隨著生成式 AI 技術的蓬勃發展，我們正經歷一個由單純模型到具備自主能力系統的轉變。從最初的提示工程（Prompt Engineering）到如今的自主代理（Autonomous Agents），AI 系統的能力邊界正在被不斷拓寬。本文將探討這一演進過程，並深入解析構成現代 AI 代理的核心概念。
從提示工程到自主代理
ChatGPT 的問世普及了提示工程，但單純的提示迭代很快就遇到了瓶頸。為了應對更複雜的任務，自主代理系統應運而生，其中 AutoGPT 作為先驅，展示了其核心理念：根據使用者設定的目標，自行規劃並執行一系列任務。
自主代理的核心運作機制
一個自主代理系統，如 AutoGPT，其工作流程體現了「規劃、迭代、重複」的核心思想，這被認為是 LLM 解決複雜多導向目標的最佳方法。
caption="圖表一：自主代理工作流程圖。此圖展示了像 AutoGPT 這類自主代理的核心決策迴圈。"
alt="一個展示自主代理工作流程的活動圖。流程始於使用者設定目標，代理進行任務規劃，然後進入一個循環：執行任務、評估結果、根據反饋調整計畫，直到達成主要目標。"
然而，完全自主的代理系統面臨著信任的核心挑戰。因此，在當前生產環境中，具備明確控制和人工監督的非自主代理往往更為實用。
AI 介面：軟體架構的新正規化
AI 代理的興起正在催生一種新的軟體架構——AI 介面。在這個正規化中，軟體和資料不再僅僅透過傳統的 UI 或 API 進行互動，而是被設計為能夠理解和回應自然語言。
AI 介面允許代理透過自然語言查詢資料、呼叫服務，甚至與其他代理協作。當使用者提出如「製作去年銷售報告」的請求時，代理會：
- 規劃：將目標分解為收集、註解、格式化和視覺化數據等任務。
- 執行：透過自然語言查詢資料庫、呼叫語義功能，甚至委託其他專門的代理來完成子任務。
- 呈現：最終將結果整合成一份完整的報告。
AI 介面本質上是一個由函式、工具和資料層組成的集合，它們共同賦予代理完成複雜任務的能力。
多代理系統：協作的力量
當單一代理無法有效處理複雜任務時，多代理系統提供了解決方案。在這種系統中，多個具有不同角色和專長的代理協同工作，通常由一個協調者代理來管理整個流程。
多代理系統的架構
一個有效的多代理系統通常包含以下核心元素：
角色/設定檔案：指導每個代理的任務、行為和專長。
行動與工具：代理可以使用的外部功能。
知識與記憶：為代理提供上下文和長期記憶。
推理與評估：使代理能夠思考問題並評估解決方案。
規劃/反饋：組織任務以實現最終目標。
caption=“圖表二：多代理協作架構圖。此圖展示了一個典型的多代理系統架構，其中協調者代理負責任務分解與分配。” alt=“一個展示多代理協作系統架構的組件圖。協調者代理作為中心，向研究員、分析師和報告生成代理分配任務。這些代理可以使用外部工具（如搜尋引擎）或內部資料庫來完成工作。”
