吳恩達對 AI Agents 的核心觀點，是企業不要只盯著基礎模型本身，而要把注意力放回現在已經能落地的應用層。AI Agents 的價值不只是聊天，而是讓大型語言模型可以反思、規劃、呼叫工具、和其他代理協作，進一步把知識工作拆成可被自動化或增強的任務。
這篇整理來自吳恩達主題演講 AI, Agents and Applications - 前瞻 AI Agents，顛覆未來想像。我最有感的地方是：AI 機會不是只屬於模型公司，也會屬於懂產業流程、懂資料邊界、懂現場痛點的人。
吳恩達為什麼強調 AI 應用層？
吳恩達強調 AI 應用層，是因為基礎模型已經吸走大量注意力，但真正改變產業的工作會發生在具體流程。企業若只看模型能力，很容易錯過可立即實作的應用機會。
吳恩達把 AI 技術堆疊（AI stack）拆成幾層：半導體、雲端、基礎模型、開發工具與應用程式。半導體與基礎模型很重要，但多數企業不一定要自己做晶片或訓練大型基礎模型。
我會把這段理解成一個很務實的提醒：台灣企業與開發者更值得投入的地方，是把現有 AI 能力包進產業流程。客服、文件、內部營運、製造現場、教育訓練與決策輔助，都可能成為 AI applications 的落點。
AI Agents 和一般聊天機器人差在哪裡？
AI Agents 和一般聊天機器人的差異，在於 AI Agents 會判斷下一步、使用工具、檢查結果並持續修正。一般聊天機器人多半只回應文字，AI Agents 更像可執行任務的工作流程。
吳恩達談到 AI agentic workflows 時，我覺得關鍵字不是「代理」本身，而是「工作流程」。大型語言模型如果只產生一次回答，能力會停在文字生成；如果模型能進入反覆檢查、使用工具、拆任務與多代理協作，工作成果就會接近一個可被管理的流程。
我會用這張表分辨兩者：
| 類型 | 主要能力 | 適合任務 | 主要風險 |
|---|---|---|---|
| 一般聊天機器人 | 回答問題、生成文字、改寫內容 | FAQ、文案、摘要、簡單問答 | 容易憑空回答，缺少行動能力 |
| AI Agents | 規劃、工具呼叫、反思、多步執行 | 查資料、寫程式、流程自動化、任務分派 | 權限過大或缺少驗證時，錯誤會被放大 |
| 多代理系統 | 多個角色分工與互相檢查 | 複雜專案、程式開發、研究分析 | 代理之間可能互相強化錯誤結論 |
代理式 AI 系統有哪些典型模式？
代理式 AI 系統常見模式包含反思、多代理、功能調用與計劃。這些模式讓大型語言模型不只生成答案，也能檢查答案、使用外部工具並拆解複雜任務。
吳恩達在演講中提到幾個很適合開發者理解 AI Agents 的模式。
反思模式（Reflection Design Pattern）：先讓 AI 產生程式碼或草稿，再讓 AI 檢視剛剛的結果、提出批評與改進建議。這個循環可以反覆多次，讓輸出品質逐步提高。
多代理模式（Multi-Agent Pattern）：一個代理負責產出，另一個代理負責批評或驗證。這種設計很像團隊分工，讓產出者與審查者分離。
功能調用（Function Calling）：AI Agent 可以呼叫 API、搜尋資料、執行程式碼或讀取日曆等外部資訊。這是 AI 從「會說」走向「會做」的重要能力。
計劃（Planning）：AI Agent 先規劃一系列步驟，再依序執行任務。複雜任務如果沒有規劃，很容易在中途失焦。
為什麼 AI Agents 需要管理者思維？
AI Agents 需要管理者思維，因為代理式系統不是把所有工作丟給同一個模型，而是設計角色、分工、回饋與驗收。管理者思維能讓 AI Agents 更像團隊，而不是單一工具。
吳恩達用管理者僱用多名員工的方式來比喻多代理系統。你可以設計三到四個 AI Agents，分別負責程式碼撰寫、行銷設計、資料整理或品質檢查，再讓不同代理互相協作。
我很喜歡這個比喻，因為企業導入 AI Agents 時，真正難的通常不是「模型會不會回答」，而是「誰負責哪一段、何時交棒、什麼情況要停下來問人」。這些問題本質上就是管理問題。
