近年來 AI 領域很常聽到的一個關鍵詞，就是 AI Agent，那很多人可能會好奇：

「我們平常使用的 ChatGPT、Claude 已經很厲害了，為什麼還需要 Agent？」

其實兩者最大的差別，不只是模型能力，而是 AI 能不能進一步執行任務。

今天這篇文章，就來簡單了解從 Chatbot 到 AI Agent 的演變，以及 AI Agent 背後有哪些核心概念。

什麼是 Chatbot？

我們平常使用 ChatGPT、Claude 時，最基本的互動方式就是 「一問一答」。

使用者提出問題，AI 根據目前的對話內容產生回答。

它主要負責：

• 理解使用者的問題
• 產生文字回答
• 根據對話內容繼續互動

所以簡單來說 Chatbot 就是你問它，它回答你，如果要查資料、操作系統或使用其他服務，通常還需要額外提供工具或由使用者自己完成。

什麼是 AI Agent？

AI Agent 則是在這個基礎上再往前一步，它不只是回答問題，而是可以根據使用者給出的目標，自行判斷需要執行哪些步驟，並使用適合的工具來完成任務。

Chatbot 比較偏向「回答問題」，Agent 則更強調「完成任務」。

因此，一個 Agent 通常會包含：

• 理解目標
• 規劃執行步驟
• 選擇需要的工具
• 根據工具結果決定下一步

這也是 Agent 和一般 Chatbot 比較明顯的差異。

AI Agent 的核心架構

AI Agent 沒有一個完全固定的架構，不同框架的實作方式也會有所不同，不過可以先用幾個簡單的概念來理解：

+--------------------------------+
|            AI Agent            |
|                                |
|          LLM / Brain           |
|                                |
|    Planning    Memory    Tools |
|      規劃       記憶      工具  |
|                                |
+--------------------------------+

LLM / Brain

負責理解使用者的需求、推理以及決定下一步要做什麼。

Planning

負責將比較複雜的目標拆成不同步驟，並在執行過程中根據結果調整。

Memory

用來保存目前對話、任務狀態或其他需要保留的資訊。

Tools

讓 Agent 可以與外部世界互動，例如：

• API
• 資料庫
• 檔案
• 搜尋工具

其中 Tools 是 Agent 能夠真正執行事情的重要部分。

AI Agent 和 MCP 有什麼關係？

講到這裡，就會發現一件事情：

Agent 如果要做事情，就需要使用 Tool。

而當 Tool 越來越多，如何讓 AI 找到這些工具、了解工具能做什麼，以及正確使用它們，就會變成一個問題，這也就是 MCP 可以發揮作用的地方，MCP 本身不是 Agent，而是一套讓 AI Application 與外部工具、資料等資源溝通的協定。

我們前面實作的 Calculator、File System、SQLite、REST API，其實都是在建立 Agent 未來可能使用的工具。

所以可以理解成：

Agent 負責決定要做什麼，Tool 負責執行，而 MCP 負責讓這些工具更容易被 AI 使用。

總結

從 Chatbot 到 AI Agent，可以看成 AI 從回答問題逐漸走向完成任務，Chatbot 主要是和使用者進行對話，而 Agent 則會進一步結合 Planning、Memory、Tools 等能力，讓 AI 可以處理更複雜的任務。

而當 Agent 需要使用越來越多 Tool 時，如何讓 AI 更方便地發現與使用這些工具，就變得非常重要，這也是我們前面一路實作 MCP Tool，最後會談到 AI Agent 的原因。