工作階段、同一 thread_id 下，再次請 AI 安排行程。

9）記憶生效（個人化）

系統無須再次審核偏好，直接輸出無牛肉版本。這證明反思結果已寫入 Memory，形成個人化偏好。

10）完整可觀察性（Observability）

n8n 日誌完整呈現每個節點的輸入 / 輸出與時間序，使用者能追蹤「決策為什麼這樣走」。這正是 Transparency & Alignment 的要求：可追溯、可驗證、可調整。

這正是 ACL Tutorial 所強調的三層協作精神的具體落地：

• Interaction：以 Gmail 表單讓人類可介入並可驗證。
• Process：回合作業（Reject → Reflect → Re-plan）。
• Infrastructure：以 Memory 積累個人化偏好，讓系統越用越懂你。

Evaluation：從 AI 表現到人機整體效能

Tutorial 提出 Centaur Evaluation（人機混合評估）：

• 不再以「AI 是否比人強」為標準，
• 而是看「人 + AI 是否超越個別表現」。

在這個案例中：
AI 擅長資料整合與生成，人類提供價值觀與偏好。
單靠 AI 難以推測「不吃牛」的偏好；單靠人又耗時去比對景點與天氣。
兩者透過反思循環協作達成互補，輸出結果既快速又貼心。
這就是「人機共創」的真正價值所在。

小結：從第一步，到最後一哩

29 天的旅程，我們從一個簡單的 LLM，
一路走到具備多 Agent、工具協作、記憶反思與人機共創的智慧系統。

沿途我們看見：

• Agentic AI 的核心能力；
• LangChain 賦予結構與抽象；
• LangGraph 帶來狀態與記憶；
• MCP 有效運用外部能力；
• n8n 讓整體決策與執行可視化；
• Multimodal × Guardrails × Human-in-the-Loop
  則讓 AI 走出封閉的文字世界，
  進入能理解世界、尊重安全、與人共創的全新時代。

AI 的終點，不是自動化，而是協作化。
我們要的不是取代，而是共創——
讓 AI 成為真正的隊友，與我們一起思考、一起行動、一起成長。

這 29 天的旅程，不只是打造一個智慧系統的過程，
也是一場學習「如何與智慧共處」的旅程。
當 AI 不再只是工具，而成為理解我們、與我們並肩協作的隊友時，
那才是人機協作真正的起點。

圖：維也納美泉宮凱旋門（Gloriette, Schönbrunn Palace）。坐落於宮殿花園的最高點，這座巴洛克式建築象徵「勝利與遠望」。初次見到此景色相當震撼。從下方花園望去，整體構圖呈現完美的軸線平衡——就像人機協作系統的設計，AI 在高處統籌資訊、人類則在前線感知世界，兩者相互呼應、成就全景的智慧視野。（攝影：作者自攝）