專題研討『AI代理人長出手腳執行任務』Podcast

你知道,我們以前去買IKEA那種連鎖品牌的組裝傢俱啊, 通常就是搬著一個超級重的大紙箱回家, 然後打開來,裡面通常會有一本極度詳細的說明書嘛。 對,厚厚一本的那種。 沒錯,那本說明書其實很聰明,很完美。 它會一步一步教你,第一步要拿什麼螺絲, 第二步鎖哪塊木板。 但問題是,那把六角板手最後還是握在你的手裡啊。 對,還是得自己流汗。 對啊,你還是得自己流著汗,自己看著那個圖標發呆, 然後自己把那張桌子組裝起來。 其實,過去這幾年,我們對人工智慧的印象差不多也就是這樣。 就是停留在給建議的階段。 沒錯,它就像那本最聰明的說明書, 你問它問題,它給你很完美的藍圖, 但最後的執行,抱歉,還是得靠你自己動手。 過去確實是這樣。 但你想像一下喔,如果你今天打開紙箱, 那本說明書突然自己長出了手腳,拿起螺絲起子, 然後在你轉身去倒杯水的那五分鐘內, 直接幫你把整個大衣櫃組裝好了。 這聽起來超像科幻電影的情節,對吧? 聽起來很不可思議,但這其實就是現在正在發生的事。 對,這正是2026年的現在,正在發生的職場與商業革命。 歡迎來到今天的深度探討, 我們手邊有一份關於2026年AI Agent爆發元年的重磅資料。 今天的任務就是要帶你,對,就是正在收聽的你, 看懂這場從說話到執行的典範轉移。 沒錯,因為AI已經長出了手腳, 也就是我們現在說的AI Agent,智慧代理。 嗯,那我們就先來拆解一下這個概念, 這個轉變到底有多大?因為感覺大家都在講Agent。 這個轉變,呃,真的可以說是典範轉移等級的。 你看喔,過去的語言模型基本上就是停留在認知跟生成的階段, 也就是我們大家都很熟悉的那個對話框模式。 就是我打字,他回話。 對對對,但現在的AI Agent,他具備了真實世界的執行力。 這已經不只是,呃,他能不能幫你寫出一篇好文章的問題了, 而是他能不能幫你把這篇文章排版, 然後打開你的電子郵件軟體,自動去找出對應的收件人, 最後按下發送。 哇,這就是我一直很好奇的地方, 就是我們都知道現在的像Cloud Opus 4.6啦, 或者是GPT 5.4都具備了所謂的電腦操作能力, 但這在技術上到底是怎麼運作的? 嗯,這其實蠻有趣的。 我的意思是,他應該不是在背後跑什麼, 呃,我看不到了終端機原始碼之類的吧? 因為我看過一些網友的實測, 他是真的感覺就像有一個隱形人坐在我的電腦前面, 那個滑鼠遊標會自己移動去點擊儲存按鈕耶。 沒錯,完全就是你看到了這樣。 要理解這個機制的底層邏輯啊, 你得想像,AI現在不僅僅能讀文字, 他其實還能看懂螢幕上的像素了。 看懂像素? 對,當你給他一個指令, 比方說,幫我在試算表裡面把第三季的營收標成紅色, 這個時候,Agent的神經網絡會瞬間對你當前的螢幕截圖進行視覺解析。 哦,所以他等於是拍了一張螢幕截圖。 沒錯,然後他會把螢幕上的那個圖形化介面, 也就是GUI,轉換成非常精準的X軸跟Y軸坐標。 等等,所以他是用坐標在定位的? 對,他會知道,呃,那個油漆桶圖示, 現在在坐標105045的位置, 然後他就會生成一個系統級的指令, 去驅動那個滑鼠遊標,移動到那個坐標,並且執行點擊。 哇,這真的超扯的, 所以他等於是把我們人類的視覺習慣, 還有滑鼠鍵盤的操作邏輯,給直接逆向工程了。 可以這麼說,這就是他能操作電腦的祕密。 那如果遇到更複雜的任務呢? 像是單純移動滑鼠可能還好, 但比如中國的GLM5模型, 最近不是主打一個叫原生代理模式的東西嗎? 