Vincent Wen

← AI 助理實戰

固定程式、AI 流程、AI 代理怎麼選？先問一句：下一步由誰決定

發布 2026-11-02・更新 2026-11-02・約 7 分鐘讀完

這篇寫給還沒用過 AI 代理、想開始用的人。看完你會知道：一件事該寫成固定程式、用 AI 加固定步驟，還是真的需要 AI 代理；選錯會付出什麼代價；以及剛開始要讓 AI 自己做到什麼程度。這是「AI 助理實戰」系列第 1 篇。AI 說「做完了」之後怎麼驗收，看第 6 篇；我平常怎麼帶著 AI 開發系統，看AI 協作開發方法。

先認識三種做法

先講幾個詞。模型是 AI 背後負責「讀懂、寫出來」的那個程式。LLM（大型語言模型）是最常見的一種，ChatGPT、Claude 都是。AI 代理（Agent）是讓 LLM 自己決定下一步做什麼：查一下、看結果、再決定接著查哪裡，一路做到目標完成。

Anthropic 在 2024 年底的文章〈Building effective agents〉裡這樣分：步驟事先用程式寫好、AI 照著走的，叫工作流程（workflow）；由 AI 自己決定流程和要用哪些工具的，才叫代理（agent）。

做法 下一步由誰決定 生活裡的例子
固定程式 寫程式的人，事先全部寫死 自動販賣機：投錢、按鈕、掉飲料，每次都一樣
AI 流程（LLM 加固定步驟） 固定的步驟，AI 只負責其中幾步 連鎖餐廳的廚房：菜由廚師炒，菜單和出菜順序是固定的
AI 代理 AI 自己，看上一步查到什麼再決定 請水電師傅查漏水：看了天花板，決定去查樓上的水管，再決定要不要打開牆

兩個問題，分開問

我判斷時只問兩題，而且分開問。

問題 答案 結論
把 AI 換成「如果…就…」的規則，還做得出來嗎？ 做得出來 寫固定程式，用不到 LLM
做不出來（要讀懂文字、寫出文字） 需要 LLM，接著問下一題
下一步做什麼，是誰決定的？ 人，或固定的規則 AI 流程就夠了
要看剛剛查到什麼才知道 這才是 AI 代理的題目

最容易犯的錯，是把第一題的答案當成第二題的答案。寫文章、下標題，確實需要 LLM；可是輸入是稿子、輸出是文章和標題，中間幾步都固定，下一步由人決定。這是一條固定流程，用不到 AI 代理。

判斷流程：先問規則寫不寫得出來，寫得出來就用固定程式；寫不出來再問下一步由誰決定，人或規則決定就用 AI 流程，要看查到什麼才決定的才用 AI 代理；最後依做錯收不收得回來，決定人要站多近

一次推薦，兩次更正

有一次我請 AI 幫我挑「值得做成 AI 代理」的工作。它推薦的前兩名，後來都被推翻。

第一名是「產生一份給會計系統匯入的 Excel」。我用業務邏輯反駁：匯入檔只要欄位和格式對了就對了。從資料庫撈資料、計算、套格式、產出檔案，沒有任何一步需要 AI 判斷。

第二名是寫文章、下標題、配縮圖這類內容加工。它需要 LLM，但步驟固定、下一步由人決定，錯在把「需要 LLM」當成「需要 AI 代理」。

同一晚還推翻了第三項。原本想讓 AI 整理年度盤點的異常，AI 實際連到資料庫去查，發現要分析的那幾個欄位根本沒有記錄，正式盤點的結果也只有「有掃到、沒掃到、別的部門掃到」三種。一張固定報表就夠了。這一次是 AI 自己查證，推翻了自己原本的推薦。

最後重新整理一次：

工作 需要 LLM 需要 AI 代理 理由
產生匯入用的 Excel 不用 不用 欄位格式對就好
從幾個系統查資料、組成一份清單 不用 不用 查詢加組裝，還是程式
檢查一張排程表有沒有時段重疊 不用 不用 規則明確，寫死就好
寫文章、下標題 要 不用 步驟固定，下一步由人決定
查一套沒有文件的舊系統為什麼出錯 要 要 下一步查哪裡，看上一步看到什麼
研究一家公司 要 要 讀到異常的數字，才決定接著去查什麼

回頭看，真正需要 AI 代理的兩項，都是邊查邊決定方向的調查工作。花一個小時證明「這裡不需要 AI 代理」也算判斷的一部分，而且是比較難的那一半。

選錯的代價

選錯有兩個方向，代價不一樣。

選錯的方向 會發生什麼
固定的事，硬做成 AI 代理 每次都要跑模型，比較貴；同樣的輸入，結果可能每次不同；出錯了很難追是哪一步；還得另外加檢查去盯它
要邊查邊判斷的事，硬寫成固定程式 規則永遠寫不完，碰到沒想過的狀況就卡住；最後變成人一直在旁邊告訴它下一步

