Intelligent Agent 實作研習 / 多頁教材版

Chapter 1｜從 ChatBot 到 Intelligent Agent

建立研習的共同語言，幫助學員把 AI 從聊天工具提升到可執行系統的觀點。

教師研習理論 + 架構 + 實作 RWD + 深色模式 Mermaid + 程式碼範例

學習目標

分辨 ChatBot、AI Assistant、AI Agent、Multi-Agent 的差異。
理解 Planning、Memory、Tool Calling、Human-in-the-loop、MCP、Multi-Agent Collaboration 的角色。
能把一個教學任務重新描述成 Agent Workflow。

背景知識

本章假設學員已經使用過生成式 AI。重點不再是「模型會不會回答」，而是「系統能不能完成任務」。當任務需要查資料、寫檔、執行命令、跨系統整合時，單純聊天就不夠，這也是 Agent 出現的原因。

flowchart LR A[ChatBot 以對話為主] --> B[AI Assistant 加入個人化與較長上下文] B --> C[AI Agent 加入規劃/工具/狀態] C --> D[Multi-Agent 多角色分工合作]

理論說明

核心能力

Planning：把較長任務拆解成可執行步驟。
Memory：保留偏好、背景與任務相關狀態。
Tool Calling：讓模型能觸發 terminal、browser、database、API 等外部能力。
Human-in-the-loop：在高風險步驟讓教師或使用者保留最終決策權。

為什麼要談 MCP 與 Multi-Agent

MCP 讓工具與資料源更容易被模型標準化接入。
Multi-Agent 適合需要研究、撰寫、審稿、整合的長任務。
角色拆分有助於降低單一上下文過大所帶來的混亂。
教師可更清楚設計「哪一步由 AI 做、哪一步由人做」。

操作流程

先拿一個 ChatBot 就能完成的題目，例如「請解釋 RAG」。
再拿一個需要查資料與整理產出的題目，例如「整理本校各系 AI 課程」。
讓學員發現：後者需要外部資料、規劃、記錄與人工審核。
把任務拆成 planner / researcher / writer / reviewer 四種角色。

範例程式

def classify_task(task: str) -> dict:
    return {
        "task": task,
        "needs_external_data": True,
        "needs_tools": ["web search", "file write"],
        "needs_human_review": True,
    }

print(classify_task("整理外語學院 AI 寫作教學案例"))

實作練習

請學員選一個自己的教學任務，回答三個問題：

哪些步驟 ChatBot 已足夠？
哪些步驟需要 Tool Calling？
哪些步驟必須由教師保留審核權？

常見錯誤

把「能對話」誤認成「能完成任務」。
忽略工具與資料邊界，只討論 prompt 寫法。
沒有設計人工審核點，直接讓模型做高風險決策。

延伸思考

如果你的課程需要跨資料源查詢，單一 ChatBot 會在哪裡失效？
如果模型回答內容正確但無法執行動作，能不能稱為 Agent？
在教學現場，哪些步驟一定要保留 human-in-the-loop？

Workshop 首頁

2. 主流 Agent 工具比較

回 Workshop 首頁回頁首

Workshop 課程地圖