深度學習知識地圖 · NLP 與 LLM
AI Agent
智能代理 / ReAct
觀念教學
聊天機器人只會「說」,AI Agent 會「做」— 以 LLM 為大腦,自己查資料、呼叫工具,把任務拆成多步逐一完成。
核心觀念
AI Agent(智能代理)的運作核心是 ReAct 迴圈:思考(Thought)→ 行動(Action)→ 觀察(Observation),不斷循環 — 想清楚下一步、實際執行(查資料、算數、呼叫 API),再依觀察到的結果修正方向,直到任務完成。
白話理解
你說「幫我排下週高雄出差的高鐵和飯店」。聊天機器人回你一篇攻略;Agent 直接查班次(行動)、發現熱門時段客滿(觀察)、改查前一班並比對飯店位置(再思考),最後交出完整行程。會不會實際採取行動、依結果修正,就是兩者的分水嶺。
關鍵細節
- 工具呼叫(Function Calling):LLM 產出結構化指令,呼叫外部工具或 API
- MCP:工具的標準介面,像 USB — 接口統一,各家模型即插即用
- 評估指標:任務完成率、工具呼叫正確率(選對工具、參數給對)
- 風險:提示注入(網頁或文件裡藏惡意指令,騙 Agent 亂做事)、無限迴圈、誤用工具
- 防護:護欄(Guardrails)、步數上限、關鍵動作交人類確認
🎯 口訣:Agent = 大腦(LLM)加手腳(工具)加 ReAct 迴圈 — 會做事的才叫 Agent。
iPAS 考點
辨識題:題目出現「自主拆解任務、呼叫外部工具、多步驟執行、依結果調整」→ AI Agent;只有「生成文字回覆」→ 聊天機器人。ReAct 三步的順序(思考、行動、觀察)是記憶題。風險題往提示注入與「人類監督、步數上限」等治理機制選;陷阱敘述是「Agent 全自動,不需人類介入」。
應用場景
評估指標
iPAS 歷屆考題詳解(3 題)
先自行作答,再展開詳解。題目出處均為 iPAS AI 應用規劃師正式考題,著作權屬原主辦單位。
某企業建置一套多代理人（Multi-Agent）系統，由一個 Orchestrator Agent 負責任務分配，多個 Worker Agent 分別執行網路搜尋、程式撰寫與結果彙整。若Orchestrator 發現某 Worker Agent 回傳結果品質不符合預期，從系統容錯與任務可靠性角度，下列哪一項機制最能確保整體任務仍能正確完成？
- A直接採用該 Worker Agent 的輸出，避免重試機制造成延遲
- BOrchestrator 具備結果評估能力，對不合格結果觸發重試（Retry）或重新分配給不同Worker，並記錄失敗原因供後續改善
- C強制所有 Worker Agent 統一使用相同的 LLM 模型，以減少輸出差異
- D當任何一個 Worker 失敗時，整個 Multi-Agent 任務直接中止並通知使用者重新啟動
看正解與逐選項詳解
正解:B
一位工程師正在實作一個 ReAct 框架的AI Agent，該 Agent 需要回答「台灣目前最大的電動車充電站營運商是哪間公司，以及其充電樁總數」。Agent 的工具清單如下：•web_search(query)：回傳搜尋結果摘要•get_webpage(url)：回傳網頁內文•calculator(expression)：回傳計算結果•get_current_date()：回傳今日日期工程師設計了以下的 System Prompt 與ReAct Loop，請問此Agent 設計存在哪些問題？應如何改善？[System Prompt]你是一個資料查詢助理。每次只能使用一個工具。當你知道答案時，直接輸出最終答案。[第一輪 Agent 輸出] Thought: 我已經知道台灣電動車市場的概況，不需要搜尋，可以直接回答。Action: 無Answer: 台灣最大充電站營運商是 XX公司，共有 500個充電樁。
- ASystem Prompt 未要求Agent 在回答前使用工具驗證，導致直接依賴既有知識產生幻覺（Hallucination）；應明確規定即時性問題需先執行 web_search
- B工具清單提供了 calculator與get_current_date，屬於多餘工具，可能增加 Agent的選擇複雜度
- CReAct 框架的核心問題在於 Thought 步驟佔用過多 token，應移除 Thought 欄位，直接讓 Agent 輸出Action，以提升推理效率
- DAgent 應在第一輪就呼叫所有可用工具並彙整結果，避免多輪 Loop 造成的延遲
看正解與逐選項詳解
正解:A
某AI系統架構師正在為一個電子商務資料湖（Data Lake）設計系統。該資料湖儲存數百億筆使用者點擊紀錄，並作為企業主要的分析資料來源。系統需讓非技術背景的行銷人員能以自然語言查詢數據洞察（如：上個月台北市購買 3C 產品的女性轉換率為何？），同時滿足高精確性、可擴展性，支援資料庫層級的權限控管與查詢審計，並確保查詢結果可由資料庫引擎精確執行。在此情境下，下列何者為最適合的系統架構？
- A協同過濾（Collaborative Filtering）：根據歷史查詢推薦相似問題的答案，無法執行新問題的即時計算
- B檢索增強生成（RAG）：讓LLM 檢索相關資料後生成回答，但無法可靠執行大規模數值聚合與精確統計查詢
- C生成對抗網路（GAN）：用於生成合成資料或模擬數據分佈，可用於資料擴增，但不適合即時查詢與資料庫聚合運算
- DText-to-SQL Agent：由 LLM 將自然語言轉換為 SQL 查詢，交由分散式資料庫執行，兼顧自然語言彈性與資料查詢精確性
看正解與逐選項詳解
正解:D