Anthropic 那篇文章也提醒：AI 代理比較貴，一步錯了，後面會跟著一路錯。他們的建議是先找最簡單的做法，真的需要才加複雜度，有時候答案就是不做 AI 代理。

用通勤來想比較好懂。每天走同一條路上班，搭捷運最便宜、最準時。要去一個沒去過、路況也不清楚的地方，才需要一位會看情況改路線的司機。

就算決定用 AI 代理，也不必每一步都交給它。算錢、權限、留紀錄這些一定要對的事，還是寫成固定程式，讓 AI 代理像拿工具一樣去呼叫。比方說讓 AI 查資料時，給它一個只能查、不能改的查詢工具；要改資料，另外經過人工核准。AI 負責理解問題、決定要查什麼，結果正不正確由固定程式保證。

要讓 AI 自己做到什麼程度

決定用 AI 之後，下一個問題是人要介入多少。常見的說法分四個層級：

層級 人做什麼 比喻
人在迴圈內（in the loop） AI 給建議，每個決定都由人點頭 學開車，教練坐在旁邊
人在迴圈上（on the loop） AI 自己跑，人在旁邊看，有異常才喊停 自動化工廠，亮紅燈才去按暫停
人在迴圈之上（over the loop） 人訂目標和界線，不管每一個小決定 廠長巡好幾條產線，只看整體
人在迴圈外（out of the loop） 完全自動，人不介入 掃地機器人，你出門它自己掃

原則只有一條：風險越高、越收不回來，人就要站得越近。比較經典的分法其實是三級（內、上、外），「迴圈之上」是後來延伸出來的說法，不同文獻用法有點出入。

同一個系統裡，不同動作可以放在不同層級。有一種做法是讓 AI 回答時附上「有多確定」，再依動作的風險決定怎麼處理：

AI 有多確定 怎麼處理
很確定 直接做
不太確定 先問使用者，或標起來給人複查
沒把握 不做，轉給人，或請對方說清楚

門檻要跟著風險調。一家 AI 工具廠商的文件舉的例子是：查帳戶餘額，錯了容易補救，門檻可以低；核准轉帳，錯了代價高，要更確定才放行，介於中間的先請使用者確認。

想放手之前，先備好三件事

想從「每次都點頭」往「讓它自己跑」移，下面三件事要先有，順序不能顛倒：

前提 沒有它會怎樣
改壞了收得回來（有備份、有版本紀錄、可以先試跑） 只能每一步都自己核可
出事時會亮的紅燈（自動檢查、實際看產出對不對） 以為在監督，其實沒人在看
界線寫成檔案（規則、權限、排程設定） 每次都要重講一遍

第二件我自己踩過。我有一個每天自動推送的小排程，登入憑證過期後停了大約五週，沒有任何東西提醒我。它沒有報錯，就只是安靜地停了。那段時間我以為它在自己跑，實際上沒有人在看。

紅燈也不能太多。誤報響久了，大家就不看了，防護等於不存在。有一個簡單的自我檢查：上一次你真的按下暫停、把 AI 做的東西退回，是什麼時候？想不起來，就不算在監督。

信任一步一步放

一支介紹 AI 代理的入門影片講得很直白：

“Progressive trust. Don’t hand it everything on day one.”

繁中：「漸進信任。第一天不要把所有權限都給它。」

影片裡的起點是：先讓它讀資料、分類、加標記；刪除和對外寄送這類動作，先問你；主要的信箱和跟錢有關的服務，一開始不接；要寄出去的信先寫成草稿，你看過才寄。

我自己現在大概站在這些位置：

工作 我站在哪一層 怎麼做
開發系統 迴圈之上 目標、界線、明確不做什麼由我訂；純技術的細節讓 AI 之間討論決定，我保留否決權
推上正式環境、寫進正式資料前 刻意留在迴圈內 一定經過我，或另一個模型的複核
整理筆記 正從「內」往「上」移 原本每次寫檔都先問我，現在改成做完我抽查；規則檔和重要的索引頁仍然先問
夜間自動整理資料 跑的時候在迴圈外，寫進來前在迴圈內 每一批我看過說可以才寫入；有一批六份裡，有一份自己改了名稱，我判不合格

最後那一項，我在 10 月替它訂了放手的規則：連續 5 批都沒問題，才從全部檢查改成抽查；抽查一個月錯誤率低於一成，才只看例外；只要越界一次，就退回全部檢查。信任放出去以後要收得回來，收回的條件最好在放手之前就寫好。

開始前問自己

  1. 這件事的規則寫得出來嗎？寫得出來，先寫成固定程式。
  2. 下一步做什麼，是誰決定的？是人或規則，用 AI 加固定步驟就夠。
  3. 如果 AI 做錯了，收得回來嗎？收不回來的那一步，留給人。
  4. 它壞掉的時候，有東西會叫你嗎？沒有的話，先補紅燈再放手。

AI 做完以後，怎麼確認它真的做對，看第 6 篇。

參考資料