目錄
課程簡介
AI Agent 是 AI 領域最新也是最令人興奮的發展。這門課程將帶您了解 AI Agent 的原理、架構、工具和應用，從核心概念到企業落地，讓您理解這個強大的新技術。
學習目標：
- 理解 AI Agent 與 Chatbot 的區別
- 掌握 Agent 的核心架構
- 了解 Tool Calling、記憶、RAG 等核心技術
- 了解多 Agent 系統和 MCP 協議
- 評估 AI Agent 的企業應用場景
21.1 AI Agent vs Chatbot
為什麼學_this？
理解 Agent 和 Chatbot 的區別是基礎。
核心教學
Chatbot vs Agent：
| 維度 | Chatbot | AI Agent |
|---|---|---|
| 能力 | 對話回覆 | 自主執行任務 |
| 目標 | 回答問題 | 完成任務 |
| 工具 | 無 | 可以使用工具 |
| 記憶 | 短期 | 長期記憶 |
| 自主性 | 被動回應 | 主動行動 |
| 複雜度 | 低 | 高 |
什麼是 AI Agent？
AI Agent 是一個能夠自主思考和行動的 AI 系統。它不僅能回答問題，還能：
- 規劃任務
- 使用工具（瀏覽器、API、數據庫）
- 記住上下文
- 自主決策
Agentic AI 的核心能力：
商業範例
一家年營收 3 億元的連鎖健身品牌，旗下 12 間分店每天湧入大量會員詢問與請假需求，客服僅 4 人，尖峰時段平均等待超過 15 分鐘，續約率因此下滑。
- Chatbot 做法：回答「我的會籍還有多久到期」等定型問題，每月處理 6,000 筆查詢，準確率約 85%。
- Agent 做法：會員說「我要請假兩個月並順延會籍」，Agent 自動查合約、計算順延日、更新系統並發送確認信，全程無人工。
- Agent 做法：偵測到會員 30 天未到館，主動查詢合約與優惠，生成個人化續約方案並推播，續約率提升 18%。
- 成果：客服人力需求降低 40%，平均回應時間從 15 分鐘縮短至 90 秒。
小技巧
實操貼士
- 在 ChatGPT 先問「你能直接執行還是只給建議」，判斷它是 Chatbot 還是 Agent。
- 要 Agent 行為，prompt 寫「請呼叫工具並回傳結果」，而非「請告訴我怎麼做」。
- 用 Zapier 串接 ChatGPT 與 Gmail，讓它自動分類信件，即為 Agent 雛形。
- Claude 搭配 Notion 讀取資料後改寫，比純對話更接近 Agent。
- 測試時要求輸出步驟與工具呼叫紀錄，確認它真的執行了動作。
練習題
本節摘要
- Agent vs Chatbot：Agent 能自主執行任務，Chatbot 只能對話
- Agent 核心能力：規劃、行動、記憶、反思、協作
- Agent 適合複雜任務，Chatbot 適合簡單問答
我列出我每週進行的重複任務：
1. [任務A - 頻率]
2. [任務B - 頻率]
3. [任務C - 頻率]
請按「自動化可行性 × 節省的時間」評分（1-10），排好順序，
並為第一位建議：使用何種工具、具體步驟、需要注意的失敗點。
- 我列出了至少 5 個重複任務並完成評分
- 我選擇了第一個自動化目標（最高分的那個）
- 我知道這個流程的人工檢查位置在哪裡
- 我設定了「出錯時如何處理」的備用方案
21.2 Agent 核心架構
為什麼學_this？
了解 Agent 架構是設計和評估的基礎。
核心教學
Agent 的核心組件：
大語言模型（LLM）
- Agent 的「大腦」
- 負責理解、推理、決策
- 如 GPT-4、Claude、Gemini
工具（Tools）
- Agent 的「雙手」
- 調用外部功能
- 如搜索引擎、API、數據庫
記憶（Memory）
- Agent 的「記憶」
- 短期上下文
- 長期知識
規劃（Planning）
- Agent 的「策略」
- 拆解任務
- 制定步驟
執行循環（Agent Loop）
感知 → 思考 → 行動 → 觀察 → 再思考...
