鐵人檔案
探討 AI Agent 如何可靠地進入企業流程。從傳統 BPM、狀態管理與規則控制出發，逐步延伸到 Tool Calling、Policy、Human-in-the-loop、權限、交易一致性、錯誤復原與 Audit。重點不是讓 Agent 更自由，而是讓具推理能力的 AI 在企業流程中仍可控、可驗證、可追溯，並透過自建 Reference System 實作與驗證完整 Agentic Workflow。
企業流程自動化不是新題目。 在 LLM 出現以前，我們已經有 BPM、Workflow Engine、Rule Engine、RPA、API Orchestra...
昨天我把 Agent 和傳統 Workflow 的分工留在一句話上：模型處理模糊意圖，流程系統負責狀態、規則與可追蹤性。 但這句話還太抽象。如果後面 28 天每...
昨天我把「企業共享資源協調」做成一套與我的工作無關、可以公開的 Reference System。成功路徑已經能從 NEW 走到 SUCCEEDED，也真的在...
昨天我把一次共享資源預約分成 Understand、Propose、Authorize、Commit 與 Recover，也實際測了 typed contrac...
Agent 可以從對話理解需求，也能呼叫工具完成任務，但企業流程不能只靠聊天紀錄判斷「目前做到哪裡」。只要流程跨越多輪對話、需要人工核准，或可能因故障重新啟動，...
自然語言很適合表達需求，卻不適合直接驅動企業系統。「幫忙找一間明天下午可以坐八人的會議室」對人類很自然，但系統仍要知道日期、時區、開始時間、持續多久、地點與是否...
前一篇討論「把自然語言變成 Typed Intent」，這篇聚焦「Tool Contract：Agent 可以做事，但不能想做什麼就做什麼」，並沿用同一組輸入、...
前一篇處理「Tool Contract：Agent 可以做事，但不能想做什麼就做什麼」，這篇進一步討論「State Persistence：對話斷掉之後流程還在...
完成「State Persistence：對話斷掉之後流程還在嗎」後，下一個問題是「Policy Engine：把企業規則從 Prompt 裡拿出來」能否重跑、...