這跟單純的移動滑鼠又有什麼不一樣? 呃,單純移動滑鼠只是最基礎的動作啦, 原生代理模式要解決的其實是任務拆解的問題。 任務拆解? 對,你想像一下,當你丟給他一個超級大又超級模糊的指令, 例如幫我規劃下個月的新產品發表會,然後發出邀請函。 這對一般員工來說都很頭痛了。 沒錯嘛,對一般模型來說,這真的太抽象了。 但是,具備原生代理模式的AI, 它內部有一個類似思考鏈的迴圈。 思考鏈,就是它會自己跟自己對話嗎? 對,它會自己評估。 它會想好,第一步,我需要先打開行事曆確認日期。 第二步,我需要去雲端硬碟裡面找出產品規格書。 第三步,我需要打開設計軟體來做邀請函。 最後,纔是打開信箱發送。 哇,所以它不只是一個會點滑鼠的工人而已耶。 完全正確,它同時也是自己的專案經理。 說到專案經理,最近產業界討論度最高的一個詞, 絕對是那個Agent Swarms,群體代理。 喔,這個真的是現在最火熱的話題。 對啊,我看資料上說KimiK2.5他們宣稱 可以讓高達100個專門化的代理人平行運作。 這聽起來真的很不可思議耶, 100個Agent同時在我的系統裡面跑, 難道不會互相干擾或者搶奪資源嗎? 這個疑問很合理, 這也就是群體代理技術的核心突破所在。 你想想,如果只是100個人全部擠在同一個房間裡面各做各的, 那絕對是一場災難嗎? 絕對會吵翻天! 對,所以Agent Swarms的底層架構 其實是建立在高度複雜的狀態管理 還有共享記憶體機制上。 共享記憶體,這具體來說是什麼概念? 你可以這樣想像了, 這100個Agent他們有一個共同的大腦佈告欄, 當那個主控Agent,就是那個大腦, 把任務發包出去的時候, 比方說要分析一份500頁的財報, 他會把第一張交給A,第二張交給Agent B, 這些Agent在平行處理的同時, 會不斷地把他們自己提煉出來的關鍵數據, 馬上更新到那個大腦佈告欄上面。 哦,所以他們是隨時在同步資訊的。 沒錯,所以負責寫總結報告的Agent C, 他隨時都可以去提取A和B剛剛產生出來熱騰騰的數據, 而不需要在那邊苦等他們全部做完。 原來如此,這就像是以前的AI是一個很聰明的顧問, 你問他怎麼蓋房子,他給你一本說明書, 但現在的Agent Swarm, 就像是你直接請了一位有超強執行力的專案經理, 他瞬間幫你發包給100個工人, 有人合水泥,有人砌磚,同時開工把房子蓋好。 哇,這個比喻非常好,非常精準, 這就是為什麼在處理極度複雜任務的時候, 這種平行模式比傳統那種做完A再做B的單線程速度還要快了4.5倍。 這真的太強大了, 不過這馬上就衍生出一個很現實的商業問題了。 嗯?什麼問題? 這100個工人雖然很聰明,手腳很快, 但如果他們沒有建材怎麼辦? 或者說,在真實的企業環境裡面, 資料通常是散落在各處的啊。 確實是這樣。 對嘛,有些資料在微軟的資料庫, 有些在Google雲端, 甚至有些還躺在企業內部那種十幾年前建置的老舊伺服器裡面。 AI到底是怎麼跟這些規格完全不同的系統對接的? 嗯,你點出了一個非常關鍵的痛點, 這其實是過去兩年企業在導入AI的時候遇到最大的麻煩。 一定很麻煩,因為系統都不互通。 對,以前,如果你想讓AI讀取你們公司內部的庫存系統, 你的工程師必須針對那個特定的AI模型寫一堆客製化的API串接。 然後只要系統一更新,API可能就斷了。 完全正確,費時、花錢又超容易出錯。 所以,為瞭解決這個資料孤島的問題, Anthropy就提出了一個東西叫做MCP。 