↑_______________________↓
直到任務完成
商業範例
一家擁有 40 間門市的連鎖健身中心，過去教練與櫃檯人員每天要花大量時間回覆會員的課程、扣點與請假問題，平均等待超過 15 分鐘，導致續約率下滑。
- LLM 理解需求：以模型判讀會員訊息意圖，準確率達 92%，減少人工轉接 6 成。
- 工具串接：介接會員系統與排課 API，查詢回覆時間由 15 分鐘縮短至 20 秒。
- 記憶機制：保留對話與合約紀錄，重複詢問率下降 45%，滿意度提升至 4.5 分。
- 規劃與執行：自動完成請假、扣點與續約提醒，每月省下 300 小時人力。
小技巧
- 用 ChatGPT 產生工具清單，prompt 寫「列出完成 X 所需的 5 個 API 與參數」。
- 把長期記憶存在 Notion 資料庫，讓 Agent 每次啟動先讀取。
- 規劃層用 Claude 拆解步驟，要求輸出 JSON 格式的任務陣列。
- 工具呼叫失敗時，用 Zapier 設定重試與通知，避免流程中斷。
練習題
本節摘要
- 核心組件：LLM、工具、記憶、規劃、執行循環
- Agent Loop：感知 → 思考 → 行動 → 觀察
- 品質取決於整體配合
21.3 Tool Calling（工具調用）
為什麼學_this？
Tool Calling 讓 Agent 真正「能做事」。
核心教學
什麼是 Tool Calling？
Tool Calling 是讓 LLM 調用外部工具的能力。Agent 可以：
- 查詢數據庫
- 調用 API
- 操作瀏覽器
- 發送郵件
- 執行程式碼
Tool Calling 的工作流程：
常見工具類型：
- 數據查詢：搜索、數據庫、API
- 文件處理：創建、編輯、分析
- 通信：發郵件、發訊息
- 自動化：操作軟體、執行命令
Tool Calling Prompt 範例：
你有一個「查詢訂單」工具，參數是訂單號。
用戶說：「我的訂單 #12345 到哪了？」
請調用查詢訂單工具，然後回報狀態。
商業範例
一家擁有 12 間門市的中型連鎖健身中心，過去教練需手動查詢會員合約與課程剩餘堂數，平均每通電話耗時 6 分鐘，客服人力長期吃緊。
- 查詢會員合約：自動調閱 CRM 系統，通話時間從 6 分鐘縮短至 90 秒，客服處理量提升 3 倍。
- 預約課程：即時對接排課系統，自動避開教練時段衝突，每月減少 85% 重複預約錯誤。
- 查詢剩餘堂數：同步扣堂資料庫，準確率達 99.5%，會員申訴案件較上月下降 40%。
- 續約提醒：偵測合約到期前 14 天自動推播，帶動續約率提升 18%。
小技巧
- 在 ChatGPT 自訂 GPT 時，工具名稱用動詞開頭，如 get_weather、send_email，避免模糊命名。
- Claude 的 tool description 要寫明輸入格式與範例，例如「date 需為 YYYY-MM-DD」。
- 用 Zapier 接工具時，為每個 action 加上 when to use 說明，降低 Agent 誤觸發。
- 在 prompt 中明確寫「若缺少參數，先反問使用者，不要自行猜測」。
- Notion 工具回傳值保持精簡，只留 id 與 title，減少 token 干擾判斷。
練習題
本節摘要
- Tool Calling 讓 Agent 調用外部工具
- 工作流程：LLM 決策 → 調用 → 返回 → 處理
- 工具設計清晰度影響 Agent 表現
21.4 Agent 記憶系統
為什麼學_this？
記憶系統讓 Agent 能記住上下文和過去的互動。
核心教學
記憶系統的三層：
短期記憶（上下文窗口）
- 當前對話的上下文
- 通常有限（LLM 的上下文窗口）
- 即時使用
工作記憶（Working Memory）
- 當前任務的關鍵資訊
- 任務進行中保留
- 任務結束後轉化
長期記憶（長期知識）
- 過去的互動和結論
- 用戶偏好
- 任務歷史
記憶系統的技術：
- 向量資料庫：存儲和檢索
- 知識圖譜：結構化知識
- 檔案存儲：結構化記錄
記憶最佳實踐：
商業範例
