AI Agent 是什麼？像從只會回答問題的顧問，變成會自己叫工具、查資料、完成工作的助理

你問兩位助理：

「幫我看看明天下午有沒有空，如果有，就找三間公司附近評價不錯的義大利餐廳。」

第一位很會講。

他回答你：

「你可以先查看行事曆，再搜尋附近餐廳，接著比較評價。」

建議完全正確。

但事情還是你自己做。

第二位助理不一樣。

他先打開行事曆確認時間，再使用地圖或搜尋工具找餐廳，最後整理成三個選項給你。

這就是理解 人工智慧代理（Artificial Intelligence Agent, AI Agent） 很好的起點。

會回答問題和能透過工具完成多步工作，是兩個不同層次。

先分清楚：模型不是整個 Agent

前面 Lesson 002：AI 模型是什麼？ 講過：模型是經過訓練、負責把輸入轉成輸出的 AI 核心。

大型語言模型（Large Language Model, LLM）可以很像一顆會讀文字、理解要求、規劃下一句話的大腦。

但光有大腦，不代表它真的能：

• 查你的即時行事曆
• 搜尋今天的新聞
• 讀公司內部資料庫
• 寄 Email
• 執行程式
• 查即時天氣

這些通常需要外部工具。

Tool Calling 是什麼？

這裡會遇到一個非常重要的詞：工具呼叫（Tool Calling）。

有些平台也會使用**函式呼叫（Function Calling）**這個名稱。

你可以把它想成公司助理桌上的一排按鈕：

• 查行事曆
• 搜尋網頁
• 算數學
• 查客戶資料
• 建立訂單

模型自己不一定具備這些資料或能力，但系統可以告訴模型：

「你現在有這幾個工具可以用，而且每個工具要怎麼填參數。」

當模型判斷需要某個工具時，就產生一個結構化的呼叫要求。

API 在這裡又出現了

如果忘了，可以回看 Lesson 018：API 是什麼？。一句話 recap：API 是讓不同程式按照約定傳送 Request、取得 Response 的介面。

很多 Agent 工具背後，本質上就是 API。

例如「查天氣」工具可能做的是：

1. 模型判斷需要查天氣。
2. 系統呼叫天氣 API。
3. API 回傳即時天氣資料。
4. 資料再交回模型。
5. 模型根據真實結果回答使用者。

所以模型不是突然「學會了氣象」。

它只是知道什麼時候該叫一個真的氣象工具。

Tool Calling 和 Prompt 有什麼關係？

Lesson 005：Prompt 是什麼？ 的一句話 recap 是：Prompt 是交給 AI 的需求、條件與上下文。

在 Tool Calling 系統裡，除了使用者的 Prompt，模型通常還會收到「有哪些工具、每個工具做什麼、參數要怎麼填」等描述。

例如系統可能告訴模型：

工具：get_weather
用途：取得某城市目前天氣
需要參數：city

當你問：

「台北今天需要帶傘嗎？」

模型就可能判斷：

「我不應該憑記憶猜今天的天氣，我應該呼叫 get_weather。」

模型真的自己執行工具嗎？

通常更精確的說法是：模型提出要呼叫哪個工具，外面的程式負責真正執行。

這個差別很重要。

模型可能輸出類似：

{
  "tool": "get_weather",
  "city": "Taipei"
}

真正去連天氣服務的是 Agent 外層的程式。

拿到結果後，程式再把資料送回模型。

所以一個完整 Agent 往往包含：

模型 + Prompt / 規則 + 工具 + 程式流程 + 狀態或記憶。

為什麼叫 Agent？

因為它開始不只是被動回答一句話，而是可能為了完成一個目標，自己決定接下來要做哪一步。

例如你說：

「幫我整理明天去高雄出差需要的資訊。」

一個 Agent 可能依序：

1. 讀你的行程。
2. 查明天天氣。
3. 查高鐵時間。
4. 根據會議地址估算交通。
5. 整理成出發清單。

它不是每一步都等你重新下一個 Prompt。

但 Agent 不是一定要無限自主

「Agent」這個詞現在用得很廣。

有些系統只允許模型在一次回答中選一個工具。

有些則能進行多個步驟：

思考下一步 → 用工具 → 看結果 → 再決定下一步。

所以看到一個產品說自己是 AI Agent，不要只看名字。

真正要問的是：

• 它能用哪些工具？
• 能不能連續做多步？
• 每一步有沒有權限限制？
• 哪些操作需要人確認？
• 失敗時怎麼停止？

Agent 為什麼可能出錯？

因為它把模型的錯誤影響放大了。

前面 Lesson 006：AI 幻覺 講過：模型可能產生看起來合理、實際上錯誤的內容。

如果模型只是聊天，錯誤可能只是一句錯答案。

如果 Agent 有權限寄 Email、刪檔案或花錢，錯誤就可能變成真的動作。

因此好的 Agent 系統通常需要：

• 限制工具權限
• 檢查參數
• 重要操作要求使用者確認
• 記錄做過什麼
• 設定停止條件

這也是為什麼「讓模型可以用工具」不等於「所有權限全部交出去」。

Agent 和一般聊天機器人差在哪？

可以先用最簡單的方式分：

聊天模型：「我告訴你怎麼做。」

有工具的 Agent：「我判斷下一步，必要時叫工具幫你做。」

當然現實產品之間沒有一條完全硬的界線，但這個直覺非常夠用。

這二十篇其實已經串起來了

到這裡，你會發現前面的概念不是彼此獨立的。

模型接收 Prompt，文字被拆成 Token，程式透過 API 把需求送出去，而 Agent 又可以在過程中決定是否呼叫其他工具。

這就是之後進入 AI Engineering 很重要的基礎地圖。

後面再看到 RAG、Embedding、Vector Database、Fine-tuning 或 Local LLM，就不會像突然掉進一堆陌生縮寫裡。

今天只要記住一句話

AI Agent 不是一個會魔法的新模型，而是把模型的判斷能力、外部工具與工作流程接起來，讓 AI 從「回答」往「完成任務」前進。