MCP,也就是模型上下文協議,對吧? 沒錯,Model Context Protocol。 我看很多人把MCP形容成AI的USB隨身碟, 意思是說,只要契約的系統有支援MCP, Agent就可以隨插即用,直接讀取裡面的資料。 這是比較通俗的說法啦。 但我對這個比喻其實有點疑慮耶。 怎麼說? 如果MCP真的是USB插上去就能讀, 那不就等於是我把公司的整個資料庫都開放給AI隨便逛了嗎? 如果我只是要Agent幫我整理這禮拜的會議記錄, 我絕對不會希望他有權限去讀取執行長的私人信件或是人資部門的薪資表吧? 這太危險了。 你的直覺非常敏銳。 這也是為什麼USB這個比喻其實不夠精確。 如果真要說的話,這裡最迷人的地方在於 MCP更像是一張具備動態權限的智慧門禁卡。 智慧門禁卡?怎麼個動態法? MCP的核心其實在於那個C,也就是Context,上下文。 當Agent接收到你的任務時, MCP伺服器會先進行一次權限交涉。 權限交涉? 對,它不是把整個資料庫倒給AI喔。 它是根據當下的任務需求,開啟一個極度狹窄, 而且通常是有時效性的通道。 喔,所以我叫它整理會議記錄,它就只能看會議記錄? 沒錯,MCP就只會給它存取本週會議資料夾的讀取權限, 而且可能還是一次性的。 Agent拿到它需要的數據之後,這個通道就立刻關閉了。 哇,這設計很聰明耶! 這就確保了AI只能在被允許的沙盒範圍內運作, 大幅降低了那種越權存取的風險。 對,這纔是企業敢真正把資料交給Agent的關鍵。 瞭解,這解決了安全性跟資料接入的問題。 那另一個標準協議呢,就是Google提出的那個A2A代理人對代理人協議。 如果說MCP是解決Agent跟資料庫的溝通, 那A2A就是解決Agent跟另一個Agent的溝通囉。 沒錯,你可以想像一個跨國供應鏈的場景, 比方說你們公司用的是微軟架構的Agent來管理庫存, 但是你們的物流合作夥伴,他們用的是Google框架的Agent。 以前這兩個系統肯定是雞同鴨講。 對,完全無法直接對話。 但A2A協議本質上就是建立了一種共通的握手協議。 所以微軟的Agent發現庫存不足的時候, 他可以直接用A2A協議去敲門,告訴Google的物流Agent說, 嘿,我這裡缺貨了,請幫我安排下週的傳奇。 完全正確。 而且更厲害的是,他們還能互相發現對方的能力清單。 互相發現? 對啊,微軟的Agent可以透過A2A去詢問, 欸,你能處理海運曝光嗎? 如果Google的Agent說可以,任務就自動派發過去了。 我的天啊,這代表未來的軟體生態系將不再是各自為政的孤島了, 而是一個高度互操作的網絡。 只要大家講同一種語言,效率簡直會突破天際。 沒錯,這正是我們現在看到的趨勢。 那接下來纔是真正精彩的地方了。 如果我們把MCP的資料存取能力, A2A的跨平臺溝通,再加上我們前面說的Agent Swarm, 百人平行運作能力全部結合在一起。 那個威力是很驚人的。 這放進真實商業世界裡,產生的效力衝擊絕對是難以想像的。 我們來看看資料裡提到金融業的實際案例。 Jay Morgan 摩根達通,他們導入Agent System來執行合規審查跟風險評估。 那個數據非常經典。 對,一千種工作需要人類律師和法務人員花費高達36萬小時才能看完全部的法律文件。 結果現在他們說,這個系統只需要一秒鐘。 對,一秒能完成。 老實說,我第一次看到這數字的時候,心裡想說,這太扯了吧。 這物理上根本不可能啊。 伺服器不會燒掉嗎? 36萬小時的工作量,到底是怎麼在一秒內消化的? 