學習路線圖 · AI 產品主線
階段 5 AI Agent
讓 AI 透過工具調用完成多步任務，並確保可追溯與可控。
觀念教學
從「會回答」進化到「會做事」:AI 產品人這一階段要打造能自主拆解任務、調用工具完成多步工作的 AI Agent,而且全程可追溯、可控。
這一階段學什麼
- Agent 與傳統自動化的差異:傳統自動化照固定劇本走;AI Agent 拿到目標後自主規劃步驟、動態調用外部工具,能應對沒寫死的狀況 — 這是考題與實務最核心的分辨點。
- 工具調用與任務拆解:讓模型呼叫搜尋、資料庫、API 等工具,把「產一份週報」拆成查資料、算指標、寫報告的步驟鏈。
- A2A(Agent-to-Agent)協作:多代理分工時,Client Agent 發起任務、彙整結果,Remote Agent 接受委派、執行專長任務後回報;代理之間的狀態同步沒做好,就會發生 A 已更新判斷、B 還用舊資訊的事故。相關框架也在演進,例如 AutoSkill 這類研究,方向是讓代理把成功經驗沉澱成可重用的技能。
- Log 與審核防護:每一步決策與工具調用都留紀錄;寄信、改資料這類高風險動作,設人工審核閘門。
為什麼是現在學
前四個階段給了 Agent 素材:懂模型特性、會寫提示、有自動化流程、有知識庫可查。Agent 把它們組合成「交辦即完成」的助理;沒有前面的底子,Agent 只會自主地亂做。
怎麼練(具體行動)
- 做一個自動產報表助理:接到指令後自己查資料、算指標、產出格式化報告。
- 替它加上完整執行日誌,事後能重建每一步「為什麼這樣做」。
- 設計一個兩個 Agent 分工的流程(一個分析、一個撰寫),處理彼此的資訊傳遞與同步。
- 加一道審核閘:送出結果前需人工核可,並演練一次攔截。
完成標準
- 完成一個能做事的助理:多步任務自動完成,日誌完整可追溯。
- 能清楚說明它與傳統 RPA、排程腳本的關鍵差異。
⚠️ 常見誤區:給 Agent 大權限卻不設審核 — 自主性沒有防護,等於把公章交給實習生。
iPAS 對 Agent 的考點集中在:自主規劃與工具調用的特性、A2A 的互動流程、多代理狀態同步的陷阱。
📝 本節掛載 9 題 iPAS 歷屆試題 — 讀完往下到「iPAS 考題練習」直接實戰。
里程碑
✓ 完成能做事助理
範例專題
自動產報表助理
應用場景
iPAS 歷屆考題詳解(9 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。
在 Agent-to-Agent（A2A）架構中，不同代理人分工合作。一般而言，下列敘述何者最符合 Client Agent 與 Remote Agent 的互動流程？
- ARemote Agent 主動分派任務給 Client Agent
- B由人工事先設定 Client Agent 與 Remote Agent 處理任務的先後順序
- CClient Agent 發起任務，Remote Agent 執行並回傳結果
- DClient Agent 與 Remote Agent 同時處理任務並同步處理結果
看正解與逐選項詳解
正解:C
正確答案:(C)
【正解解析】
Agent-to-Agent(A2A)架構的標準互動流程:Client Agent 接收使用者需求後,負責任務的發起與協調;當判斷任務需要外部專業能力時,將任務委派給具備該能力的 Remote Agent;Remote Agent 執行任務後將結果回傳,Client Agent 再整合結果,繼續後續流程或回覆使用者。此「Client 發起與協調、Remote 執行與回傳」的分工,即 (C) 所述,是 A2A 協作的基本模式。
【為何其他選項錯了?】
- (A):方向顛倒;Remote Agent 是被動提供專業能力的執行方,任務由 Client Agent 發起與分派,Remote Agent 不會主動指揮 Client Agent。
- (B):由人工事先寫死任務的先後順序是靜態固定流程,失去代理系統依情境動態決策與委派的特性,不符 A2A 的設計精神。
- (D):A2A 的分工是委派與回傳,而非兩個代理同時處理同一任務並同步結果;跨代理即時同步狀態的複雜度高,不是一般 A2A 架構的互動方式。
提示:A2A 分工記法:Client 負責發起與協調,Remote 負責執行與回傳;流程的主動權在 Client。
