大多數人第一次接觸 AI 的經驗是生成式的：提出問題，得到答案。代理式 AI 則是下一步：這種 AI 不會被動等待指令，而是主動追求目標、規劃多個步驟，並運用可用的工具採取實際行動。對於工程與維運團隊而言，從生成式到代理式的轉變並非漸進式的改良，而是一種根本不同的 AI 協作方式。
本文將說明什麼是代理式 AI、它與生成式 AI 有何不同、實務上如何運作、目前已被部署在哪些場景，以及這對新加坡當地的企業組織意味著什麼。
什麼是代理式 AI？
代理式 AI 指的是能夠自主推理、規劃並執行一連串行動以達成特定目標的 AI 系統。這個詞源自 agency（能動性），也就是獨立且有目的地行動的能力。 讓系統具備「代理性」的關鍵，不在於底層模型，而在於圍繞它所做的設計：一個要追求的目標、可使用的工具、能在各步驟間延續脈絡的記憶，以及界定何時必須由人類審核下一步行動的界線。與只對提示做出回應便停止的模型不同，代理式系統會持續循環：觀察環境、決定下一步行動、採取行動，並對結果進行反思。
負責任地部署代理式 AI 的核心概念是「人在迴路中」（human-in-the-loop）。在工作流程中的特定節點，人類會審核代理的調查結果，並在系統繼續執行前核准下一步行動。代理負責調查與推理，人類則負責判斷：確認診斷、核准修復措施，或推翻建議。
代理式 AI 的關鍵特徵：
- 目標導向。針對一個目標展開多個步驟的行動，而不僅止於單一提示。
- 多步驟推理。能規劃、排序，並隨情況變化而調整。
- 工具使用。與 API、資料庫及外部服務互動，以蒐集資訊並採取行動。
- 記憶與狀態。保留工作流程前段的脈絡，供後續決策參考。
- 有界自主性。在明確授權範圍內運作，風險較高的行動則需要人類核准。
代理式 AI 與生成式 AI 的比較
生成式 AI 與代理式 AI 相關但不同。生成式 AI 會根據提示產生內容，例如文字、程式碼與圖像。它擅長草擬、摘要與整合資訊，但不會對現實世界採取行動。每次互動大多是獨立完成的。
代理式 AI 則以生成能力作為其推理引擎，並在此基礎上加入規劃、工具使用與回饋循環。其結果是一套能將高層次目標轉化為一系列可執行步驟，並在特定節點接受人類監督下完成任務的系統。
代理式 AI 與生成式 AI 的關鍵差異：
| 面向 | 生成式 AI | 代理式 AI |
|---|---|---|
| 主要輸出 | 內容（文字、程式碼、圖像） | 行動與決策 |
| 工具使用 | 有限或無 | 運作核心 |
| 人類參與 | 每一步皆須參與 | 在特定核准節點介入 |
| 範疇 | 回答與產生內容 | 調查、決策與執行 |
代理式 AI 如何運作？
核心運作循環
代理式 AI 系統遵循一套可重複的運作循環，包含五個階段：
- 觀察。代理感知其環境的當前狀態：警示、資料變化、使用者指令，或系統訊號。
- 補充脈絡。它蒐集解讀所觀察內容所需的資訊：服務歸屬、近期變更、已知依賴關係、適用政策。
- 決策。代理針對最可能的原因或最佳下一步行動進行推理，並依既定界線檢核該行動。
- 行動。在獲授權的範圍內，代理讀取資料、準備建議、更新紀錄，或觸發一項待人類核准的行動。
- 反思。代理記錄所觀察到的內容、蒐集到的證據、所做的決策及結果，建立一份可供人類審核的可稽核紀錄。
此循環會不斷重複，直到達成目標、工作流程升級交由人類處理，或達到設定的上限為止。
技能（Skills）
技能是針對特定任務類型、經過封裝且可重複使用的工作流程。技能不只是一個提示，而是一套結構化的序列，清楚知道要提取哪些資料、要執行哪些檢查，以及要準備什麼內容。優良的技能能將團隊既有的知識轉化為可重複使用且可稽核的資產。
受管控的工具連接
受管控的工具連接通常透過模型情境協定（Model Context Protocol，MCP）實現，讓代理式系統能以標準化且具權限感知能力的方式與外部工具互動。有別於每項整合各自運作方式不同，MCP 為輸入、輸出與稽核日誌建立了一致的模式。
情境脈絡（Contexts）
特別是在雲端維運領域，代理式 AI 的實用程度取決於它能取得的脈絡資訊。原始遙測資料（包括指標、日誌、追蹤）只能告訴你發生了變化。真正有用的代理式系統會以四種維運脈絡來豐富遙測資料：
