打造 AI Agent 一定要用特定框架嗎？

不一定。框架能省去很多重複工作，但核心邏輯（呼叫模型、執行工具、觀察結果的循環）其實可以用任何程式語言自己實作。理解原理後，用不用框架都能做出來，初學建議先手刻一次以理解流程。

第一個 AI Agent 應該做多複雜的任務？

越簡單越好。建議選一個小而明確、成效可驗證的任務，例如給主題自動搜尋並整理三個重點。先求能穩定運作，再逐步擴充功能，避免一開始就挑戰萬能助理而卡關。

為什麼一定要設回合數上限？

因為 Agent 遇到無法完成的狀況時，可能會在循環裡不斷重試而無限打轉，這會持續消耗 API 費用並可能造成非預期行為。設定最大回合數是最基本、最重要的防護機制之一。

系統指示（System Prompt）真的有那麼重要嗎？

非常重要。系統指示決定了 Agent 的角色、工作方式與禁止事項，往往比選哪個模型更能影響成敗。指示寫得具體清楚，Agent 行為就可控，寫得籠統則容易失控或答非所問。

如何避免 AI Agent 執行危險或不可逆的動作？

透過工具權限控管。把唯讀動作（如搜尋）設為可自動執行，而寄信、付款、刪除資料等不可逆動作則加上人工確認關卡，讓 Agent 只能提議、由人核准後才執行。

打造你的第一個 AI Agent：從零到能動的完整實作指南

想親手做一個能查資料、會呼叫工具的 AI Agent？本文用最小可行的架構，帶你一步步走過選模型、定義工具、設計循環、加上記憶與防護的完整流程，並附上常見錯誤與除錯建議。

寫在前面：先想清楚要解決什麼問題

打造 AI Agent 最常見的失敗，不是技術不夠，而是一開始就想做一個「什麼都會」的萬能助理。正確的起點是選一個「小而明確」的任務。例如：給一個主題，Agent 自動上網搜尋，整理出三個重點與來源連結。這個任務夠具體、成效可驗證、又涵蓋了 Agent 的核心能力，非常適合當第一個練習。

這篇指南會用這個「研究小幫手」的例子，帶你走完從無到有的流程。內容以概念與流程為主，不綁定特定框架，讓你理解每一步「為什麼」這樣做，之後換任何工具都能套用。

第一步：選擇大腦（LLM）

Agent 的推理與決策都靠背後的大型語言模型。挑選時考量三個面向：

能力：任務越複雜、越需要多步推理，就越需要能力強的模型，例如較高階的 GPT、Claude、Gemini 系列。
成本：能力強的模型單價較高，簡單任務用平價模型即可，混合搭配是常見做法。
工具呼叫支援：務必選擇原生支援「function calling / tool use」的模型，這是 Agent 能呼叫工具的關鍵前提。

對第一個練習來說，選一個支援工具呼叫、價格中等的模型即可，先求能動，再求最佳。

第二步：定義工具（Tools）

工具是 Agent 的手腳。以研究小幫手為例，最少需要一個工具：網路搜尋。定義一個工具，通常要交代三件事：

名稱與用途：例如 web_search，用來根據關鍵字取得網路搜尋結果。
輸入參數：例如需要一個字串 query（搜尋關鍵字）。
輸出格式：例如回傳一組標題、摘要與網址的清單。

把這些資訊寫成模型看得懂的規格（多數框架用 JSON Schema 描述），模型才知道什麼時候該呼叫、要傳什麼參數進去。這一步的關鍵是「描述要清楚」，工具說明寫得越精準，模型呼叫得越準確。

第三步：設計核心循環

這是 Agent 的心臟。核心循環的邏輯可以用以下虛擬碼表達：

設定目標 goal
對話紀錄 messages = [系統指示, 使用者目標]