哼,這是很多人一開始的疑惑啦。 這其實不是單一一個AI在那邊快速閱讀。 嗯。 如果只是單線程,算力再怎麼強也不可能在一秒內讀完幾百萬頁的合約。 這正是我們剛剛講的Agent Swarm發揮威力的極致展現。 所以這一秒鐘裡面,系統裡面到底發生了什麼事? 在那短短的一秒鐘內,主控Agent瞬間把這龐大的法律文件庫拆解成數以萬計的微型任務。 數萬個任務同時發包? 對,它不是從第一頁讀到最後一頁,而是派出了成千上萬個子Agent。 每一個子Agent只負責檢查一個特定的條款。 哦。 比方說,Agent 1300它只負責比對第三份合約裡面的違約金比例有沒有符合最新的歐洲法規。 然後它透過MCP去連法規資料庫? 沒錯,這些子Agent透過MCP瞬間連接到中央法規資料庫進行同步比對。 幾萬個比對動作在龐大的雲端算力重機裡面平行發生,然後瞬間把結果匯總起來。 這就是為什麼36萬小時可以被壓縮成一秒。 哇,這對每天在辦公室裡面加班看合約做那些重複性查覈的初階分析師來說,真的是一種降維打擊耶。 確實是,這已經不是人類可以追趕的速度了。 因為這不是你喝幾杯咖啡加幾天班就能彌補的差距啊。 而且不只是金融業,資料顯示在軟體開發領域也是這樣。 透過AI Copilot與Agent協作,開發速度直接暴增了30%到55%。 對,而且我們每天都會接觸到的零售業更是經歷了商業模式的重塑。 零售業也有。 當然,預計在2026年底,大型零售商會有超過5%的線上銷售額,是完全由代理人自動結帳完成的。 代理人自動結帳只有是什麼? 這不僅僅是傳統的自動化,而是你的個人AI助理直接透過剛剛說的A2A協議, 去跟商家的AI助理進行微秒級的討價還價、比對折價券,甚至確認退換貨政策,最後完成交易。 等等,所以人類在這整個過程中甚至不需要看一眼螢幕? 完全不需要。 這太誇張了,而且客服端也是。 資料說Agent現在能處理掉大約80%的常規客服供單了。 是的,這省下了極大的人力成本。 這其實引發了一個更深層的思考。 當企業發現36萬小時的工作可以變成一秒鐘,或者80%的客服都可以由不需要睡覺的數位員工來做的時候, 企業之間的競爭本質其實就徹底改變了。 沒錯。 以前我們競爭的是誰能招募到更多長春藤名校的優秀大腦,或者是誰的客服中心人力成本壓得更低。 但現在不是了,現在他們競爭的是代理人系統的算力,還有底層架構設計的優劣。 也就是說,誰的Agent Swarm協調得最完美。 對,誰的MCP權限控管得最精準,能讓AI在最安全的環境下發揮最大效能。 你會看到企業的資本支出正在瘋狂地從傳統人力轉向投資這些數位員工的基礎設施。 嗯,瞭解。但這讓我想到一個很可怕的問題。 怎麼說? 如果Agent真的能在一秒內極度精準地處理完36萬小時的機密法律文件,甚至還能跟其他Agent自動協商交易,那萬一這個這麼強大的執行力被駭客掌握了呢? 這是個非常嚴肅的問題。 對啊,或者不用駭客,如果我今天只是一個為了趕進度的普通員工,我私自用了一個來路不明的外部Agent,讓他去掃描公司的財務報表,幫我做簡報,那他不就把公司的最高機密全部看光了嗎? 你非常精準地指出了目前所有企業資訊安全長,也就是CISO最害怕的夢魘,這叫做影子AI,Shadow AI。 影子AI?我記得以前影子AI不就是指員工偷偷把機密信件貼到ChatGBT裡面去翻譯嗎?現在有什麼不同? 以前那叫資料洩漏,雖然也很危險,但範圍畢竟有限,但現在的影子AI可能導致的是系統性崩潰。 系統性崩潰這麼嚴重? 