Sabitlenmiş Tweet
【從 ChatGPT 到 Agentic】
沒有好的文筆，也不是 AI 專家，主要是我的學習筆記讓 ChatGPT-o1 撰寫後潤飾的，只希望對你/妳學習上有所助益。
以下是一篇結合了網路上一些參考，涵蓋了從 AI 模型、系統串接，到「ReAct」方法，以及何時應該選寫簡單的程式，或是更 Agentic 的做法
1️⃣ 前言
在過去的一年中，ChatGPT 已經徹底改變我們對 AI 的想像。隨著我們進入 2025 年，焦點漸漸不再只是單一的 LLM，而是轉向更模組化的系統，最終走向能夠做更多事情的 AI agents。本文將探討以下議題：
為何串接系統（如 Retrieval-Augmented Generation, RAG）如此重要
🔵 什麼叫做讓 AI 不只「推理」，還能進一步「行動」
🔵 ReAct（Reason + Act）方法如何成為 AI 代理的核心
🔵 何時該寫簡單的程式，何時該用 Agentic 的做法來應對複雜任務
2️⃣ 早期階段 ChatGPT 的使用
ChatGPT的使用方式相當直接
🔵 輸入問題 → ChatGPT → 輸出答案
或是在需要整合外部知識時，可能會採用
🔵 輸入問題 → 搜尋 → LLM → 輸出答案
這樣的方式對於一般的問答任務或基礎需求已經足夠，但它也有明顯的侷限：
🔵 知識有限：如果不頻繁重新訓練，模型知識會過時
🔵 難以適應：單一模型無法輕易轉換到新任務或動態需求
3️⃣ 串接而成的系統
為了克服上述限制，AI 社群開始打造複合式的系統，也常被稱為 RAG（Retrieval-Augmented Generation）。在這種架構下，你會將整個 AI 流程分成專門的元件：
🔵 檢索（Retrieval）：查詢知識庫或資料庫
🔵 推理（Reasoning）：利用（通常是 LLM）解讀檢索到的資料
🔵 執行（Acting）：根據推理結果執行相應的動作，或產生最終答案
透過將問題拆解到不同的元件中，團隊就能在不重新訓練整個系統的情況下，升級或替換任何一個元件。這不僅更容易適應，也能確保知識不斷更新。
4️⃣ 進入 AI Agent：Reason、Act 和 Memory
AI Agent 更進一步帶來了自主性（autonomy）——它不只是輸出答案，還能：
🔵 推理（Reason）：用大型語言模型多步驟思考與規劃。
🔵 行動（Act）：呼叫外部工具，如搜尋引擎、計算器，甚至執行程式碼。
🔵 存取記憶（Access Memory）：從資料庫或其他資源中讀取專門或情境化資訊。
換句話說，AI 代理能觀察自己行動的結果，反覆微調自己的計畫，並持續優化，直到得到完善的解決方案。
5️⃣ ReAct 方法
描述 AI 代理運作邏輯時，常聽到「ReAct」這個縮寫。實際流程是：
🔵 Re（Reason）：AI 決定要如何規劃任務、需要哪些工具或資料來源
🔵 Act：代理執行這些動作（查詢資料、計算、程式碼執行等），然後根據結果進行觀察、調整，並決定下一步
這個循環可以在複雜任務中重複多次，不同於一次性向 LLM 提問就產生答案的作法。
6️⃣ 快思與慢思的自主性
在此結合了人類與 AI 的決策模式
🔵 務實（人類）- 快思（Think FAST）：人類擅長快速的直覺判斷
🔵 代理（LLMs）- 慢思（Think SLOW）基於 LLM 的代理可以較系統、逐步地搜尋大量資料，並全面評估潛在解答
這種雙重機制能在面對簡單任務時維持高效率（人類的快速判斷），同時在複雜任務上藉由 AI 的「慢思」來進行深入而全面的分析。系統因而擁有更高的自主性，可依需求將不同類型的任務交給最適合的決策者。
7️⃣ 簡單任務 vs. 複雜任務
對於簡單、規格明確的任務——例如定期生成報表、單純計算、或一次性的網頁爬蟲——只需使用條件式（if-then）或固定指令的程式化方法就可以，所以：
🔵 低度不確定性
🔵 解法步驟大致固定
🔵 不太需要反覆迭代或多次決策
此時，傳統「寫程式」的方法往往更直接並節省資源。Agentic 要面對複雜任務，比較適合當一個任務包含多步驟、動態資訊或不確定需求時，就需要引入AI Agent：
🔵 計畫 / 思考（Plan / Think）：提出假設或解決路徑
🔵 行動（Act）：代理呼叫各種外部工具或 API
🔵 觀察（Observe）：評估執行成果是否符合期望
🔵 迭代（Iterate）：若結果不理想，就重新調整計畫，再次行動，直到取得理想結果
對於這類動態需求，Agentic AI 能進行探索並在過程中修正，而不是一個指令就把事情做死。
8️⃣ 代理式方法的優勢
🔵 適用於複雜需求：例如整合機票、天氣、活動資訊來規劃完整行程，或大規模的資料分析、偵錯。
🔵 具備適應力：能在發現新訊息或情況變動時迅速轉向或修正策略。
🔵 迭代能力：代理可以在每個階段都重新推理，比一次性作答更能避免錯誤。
🔵 結合人類協作：人類的「快思」判斷與 AI 的「慢思」分析聯合運作，可產生更全面的決策品質。
9️⃣ 如何設計你的 AI Agent
🔵 從簡單開始：如果任務相對明確，先用程式化方法
🔵 模組化：在複雜度漸增時，引入檢索、推理、與行動的模組
🔵 啟用 ReAct：讓 AI 能夠計畫、行動並反覆調整，而非一次性產生答案
🔵 保有人類參與：人類用直覺快速決策，AI 代理則做系統性推理，協力完成任務
🔟 除了 ReAct 還有哪些進階方法？
🔵 Chain-of-Thought（CoT）：讓模型在回答之前，先把思考步驟一條條寫出來，不只幫助我們了解 AI 怎麼想，也能在需要時修正或調整它的推理過程。
🔵 Tree-of-Thoughts（ToT）
同時走好幾條路，看看哪條路能走到好結果。會不斷比較不同解法，像樹狀結構一樣，有些路不好就「剪掉」，最後保留最可行、效果最好的路徑。非常適合高度不確定或多步驟的複雜任務。
這兩種方法都能與 ReAct 結合，也能單獨運用在需要更強推理能力的場景。
✅ 結論
2025 年之後，正式進入 AI 代理 時代——「ReAct」或各種自主性成為關鍵，系統透過不斷的推理與行動循環來進行最佳化。
.
從單一 LLM 到 Agentic 的演進，產品已經對 AI 能力逐漸加深的理解：AI 不只是回答問題，還能夠計畫、觀察、並動態調整。對於較不變的重複性任務，簡單的程式化方法依舊有效；但面對複雜、多層次的挑戰，AI Agents 將帶來更具創造力、迭代性與適應性的解方。
.
無論你是開發者、PM、或純粹對科技充滿好奇的人，辨別何時該用簡單方法、何時該採取代理路線，都是打造靈活產品的關鍵。將人類「快思」與 AI「慢思」結合，AI 就不再只是被動回答，而能成為一個能夠「思考」並且「行動」的夥伴，為各種應用場景開啟無限可能！
歡迎交流(打臉)、分享或加入稍後閱讀
中文
