前幾天已經讓 AI Companion 可以結合 Health Memory、Health State 和衛教 RAG，根據使用者近期狀況產生比較個人化的回答。

但做到這裡，AI 其實還是偏向：

使用者問一個問題，AI 回答一個問題。

今天開始往下一步前進：

讓 AI 不只決定「要說什麼」，也開始決定「接下來要做什麼」。

也就是加入第一版 AI Agent。

LLM、RAG 和 Agent 有什麼不同？

目前系統裡的三個角色可以簡單分成：

LLM
→ 理解問題、產生回答

RAG
→ 找需要的知識

Agent
→ 根據 Context 決定下一個 Action

例如使用者說：

最近一直睡不好。

一般 LLM 可能直接回答睡眠建議。

加入 RAG 後，可以先找到可信的睡眠衛教資料再回答。

而 Agent 會再多判斷：

近期有沒有相關 Health Memory？
狀況持續多久？
要不要查 RAG？
要不要記錄新的 Health Event？
需要進一步追問嗎？

所以 Agent 並不是單純換一個模型，而是讓 LLM 開始有能力決定要不要使用工具。

第一版 Agent Action

目前先設計幾個簡單 Action：

reply
retrieve_health_rag
save_health_memory
ask_follow_up
create_reminder
suggest_professional_help

例如使用者說：

我今天早上的藥好像還沒吃。

Agent 可以判斷：

save_health_memory
→ 記錄 medication_not_taken

ask_follow_up
→ 確認是否真的漏服

reply
→ 提醒依照原本醫囑或用藥紀錄確認

這裡需要特別限制：

AI 不直接決定要不要補吃藥，也不自行修改用藥方式。

Agent 主要負責紀錄、提醒與資訊整理。

Agent Decision

第一版先讓 LLM 輸出結構化結果：

{
  "action": "retrieve_health_rag",
  "reason": "近期持續出現睡眠問題",
  "query": "睡眠品質改善與睡眠衛教"
}

程式收到 Action 後，再呼叫對應 Tool。

整體流程變成：

User Message
↓
Context
├─ Memory
├─ Health Memory
├─ Health State
└─ Conversation
↓
Agent Decision
↓
Tool / Action
↓
Result
↓
LLM Response

以前是把所有資料一次丟給 LLM。

現在則多了一層：

先判斷現在真正需要什麼，再執行對應 Action。

一個例子

假設使用者說：

最近還是一直睡不好。

系統看到近期 Health Memory：

09/01 睡眠品質不好
09/02 半夜醒來兩次
09/03 仍然睡不好

Health State 顯示：

sleep_issue
duration: 3 days
trend: persistent

Agent 就可以決定：

查詢睡眠衛教 RAG
↓
取得相關知識
↓
產生個人化回答

最後回答就不只是：

建議保持規律作息。

而是：

你最近幾天都有提到睡眠品質不好，
看起來已經持續一段時間。

可以先觀察最近的咖啡因、午睡時間與睡前活動，
並盡量維持固定的睡眠時間。

如果持續影響白天精神，
也可以考慮向醫療專業人員諮詢。

Agent 的安全邊界

健康情境中的 Agent 不能無限制執行 Action。

目前先限制：

不進行疾病診斷
不自行修改用藥
不決定停藥或加藥
不把 Health Memory 當成正式醫療紀錄

Agent 比較適合做的是：

整理資訊
查詢衛教資料
建立提醒
後續追問
健康狀態觀察
建議尋求專業協助

今天遇到的問題

加入 Agent 後，最難的是：

什麼時候真的需要呼叫 Tool？

Tool 呼叫太多會增加延遲，也可能產生不必要的 Action；但判斷太保守，又會變回一般 Chatbot。

所以後續還需要調整 Agent 的觸發條件與安全規則。

今天完成的核心

Day 15 是：

Memory + RAG，讓回答更個人化。

Day 16 則變成：

Context
↓
Agent Decision
↓
Tool / Action
↓
Response

讓 AI Companion 開始從「只會回答」，進一步變成「可以決定下一步做什麼」。

下一步 Day 17，就可以繼續做：

根據 Health State 主動判斷什麼時候需要關心使用者。