AI Agent 智能工作流：設計與自動化全實戰

亨利羊(楊皓霖)

楊皓霖，授課時的藝名是亨利羊。

曾是人資，如今是工程師。曾教 Excel，如今教自動化程式。

角色在變、工具在變，不變的是——始終致力於幫助人們把工作做得更輕鬆、更聰明。

我相信，一個好的老師應當技法與心法並重；

技法是怎麼操作工具，心法是怎麼思考問題。

洞穿問題的本質後，複雜的任務也能迎刃而解。

在教學時擅長把複雜的概念拆成簡單的故事，

把艱澀的技術，用生活化的例子講得清清楚楚。

在這個 AI 快速演進的時代，注重底層的思維邏輯，培養那些不會過時的關鍵能力。

我經常在社群上分享有趣的開發實作心得，歡迎追蹤我的社群帳號

http://s.henryyang.tw/DWBook

序章：當 AI 開始「動手做事」 
0.1 我為什麼寫這本書 
0.2 延伸閱讀 

第一章：那個會幫你訂餐廳的 AI 
1.1 一通改變歷史的電話 
1.2 語音 AI 的進化之路 
1.3 從「會說話」到「會辦事」 
1.4 餐廳訂位只是開始 
1.5 不只是餐廳的事 
1.6 它不只是更聰明的 Siri 
1.7 為什麼現在才做得到？ 
1.8 不完美，但夠用了 
1.9 常見問題 
1.10 所以，AI Agent 到底是什麼？ 
1.11 本章摘要 
1.12 延伸閱讀 

第二章：從「動口」到「動手」— ChatBot 與 Agent 的本質差異 
2.1 一個更戲劇化的例子 
2.2 圖書館員 vs. 私人助理 
2.3 一個問題，兩種回答 
2.4 被動 vs. 主動 
2.5 單次推論 vs. 多步推理 
2.6 記憶的差異 
2.7 工具使用：真正的分水嶺 
2.8 深入技術：Agent 是怎麼「動手」的？ 
2.9 Agent 市場的爆發性成長 
2.10 那我應該用哪一個？ 
2.11 不是取代，而是演進 
2.12 常見問題解答 
2.13 本章重點整理 
2.14 延伸閱讀 

第三章：大腦、手腳、工具箱 — Agent 的基本構造 
3.1 從一個真實的故事說起 
3.2 用員工來想像 
3.3 大腦：大型語言模型（LLM） 
3.4 選擇大腦：各家 LLM 的比較 
3.5 手腳：執行層 
3.6 工具箱：外部工具與 API 
3.7 MCP：工具的「USB-C」標準 
3.8 記憶：讓 Agent 記得你是誰 
3.9 組合起來：Agent 的完整架構 
3.10 不同的 Agent，不同的配置 
3.11 為什麼這個架構重要？ 
3.12 一個類比總結 
3.13 常見問題 
3.14 本章重點回顧 
3.15 延伸閱讀 

第四章：感知、思考、行動、反省 — Agent 的工作循環 
4.1 一個真實的情境：當航班取消時 
4.2 OODA：軍事決策的智慧 
4.3 Agent 的四步循環 
4.4 ReAct：推理與行動的結合 
4.5 讓 AI 學會「思考」的技術演進 
4.6 一個實際的例子 
4.7 反省的力量 
4.8 多輪反省：Reflection 模式 
4.9 循環的邊界 
4.10 為什麼這個循環重要？ 
4.11 一個比喻總結 
4.12 常見問題 
4.13 本章重點回顧 
4.14 延伸閱讀 

第五章：記憶的藝術 — Agent 如何記得你是誰 
5.1 記憶如何改變一切 
5.2 沒有記憶的困境 
5.3 記憶的類型 
5.4 記憶是怎麼運作的？ 
5.5 RAG：讓記憶變得實用 
5.6 現實世界的記憶系統：產品比較 
5.7 記憶壓縮：當記憶太多怎麼辦 
5.8 記憶的挑戰 
5.9 記憶讓 Agent 成為夥伴 
5.10 你可以做的事 
5.11 常見問題 
5.12 本章重點回顧 
5.13 延伸閱讀 

第六章：當 Agent 學會使用工具 
6.1 當 Agent 第一次「拿起工具」 
6.2 為什麼大腦不夠用？ 
6.3 工具是什麼？ 
6.4 Function Calling：讓 AI 動手的關鍵技術 
6.5 Function Calling 的技術細節 
6.6 一個更複雜的例子 
6.7 MCP：工具的「USB-C 接口」 
6.8 Agent 如何選擇工具？ 
6.9 工具使用的風險 
6.10 工具的未來 
6.11 一個類比總結 
6.12 工具選擇的智慧：當工具太多怎麼辦？ 
6.13 常見問題 
6.14 本章重點回顧 
6.15 延伸閱讀 