一家擁有 12 間分店的連鎖健身中心，過去教練流動率高，會員續約時常因不熟悉過往訓練紀錄而流失，續約率僅 58%。導入 Agent 記憶系統後，櫃檯與線上客服能即時調閱會員完整輪廓。
- 記住會員傷病史與禁忌動作：教練諮詢準備時間縮短 40%，運動傷害客訴下降 35%。
- 記住過往課程與器材偏好：課程推薦成交率提升 22%，平均客單價增加 1,800 元。
- 記住續約與請假週期：到期前 14 天主動關懷，續約率由 58% 提升至 76%。
- 記住溝通語氣與目標：會員滿意度分數從 3.9 升至 4.6 分（滿分 5 分）。
小技巧
想讓 Agent 記得你是誰、做過什麼，關鍵在於把記憶寫進可讀取的結構。
- 在 ChatGPT 用「自訂指示」寫死固定偏好，例如「回覆一律先給結論、再列三點」。
- 用 Notion 建一張「Agent 記憶表」，欄位放客戶名、偏好、上次結論，讓 Zapier 每次自動讀取。
- Claude 長對話請在開頭貼上「背景摘要」，並要求它每十輪改寫一次摘要。
- 把重複指令存成 prompt 範本，開新對話直接貼上，避免每次重講一遍。
練習題
本節摘要
- 記憶三層：短期、工作、長期
- 技術：向量資料庫、知識圖譜
- 記憶是個性化和智能化的關鍵
21.5 RAG 基礎
為什麼學_this？
RAG 讓 Agent 基於最新、準確的資訊回答。
核心教學
什麼是 RAG？
RAG（Retrieval-Augmented Generation）是檢索增強生成技術。Agent 先從知識庫檢索相關資訊，再基於這些資訊生成答案。
RAG 的工作流程：
RAG vs Fine-tuning：
| 維度 | RAG | Fine-tuning |
|---|---|---|
| 更新速度 | 即時 | 需重新訓練 |
| 成本 | 低 | 高 |
| 準確性 | 基於具體文件 | 基於訓練數據 |
| 適用場景 | 知識更新頻繁 | 固定風格/行為 |
RAG 的優勢：
- 資訊即時更新
- 減少幻覺
- 可追溯來源
- 成本較低
商業範例
一家連鎖健身中心擁有 12 間分店與 40 位教練，會員經常詢問課程安排、器材使用與飲食建議，但教練忙於帶課，客服回覆常延遲且說法不一致，導致續約率下滑。
- 做法：建立課程與器材知識庫並即時同步更新，客服回應時間從 8 分鐘縮短至 40 秒。
- 做法：以知識庫為基礎讓 AI 輔助回覆會員提問，回答準確率由 72% 提升至 94%。
- 做法：將常見飲食與訓練問題納入檢索範圍，客服一次解決率提高 35%。
- 做法：每月依對話紀錄優化知識庫內容，會員續約率回升 12%。
小技巧
RAG 是中小企業最實用的 AI 知識應用方式。
- 用 Notion 建知識庫，匯出 CSV 後上傳 ChatGPT 專案，讓它只根據檔案回答。
- Prompt 寫法：先給角色「你是客服」，再貼資料，最後問「只依上文回答，沒有就說不知道」。
- 用 Zapier 把 Gmail 新郵件自動寫入 Notion，維持知識庫每天更新。
- Claude 支援長文件，直接上傳 PDF 手冊，問「引用頁碼並用三點摘要」。
練習題
本節摘要
- RAG 是檢索增強生成
- 流程：向量化 → 檢索 → 生成
- 比 Fine-tuning 更適合知識更新
21.6 向量資料庫
為什麼學_this？
向量資料庫是 RAG 和記憶系統的基礎。
核心教學
什麼是向量資料庫？
向量資料庫存儲數據的向量化表示，支持語義搜索。它可以找到「語義相似」的內容，而不只是關鍵字匹配。
向量資料庫的用途：
- RAG 知識檢索
- 記憶存儲和檢索
- 相似內容推薦
- 語義搜索
主流向量資料庫：
- Pinecone：雲端向量資料庫
- Weaviate：開源，功能豐富
- Milvus：開源，高性能
- Chroma：輕量級，適合初學者
- Qdrant：高性能，功能完善
向量資料庫 vs 傳統資料庫：
- 傳統：關鍵字匹配（「猫粮」）
- 向量：語義匹配（「貓咪食物」→ 也能找到「貓糧」）
商業範例
