本文为专栏 【新生态前沿】 系列内容，专注用通俗、系统、无晦涩术语的方式，解读 AI、区块链、Web3、元宇宙等前沿科技的核心概念与生态逻辑。本系列持续更新，帮你建立完整认知，看懂下一代数字新生态。

在上一期我们聊到 AI 代理将成为 2026 年最重要的 AI 应用，本期就用最直白的语言，讲清楚 AI 代理（AI Agent ）如何运作？ 并让大家一次看懂 5 类 AI 代理类型。

随着科技快速进步，AI 风暴袭卷全球，预计 AI 代理将会成为企业下一个追求的目标。 AI 代理是能够自主执行任务的人工智慧系统，拥有规划目标、使用工具感知环境资讯，记忆并利用过去互动资讯来提升表现等核心功能。

AI 代理与一般传统 AI 不同在哪？

与传统 AI 通常需要输入指令来完成特定任务相比， AI Agent 则可结合多种技术，包括大型语言模型（LLM）、工具呼叫、规划和推理框架等，能自主决策、动态适应使用者需求并执行复杂工作流程。

AI Agent 的核心特点包含规划能力，可根据使用者目标拆解任务，制定计划并逐步执行；也可透过像是搜寻、计算等功能与工具补足知识；以及处理来自周遭环境的资讯，储存过往的互动过程，并加以利用改进后续表现。

这些能力让 AI Agent 不仅可以处理基本的行政任务，甚至能应用于旅行规划、医疗诊断、紧急应变等场合，成为一名高效率的「数位同事」或「数位伴侣」。

AI Agent 是怎么执行任务的？从 3 大工作阶段看 AI Agent 如何运作

第一阶段：目标设定与规划

具体来说，AI Agent 是怎么完成任务的？主要可分为 3 大工作阶段：

第一阶段为目标设定与规划（Goal initialization and planning），AI Agent 虽然具备自主性，但一开始仍需要人类设定明确的目标和执行环境。针对相对复杂的任务，AI Agent 会将其拆解成许多个小任务，并制定具体的行动计画；对于目标较简单的任务，AI Agent 可以不进行事先规划，而是直接透过反思和改进完成。

开发者：设计和训练 AI Agent 系统。

部署者：提供使用者 AI Agent 的使用权限。

使用者：设定 AI Agent 需要完成的特定目标，并提供可使用的工具和资源。

举例来说，假设使用者想要规划一趟希腊冲浪之旅，希望 AI Agent 帮忙找出 2025 年最适合冲浪的周次。 AI Agent 可能会这样执行任务：

收集资讯：AI Agent 需要收集希腊的天气资讯，例如潮汐、降雨量、日照等。

判断冲浪条件：AI Agent 需要了解哪些天气条件适合冲浪。

分析数据：AI Agent 需要分析收集到的天气资讯，并预测明年哪个周次最符合冲浪条件。

第二阶段：利用可用工具推理

然而，AI Agent 并非什么事都知道。执行任务的过程中，AI Agent 可能会遇到自身知识库不足的情况，此时 AI Agent 会使用外部工具来补充知识。

因此第二阶段，是「利用可用工具推理」（Reasoning using available tools）。 AI Agent 会使用外部工具如数据库、API 及其他代理补充知识。根据外部工具提供的资讯更新自身知识库，并调整计画和自我修正，来提升后续表现。这个阶段会透过多轮查询、互动，加以整合新获得的资讯来解决问题。

数据库：AI Agent 能从数据库中查询相关资讯，例如产品资讯、客户资料、历史数据等。

API：AI Agent 可以透过 API 呼叫其他服务，例如天气预报、地图导航、翻译等。

其他代理：就像人类找其他领域专家合作一样，AI Agent 能与其他专精于特定领域的 AI Agent 合作，共同解决问题。例如负责规划旅行的 AI Agent，能与负责预订机票和饭店的 AI Agent 合作，提供更完善的服务。

第三阶段：学习与反思

最后一个阶段是学习与反思（Learning and reflection），AI Agent 会利用反思机制，整合来自其他 AI Agent 或人类的回馈意见，进一步提升目标和行动的精准性。使用者可以对 AI Agent 推荐的产品或服务提供评分或意见，帮助 AI Agent 学习和改进。

针对收到的回馈，AI Agent 会反思自身的决策过程、分析原因，找出可以改进的地方，并调整之后的执行策略，避免再次犯下同样的错误。 AI Agent 具备迭代优化（iterative refinement）与长期学习能力，可以将解决方案储存于知识库内。

