2025 年 AI 代理大解構　五大類 AI Agent 如何重塑科技生態

2025 年被譽為「AI 代理元年」，各式各樣的代理工作流程與模型層出不窮，社交媒體上更經常有激動人心的宣告，指某些過去需要人類專業知識的任務，現已被最新的代理型 AI 完全自動化。然而，你能分辨簡單反射代理與進階學習代理的差異嗎？

何謂 AI 代理 (AI Agent)?

AI 代理根據其智能水平、決策過程及與環境互動方式進行分類。它們各自擁有不同程度的複雜性，用於達成特定目標。

簡單反射代理是最基本的 AI 代理類型，主要依循預定規則作出決策，就像恆溫器在溫度低於預設閾值時開啟暖氣，達到設定溫度後又關閉暖氣。

其工作流程如下：

簡單反射代理在結構清晰、預測性強的環境中效果良好，但在動態場景中易出錯，且因不儲存過往資訊，若預設規則不足以應對新情況，可能重複同樣的錯誤。

基於模型的反射代理是簡單反射代理的進階版本，同樣使用條件-行動規則做決策，但額外整合了對世界的內部模型，並通過觀察環境變化不斷更新狀態組件。

代理追蹤自身行動如何影響環境，而非僅使用原始感知數據做決策。以機器人吸塵器為例，它的內部狀態記住了已清潔區域和障礙物位置，知道向前移動會改變其位置，並擁有如「若我認為該區域髒且未清潔，則進行吸塵」的條件-行動規則。

這種代理不僅僅對所見做出反應，還能推斷並記住目前無法觀察到的環境部分。

基於目標的 AI 代理在模型基礎上增加了以目標為導向的決策機制。不再是條件-行動規則，而是以目標作為代理嘗試達成的期望輸出。

代理使用其世界模型來模擬可能行動的未來結果，本質上是預測「如果我做 A 行動會怎樣」。這種決策轉變意味著代理不再只問「哪個行動符合此條件」，而是問「基於當前狀態和預測未來，什麼能幫助我達成目標」。

以自動駕駛汽車為例，若目標是到達目的地 X，它會考慮自身狀態（在主道路上），生成預測（若左轉將駛向高速公路），然後詢問「這會幫助我到達目的地 X 嗎？」若答案是肯定的，則採取左轉行動。

基於目標的代理廣泛應用於機器人和模擬領域，尤其適用於設有明確目標且需適應環境的場景。

基於效用的代理不僅考慮目標是否達成，還考慮不同結果的期望程度。這裡的效用代表特定結果的滿意度或偏好值，使代理能夠為每個可能的未來狀態計算效用值，從而對選項進行排序。

以自主無人機送貨為例，基於目標的版本可能只關注「將包裹送至地址 X」，選擇能完成目標的行動，而不考慮路線是否顛簸或耗能。而基於效用的版本則追求「快速、安全且最小能耗地送達包裹」，模擬多條路徑，估算持續時間、電池消耗和天氣影響，選擇能最大化效用分數的路線。

學習型代理是最具適應性和最強大的 AI 代理，它不是硬編碼或目標驅動，而是從經驗中學習，通過環境反饋不斷改善自身表現。

其工作機制包括：

以 AI 象棋機器人為例，性能元素使用當前學到的策略下棋，評論家觀察比賽輸贏，學習元素根據千場對局結果調整策略，問題生成器建議探索新的走法。

在許多應用場景中，我們需要多個代理同時運作，形成「多代理系統」。多個代理在共享環境中運作，以合作方式朝共同目標努力。

隨著代理型 AI 的持續發展，特別是結合生成式 AI 進步的學習型代理，AI 代理正變得越來越善於處理複雜用例。然而，至少目前而言，AI 代理在「人在循環中」(human-in-the-loop) 的模式下效果最佳。

隨著 AI 代理技術的日益成熟，各大雲端服務提供商也推出了自己的企業級 AI 代理平台。例如，AWS 提供的Amazon Bedrock Agents服務支援多代理協作，使多個專業代理能無縫協作以解決複雜的業務工作流程。

這類企業服務通常具備以下特性：

企業可以利用這些服務簡化 AI 代理的構建和部署流程，只需幾個步驟即可建立專業代理，如庫存管理代理、客戶服務代理等，顯著提升業務流程自動化程度。

隨著 2025 年 AI 代理技術的迅猛發展，我們有理由期待這些智能體將在更廣泛的領域發揮作用，但人類的判斷與監督仍將在可預見的未來扮演重要角色。