我會用四個問題檢查一個 AI Agent 設計：
- 這個 AI Agent 的責任範圍是否明確？
- 這個 AI Agent 可以使用哪些工具，不能碰哪些資料？
- 這個 AI Agent 的輸出由誰驗收？
- 這個 AI Agent 做錯時，有沒有停止與回復機制？
當前 AI 領域還有哪些重要趨勢？
當前 AI 趨勢不只包含 AI Agents，也包含半導體、開發速度、影像處理與非結構化資料工程。企業若要導入 AI，需要同時理解模型能力與資料準備方式。
吳恩達提到，半導體發展仍然會影響應用層，因為模型訓練與推論成本會決定哪些應用能被大量部署。不過在企業現場，另一個更直接的變化是開發週期縮短。
過去 AI 專案常見流程是收集資料、標註資料、訓練模型、部署與監控，整體可能需要 6 到 12 個月。生成式 AI 與提示工程讓許多原型能在更短時間內完成第一版，吳恩達在演講中也用「10 天」對比過去「6 個月」的開發感受。
另一個我覺得很重要的趨勢，是非結構化資料的工程化管理。企業過去主要管理表格、數字與交易資料；但 AI 現在更能處理文字、圖片、音訊與影片，因此企業必須重新思考文件、知識庫、影像資料與權限控管。
AI Agents 會怎麼影響知識型工作？
AI Agents 會優先影響可拆解、可驗證、可由工具輔助的知識型任務。AI 不一定一次取代整份工作，但會改變寫作、分析、程式開發與客服處理的任務成本。
吳恩達在演講中引用賓夕法尼亞大學相關研究，談到大型語言模型對知識工作任務的影響。Stanford Digital Economy Lab 收錄的〈GPTs are GPTs〉研究指出，美國約 80% 勞動力至少有 10% 工作任務可能受大型語言模型影響，約 19% 勞動力至少有 50% 任務可能受影響；研究也提醒，這不是採用時程預測，而是任務暴露程度分析（Stanford Digital Economy Lab，2023-08）。
我會把這件事理解成：AI Agents 不是在問「哪個職業會消失」，而是在問「哪個任務可以被重新設計」。例如客服代表不是整份工作都交給 AI，而是把文字查詢、互動紀錄、訂單查詢、投訴分流等任務拆開看。
企業如何找出 AI Agents 的導入機會？
企業找 AI Agents 機會時，應先做任務拆解，再評估自動化潛力與人類覆核需求。AI 導入不是先買工具，而是先找出高頻、高痛點、可驗證的任務。
吳恩達提到的 AI 創新步驟，我會整理成四段。
| 步驟 | 要做的事 | 我會追問的問題 |
|---|---|---|
| 高層 AI 簡報 | 讓管理者理解 AI 基本能力與限制 | 管理者是否知道 AI 不是萬能自動化？ |
| 工作任務分解 | 把一份工作拆成多個任務 | 哪些任務高頻、耗時、可驗證？ |
| 激發新模式 | 思考成本下降後是否出現新服務 | 成本下降後，使用者行為會不會改變？ |
| 自建與購買抉擇 | 評估市場工具是否已能解決問題 | 需求是否夠通用，還是非常貼近內部流程？ |
客服代表的任務可以這樣拆：
| 任務 | AI 潛力 | 判斷原因 |
|---|---|---|
| 回答客戶文字聊天查詢 | 高 | 內容可從知識庫檢索，回覆可留紀錄 |
| 記錄客戶互動 | 高 | 摘要與分類很適合交給大型語言模型輔助 |
| 檢查訂單狀態 | 中 | 需要接系統與權限，不只是文字生成 |
| 接聽電話 | 中 | 語音辨識與情緒判斷可輔助，但仍需轉人工 |
| 分流處理投訴 | 中 | 可先分類與建議處理路線，高風險案件要人工確認 |
我的經驗是，真正能落地的 AI Agents 題目通常很不浪漫：整理表單、查資料、比對規則、寫紀錄、提醒缺漏、產生草稿。這些任務單獨看不華麗，但只要頻率高、錯誤成本可控，就很可能值得做。
台灣企業可以從哪裡開始？
台灣企業可以先從應用層與內部流程開始，不必一開始就追逐大型基礎模型。懂產業現場的人可以把 AI Agents 接到製造、營運、客服與知識管理等長尾場景。
