簡介
您已使用 ChatGPT。您已經看到人工智慧回答問題、編寫程式碼、撰寫電子郵件。但想像一下，人工智慧不僅可以回答問題，還可以自行行動：在網路上搜尋資訊、呼叫 API、讀取資料庫、發送電子郵件，甚至在失敗時進行自我修正。
那就是AI Agent——2025-2026年AI世界最熱門的話題。
1.什麼是代理？
1.1 定義
AI Agent是一個使用LLM（大語言模型）作為「大腦」的系統，用於：
- 感知：理解來自使用者或環境的輸入
- 理由：分析情況，制定計劃
- Act（Action）：透過工具/API執行操作
- 學習（學習）：將結果儲存到記憶體以便下次改進
┌─────────────┐
│ USER │
│ INPUT │
└──────┬──────┘
│
┌──────▼──────┐
┌────►│ PERCEIVE │
│ └──────┬──────┘
│ │
│ ┌──────▼──────┐
│ │ REASON │◄────── Memory
│ │ & PLAN │
│ └──────┬──────┘
│ │
│ ┌──────▼──────┐
│ │ ACT │────── Tools
│ │ (Execute) │ (APIs, DB, Web...)
│ └──────┬──────┘
│ │
│ ┌──────▼──────┐
└─────│ OBSERVE │
│ (Result) │
└──────┬──────┘
│
┌──────▼──────┐
│ OUTPUT │
└─────────────┘
1.2 實際例子
不是代理人： 您問 ChatGPT “今天西貢的天氣怎麼樣？” → ChatGPT 基於訓練資料的答案（可能是錯誤的）。
作為代理： 你問同樣的問題→代理呼叫Weather API→取得真實資料→準確回答溫度34°C，下午有雨。
2. 聊天機器人 vs Agent vs Copilot — 明顯差異
| 聊天機器人 | 副駕駛 | 代理 | |
|---|---|---|---|
| 它是如何運作的 | 回答問題 | 建議、支持 | 自我行動 |
| 互動世界 | 沒有 | 限制 | 完整（工具、API） |
| 自主程度 | 非常低 | 平均 | 曹 |
| 決策 | 使用者決定 | 推薦，使用者選擇 | 代理人決定（可能需要批准） |
| 記憶體 | 在談話中 | 基於會話的 | 短期+長期 |
| 範例 | ChatGPT 基本 | GitHub 副駕駛 | 克勞德德文 電腦使用 |
自治譜
Chatbot ◄──────────── Copilot ──────────► Agent
│ │ │
│ "Trả lời câu hỏi" │ "Gợi ý & hỗ trợ" │ "Tự thực hiện"
│ │ │
│ Q&A đơn giản │ Code completion │ Research & report
│ Dịch thuật │ Email drafting │ Order processing
│ Tóm tắt │ Bug suggestion │ Automated testing
3. AI 代理程式的類型
3.1 簡單反射代理
- 直接對當前輸入做出反應
- 沒有記憶，沒有計劃
- 例如：聊天機器人常見問題、基於規則的機器人
3.2 基於模型的反射代理
- 維護世界狀態的內部“模型”
- 可以處理不完整的訊息
- 例如：客戶支援機器人了解對話上下文
3.3 基於目標的代理
- 有明確的目標要實現
- 制定行動計畫（計畫）
- 例如：旅行預訂代理 — 在您的預算範圍內找到最便宜的機票
3.4 基於實用程式的代理
- 不僅實現目標，而且優化「效用」（滿意度）
- 比較並選擇最佳選項
- 範例：投資組合管理代理 — 最大回報/風險比
3.5 學習代理
- 透過經驗自我提升
- 使用回饋循環
- 例如：代理程式在每次審查後學習如何編寫更好的程式碼
4. 基本代理架構
每個代理程式都有 4 個主要元件：
┌──────────────────────────────────────────────┐
│ AI AGENT │
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ LLM │ │ TOOLS │ │ MEMORY │ │
│ │ (Brain) │ │ (Hands) │ │ (Mind) │ │
│ └──────────┘ └──────────┘ └──────────┘ │
│ │
│ ┌──────────────────────────────────────┐ │
│ │ ORCHESTRATION LOGIC │ │
│ │ (Agent Loop / State Machine) │ │
│ └──────────────────────────────────────┘ │
└──────────────────────────────────────────────┘
4.1 法學碩士（腦）
大腦做出決定。 LLM 決定：呼叫哪個工具？用什麼參數？結果夠嗎？
4.2 工具（手）
代理與世界互動的工具：網頁搜尋、計算器、資料庫查詢、API 呼叫、檔案 I/O、程式碼執行...