對,因為現在的AI具備我們一開始說的電腦操作能力,還有外部工具調用能力。 他有手有腳了! 沒錯,如果一個員工為了貪圖方便,在缺乏IT部門監管的情況下,讓一個未經授權的外部Agent獲得了內部網路的讀寫權限,這個Agent一旦本身有漏洞,或者被惡意操控。 哇,那後果不堪設想! 他不僅能看光財務報表,他甚至還能自己修改數據,自動把機密打包發送到外部服務器。 這不再只是被動的資料外流了,這是主動的內部破壞! 太可怕了! 數據顯示,目前高達61.8%的企業內部AI應用是脫離組織管控的,這是一個巨大的隱形炸彈! 難怪我聽說聯合國跟北約最近都針對AI安全展開緊急辯論了嘛,因為駭客現在也不需要自己一行一行寫惡意程式碼了嘛,他們也可以直接部署Agent Swarm啊! 如果我們把這連結到更大的格局來看,的確是這樣,以前企業的防火牆防禦的是一對一的攻擊,現在你的防火牆要面對的可能是一百個不知疲勞、會自己不斷變種、自己尋找漏洞的AI駭客平行攻擊。 這聽起來根本防不勝防啊,難道企業只能拔掉網路線回到紙本時代嗎? 當然不是啦,拒絕AI等於是在商業競爭中自殺嘛,企業必須從根本上改變安全架構的思維。 怎麼改變? 過去的防禦是建立高牆,現在的防禦必須是動態神經網絡,具體來說企業必須建立嚴格的權限控管框架,第一道防線就是所謂的人機協作授權,Human in the Loop。 意思是在Agent按下匯款或者刪除大量資料那個致命按鈕之前,必須有一個真正的人類主管跳出來按批准。 這是最基本的,但更進階的人機協作不只是單純按批准,而是意圖驗證。 意圖驗證? 對,系統會要求Agent解釋說,你為什麼現在要讀取這批客戶的信用卡資料,人類審核的其實是他的邏輯路徑到底合不合理。 哦,確認他沒有走偏。那第二道防線呢? 第二道防線就是針對MCP的持續性監控與節流,throttling。 節流?就像控制水龍頭的水量那樣嗎? 沒錯,因為Agent處理速度實在太快了,一秒鐘可以讀完幾十萬份文件。 如果系統發現某個Agent的MCP通道在短時間內出現異常龐大的資料抓取量,或者他試圖跨越他原本被分配的上下文區域。 就是他越界了? 對,這時候安全防架就必須具備在毫秒內自動掐斷連線的能力,而不是等著人類主管幾分鐘後纔看到警報。 安全防護不該是阻礙創新的絆腳石,相反的,一套嚴格且動態的AI治理框架纔是讓企業敢於放手大規模部署Agent,並在這場效率之戰中勝出的護城河。 瞭解,這對企業經營者來說真的是個巨大的挑戰,但我想把焦點轉回我們每一個個人的身上。 嗯,這很重要。 對啊,所以,這對我們到底意味著什麼?我們剛才說了,Agent能在一秒內看完三十幾萬小時的文件,能處理80%的日常客服。 如果你現在剛畢業準備進入職場,或者是工作了幾年正考慮轉型,聽到這些,心裡一定會有一陣恐慌吧? 一定會的。 因為,那80%被自動化掉的工作,通常就是職場新手用來練功累積經驗的敲門磚啊。如果機器把這些都做完了,那一般員工的價值到底在哪裡? 這種焦慮非常真實,也很合理。但如果我們回顧歷史,從工業革命到個人電腦普及,每一項破壞性創新在消滅舊工作的同時,其實也會創造出新的生態系。 這次也會有新工作嗎? 喂,具體來說,這份工作到底在做什麼?我需要懂很高深的演算法或寫一堆Python程式碼嗎? 哈哈,完全不需要寫深奧的程式碼。我們回到剛剛那個一百個工人的建築團隊比喻好了。 嗯,專案經理跟工人的比喻。 對,這一百個Agent雖然手腳極快,各司其職,但他們依然只是工具。他們需要有人告訴他們,我們今天要蓋的這棟房子,目標受眾是誰?