不只是追求自主性：Anthropic 為何要為 AI Agent 重新定義工程語彙？

當前所有關於 AI Agent 的討論，幾乎都圍繞著「自主性」這個詞打轉，彷彿打造一個能獨立思考、解決所有問題的通用代理是唯一目標。但我認為，高效能、可信任的 Agent 系統，其關鍵並非盲目追求單一、完全自主的迴圈。真正的核心在於建立一套清晰的工程語彙，讓我們能將複雜任務拆解為可治理、可驗證、可組合的工作流模式。Anthropic 在這方面的洞見尤其重要，它將討論從模糊的願景拉回具體的系統設計，讓風險治理與長期協作成為可能。

當「Agent」一詞變得無所不包，我們失去了什麼？

從 Auto-GPT 在 2023 年初引爆熱潮以來，「Agent」這個詞的邊界就變得極其模糊。它可以指一個簡單的 RAG 應用，也可以指一個能夠自主使用工具、在網路上執行多步驟任務的複雜系統。這種語彙上的混亂，直接導致了工程實踐上的困難。當開發者、產品經理和風險控管團隊使用同一個詞，指涉的卻是截然不同的架構與風險模型時，有效的溝通與協作就無從談起。

如果我們無法精確描述一個系統的行為模式，我們就無法穩定地測試它、評估它的風險、或是有信心地將它部署到生產環境。當一個系統被籠統地標記為「自主的」，我們實際上放棄了對其內部控制流程的理解。這不僅是技術債，更是治理上的缺口。這正是 Anthropic 在 2023 年 12 月發布的工程指引《Building Effective Agents》試圖解決的核心問題。

Anthropic 如何拆解 Agent 任務？五種結構化工作流模式解析

Anthropic 的文章沒有提出驚天動地的全新架構，而是做了一件更基礎、也更重要的事：提供一套精確的詞彙，用來描述 Agent 系統中常見的控制流程。他們將 Agent 的行為模式拆解成五種可組合的「結構化工作流」（Structured Workflows），這些模式具備高度的可預測性與可控性。

這些模式包括：首先是將複雜任務拆解成一系列線性、前後相連提示的「**提示鏈**」（Prompt Chaining），其中前一步驟的輸出直接成為下一步的輸入。接著是「**路由**」（Routing），模型會根據輸入或情境判斷任務應導向何種預設工具或提示鏈。為了提升效率，系統可採用「**並行化**」（Parallelization），同時執行多個獨立任務並最終匯總結果。在品質控管方面，「**評估者-優化者**」（Evaluator-Optimizer）模式讓一個模型負責檢驗另一個模型的輸出品質，並提供回饋進行迭代優化。最後，面對高度複雜的任務，「**協調者-工作者**」（Orchestrator-Workers）模式則由一個高階模型將任務分派給多個專門的子模型或工具，並整合它們的成果。

這五種模式的共通點在於，其整體的控制流程（control flow）是「外部定義」的，由人類工程師預先設計好。大型語言模型（例如 Claude 3）在其中扮演的是執行者或決策節點的角色，但牠們本身並不決定整個工作流的走向。這種確定性，正是可靠系統的基石。

自主迴圈（Autonomous Loop）真的是終極目標嗎？

除了上述五種模式，Anthropic 定義了第六種、也是最接近大眾想像的模式：自主迴圈（Autonomous Agent Loop）。在這種模式下，LLM 自身處於控制迴圈的中心，它根據環境回饋和自身記憶，自主決定下一步要呼叫哪個工具、執行哪個動作。整個控制流程是「內部驅動」的，充滿了不確定性。

高效能的關鍵，並非盲目追求單一的自主迴圈，而是將前五種模式視為樂高積木，根據任務需求，策略性地在局部引入自主迴圈，從而兼顧彈性與可控性。

這正是整個論述的關鍵轉折。過去，許多團隊將自主迴圈視為終極目標，試圖用一個巨大的迴圈解決所有問題。但 Anthropic 的觀點是，這六種模式並非互斥，而是光譜的兩端。

一個複雜的 Agent 系統，很可能是一個由「協調者-工作者」模式為主體，但在某個「工作者」節點內部，採用了小型的「自主迴圈」來處理高度動態的子任務。例如，一個處理客戶支援的 Agent，其整體流程可能是結構化的路由，但其中「分析用戶情緒」這一步，可能就需要一個自主迴圈來進行多輪澄清與追問。

這種模組化的思維，讓我們能將不確定性限制在特定的、受監控的範圍內。當我們能清楚地說出：「我們系統的 Agentic 風險主要集中在第三個 worker node 的 autonomous loop 中」，這時，系統設計與風險治理才真正開始。

當我們有了精確的工程語彙，就能夠進行更有意義的架構討論。我們可以比較不同模式在特定任務上的成本、延遲與可靠性；我們可以為不同模組設定差異化的安全邊界與監控指標。這也呼應了許多前沿研究的方向，例如史丹佛大學著名的《Generative Agents》研究，其核心也是一個精心設計的、包含多個結構化模組（觀察、計畫、反思）的循環，而非一個不受控的單一迴圈。從Chain-of-Thought到Toolformer，我們看到的是整個領域正從追求單一模型的智慧，轉向設計更聰明的協作流程與系統架構。

最終，打造強大 Agent 的挑戰，更像是一門關於「認知分工」的組織管理學，而不是單純的演算法競賽。Anthropic 提供的這套語彙，正是這門新學科的入門讀本。它提醒我們，在奔向通用人工智慧的漫長道路上，清晰的定義與務實的架構，遠比模糊的自主性口號來得更為重要。

延伸閱讀

• AI Agent 的「模式」思維：從 Anthropic 的工程指引看如何打造高效 Agent (Zenn.dev)
• Building effective agents (Anthropic Official Blog)
• A Survey on Large Language Model based Autonomous Agents (arXiv)
• Generative Agents: Interactive Simulacra of Human Behavior (arXiv)

我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。