- 歸屬。哪個團隊負責受影響的服務及相關運維手冊？
- 拓撲結構。請求路徑上涉及哪些服務、佇列與資料庫？
- 變更歷史。近期部署、重新設定或擴縮了哪些項目？
- 政策界線。哪些行動可以安全地建議、準備，或自動執行？
若缺乏這樣的資訊豐富化，代理雖能快速行動，卻仍可能將團隊導向錯誤方向。有了脈絡，代理式 AI 才能成為真正的決策支援系統。
了解可觀測性如何因應代理式 AI 時代而演進，以及工程團隊應如何做好準備。
代理式 AI 有哪些應用實例？
代理式 AI 已在各產業中運作。以下是幾個具代表性的應用案例：
客戶服務
AI 代理可端到端處理完整的服務流程，無需人類在每一步介入。只有當情況超出其既定範疇時，才會升級交由真人處理，這意味著客服人員能將更多時間投入真正複雜的案例，而非例行性的問題處理。
軟體開發
程式碼代理能根據高層次規格說明撰寫、測試、除錯並提交程式碼。它們可監控 CI/CD 流程、偵測建置失敗，並提出附帶修復建議的合併請求，縮短撰寫程式碼與確認其是否可行之間的回饋循環。
金融服務
代理式系統能持續監控交易流以偵測異常模式，為標記出的案例準備附帶佐證的資料供分析師審核，並依排程或觸發條件產生合規報告。過去需要耗費數小時人工蒐集資料的工作，如今可壓縮為一份結構化的簡報，供人類判斷之用。
醫療照護
臨床 AI 代理能在問診前整合病歷資料、揭露潛在的藥物交互作用，並標記異常檢驗結果供臨床醫師審核。它們扮演的是結構化的初步篩查角色，並非取代臨床判斷，而是確保判斷能建立在經過預先整理、相關的證據之上，而非原始資料。
IT 維運與可觀測性
代理式可觀測性是代理式 AI 最具吸引力的應用之一。與其等待工程師開啟儀表板並手動重建事件時間軸，代理式系統會：
- 在訊號超出門檻值的當下立即偵測到異常
- 追蹤受影響的依賴關係並繪製影響範圍
- 檢查近期部署與設定變更以尋找關聯性
- 將目前行為與既定基準進行比對
- 準備一份結構化的調查摘要，並附上建議的下一步行動
建置代理式可觀測性維運基礎設施的團隊，將能更快速應對事件，並在事件處理方式上保持更高的一致性。
TrueWatch 正引領從靜態儀表板邁向以維運脈絡為基礎、受管控自主行動的代理式 AI 可觀測性轉型。它將原始遙測資料與能賦予 AI 驅動調查實質意義的維運脈絡相連結，其代理架構的設計核心即為受管控、可稽核的行動。
了解什麼是代理式可觀測性，以及團隊如何透過維運脈絡運用代理式可觀測性。
關於代理式 AI 的常見問答（FAQ）
Q：AI 代理與代理式 AI 有什麼區別？
A：AI 代理是一套為朝目標自主行動而設計的特定系統。代理式 AI 則是更廣義的典範：使 AI 代理得以實現的設計方法與各項支撐能力。
Q：代理式 AI 會犯錯嗎？
A：會。AI 代理可能誤判根本原因，或依據不完整的資訊採取行動。這正是為何在部署代理式 AI 時，「人在迴路中」機制不可或缺。實質的監督與清楚的稽核軌跡，才是讓代理式 AI 在正式環境中值得信賴的關鍵。
Q：代理式 AI 與聊天機器人有何不同？
A：聊天機器人只在單次對話中做出回應。代理式 AI 系統則會針對一個目標展開多步驟行動，運用工具與外部系統互動，並能採取實際行動，而不僅止於產生文字。
Q：代理式 AI 能執行修復動作，還是只能提出建議？
A：兩種模式皆可支援，多數團隊會從保守的方式開始。在唯讀模式下，代理式系統會蒐集證據並建議最安全的下一步行動；在受管控模式下，代理會等待人類核准後才執行。關鍵在於每一項行動都可被稽核。Toby AI Agent 正是依據這種「先核准、後執行」的架構設計而成。加入 Toby AI Agent 候補名單 →
代理式 AI 的實踐：從 TrueWatch 開始
TrueWatch 將遙測資料與能讓代理式 AI 在正式環境中可靠運作的維運脈絡相連結，使自主推理建立在證據之上，而非憑空猜測。若貴團隊已準備好從被動式儀表板邁向受管控、AI 驅動的事件應變，TrueWatch 正是最佳起點。
準備好從訊號邁向受管控行動了嗎？立即從 Toby AI Copilot 開始，或加入 Toby AI Agent 候補名單，在自主事件應變功能上線時搶先體驗。