預算上限是多少?設計風格是什麼? 也就是說需要有人給他們方向。 沒錯,代理人編排師就是那個站在金字塔頂端、負責制定戰略、拆解任務並確保所有Agent都能朝著同一個商業目標運作的人類指揮官。 原來如此,所以未來的職場老闆根本不在乎你自己能手打幾份報告,或者你能加班到多晚了。 老闆看重的是,你能不能精準的把一個模糊的商業目標轉化成清晰的執行步驟。 也就是看你能指揮多少個Agent幫你做事對吧? 完全正確,所以這引發了一個重要的問題,新手該怎麼辦?其實對於職場新手來說,現在反而是一個黃金的彎道超車機會。 為什麼這麼說? 因為在指揮Agent的這件事情上,你跟一個有20年年資的老主管其實是站在同一條起跑線上的,甚至你可能因為沒有就有工作模式的包袱,適應得比他更快。 這倒是真的耶,那至於想要成為代理人編排師的新手,你有什麼具體的學習建議嗎?我們現在該從哪裡開始投資自己? 第一步,你現在就應該去熟悉市面上不同Agent的性格與專長。 性格?AI也有性格喔? 當然有啊,就像你作為主管,你要知道團隊裡誰擅長寫文案,誰擅長做數據分析嘛。 你要知道Claude在處理常溫能邏輯的時候特別強,而有些特定的Agent則比較擅長網頁檢索或是圖表生成。 你要提早適應與數位員工共事的節奏。 那第二步呢? 清晰的Workflow,也就是工作流。 系統性思維?可以舉個例子嗎? 當然,比方說,如果你的任務是籌辦一場千人擠憋的線上研討會,你不能只是對著Agent大喊幫我辦活動。 這樣他一定會不知道從何下手。 對,你得在腦海中先把這個任務解構。 你需要場地規劃、講者聯繫、行銷預熱、票務系統、會後問卷。 然後你知道,行銷預熱這塊,你要派三號Agent去串接公司的CRM系統發信。 票務這塊,你要派五號Agent去跟金流系統對接。 哇,這就是完美的代理人編排師日常啊! 沒錯,當你能夠熟練的把複雜的現實問題轉譯成數位員工能理解並執行的結構化任務時, 你就擁有了無法被取代的核心競爭力。 當別人在擔心自己的工作被AI取代的時候, 你已經轉型成為那個擁有千軍萬馬、運籌帷幄的指揮官了。 真的非常精彩!好,那我們快速回顧一下今天的深度探討。 我們一開始探討了AI是如何長出手腳,具備了操作電腦與自我拆解任務的能力。 我們也深入瞭解了Agent Swarm,群體代理,是如何透過共享記憶體平行處理複雜任務。 同時也介紹了MCP和A2A協議,他們是如何像智慧門禁卡和溝通語言一樣,打破資料孤島,讓Agent之間能無縫協作。 對,我們也從JP Morgan一秒鐘處理36萬小時工作量的震撼數據中, 看到了商業模式重塑的必然性,並且探討了企業必須如何建立人機協作與動態監控的安全框架,來抵禦影子AI與代理人網路攻擊的風險。 最後,也給了大家成為代理人編排師的轉型之路。 沒錯,大家都可以成為掌握數位大軍的指揮官。 但在我們結束之前,這一切的發展讓我想到一個延伸的,可能稍微有些哲學意味的終極問題,想拋出來給大家思考。 哦,是什麼問題? 我們今天提到開放式代理人已經有望在科研流程中實現端對端的科學發現了嘛,從假設、實驗到寫論文都能自己來。 這讓我忍不住想問,如果在不久的將來,有一項改變人類歷史的重要醫學或物理突破,完全是由AI agent自主發現的? 哇,這個假設蠻有可能成真的喔! 對啊,那麼,當諾貝爾獎頒發的那一天,這個榮耀到底該歸屬於那位寫下最初指令的代理人編排師,還是那群日列不休平行運作的數位員工呢? 這個發人深神的問題就留給你慢慢思考了,我們下次見!