我們其實平常已經很常用 ChatGPT／Claude／Gemini 了，對吧？

不論是查資料、Deep Research、整理文章筆記、分析文件、討論想法、修改文字，很多事情它都做得很好。到了現在，ChatGPT 本身也早就不只是一個「你問一句、它回一句」的聊天工具，OpenAI 也已經把 Agent 能力放進 ChatGPT，像 ChatGPT Work 就可以處理時間更長、步驟更多的工作。

那為什麼還要花 30 天研究 AI Agent，難道只是他現在很潮？

一開始我也有點懷疑，直到我回頭看自己平常怎麼用 AI，才發現一件有點尷尬的事：

AI 的確幫我做了很多工作，但「接下來要做什麼」，常常還是我在負責。

例如我想整理一份每週 AI 產業情報，可能會這樣開始：

「幫我找最近一週重要的 AI 新聞。」

拿到結果後，我再說：「把產品發布和產業新聞分開。」

接著：「這幾則好像在講同一件事，幫我合併。」

再下一步：「去找一下官方原始來源。」

做完之後：「整理成一份我可以快速看的週報。」

每一個步驟，AI 都做得到。

問題是，每走一步，都還是我在旁邊按下一個「繼續」。

我原本以為自己把工作交給 AI，回頭一看才發現，我只是多了一個執行速度很快的顧問助手，而我自己還在當它的推動者和實際執行者。

Chat 和 Agent 的差別，可能跟我們想的不一樣

剛開始接觸 AI Agent 時，很容易有一個印象：

Chat 是普通版，Agent 是進階版。

其實這樣理解會有點偏掉。

事實是同一個模型，放進不同的工作環境，本來就可能呈現不同能力：

它能不能碰到你的資料？有沒有工具可以接？能不能操作外部系統？做完一個步驟之後，能不能看到結果，再決定下一步？

這些都會影響它能做到哪裡。

我會把它們想成兩種工作方式。

Chat 比較像：

我跟 AI 一起把事情想清楚。

Agent 比較像：

我把一個目標交出去，讓 AI 開始把事情往完成的方向推。

這兩種方式都很好用，只是適合的時機不同。

那到底什麼時候用 Chat，什麼時候用 Agent？

我現在會用一個很簡單的方式判斷。

如果我還在想：

這件事到底該怎麼做？

我會先 Chat。

如果我已經知道：

我要什麼結果，而且中間需要很多步驟才能完成。

我會開始考慮 Agent。

還是拿每週 AI 產業情報來看。

假設我現在連自己想看什麼都不知道，我可能會問：

「這份週報應該分哪些類別？」

「模型更新、產品發布、募資新聞，哪些比較值得追？」

「如果我每週只有十分鐘可以看，內容應該怎麼取捨？」

這時候 Chat 很適合。

因為真正還沒確定的，是我的「方向」。

Chat AI 現在最有價值的角色，是陪我比較、分析、挑戰想法，幫我把模糊的東西想清楚。

但如果分類、來源標準、輸出格式都已經定好了，我現在要的是：

「照我們定好的規則，完成這週的 AI 產業情報。」

這時候我需要的已經不是更多想法：我需要它開始動手做事。

可以用這張表來輔助你判斷何時該用兜幾：

我覺得這個情境判斷比硬記「Chatbot 和 Agent 的 N 種差異」實用得多。

因為真正工作的時候，我不太會坐在那邊想：

「嗯，這是一個 Agentic Task。」

我比較常想的是：

「這件事我還要一起想，還是可以交出去做了？ （aka. 慣老闆模式）」

用了 Agent，遇到問題不見得得要跳回 Chat

實際開始用 Agent 之後，還會遇到另一種很常見的情況。

Agent 已經動手開幹了，做到一半突然出現問題。

例如它找到兩個來源，但兩邊寫的發布日期不一樣。

這時候需要做決策。

以前我可能會直覺想：

「那我要不要另外開 Chat 來分析？」

後來發現，多數時候沒有必要。

直接在原本的 Agent 裡說：

「先停一下，幫我分析這兩個來源的差異，哪一個比較適合作為主要依據？」

討論完再告訴它：

「好，那就採官方來源，媒體報導當補充，繼續往下做。」

這樣比較能夠更順。

因為 Agent 已經知道剛才查過哪些資料、目前做到哪一步、為什麼會卡在這裡（即，有前後脈絡）。

如果另外開一個新的 Chat，我還得重新解釋一次背景，討論完又要把決定搬回去。

等於多做一次人工同步。

所以實際的工作流程更像：

Chat: 討論想清楚

Agent: 開始做 → 遇到問題就停下來討論 → 做決定 → 繼續做

而這整段流程可以發生在同一個 Agent 裡。

Agent 並不代表「交辦之後就不能討論或試不同方向」。

現在的 Agent 工作模式本來就強調人在過程中可以介入、補充資訊、改方向，再讓工作繼續往下跑。

這也比較像真正跟一個人類同事合作。

你不會說：「現在是討論時間，所以你不能做事。」

也不會嗆他說：「你已經開始做了，所以中間不能回來找我。」

通常都是先講清楚，做一段，碰到需要判斷的地方再討論，決定完繼續往下。

同一個 Agent 的對話 Session 跑太久，要留意上下文爆量

不過，把所有事情都留在同一個 Agent 裡，也會碰到另一個問題：上下文會越堆越多。

