Day 1：這 30 天，我想解決什麼問題？

在 Day 1，我想先說明這個系列的動機、接下來會涵蓋的主題、不會涵蓋的內容，以及 30 天後希望能留下什麼。

動機

在現代人與 AI Agent 的協作中，真正的瓶頸往往已經不是模型能力，而是人的介入。

每一次確認、切換、判斷與操作，都可能中斷 Agent 原本可以持續推進的工作流程。

因此，我認為設計 Agent 系統的一個核心問題是：

如何在保留人類控制權與可檢視性的前提下，盡可能降低人的介入頻率？

理想的 Agent 不應只是等待指令、完成單一步驟，而是能從人的意圖出發，自主規劃、執行並持續推進；同時把過程與結果清楚呈現出來，讓人只在真正需要判斷的地方介入。

資料分析是一個很適合驗證這個想法的場景。

企業裡大量的分析工作，其實都有相似的模式：理解資料、定義分析邏輯、執行分析，再整理與呈現結果。當資料使用相同 schema 時，許多分析並不需要每次重新開始，而是可以先透過較小的資料集定義分析流程，再將同一套流程套用到更大的資料集上。

因此，真正值得思考的問題不只是「如何讓 Agent 幫忙做分析」，而是：

如何讓使用者定義一次分析，再有效率地將它規模化執行。

這也是這個專案的核心方向。

平台會讓使用者透過 Workflow 定義需要進行的分析，並組合不同的分析節點；Agent 則負責理解任務、協助產生分析邏輯，以及根據不同分析之間的關係自動安排執行順序，盡可能降低整體執行時間。

換句話說，我想做的不是一個單純「輸入問題、輸出答案」的分析 Agent，而是一套能夠定義、保存、組合、執行與持續調整分析流程的平台。

另一方面，coding agent 的快速發展，也大幅降低了軟體實作本身的成本。

當寫程式變得更快之後，真正拉開差距的反而更可能是系統架構、pipeline 設計、Agent 邊界、工具設計，以及如何讓 coding agent 在一個足夠清楚的專案結構中工作。

接下來這 30 天，我會圍繞這些問題，分享自己建構 Agentic Analytics 平台的過程與心得。

讓 Agent 能夠規劃、執行並呈現成果，背後真正重要的往往不是單一模型，而是工具、prompt、workflow、sandbox 與執行環境之間如何互相配合。

在正式開始之前，我也想先釐清這個系列中會出現的兩種 Agent。

第一種是 Claude Code、Codex、Pi 這類協助開發的工具，我會稱它們為 coding agent。

第二種則是平台本身內建、實際負責規劃與執行分析任務的 Agent，我會稱它為 system agent，有時也會直接簡稱為 agent。

涵蓋內容

這 30 天主要會圍繞以下幾個主題：

• 平台架構：前端、後端與 sandbox 應該如何分離，以及這些元件之間如何互動
• Coding agent 的 prompt engineering：如何讓 coding agent 更穩定地產生符合預期的程式碼與架構
• 專案程式碼的設計與結構：如何讓 coding agent 更容易理解、瀏覽與擴充既有系統
• deepagents 的實際使用：如何運用 deepagents 建構 agent workflow、哪些功能能加速開發，以及實際使用時可能遇到的限制
• System agent 的工具設計：應該開放哪些能力給 Agent，以及如何安全地限制工具的使用範圍
• 第三方 sandbox 整合：如何在隔離、可拋棄的環境中執行 Agent 產生的程式碼
• Workflow 設計：如何透過可自訂的 node 組合分析流程
• Agentic execution：如何讓 Agent 自動安排分析任務的執行順序，降低整體執行時間
• 互動式 HTML 報告：如何讓 Agent 將分析結果渲染成可互動的報告，並讓使用者直接針對結果給出下一步指示

不涵蓋內容

這個系列不打算涵蓋所有與 Agent 系統相關的問題。以下內容會刻意留在範圍之外：

• 從零打造 agent harness，我們會直接使用 deepagents 現有的 harness
• 雲端基礎設施
• 大規模擴展議題，例如 caching、load balancing、database replication
• 線上部署
• LLM fine-tuning
• 本地端 LLM 部署
• 完整的 UX 優化

這不代表這些問題不重要，而是我希望把焦點放在 Agent 系統本身的設計、開發與執行流程。

你需要準備什麼

如果你想跟著這個系列一起實作，建議準備：

• 一個支援 coding agent 工作流程的 IDE，例如 VS Code
• 一個 coding agent，例如 Claude Code、Codex、Pi 或 Omni
• 第三方 sandbox 服務的使用權限，例如 Daytona 或 Modal

不需要一開始就準備好所有工具。很多選擇本身，也會是這個系列想討論的一部分。

30 天後你將獲得什麼

如果順利走完這 30 天，我希望最後能留下的不只是一個可以運作的 demo，而是一套更完整的方法。

目標是讓讀者對以下幾件事有更具體的理解：

• 如何設計一個能夠自主規劃、執行並持續推進任務的 system agent
• 如何組織專案程式碼，讓 coding agent 能有效理解與擴充系統
• 如何運用 deepagents，以及設計 tool 讓他有更好的表現
• 如何在 Daytona、Modal 等 sandbox 環境中安全地執行 Agent 產生的程式碼
• 如何設計可組合的 Analysis Workflow，將一次定義的分析套用到相同 schema 的不同資料集
• 如何把 Agent 的視覺化輸出與使用者的下一步指示串連起來，形成持續調整的互動迴圈，而不是停留在一次性的分析結果

這 30 天不會試圖打造一個完美的 Agent 平台。

我更想做的是，透過一個具體的數據分析場景，逐步拆解一個 Agent 系統真正需要面對的設計問題。

如何讓人定義目標，讓 Agent 負責推進，而人只在真正重要的地方介入。