AutoSkill 框架的主要目標是什麼？
- A建立一個降低對大型語言模型（LLM）依賴的自動化系統；
- B透過持續更新模型參數來提升任務表現；
- C將重複的互動經驗轉化為可重複使用的明確技能模組；
- D透過檢索外部知識來改善模型回應品質
看正解與逐選項詳解
正解:C
正確答案:(C)
【正解解析】
AutoSkill 框架的主要目標,是把系統在反覆互動中累積的經驗,萃取並固化為明確、可重複使用的技能模組(Skill);日後遇到類似任務時,系統可直接調用既有技能,不必每次重新推理完整流程,藉此提升執行效率與穩定性。核心概念是互動經驗的模組化與重用,故 (C) 正確。
【為何其他選項錯了?】
- (A):AutoSkill 的重點是把經驗轉化為技能模組;降低對大型語言模型的依賴充其量是附帶效果,不是框架的主要目標。
- (B):持續更新模型參數屬於訓練或微調的範疇;AutoSkill 以技能模組的形式累積能力,不靠改動模型參數。
- (D):檢索外部知識以改善回應品質是檢索增強生成(RAG)類方法的機制,處理的是知識取得;AutoSkill 處理的是互動經驗的技能化,兩者目標不同。
提示:名稱中的 Skill 即為考點:把重複的互動經驗轉成可重複使用的技能模組。
某企業導入AI 代理（AI Agent）系統，期望其可依據任務目標，自主規劃步驟、調用外部工具並完成任務。下列何者最能體現AI Agent 與傳統自動化系統之關鍵差異？
- A能依任務目標動態決策行動並調整執行策略；
- B可依預先設定流程自動執行固定任務；
- C可透過圖形化介面讓非技術人員操作；
- D能處理大量結構化資料並進行批次運算
看正解與逐選項詳解
正解:A
正確答案:(A)
【正解解析】
AI Agent 與傳統自動化系統的關鍵差異在自主性:Agent 能依任務目標自主規劃步驟、動態決定行動順序、調用外部工具,並依環境回饋調整執行策略;行動路徑不是事先完全寫死,而是依目標與情境動態產生。(A) 正確指出此差異。傳統自動化則依預先定義的固定流程執行,遇到未預期情況便無法自行調整。
【為何其他選項錯了?】
- (B):依預先設定流程自動執行固定任務,正是傳統自動化系統的特性,不是 AI Agent 帶來的關鍵差異。
- (C):圖形化介面是操作便利性的設計,傳統自動化工具同樣可以提供,與是否具備自主規劃與決策能力無關。
- (D):處理大量結構化資料與批次運算屬資料處理能力,傳統批次系統即可勝任,不能體現 Agent 的動態決策特性。
提示:區分 Agent 與傳統自動化的關鍵字:動態決策、依目標規劃、調整策略;固定流程屬傳統自動化。
某企業導入AI 技術改善營運效率。下列何者最不符合AI Agent 之典型特性？
- A可依任務目標動態規劃處理流程；
- B可視情境調用不同外部工具完成任務；
- C可依提示生成多樣化文本內容；
- D可在執行過程中調整策略以達成目標
看正解與逐選項詳解
正解:C
正確答案:(C)
【正解解析】
本題問「最不符合」AI Agent 的典型特性。Agent 的典型特性包括:依任務目標動態規劃處理流程、視情境調用不同外部工具、在執行過程中調整策略以達成目標,核心是自主規劃與行動。「依提示生成多樣化文本內容」是生成式 AI 模型的基本生成能力;單純的內容生成不涉及任務規劃、工具調用與策略調整,不足以構成 Agent 的特性,故 (C) 為正確答案。
【為何其他選項錯了?】
- (A):依任務目標動態規劃處理流程是 AI Agent 的核心特性,符合典型定義,因此不是本題要選的選項。
- (B):視情境調用不同外部工具完成任務,是 Agent 執行任務的重要能力,屬典型特性。
- (D):在執行過程中調整策略以達成目標,正是 Agent 與固定流程自動化的差異所在,同屬典型特性。
提示:生成文字是生成式 AI 的基本能力;Agent 的辨識點在規劃、工具使用與策略調整。
某金融集團建構了多代理（Multi-Agent）AI 系統，由不同的Agent 分別負責市場分析、風險評估與交易執行。系統架構師發現，當Agent A 完成市場分析後更新了判斷，Agent B 的風險評估卻仍基於舊資訊，最終導致Agent C 執行了不一致的交易策略。這種現象最根本的成因是什麼？
- A各Agent 之間缺乏有效的上下文（Context）同步機制，導致各自持有不一致的資訊狀態進行決策；