前面查過的資料、工具輸出、失敗嘗試、中間討論、臨時決策，全都可能塞在同一段工作紀錄裡。

堆得越多，不代表 Agent 記得越完整。

有時候反而會開始出現干擾：舊資訊已經不重要了，卻還躺在上下文裡；前面試過但放棄的方案，也可能繼續影響後面的判斷。

另外，若上下文過多導致爆量（即 Context 滿出來），則會讓 Agent 失憶，遺忘了過程中重要的事項。

所以如果一個 Agent 已經跑了很久，需要多注意一件事：

上下文是不是快滿了？

如果接近上限，我會傾向手動做一次壓縮，把真正需要留下來的東西整理乾淨：

目前目標是什麼、已經完成什麼、做過哪些重要決定、有哪些關鍵資料、接下來要做什麼。

其實其他已經失去用途的過程，就不需要全部帶上往後走。

這是不是很像我們平時工作做到下午，桌上已經堆滿便條紙、草稿和列印資料。

你不一定要換一張桌子，但一定最好要先整理一下，不然會漏東漏西。同樣地，AI 也一樣。

現在最新的 AI 都非常聰明，在你下壓縮指令的時候都能夠自動處理這些，所以我們也不用擔心要怎麼下這些提示詞，不過，最好不要等到 AI 自己不夠用的時候自己壓縮，因為他同時處理你要他做的事又同時要壓縮，很容易丟失一些上下文

Agent 為什麼能自己往下一步走？

講到這裡，才真正碰到 AI Agent 裡一個很重要的概念：Agent Loop。

對初學者來說，先不用管它底層怎麼實作，可以先把它理解成四件事：

看目前狀況 → 判斷下一步 → 採取行動 → 看結果

然後再來一次。

例如我把「完成本週 AI 產業情報」交給 Agent。

它先搜尋最近一週的重要新聞。

看完結果之後，發現很多都是媒體轉載。

那下一步可能變成：

去找官方公告。

找到官方資料後，又發現三篇文章其實都在講同一件事。

那就合併。

整理到一半，某則新聞資料不夠完整。

那就再查。

所以它的工作可能一路變成：

搜尋 → 看結果 → 判斷 → 再搜尋 → 整理 → 檢查 → 補資料 → 產出最終結果

它不需要每走一步，都停下來等我們說：

「很好，繼續。」

這也是 Agent 真正開始有價值的地方。

以前，我們每天都在告訴 AI「下一步做什麼」，真正忙到心累身累的那個人還是我們自己。

但這跟「打造工作分身」有什麼關係？

回到這個系列的主要目標，想打造的，不只是一個很會回答問題的 AI。

如果只是這樣，現在很多 Chat 工具搭配專案功能，或像是 GPTs、GEM 這類各廠的功能就已經很夠用了。

如果我們想做的是一個「工作分身」，那就需要讓它慢慢知道我是誰、我的工作背景是什麼、哪些事情我在意、什麼樣的成果對我來說才算做到位。

等這些東西逐漸補齊之後，我們有些工作才真的可以交給它處理。

這時候，Agent 會比單純的一問一答更適合作為工作分身的骨架。

假設我已經教會它怎麼整理 AI 產業情報，它也知道我在意哪些主題、怎麼判斷來源、最後要用什麼格式輸出。

到了下一週，如果我還是得重新跟它說：

「先搜尋新聞、去找官方來源」

「把重複事件合併、照格式寫成週報」

那我做的其實只是把工作拆成很多小指令，再一個一個交出去。

離想像中的「第二個我」還有一段距離。

我們期待的工作分身，是在知道目標、方法和限制之後，可以自己把這些步驟串起來。

它需要逐漸知道我的工作背景與標準，記得重要資訊，能使用工作需要的資料與工具，學會某一類工作通常怎麼做；遇到問題時可以停下來跟我討論，知道方向之後再繼續。

還有一件更重要的事：

它得知道什麼「可以自己決定」，什麼一定要回來問我。

Key: 怎麼讓 AI 從「回答我的問題」，慢慢變成「可以用我的方式跟我一起工作的分身」

當 Agent 能自己往下走，也代表可能會走錯

當然，Agent 可以自己判斷下一步，聽起來很好用。

同一件事也代表，我把一部分決策空間交出去了。

它可能找錯資料。

可能把一個不可靠的來源當成事實。

也可能第一步就理解錯方向，後面卻非常認真地一路做完。

如果它只能回我一段文字，錯了大不了重新來。

如果有一天它已經能修改文件、寄 Email、操作系統，事情就不一樣了。

所以打造工作分身的重點，不會只有：

「怎麼讓它做更多？」

後面還有一個更麻煩的問題：

我到底敢讓它自己做到哪裡？

這也是為什麼我不急著一開始就把所有事情全部自動化。

先讓它知道我是誰，再慢慢讓它學會我的方法，接上工具，最後才決定哪些事情真的可以放手。

所以，你真的需要 AI Agent 嗎？

如果只是想問問題、整理想法、比較方案，Chat 已經非常好用。

很多事情根本不需要為了 Agent 而 Agent。

但當一件工作已經有相對清楚的目標，中間又會經過很多步驟，需要查資料、使用工具、根據結果決定下一步，Agent 的價值就開始出現了。

而這個系列還多了一層需求：我們不只是想把某一件工作交給 AI，而是想慢慢打造一個能用自己的方法做事的「工作分身」。

這也代表它不能永遠停在「你問一句、我做一步」。它得逐漸學會理解目標、掌握做事的方法，並在合理的範圍內自己把工作往前推。

它不能只知道我喜歡什麼口氣、怎麼寫文章。

它最後得學會：我平常到底怎麼把事情做完。