重複執行（最多 N 次，避免無限迴圈）：
    回應 = 呼叫模型(messages, 可用工具清單)
    如果 回應要求呼叫工具：
        結果 = 執行對應工具(參數)
        把 工具結果 加進 messages
        繼續下一輪
    否則（模型給出最終答案）：
        回傳 回應內容
        結束

這段邏輯的精髓在於：模型每一輪可以選擇「呼叫工具」或「給出答案」。呼叫工具後，結果會被塞回對話紀錄，模型在下一輪就能根據新資訊繼續推理。這個「呼叫，觀察，再決定」的迴圈，就是 Agent 能完成多步驟任務的關鍵。務必設一個最大回合數上限，否則遇到卡住的狀況它可能無限打轉，既浪費費用又危險。

第四步：寫好系統指示（System Prompt）

系統指示是你對 Agent 的「工作守則」。一份好的系統指示至少涵蓋：

角色與目標：你是一位研究助理，任務是根據使用者主題產出可靠的重點整理。
工作方式：先搜尋再整理，每個重點都要附上來源網址，找不到可靠來源時要如實說明。
限制與禁止事項：不得捏造來源，不確定時要標示不確定，不要輸出與任務無關的內容。

系統指示寫得越具體，Agent 的行為就越可控。這一步往往比選模型更能決定成敗。

第五步：加上記憶（進階）

第一版可以先不做記憶，等基本流程跑通再加。記憶分兩種：

短期記憶：其實就是當前的對話紀錄 messages，讓 Agent 記得這一輪任務做過什麼。
長期記憶：把過去的研究結果或使用者偏好存進資料庫（常用向量資料庫），下次遇到相似主題時可檢索沿用。

對研究小幫手來說，加一個長期記憶可以避免重複研究同一主題，是很實用的升級。

第六步：加上防護機制

這一步常被新手忽略，卻至關重要。建議至少做到：

回合數上限：避免無限迴圈燒錢。
工具權限控管：搜尋這類唯讀動作可放行，但寄信、付款、刪除資料等不可逆動作，一律要求人工確認。
錯誤處理：工具呼叫失敗時要能捕捉錯誤、重試或優雅地回報，而非整個崩潰。
費用監控：記錄每次任務用了多少 token，設定預算警示。

完整流程對照表

步驟	要做的事	新手常見錯誤
選模型	挑支援工具呼叫的 LLM	選了不支援 tool use 的模型
定義工具	寫清楚名稱、參數、輸出	工具說明太模糊導致亂呼叫
設計循環	實作呼叫與觀察迴圈	沒設回合上限造成無限迴圈
系統指示	明確角色、規則、禁令	指示太籠統，行為失控
記憶	視需要加長期記憶	一開始就想做複雜記憶
防護	權限、錯誤、費用控管	讓 Agent 直接執行危險動作

測試與除錯建議

做出第一版後，用幾個真實主題實測，並觀察三件事：它有沒有正確呼叫工具、有沒有依規則附上來源、遇到搜尋不到時的反應是否恰當。除錯時，最有效的做法是把每一輪的「模型輸入、模型輸出、工具呼叫、工具結果」全部印出來，你就能清楚看到它在哪一步走偏，再回頭調整系統指示或工具說明。

從第一個 Agent 到更進階

跑通這個研究小幫手後，你已經掌握了 Agent 的全部核心概念。接下來可以循序擴充：加入更多工具（例如把結果寄成郵件）、換成更強的模型處理複雜任務、或嘗試多代理協作，讓一個 Agent 負責搜尋、一個負責彙整、一個負責校對。每一次擴充，都建立在你已理解的這套核心循環之上。

結語

打造 AI Agent 沒有想像中神祕，它的本質就是「一個會呼叫工具的循環，加上清楚的規則與防護」。從一個小而明確的任務起步，先讓它能動，再逐步加強能力與安全性，你就能穩紮穩打地建立起自己的第一個自動代理，並為更複雜的應用打下堅實基礎。