以前面提到的希腊冲浪之旅为例，在第三个阶段中，AI Agent 可能会这样反思与改进：

收集使用者回馈：AI Agent 能询问使用者是否满意推荐的行程，并收集使用者对行程的意见和建议。

分析回馈资讯：AI Agent 分析使用者的回馈，了解哪些方面需要改进。像是使用者可能觉得行程安排太紧凑，或希望可以增加文化体验的行程。

调整行程规划：AI Agent 根据使用者的回馈调整行程规划。例如可以将行程安排得更宽松，或者增加博物馆、古迹等文化体验景点。

更新知识库：AI Agent 会将调整后的行程规划和使用者的回馈资讯，都储存到知识库中，未来规划类似行程时会拿出来参考。

AI Agent 聪明吗？厉害在哪？ 5 大类 AI Agent 一次看

根据功能与智慧程度，AI Agent 可分为 5 种主要类型：

基本反应型代理（Simple Reflex Agents）

只能根据当前感知的环境条件触发固定的动作，不具备记忆功能，也无法处理未知情境。适用于完全可观测且状态单纯的环境，依赖预先设定的规则，在特定条件下触发特定动作。常见的用途像是智能恒温器，可在设定的时间自动开启供暖系统。

基于模型的反设型代理（Model-Based Reflex Agents）

可以记住先前的感知结果，并建立内部模型。 AI Agent 的行动，便仰赖内部模型的更新、预设的条件反应和当前状态。与基本反应型代理相比，更具有弹性，能在部分可观测的环境中运作。像是扫地机器人，能根据记忆中的房间布局模型调整行动，避免重复清理；自动驾驶汽车能根据感应器收集的路况资讯，建立周围环境模型，做出驾驶决策。

目标导向型代理（Goal-Based Agents）

顾名思义，目标导向型代理具备「目标」的概念，能根据目标选择适当的行动顺序，透过计划来寻找达成目标的最佳途径，行动更具有灵活性，也更适用于需要多步骤才能达成目标的情境。例如一般导航系统能根据当下的交通状况，推荐最快到达目的地的路线。

效率型代理（Utility-Based Agents）

率型代理的 AI Agent 不仅以达成目标为目的，还会透过效率函数（utility function）计算最佳解。效率型代理会考虑效益、成本或完成时间等因素，选择效用最大的行动，适用于需要在多个可行方案中选择最佳方案的情境。例如高级导航系统可根据油耗、时间和过路费等因素计算出最优路线；资源分配系统能根据资源的效益和成本，决定最佳的资源分配方式。

学习型代理（Learning Agents）

学习型代理拥有学习机制，能从经验中改进性能，主要包含 4 个组成部分：学习、评论、执行和问题生成，可适应「未知环境」并持续提升能力。举例来说，电商推荐系统能根据用户行为学习，提供更精准的商品推荐；垃圾邮件过滤器能根据邮件特征学习，区分垃圾邮件和正常邮件。

一个 AI Agent，可以同时具备多种特征！ 「多智能代理系统」又是什么？

不同类型的 AI Agent 适用于不同的情境。简单总结，基本反应型适合完全可观测的环境，而效率型和学习型更能处理复杂或动态的问题，而学习型代理是最先进的类型，具有从环境中学习并持续改进的能力，特别适合个性化服务，例如推荐系统。

值得注意的是，这些类型并非互斥，一个 AI Agent 可以同时具备多种类型的特征。例如一个导航系统可以是目标导向型代理，也可以同时也利用效率型代理的逻辑来计算最佳路径；自动驾驶汽车可以是基于模型的反设型代理，也同时具备学习型代理的能力，不断优化驾驶策略。

此外，由多个 AI Agent 组成的新型态 AI 系统「多智能代理系统」（Multi-Agent Systems），则进一步提升了 AI Agent 的效能，透过多个独立代理的互动与协作，解决单一 AI Agent 无法应对的大规模或复杂问题。

多智能代理系统具备分散性、自主性、目标导向性与互动性的特点，适用于需要高可靠性与规模化解决方案的情境，也因此具备动态推理（Dynamic reasoning）、处理复杂问题的能力与增强记忆能力（Enhanced memory）等特点。像是在医疗领域，AI Agent 可协助制定治疗计划或管理药物流程；而在自然灾害应急中，它们可快速定位受灾者，提供救援建议等。

未来 5～10 年，AI Agent 能完成人们 80% 的日常工作！那人类的价值在哪？

人工智慧招聘公司 Moonhub 创始人兼执行长 Nancy Xu 在世界经济论坛（World Economic Forum）指出，未来 5～10 年，AI Agent 将能够完成人们 80% 的日常工作时间，深刻改变人类的工作与生活模式。

试想一下，当 AI Agent 能完成多数的日常工作时，人类的价值会是什么？ AI Agent 的崛起，也迫使人们重新定义「什么是独特的人类劳动」。而 AI 与人类的协作，将进一步推动「AI 人才革命」，工作者需要学习更多新技能来适应这项转变，整体社会结构与制度也需要适应这些变化，为人们提供新的机会与支援。

然而，AI Agent 的快速发展也伴随着风险。像是 AI Agent 需要采用大量数据，如何确保资料不被滥用、是否安全与合规都是一大重点。此外，许多重复性工作可能因此消失，也会引发失业问题。在诸如医疗与金融等高风险情境下导入 AI Agent，如何在 AI 自主性与人类监督之间取得平衡也至关重要。

资料来源：IBM、Microsoft、World Economic Forum