第七章：一個人不夠用？多個 Agent 的團隊協作 
7.1 一個小故事：AI 團隊的崛起 
7.2 為什麼需要多個 Agent？ 
7.3 團隊的分工模式 
7.4 實際案例：AI 軟體開發團隊 
7.5 Agent 之間怎麼溝通？ 
7.6 A2A：Agent 之間的共同語言 
7.7 協調的挑戰 
7.8 框架和工具 
7.9 深入了解：OpenAI Swarm 的設計哲學 
7.10 多 Agent 框架大比較 
7.11 多 Agent 系統的成本考量 
7.12 未來的方向 
7.13 常見問題解答 
7.14 本章重點整理 
7.15 一個比喻總結 
7.16 延伸閱讀 

第八章：你的私人秘書 — 生活中的 Agent 
8.1 一個忙碌媽媽的一週實驗 
8.2 一天的生活，有 Agent 幫忙 
8.3 生活中的 Agent 應用 
8.4 Siri 和 Alexa 不是早就有了嗎？ 
8.5 口袋裡的 Agent：手機上的 AI 革命 
8.6 已經可以用的工具 
8.7 目前的限制 
8.8 一個心態的轉變 
8.9 隱私保護：讓 AI 幫忙，又不洩露秘密 
8.10 常見問題解答 
8.11 生活 Agent 工具總覽 
8.12 本章重點整理 
8.13 延伸閱讀 

第九章：不眠不休的員工 — 企業裡的 Agent 
9.1 企業為什麼需要 Agent？ 
9.2 客服：最早的戰場 
9.3 銷售與行銷 
9.4 人力資源 
9.5 財務與會計 
9.6 供應鏈與營運 
9.7 投資報酬率：一筆實際的帳 
9.8 導入的挑戰 
9.9 企業 Agent 的安全架構 
9.10 Vending-Bench：一場揭露 Agent 真實能力的實驗 
9.11 不是取代，是增強 
9.12 未來的方向 
9.13 常見問題 
9.14 企業 Agent 應用總覽 
9.15 延伸閱讀 

第十章：會寫程式的 Agent — 軟體開發的革命 
10.1 一個資深工程師的心路歷程 
10.2 從自動補完到自主開發 
10.3 Coding Agent 能做什麼？ 
10.4 主要的工具 
10.5 實際的開發場景 
10.6 對程式設計師的影響 
10.7 實際使用的建議 
10.8 未來展望 
10.9 常見問題解答 
10.10 2025 年 Coding Agent 工具比較表 
10.11 本章重點整理 
10.12 延伸閱讀 

第十一章：當 AI 學會上網 — 瀏覽器 Agent 的崛起 
11.1 一個模擬情境：當 AI 替我處理保險理賠 
11.2 為什麼這很重要？ 
11.3 它是怎麼做到的？ 
11.4 深入技術：視覺定位是怎麼運作的？ 
11.5 跟傳統自動化有什麼不同？ 
11.6 實際應用場景 
11.7 主要的工具與產品 
11.8 安全與隱私的考量 
11.9 當 Agent 代你購物：Amazon 與 Perplexity 的衝突 
11.10 目前的限制 
11.11 未來展望 
11.12 常見問題解答 
11.13 本章重點整理 
11.14 延伸閱讀 

第十二章：各行各業的 Agent 浪潮 
12.1 醫療健康 
12.2 金融銀行 
12.3 法律 
12.4 教育 
12.5 製造業 
12.6 零售電商 
12.7 農業 
12.8 娛樂媒體 
12.9 不動產 
12.10 保險 
12.11 物流 
12.12 台灣的 Agent 應用實例 
12.13 共同的模式 
12.14 挑戰與考量 
12.15 常見問題解答 
12.16 各行業 Agent 應用總覽 
12.17 註腳 
12.18 延伸閱讀 

第十三章：不寫程式也能做 — 零程式碼 Agent 工具 
13.1 什麼是零程式碼工具？ 
13.2 零程式碼 vs 低程式碼 
13.3 最簡單的起點：ChatGPT 的 GPTs 
13.4 主要的工具介紹 
13.5 如何選擇？ 
13.6 實際操作示範 
13.7 零程式碼的限制 
13.8 成功的關鍵 
13.9 未來的趨勢 
13.10 給非技術人員的鼓勵 
13.11 常見問題 
13.12 零程式碼 Agent 工具總覽 
13.13 工具連結清單 
13.14 延伸閱讀 

