什麼是 Agentic AI？

Agentic AI（代理式 AI） 是指能在不需要人逐步指揮的情況下持續追求目標的 AI 系統。它不只產生一次回覆，還能判斷下一步、使用獲准工具、觀察結果，並繼續執行或調整路線。不過它的行動空間應有邊界：人仍負責設定目標、可用操作、核准節點與停止條件。

這個詞只有在描述可觀察行為時才有價值。如果產品沒有說明系統能決定什麼、如何受控，卻把普通聊天或一次工具呼叫都稱為 Agentic AI，它就只是行銷標籤。

定義來源與產品揭露: Stanford HAI、Google Cloud、AWS 與 Cisco 都從目標導向、規劃、行動、回饋和調整解釋 Agentic AI，但類別邊界並不完全一致。Ottermind 是 AI Agent 工作空間，也是本文發布方；下文提及產品屬於揭露，不是獨立效能測試。

Agentic AI 的白話定義

Agentic 來自 agency，也就是「為了目標採取行動的能力」。用於軟體時，它描述系統在使用者要求與最終結果之間擁有多少路徑選擇權。

如果人逐輪要求 AI 摘要、比較、修改結構並製作 Brief，仍是人在操作流程。若人一次提供目標、可信資料、限制和完成標準，系統自行盤點材料、找出缺口、選擇獲准工具並提交證據與草稿，系統便對部分路徑擁有 agency，而結論權仍在使用者手中。

Agency 不等於 Autonomy

Agency：為達成目標而做出選擇的能力。
Autonomy：不經人介入即可做出並執行選擇的程度。

因此，Agentic AI 不必完全自主。研究 Agent 可以決定先讀哪份文件，但公開搜尋前需要核准；程式 Agent 可以修改檔案與跑測試，但不能自行合併；行銷 Agent 可以準備素材，但不能直接發布。

真正的問題不是「AI 有多自主」，而是「哪些判斷適合交給 AI，哪些決定必須由人負責」。

判斷真正 Agentic 行為的五項測試

目標能否跨越單次回覆？ 系統應在多個步驟中維持同一任務目標。
能否在合理的下一步中選擇？ 它可決定來源、工具、證據是否充分或是否需要提問。
新資訊能否改變行為？ 工具結果、錯誤與回饋應能讓系統調整，而不是重複失敗。
能否影響模型回覆以外的工作？ 它能在權限內檢索、計算、處理檔案、建立成果或操作應用程式。
能否辨認完成、未知與邊界？ 系統需要按驗收標準結束，資訊不足時說明，並在權限邊界前停止或升級。

Agentic AI 不是什麼

不是意識或意圖。 「目標」與「決策」是軟體在規則內選擇動作，不代表自我意識。
不只是大型語言模型。 完整系統還需要目標、狀態、工具、權限與執行迴圈。
不是所有能呼叫工具的聊天機器人。 工具只是材料；關鍵是能否持續推進結果。
不要求多個 Agent。 單一受限 Agent 也可以具有 agency；多 Agent 會增加協調與評估成本。
不等於無人值守。 讀取檔案與發送、發布、購買、刪除或修改正式紀錄需要不同控制。

Agentic AI 是一個連續光譜

層級	系統控制什麼	範例	人的控制
回覆	一次回答	摘要一份文件	人決定每個下一步
輔助操作	一項指定工具	搜尋指定來源	人定義路線
受限 Agent	單一任務的多個步驟	研究問題並製作有來源的備忘錄	人設工具、限制與驗收標準
連續 Agentic 工作	在相關成果間判斷	把核准研究轉成 Brief 和簡報	人核准關鍵決定與成果
高影響執行	影響他人或系統	發送、發布、購買、刪除或更新紀錄	必須授權、留痕並可復原

最高層級不一定最好。應使用足以處理任務變化的最低 agency，能預測的步驟盡量保持確定性。

概念	作用
Agentic AI	讓 AI 在邊界內朝目標行動的整體方法
AI Agent	擁有目標、指令、脈絡與工具的軟體執行者
Agentic Workflow	連接 Agent 判斷、固定步驟、檢查與人工審核的流程
AI Agent Workspace	保存脈絡、工具、Agent、成果與後續工作的環境

Agentic AI 的例子

研究： 選擇獲准來源、找出矛盾，建立附引用和待確認問題的備忘錄。
軟體開發： 檢查程式庫、修改相關檔案、執行檢查並提交 diff 供人審核。
客戶服務： 取得帳戶脈絡、查詢政策、提出解法，並將越權例外交給人。
營運： 監控變化、評估允許的替代方案，準備或執行下一項獲准操作。
知識工作： 將檔案、筆記和連結轉成共享同一事實與決定的連續成果。

「能寫客服回覆」與「能解決客服案件」不是同一種能力。可信的 Agentic 聲明必須展示實際執行與邊界。

如何核驗 Agentic AI 的產品聲明

檢查七個問題：跨步驟保存的目標是什麼；系統能做哪些具體判斷；能存取哪些工具與資料；什麼回饋會改變計畫；留下哪些來源、檔案、日誌與檢查結果；誰負責接受成果；以及如何停止、修正或回復。

這能避免把所有 Agentic AI 都當成噱頭，也避免因為一次順利示範就相信系統能安全完成任何工作。

為什麼 Agentic AI 重要

生成式 AI 降低製作單一內容的成本；Agentic AI 試圖降低成果、工具、決定和交接之間的協調成本。代價是更大的失敗面：錯誤可能傳播，工具會把壞建議變成壞操作，過期記憶也會影響後續工作。因此，agency 越強，權限、來源、評估與責任越重要。

Ottermind 如何對應這個概念

Ottermind 是面向真實工作的 AI Agent 工作空間。任務可從目標、檔案、連結、筆記與專案脈絡開始，再形成研究、Brief、報告、簡報或後續任務。價值不只是產生更多文字，而是讓目標與資料在多項成果間保持連接。

使用者仍負責事實來源、權限、重要判斷和成果的最終用途。第一次嘗試應選擇有邊界、可審核的成果，而不是直接授予廣泛操作權。具體方法請參考如何用 AI 自動化任務。

常見問題

Agentic AI 是一種模型嗎？

通常不是。模型可能提供推理能力，但 Agentic 系統還需要指令、狀態、工具、執行迴圈和控制機制。

Agentic AI 會自行學習嗎？

不一定。在一次任務中調整計畫，不等於永久學習；更新長期記憶、模型或政策是另一項需要控制的能力。

Agentic AI 必須使用大型語言模型嗎？

從 AI Agent 的歷史來看並非必須，但現代產品常用基礎模型理解自然語言目標、處理不同輸入與選擇工具。

總結

Agentic AI 最準確的理解是：在明確邊界內，為目標做出決策。 判斷重點不是產品是否自稱 Agent，而是它能否維持目標、選擇獲准動作、依新資訊調整，並留下可供人審核的證據。