- BAgent B 與Agent C 的伺服器記憶體不足，無法即時載入Agent A 傳遞的最新資訊；
- C三個Agent 使用了不同廠商的語言模型，各平台的上下文（Context）格式互不相容；
- D系統中部分Agent 的上下文視窗（Context Window）較小，影響其回應完整性，但不會影響各Agent 之間的資訊同步機制
看正解與逐選項詳解
正解:A
正確答案:(A)
【正解解析】
題幹現象:Agent A 更新市場分析後,Agent B 仍以舊資訊進行風險評估,Agent C 據以執行了不一致的交易策略。根本成因是多代理系統缺乏有效的上下文(Context)同步機制:各 Agent 之間沒有即時傳遞或共享最新的資訊狀態,導致各自持有不同版本的資訊進行決策,不一致沿決策鏈層層傳遞,故 (A) 正確。
【為何其他選項錯了?】
- (B):題幹沒有記憶體不足的線索;即使硬體資源充足,缺乏同步機制時各 Agent 仍會以不同版本的資訊決策,硬體不是根本原因。
- (C):不同廠商的模型可透過統一的訊息格式與協定交換資訊,格式差異可在系統層處理;題幹問題出在沒有同步機制,而非格式不相容。
- (D):上下文視窗大小影響單一 Agent 可讀入的內容量,且選項本身即說明其不影響 Agent 之間的資訊同步,自然不是資訊不一致的根本成因。
提示:多代理決策不一致,先檢查上下文同步機制;硬體、模型廠商與視窗大小都不是根本原因。
某物流公司部署Agentic AI 系統，用於自動規劃跨縣市配送排程。當調度員輸入「明天上午前需將高雄倉庫的冷凍物品送達台北三個門市」，系統能自動分解任務、查詢車輛可用性、計算最佳路線並產生排程方案。在此Agentic 架構中，負責上述任務拆解與決策的核心元件為何？
- A任務規劃器（Task Planner）；
- B模型訓練器（Model Trainer）；
- C工具執行器（Tool Executor）；
- DAPI 閘道器（API Gateway）
看正解與逐選項詳解
正解:A
正確答案:(A)
【正解解析】
題幹描述系統接收自然語言指令後,自動分解任務、查詢車輛可用性、計算最佳路線並產生排程方案。在 Agentic 架構中,負責把高層目標拆解為可執行步驟、並決定行動順序與決策的核心元件是任務規劃器(Task Planner):它將「明天上午前送達台北三個門市」轉為查詢車輛、計算路線、產生排程等子任務,並安排執行順序,故 (A) 正確。
【為何其他選項錯了?】
- (B):模型訓練器(Model Trainer)負責模型的訓練與更新,屬開發階段的元件,不參與系統運行時的任務拆解與決策。
- (C):工具執行器(Tool Executor)負責實際呼叫工具或 API,是規劃器決定行動之後的執行角色,不負責任務拆解。
- (D):API 閘道器(API Gateway)處理 API 的路由、存取控制與流量管理,屬基礎設施元件,與任務推理和拆解無關。
提示:「任務拆解與決策」對應 Planner,「實際呼叫工具」對應 Executor,兩者職責不同。
某外送平台計畫推出語音訂餐功能。當使用者說出：「幫我點一份雞排便當和珍珠奶茶，送到公司」，系統需完成語音理解、意圖判斷、將需求轉換為結構化指令，並呼叫外部外送服務API 完成下單，最後回傳訂單狀態與預計送達時間。請問上述系統最核心的技術機制為何？
- A將自然語言轉換為可執行API 呼叫參數之函數呼叫機制；
- B透過多輪對話管理維持訂餐流程之任務導向對話系統；
- C透過向量資料庫檢索菜單資訊並生成回應之檢索增強生成系統；
- D將自然語言轉換為語意結構表示之語意解析技術
看正解與逐選項詳解
正解:A
正確答案:(A)
【正解解析】
題幹的核心需求鏈:語音理解與意圖判斷之後,系統必須「將需求轉換為結構化指令,並呼叫外部外送服務 API 完成下單」。把自然語言需求轉為 API 可接受的結構化參數(品項、數量、送達地址),再據以執行外部服務呼叫,正是函數呼叫(Function Calling)機制的用途;它是連接語言理解與實際下單動作的關鍵環節,故 (A) 為最核心的技術機制。
【為何其他選項錯了?】
- (B):多輪對話管理維持訂餐流程的狀態與追問,屬對話體驗層;題幹的關鍵在把需求轉成可執行的 API 呼叫並完成下單。