第十四章：動手做一個簡單的 Agent 
14.1 一個週末改變一切 
14.2 從最簡單的開始 
14.3 Agent 的四個核心組件 
14.4 不寫程式的理解方式 
14.5 動手寫一個簡單的 Agent 
14.6 這段程式碼做了什麼？ 
14.7 加入更多工具 
14.8 從簡單到複雜 
14.9 錯誤處理：讓 Agent 更可靠 
14.10 用框架簡化開發 
14.11 不想寫程式？ 
14.12 專案建議 
14.13 重點回顧 
14.14 常見問題 
14.15 開發 Agent 的檢查清單 
14.16 延伸閱讀 

第十五章：讓你的 Agent 更聰明的小技巧 
15.1 對的 Prompt 放在對的位置，價值連城 
15.2 技巧一：讓它「想出聲」 
15.3 技巧二：減少「幻覺」 
15.4 技巧三：寫好工具說明 
15.5 技巧四：設定明確的角色和限制 
15.6 技巧五：分段處理複雜任務 
15.7 技巧六：加入檢查點 
15.8 技巧七：持續監控和改進 
15.9 技巧八：控制成本 
15.10 一個比喻總結 
15.11 延伸閱讀 

第十六章：進階 Prompt Engineering 
16.1 進階推理技巧 
16.2 System Prompt 設計的藝術 
16.3 參數調整的科學 
16.4 常見問題 
16.5 Prompt 優化檢查清單 
16.6 延伸閱讀 

第十七章：給 Agent 一個安全的遊樂場 — 沙箱與安全隔離 
17.1 當 AI 失控：真實的災難案例 
17.2 不是新概念，但更重要了 
17.3 為什麼 AI Agent 特別需要沙箱？ 
17.4 兩道防線：檔案隔離與網路隔離 
17.5 一個不夠：你需要的是多層防禦 
17.6 來自另一場災難的教訓 
17.7 沙箱的技術實作 
17.8 用生活比喻理解 Docker 
17.9 雲端沙箱服務：E2B vs Modal 
17.10 Prompt Injection：當 Agent 被「洗腦」 
17.11 企業的安全缺口 
17.12 使用者可以做什麼？ 
17.13 常見問題解答（FAQ） 
17.14 沙箱與安全技術總整理 
17.15 一個比喻 
17.16 延伸閱讀 

第十八章：Agent 會搶走我的工作嗎？ 
18.1 一個虛構的銀行職員轉型故事 
18.2 先看數據 
18.3 什麼樣的工作最危險？ 
18.4 什麼樣的工作最安全？ 
18.5 歷史的教訓 
18.6 這次不一樣？ 
18.7 你該怎麼辦？ 
18.8 AI 時代的新興職業 
18.9 一個不同的思考角度 
18.10 給焦慮的人的話 
18.11 常見問題解答（FAQ） 
18.12 本章重點整理 
18.13 延伸閱讀 

第十九章：當 Agent 犯錯，誰該負責？ 
19.1 一場沒有被告的法庭 
19.2 一個真實的死亡事故 
19.3 責任缺口 
19.4 現行法律怎麼說？ 
19.5 一個關鍵原則：AI 的自主性不是藉口 
19.6 人類在迴路中 
19.7 EU AI Act：全球最嚴格的 AI 法規 
19.8 AI 責任保險：新興的風險管理工具 
19.9 不同情境的責任歸屬 
19.10 企業該怎麼做？ 
19.11 使用者該怎麼做？ 
19.12 未來的方向 
19.13 一個倫理的思考 
19.14 常見問題解答（FAQ） 
19.15 本章重點整理 
19.16 延伸閱讀 

第二十章：人機協作的新時代 
20.1 不是取代，是增強 
20.2 已經發生的例子 
20.3 人機協作的模式 
20.4 有效協作的關鍵 
20.5 信任校準：不過度信任，也不過度懷疑 
20.6 組織文化：打造人機協作友善的環境 
20.7 未來的工作場景 
20.8 需要培養的能力 
20.9 一個心態的轉變 
20.10 常見問題解答（FAQ） 
20.11 本章重點整理 
20.12 延伸閱讀 

終章：每個人都將擁有自己的數位員工 
0.1 2030 年的一封信 
0.2 從奢侈品到必需品 
0.3 未來的一天 
0.4 不是取代，是解放 
0.5 AGI：那個更大的問題 
0.6 數位落差的新形態 
0.7 新的能力、新的素養 
0.8 一些實際的建議 
0.9 一個時代的開始 
0.10 寫在最後：無可避免的 AI 浪潮來了，我們怎麼應對 
0.11 延伸閱讀