吳恩達提到，對台灣許多企業而言，最好的機會是專注於構建現在可以實現的應用。我很認同這個判斷，因為台灣有很多場景不是單一大型平台能一次解決：工廠排程、品質紀錄、供應商溝通、客服知識庫、教育訓練、內部報表與跨部門協作。
我會建議從三種任務開始找題目：
- 大量重複但需要判斷的文字工作：例如客服摘要、會議紀錄、規格比對。
- 需要查多個系統的流程：例如訂單狀態、庫存查詢、報表整理。
- 需要專家覆核的草稿任務：例如技術文件、教育教材、提案初稿。
AI Agents 的重點不是讓 AI 直接取代專家，而是讓專家把時間花在判斷、溝通與設計流程。這也是我覺得「應用層」會長出很多機會的原因。
延伸閱讀
AI Agents 的概念可以接到 ReAct、Dify、Coze 與人工智慧基礎觀念。下面幾篇站內文章適合接著看，從底層推理到實作工具都有。
- ReAct Prompting 是什麼？Reasoning/Acting 如何讓 LLM 邊推理邊行動
- 使用 Dify 開發 Agent 聊天機器人：工具串接、OpenAPI YAML 與實作觀察
- Coze：快速產生專屬於你的聊天機器人
- 人工智慧概論：從符號邏輯、專家系統到機器學習
- AI大師論壇：人工智慧如何形塑人類未來
常見問題
AI Agents 常見問題集中在定義、工作流程、企業導入與風險控管。以下回答以吳恩達演講觀點與企業應用判斷為主。
AI Agents 是什麼？
AI Agents 是能根據目標判斷下一步、使用工具、檢查結果並完成任務的 AI 系統。AI Agents 不只回覆文字，也可以結合 API、搜尋、程式執行或多代理協作。
吳恩達為什麼認為 AI Agents 很重要？
吳恩達認為 AI Agents 重要，是因為代理式工作流程能讓大型語言模型做出更接近真實工作的成果。反思、工具呼叫、規劃與多代理協作會讓 AI 從聊天工具變成應用程式的一部分。
AI Agents 和 Function Calling 有什麼關係？
Function Calling 是 AI Agents 常用能力之一。AI Agent 需要透過 Function Calling 呼叫外部 API、查詢資料或執行動作，才能把語言模型的判斷接到真實系統。
企業導入 AI Agents 應該先買工具還是自行開發？
企業若市場上已有成熟工具，可以先買工具驗證需求；若流程高度客製、資料權限複雜或既有工具無法滿足，就可能需要自行開發。比較好的做法是先做任務拆解，再決定 Build 或 Buy。
AI Agents 會取代知識工作者嗎？
AI Agents 會先改變知識工作者的任務結構，而不是一次取代整份工作。寫作、摘要、查資料、程式初稿與客服紀錄等任務會更容易被自動化或增強，但目標設定、品質判斷與責任承擔仍需要人。
台灣企業適合從哪些 AI Agents 場景開始？
台灣企業適合從高頻、可驗證、資料來源清楚的場景開始，例如客服知識庫、內部文件整理、製造紀錄、報表摘要與流程提醒。這些場景不一定最炫，但比較容易控制風險並累積信任。
參考資料
- Andrew Ng, AI, Agents and Applications - 前瞻 AI Agents，顛覆未來想像（YouTube，存取日期：2026-08-28）
- Stanford Digital Economy Lab, GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models（發布日期：2023-08-21，存取日期：2026-08-28）
- Knowledge at Wharton, How Large Language Models Could Impact Jobs（存取日期：2026-08-28）
最後更新
本文最後更新於 2026-08-28。我在這次整理中保留 2024-11-28 的吳恩達 AI Agents 趨勢觀點與心得，補上 GEO Answer Blocks、FAQ、參考資料、站內延伸閱讀與本機 webp 圖片路徑。
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2024-11-28