一家員工人數約 80 人的連鎖健身工作室，過去教練只能憑記憶推薦課程，會員續約率長期低於 45%。導入向量資料庫後，系統能語意檢索會員的訓練紀錄與偏好，自動媒合最合適的教練與課程。
- 做法：將 3 年內 12,000 筆課程評價與會員回饋向量化，客服 Agent 檢索準確率從 61% 提升至 89%。
- 做法：依會員體能標籤即時推薦課程，個人化推薦點擊率由 7% 成長至 22%。
- 做法：教練排課改由語意比對自動媒合，平均排課時間從 25 分鐘縮短至 4 分鐘。
- 做法：續約前 30 天觸發相似會員成功案例推播，年度續約率提升至 63%。
小技巧
- 用 OpenAI text-embedding-3-small 生成向量，成本低且維度小，適合快速原型。
- 在 Notion 存原始文件，同步至 Pinecone 建索引，避免重複嵌入。
- 檢索時加 prompt：「僅根據以下片段回答，若無答案回覆不知道」。
- 用 Claude 改寫查詢成三種語義變體，提升召回率。
- 定期以 Zapier 觸發重建索引，淘汰過期向量。
練習題
本節摘要
- 向量資料庫存儲語義表示
- 支持語義搜索，不只關鍵字匹配
- 是 RAG 和記憶系統的基礎
21.7 多 Agent 系統
為什麼學_this？
多 Agent 系統能處理更複雜的任務。
核心教學
什麼是多 Agent 系統？
多個 AI Agent 協同工作，每個負責不同的部分，共同完成複雜任務。
多 Agent 的架構：
主管模式（Orchestrator）
- 一個主管 Agent 協調
- 分配任務給子 Agent
- 匯總結果
流水線模式（Pipeline）
- Agent 依序處理
- 每個 Agent 的輸出是下一個的輸入
- 適合多步驟任務
協作模式（Collaborative）
- Agent 平等協作
- 共同討論
- 相互評價
多 Agent 的應用場景：
商業範例
一家員工人數約 300 人的連鎖健身品牌，旗下 18 間分店每日湧入超過 1,200 筆諮詢，涵蓋課程預約、教練指定與會籍異動。過去由 6 名客服平均耗時 9 分鐘處理一件，尖峰時段常遺漏訊息，導致每月約 140 件客訴。
- 分流 Agent：以意圖分類模型判讀來訊，準確率達 94%，將 85% 的諮詢自動導向對應流程。
- 預約 Agent：串接場館排程系統，即時完成課程與教練媒合，平均處理時間由 9 分鐘壓縮至 40 秒。
- 會籍 Agent：自動比對合約與扣款紀錄，處理請假、轉讓與退費申請，錯誤率由 7% 降至 1.2%。
- 協調者 Agent：彙整跨部門例外案件並排序優先級，每月客訴量由 140 件降至 22 件。
小技巧
- 先用單一 ChatGPT 跑通流程，任務超過三個步驟再拆多 Agent。
- 在 Claude 用角色 prompt 分工，如「你是資料清理員，只回傳 JSON」。
- 用 Zapier 串接 Agent 輸出，設定觸發條件避免重複呼叫。
- 把共用資料放 Notion 當記憶庫，各 Agent 讀取同一份來源。
- 用 Canva 產出視覺前，先讓 Agent 確認文案與尺寸規格。
練習題
本節摘要
- 多 Agent 架構：主管、流水線、協作
- 適合複雜任務
- 簡單任務用單 Agent 更高效
21.8 Agent 框架介紹
為什麼學_this？
框架能加速 Agent 開發。
核心教學
主流 Agent 框架：
LangChain
- 最流行的 AI 框架
- 支持多種 LLM
- 豐富的工具集成
- 適合各種場景
LangGraph
- 基於 LangChain
- 複雜工作流
- 狀態管理
- 適用於多 Agent
CrewAI
- 多 Agent 協作
- 角色分配
- 任務分配
- 適合團隊協作
AutoGen（Microsoft）
- 多 Agent 對話
- 自動協調
- 程式碼執行
- 適合開發場景
OpenAI Agents SDK
- OpenAI 官方
- 簡單易用
- 現代化
商業範例
一家連鎖健身品牌擁有 12 間分店、會員逾 3 萬人，過去客服團隊每天需回覆超過 800 則訊息，尖峰時段常延遲超過 4 小時，導致續約率下滑。
