AI Agent 是一種軟體系統，能夠與其所處環境互動、收集資料，並運用這些資料執行自主任務，以達成預先設定的目標。

AI Agent 可以應用在客服、資料分析、軟體開發與日常行政工作中，幫助我們查詢資料並處理申請、蒐集資料並整理報告、修改程式並執行測試，或查找行事曆中的空檔並安排會議。這些工作往往需要查閱資料、使用不同工具，再根據結果採取下一步行動；Agent 可以將這些步驟串接起來，減少我們在系統之間反覆查找、搬移資料與手動操作的工作。

那麼，Agent 是如何把這些步驟串接起來的？以語言模型為核心的 Agent，可以拆成四個組成來理解：

• Model（模型）：理解使用者的需求，根據目前資訊決定要回答、追問，或提出工具呼叫請求。
• Context（上下文）：模型當次決策可以使用的資訊，包含系統指令、使用者訊息、工具說明與先前的執行結果。
• Tools（工具）：由程式提供的操作介面，例如查詢資料、檢索文件或建立申請，負責實際取得資料與執行操作。
• Loop（執行循環）：由程式串接模型與工具，將工具結果放回上下文，再交給模型決定下一步。

把這四個組成放回執行過程，就是下面這張圖的循環：

Agent 接收目標後，模型依據當下的上下文決定下一步：提出工具呼叫，或判定任務已完成。工具執行後的觀察結果會附加回上下文，再交還給模型判斷，這條回到「LLM 決定下一步」的路徑就是 Loop。每繞一圈，上下文就多一筆執行結果，模型的下一次決策也建立在更完整的資訊上；直到模型判定目標達成，才離開循環結束任務。

這份自由度也是風險所在，語言模型本質上是非確定性的機率推論，如果完全由模型主導流程，它可能在未滿足前置條件時直接觸發操作；而商業系統需要的是確定性的邏輯、資料驗證與權限控制。因此，一個可靠的 Agent 系統，核心在於落實「語意理解」與「流程控制」的職責分離：

• 語意理解交給模型：模型專注於它最擅長的工作——理解自然語言、辨識使用者意圖、萃取關鍵參數，並提出下一步的操作建議。
• 流程控制交給程式：外層程式負責把關所有具備副作用的操作。由程式透過資料契約（Contract）驗證參數格式、以狀態（State）追蹤流程進度，並依據硬性規則決定是放行執行、要求補充資訊，還是強制終止任務。

讓模型負責推論，程式負責把關與推進。兩者的職責邊界劃分清楚，非確定性的模型決策才能始終運行在受控的軌道上。

本系列共 30 篇，分為六個實作主題，以 Python 撰寫完整範例。我們將打造能查詢資料、使用工具與執行任務的 Agent，從最基礎的 API 呼叫開始，逐步加入狀態管理、安全防護與評估機制：

1. 從原生 SDK 理解基本循環：我們不引入任何框架，直接使用 Python 與 Anthropic 原生 SDK 串接 API。手動將對話記錄放入 messages 陣列以維持上下文，並實作基礎 Tool Loop，由模型提出資料查詢請求、程式執行後回傳結果，掌握最核心的資料流向。
2. 在入口驗證輸入並分流意圖：當使用者要求「查詢申請進度」卻缺少申請編號，或夾帶越權指令時，我們用 Pydantic 將非結構化文字收斂為嚴謹型別，缺漏時自動反問；並由程式掌握意圖分流與權限隔離，限制模型能接觸的操作邊界。
3. 用 LangGraph 狀態圖管理複雜流程：當流程需要多步驟推進（查詢資料、驗證條件、等待補充文件與人工核准）時，while 迴圈難以維護。我們引入 LangGraph 將流程拆解為狀態機節點，並支援人工介入審核（Human-in-the-loop），在需要核准的操作前暫停並保存狀態，確認後再恢復執行。
4. 建立安全的工具契約與寫入保護：模型產生格式合法的工具參數，不代表符合商業邏輯。我們為工具定義嚴格的資料契約（API Contract），並在寫入介面實作冪等鍵（Idempotency Key），防範因網路中斷重試而重複建立資料或提交申請。
5. 擴展外部工具、知識與多 Agent 協作：當業務規則分散在多份文件、工具涉及多個內部系統時，我們透過 Model Context Protocol（MCP）標準協定接入外部資料庫，以 RAG 與 GraphRAG 即時檢索相關規範，並將複雜任務拆解給多個專責 Agent 協同分工。
6. 用測試、評估與執行軌跡驗證系統：Agent 回覆「已完成任務」不代表真正執行無誤。我們針對確定性規則撰寫單元測試，用 LLM Judge 批量評估回答品質，並透過 Langfuse 記錄每一次呼叫的軌跡（Trace），為上線建立客觀的發布門檻。

釐清了核心概念與架構後，接下來就是動手寫程式。這個系列會從最基礎的 API 呼叫與上下文處理開始，循序漸進完成狀態管理與工具串接。準備好 Python 開發環境，系列實作正式開始。