- (C):檢索增強生成(RAG)適用於查詢菜單或知識庫後生成回應,無法直接完成外部 API 的下單操作。
- (D):語意解析可將語句轉為語意結構表示,但題幹還要求呼叫外部服務完成下單;函數呼叫機制同時涵蓋參數結構化與工具執行,更為精準。
提示:「自然語言轉為 API 參數並執行呼叫」是 Function Calling 的標準定義。
某軟體顧問公司正在為客戶規劃一套Agentic AI 專案管理系統，用於協助AI 代理（AI Agent）自主完成跨部門的任務協調。技術架構師在簡報中提到解決方案圖譜（Solution Graph）是此系統規劃階段的核心表示結構。專案經理希望了解Solution Graph 的實際用途。下列何者最準確敘述了Solution Graph 在Agentic AI中的意義？
- ALLM 的參數記憶結構，用於保存大型語言模型的權重配置；
- B一種儲存知識概念和關係的資料庫，並可自動生成完整解決步驟以完成任務；
- C一種強化學習模型，用於圖形模式的辨識與預測；
- D一種將問題解決步驟表示為節點和連結的有向無環圖，使AI 能夠逐步推理解決問題的結構
看正解與逐選項詳解
正解:D
正確答案:(D)
【正解解析】
Solution Graph(解決方案圖譜)是 Agentic AI 在規劃階段使用的結構表示:把問題解決的步驟表示為節點,步驟間的依賴與先後關係表示為連結,構成有向無環圖(DAG)。此結構讓 AI 能沿圖逐步推理:辨識哪些步驟可先執行、哪些步驟依賴前置結果,進而規劃並協調複雜任務的完成順序,故 (D) 正確。
【為何其他選項錯了?】
- (A):LLM 的參數與權重是模型內部的知識儲存結構,與表示任務步驟的圖結構是不同層次的概念。
- (B):儲存知識概念與關係的資料庫是知識圖譜(Knowledge Graph)的定義;Solution Graph 表示的是解決問題的步驟與依賴,且圖本身是表示結構,並非自動生成完整解決步驟的資料庫。
- (C):Solution Graph 不是強化學習模型,也不用於圖形模式的辨識與預測;它是任務規劃的表示結構,不具模型的學習與預測功能。
提示:Solution Graph 的節點是步驟、連結是依賴,結構為有向無環圖;與知識圖譜的「概念與關係」加以區分。
某軟體顧問公司正在為客戶規劃一套Agentic AI 專案管理系統，用於協助AI 代理（AI Agent）自主完成跨部門任務協調。在系統設計過程中，團隊採用解決方案圖（Solution Graph）作為任務與決策的結構表示，並由大型語言模型（LLM）負責推理與行動生成。請問下列何者最能說明LLM 與Solution Graph之間的關係？
- ALLM 可根據問題進行推理，產生任務步驟與其關聯，並據此協助建構Solution Graph 作為後續行動規劃依據；
- BLLM 主要擅長生成自然語言內容，對於結構化任務關係的建構能力有限，通常不參與Solution Graph 的形成；
- CSolution Graph 主要由系統依既定流程與規則生成，LLM 不參與其結構建構，僅提供輔助資訊；
- DLLM 主要負責人機對話與回應生成，並不參與任務規劃或Solution Graph 的建立
看正解與逐選項詳解
正解:A
正確答案:(A)
【正解解析】
在 Agentic AI 系統中,LLM 與 Solution Graph 是推理與結構的互補關係:LLM 根據問題進行推理,產生達成目標所需的任務步驟、步驟間的依賴與可行行動,並據此協助建構 Solution Graph;建成的圖再作為後續行動規劃與執行的依據,系統沿圖推進,並可在執行中依結果修正。(A) 正確描述 LLM 參與圖的建構、圖支撐行動規劃的關係。
【為何其他選項錯了?】
- (B):LLM 不僅能生成自然語言,也能輸出結構化的任務步驟與關係(如 JSON 等格式),在 Solution Graph 的形成中扮演推理引擎的角色。
- (C):若圖完全由既定流程與規則生成,系統便退化為固定流程自動化,無法體現 LLM 依問題動態推理、產生任務結構的價值。
- (D):在 Agentic 架構中,LLM 的角色涵蓋任務規劃與行動生成,不限於人機對話與回應生成。
提示:LLM 是規劃階段的推理引擎,Solution Graph 是規劃結果的結構載體,兩者協同運作。