4.3 內存
- **短期：**當前會話中的對話歷史記錄
- 長期： 在多次會議中累積的知識（向量資料庫）
4.4 編排邏輯
控制循環：接收輸入→呼叫LLM→選擇工具→執行→檢查結果→重複或回傳。
5. 示範：最簡單的 Python 代理
建立最簡單的代理程式——僅使用純 Python 和 OpenAI API。
5.1 設置
pip install openai
5.2 程式碼
import json
from openai import OpenAI
client = OpenAI() # Dùng OPENAI_API_KEY từ env
# Step 1: Định nghĩa tools
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "Lấy thời tiết hiện tại của một thành phố",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "Tên thành phố, ví dụ: Ho Chi Minh City"
}
},
"required": ["city"]
}
}
},
{
"type": "function",
"function": {
"name": "calculate",
"description": "Tính toán biểu thức toán học",
"parameters": {
"type": "object",
"properties": {
"expression": {
"type": "string",
"description": "Biểu thức cần tính, ví dụ: 2 + 3 * 4"
}
},
"required": ["expression"]
}
}
}
]
# Step 2: Implement tool functions
def get_weather(city: str) -> str:
"""Fake weather API cho demo"""
weather_data = {
"Ho Chi Minh City": {"temp": 34, "condition": "Nắng, mưa chiều"},
"Hanoi": {"temp": 28, "condition": "Nhiều mây, ẩm"},
"Da Nang": {"temp": 30, "condition": "Nắng đẹp"},
}
data = weather_data.get(city, {"temp": 25, "condition": "Không có dữ liệu"})
return json.dumps(data, ensure_ascii=False)
def calculate(expression: str) -> str:
"""Simple calculator"""
try:
result = eval(expression) # ⚠️ Dùng eval cho demo, production cần sandbox
return json.dumps({"result": result})
except Exception as e:
return json.dumps({"error": str(e)})
# Step 3: Tool dispatcher
tool_functions = {
"get_weather": get_weather,
"calculate": calculate,
}
# Step 4: The Agent Loop
def run_agent(user_message: str):
print(f"\n{'='*60}")
print(f"👤 User: {user_message}")
print(f"{'='*60}")
messages = [
{"role": "system", "content": "Bạn là một AI assistant thông minh. "
"Hãy sử dụng tools khi cần để trả lời chính xác."},
{"role": "user", "content": user_message}
]
# Agent loop — tối đa 5 vòng
for step in range(5):
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=messages,
tools=tools,
)
message = response.choices[0].message
messages.append(message)
# Nếu LLM không gọi tool → trả lời cuối cùng
if not message.tool_calls:
print(f"\n🤖 Agent: {message.content}")
return message.content
# Nếu LLM gọi tool(s)
for tool_call in message.tool_calls:
func_name = tool_call.function.name
func_args = json.loads(tool_call.function.arguments)
print(f"\n🔧 Tool call [{step+1}]: {func_name}({func_args})")
# Thực thi tool
result = tool_functions[func_name](**func_args)
print(f" 📦 Result: {result}")
# Trả kết quả về cho LLM
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": result,
})
return "Agent loop exceeded maximum steps."
# Step 5: Test
if __name__ == "__main__":
run_agent("Thời tiết Sài Gòn hôm nay thế nào?")
run_agent("Tính cho tôi: (15 * 7) + (23 * 3) - 42")
run_agent("So sánh thời tiết Hà Nội và Đà Nẵng, thành phố nào nóng hơn bao nhiêu độ?")
5.3 預期輸出
============================================================
👤 User: Thời tiết Sài Gòn hôm nay thế nào?
============================================================
🔧 Tool call [1]: get_weather({"city": "Ho Chi Minh City"})
📦 Result: {"temp": 34, "condition": "Nắng, mưa chiều"}
🤖 Agent: Thời tiết Sài Gòn hôm nay: **34°C**, trời nắng và có thể mưa vào buổi chiều.
Nhớ mang ô khi ra ngoài nhé! ☀️🌧️
注意第三個問題－代理會打電話 get_weather 兩次（河內和峴港），然後比較結果。這就是智能體的力量：多步驟推理+工具使用。
6. 2025–2026 年代理商趨勢
6.1 代理人工智慧在哪裡？
2023: Chatbots (Q&A, content generation)
2024: Copilots (code assist, writing assist)
2025: Single Agents (autonomous task completion)
2026: Multi-Agent Systems (coordinated agent teams)
6.2 重要里程碑
| 時間 | 活動 |
|---|---|
| 2024 年 3 月 | Devin——第一位（有爭議的）“人工智慧軟體工程師” |
| 2024 年 6 月 | Claude 3.5 Sonnet + 工具使用 — 代理的遊戲規則改變者 |
| 2024 年 10 月 | 克勞德電腦使用—電腦控制代理 |
| 2024 年 11 月 | Anthropic MCP — 開源連線標準 |
| 2025 年 4 月 | Google A2A 協定 — 代理程式之間相互通訊 |
| 2025–2026 | 多元代理平台競賽 |
6.3 為什麼你現在應該學習？
- 無需了解深度 ML/DL：代理主要透過 API 使用 LLM — 您需要工程技能，無需訓練模型
- 需求極高：「AI 代理開發人員」是最受追捧的技能組合
- 低門檻，高上限：開始簡單，但可以建造極其複雜的系統
- 實用：立即應用到工作中－自動化、研究、內容、編碼......
課程總結
- AI Agent = LLM + 工具 + 記憶體 + 編排邏輯
- 代理與聊天機器人的不同之處在於他們能夠與外界自行行動
- 核心循環：感知→原因→行動→觀察→（重複）
- 5 種類型的代理：簡單反射 → 基於模型 → 基於目標 → 基於效用 → 學習
- 使用 OpenAI 函數呼叫編寫最簡單的代理
- 2025-2026年是Agentic AI時代－開始的最佳時機
練習
1.運行第5部分中的演示代理並嘗試提出更複雜的問題（需要呼叫許多工具）
2.新增工具： search_web(query) — 傳回模擬結果。代理知道什麼時候使用它嗎？
3. 想想看代理可以在您的日常工作中解決的 3 個用例
4. 閱讀部落格文章「什麼是 AI 代理？」在人類網站上