AI 代理是什麼？和聊天機器人的差別與判斷方法

AI 代理（AI Agent）是目前最常被提到、也最常被講得含糊的詞。它和平常在網頁上對話的聊天機器人（Chatbot，以對話方式回答問題的程式）有什麼不同？這篇文章給你一套不依賴產品名稱的判斷方法，產品功能再怎麼變，這套方法都可以直接用。

AI 代理是什麼？

Anthropic 的工程文章〈Building effective agents〉把兩種系統做了區分：

• 工作流（Workflow）：大型語言模型與工具，依照事先寫好的程式路徑被串在一起。
• AI 代理：大型語言模型「動態地決定自己的流程與工具使用」。

換句話說，代理的關鍵是「下一步由模型決定」。而「大型語言模型」（LLM）是用大量文字訓練、能理解並產生自然語言的 AI 模型，詳見 大語言模型入門。

同一篇文章對代理的運作描述得很清楚：代理從你的指令或互動討論開始；任務明確之後，會自行規劃與執行；執行過程中，它需要在每一步從環境取得「真實結果」（Anthropic 稱為 ground truth，例如工具呼叫的結果或程式執行的結果）來判斷進度；遇到阻礙或需要判斷時，可以暫停下來向人詢問。原文也點出，代理的實作往往很單純：它通常只是「大型語言模型根據環境回饋，在一個迴圈中使用工具」。

代理迴圈：取得資訊、採取行動、檢查結果

Claude Code 的官方文件，把這個迴圈稱為代理迴圈（Agentic loop），分成三個階段：

1. 取得資訊（gather context）：讀檔案、搜尋，弄清楚現況。
2. 採取行動（take action）：修改檔案、執行指令。
3. 檢查結果（verify results）：跑測試、看輸出，確認有沒有達成目標。

這三個階段會彼此交錯、反覆進行，每一次工具回傳的結果，都會影響下一步怎麼做。官方文件舉的例子是「修好失敗的測試」：代理可能先執行測試看哪裡失敗，讀錯誤訊息，搜尋相關檔案，修改程式，再執行一次測試確認。而你可以在任何時間點打斷它、補充資訊或請它換個方向。

工具（Tool）是讓這個迴圈成立的關鍵。文件說：沒有工具，模型只能回覆文字；有了工具，才能讀你的程式、改檔案、執行指令、上網查資料，並把每次的結果回饋到下一個決定。讓模型能這樣請求外部功能的機制，一般稱為工具呼叫（Tool calling）。工具的種類越多、可以碰的範圍越大，代理就越能幹，同時風險也越高，這點在 讓 AI 代理安全操作電腦 會細談。

聊天機器人、固定流程與 AI 代理的比較

	聊天機器人	固定流程（工作流）	AI 代理
主要做的事	在對話中回覆文字	依你寫好的步驟呼叫模型與工具	自己選工具、決定步驟並檢查結果
誰決定下一步	你（每一輪對話）	事先寫好的程式	模型
能不能動手做事	沒有工具時只能回覆文字	可以，由流程決定	可以，透過工具
可預測性	取決於你問什麼	高	較低
主要風險	回答不正確（幻覺）	遇到流程沒預料的情況	成本較高、錯誤累積、誤操作

表中「可預測性」與「主要風險」是依上述 Anthropic 文章對工作流（可預測、一致）與代理（成本較高、錯誤可能累積）的描述所做的整理。

五個問題，判斷它算不算 AI 代理

這是本站整理的判斷方法，不是官方標準：

1. 它有工具嗎？ 能不能讀寫檔案、執行指令、查詢資料，而不只是產生文字。
2. 它看得到動作的真實結果嗎？ 例如指令的輸出、測試的通過或失敗。
3. 下一步是誰決定？ 程式照事先寫好的步驟走，還是模型依結果自行決定。
4. 遇到阻礙時，它會停下來問你嗎？ 能設定在哪些時刻需要人工核准。
5. 它能碰到的範圍有多大？ 能動哪些資料夾、能連哪些網路位置、能用哪些帳號。

前三題都是「是」，基本上就是 AI 代理。第 4、5 題不影響它算不算代理，但決定你能不能放心用。

一定要用 AI 代理嗎？

不一定，而且很多時候不該一開始就用。Anthropic 的建議是：找最簡單的解法，只在需要時才增加複雜度；因為代理常以延遲和成本換取更好的任務表現，而工作流對定義清楚的任務能提供可預測性與一致性。

簡單的判斷：步驟固定且事先知道，用固定流程；步驟數難以預測、要靠中間結果決定下一步，才考慮代理。完整的判斷與入門順序請看 AI 自動化是什麼。

接下來

• 想實際體驗一個 AI 代理：Claude Code 安裝教學（Claude Code 是跑在終端機裡的 AI 編程代理，先看 終端機基礎 會更順）
• 想讓代理做對事：AI 代理任務說明怎麼寫
• 想讓代理連到外部服務：MCP 是什麼
• 名詞不熟：名詞小辭典 有 AI 代理、工具呼叫、代理迴圈、聊天機器人 的簡短解釋。