- 以 LangChain 串接預約與會員系統：上線 3 個月後，自動處理 65% 的常見詢問，客服人力需求降低 40%。
- 整合課程與教練資料庫：查詢回應時間由平均 15 分鐘縮短至 20 秒內，滿意度提升 22%。
- 建立對話紀錄與標籤機制：每月自動產出 5 份洞察報告，協助續約活動命中率提高 18%。
- 模組化流程設計：新分店導入時間從 2 週縮短至 2 天，維護成本降低約 35%。
小技巧
- 先用 ChatGPT 把需求寫成流程圖，再選框架。
- 在 Claude 貼官方文件，請它列出 LangChain 與 CrewAI 差異。
- 用 Notion 建框架比較表，欄位含學習曲線與範例連結。
- 寫 prompt 時指定「用三行說明何時改用 AutoGen」。
- 在 Zapier 串接 API，先驗證流程再寫程式。
練習題
本節摘要
- 框架：LangChain、LangGraph、CrewAI、AutoGen
- 初學者從 LangChain 開始
- 根據場景選擇框架
21.9 MCP 協議
為什麼學_this？
MCP（Model Context Protocol）是工具互通的標準。
核心教學
什麼是 MCP？
MCP 是 Anthropic 提出的標準協議，讓不同的 AI 系統和工具能夠標準化地互通。它解決了 AI 工具碎片化的問題。
MCP 的作用：
- 標準化工具連接
- 減少重複開發
- 提升互通性
- 加速生態發展
MCP 的運作方式：
- Server：提供工具/資源的服務
- Client：使用工具的 AI 應用
- 連接：雙方通過 MCP 協議溝通
MCP 的優勢：
- 「一次開發，處處使用」
- 工具生態標準化
- 降低整合成本
商業範例
一家連鎖健身中心，旗下有 12 間分店、約 3 萬名會員。過去會員資料、預約系統與教練排班各自獨立，客服每天得手動切換 4 套後台，平均一通查詢要花 6 分鐘。
- 做法：以 MCP 串接會員管理與預約系統，客服 Agent 一次查詢即回覆：單筆處理時間從 6 分鐘降至 40 秒。
- 做法：透過 MCP 連接金流與發票服務，自動處理續約扣款：每月減少 25 小時人工對帳。
- 做法：整合教練排班與場地系統，Agent 自動媒合空檔：課程預約成功率提升 18%。
- 做法：以標準化協議取代客製 API，新分店上線時間從 3 週縮短至 4 天。
小技巧
- 在 Claude Desktop 設定檔加入 MCP server，即可直接呼叫本機檔案與資料庫。
- 用 Zapier 串接 MCP，讓 ChatGPT 產出的內容自動寫入 Notion 資料庫。
- Prompt 寫「請透過 MCP 讀取我指定的 Google Sheets 並摘要」比空泛指令有效。
- 接 Canva MCP 時，先確認授權範圍，避免 AI 誤改團隊範本。
練習題
本節摘要
- MCP 是工具互通的標準協議
- 解決 AI 工具碎片化問題
- 降低整合成本
21.10 Agent 安全與治理
為什麼學_this？
Agent 的安全至關重要，特別是企業應用。
核心教學
Agent 的安全風險：
提示注入（Prompt Injection）
- 惡意輸入污染 Agent 指令
- 需防範
越權行為
- Agent 執行不應執行的操作
- 需權限控制
數據洩露
- 敏感數據被洩露
- 需保護
不可控行為
- Agent 做出意外決定
- 需監督
安全最佳實踐：
商業範例
一家連鎖健身房的 12 間分店導入客服 Agent 後，會員常抱怨預約與退費進度查不到，且曾有員工誤改合約引發糾紛。為此，他們重新設計了 Agent 的權限與治理框架。
- 查詢權限分離：Agent 僅能讀取會員資料與合約狀態，無法修改，客訴誤改案件降為 0 件。
- 高風險操作人工覆核：退費與合約變更需主管確認，每月攔截 37 筆異常申請。
- 完整行為日誌：所有查詢與操作留存紀錄，稽核追溯時間從 4 小時縮短至 15 分鐘。
- 季度審計機制：每季抽查 200 筆對話，權限誤用率由 8% 降至 1.2%。
小技巧
- 用最小權限原則，在 Zapier 只開必要動作，別給 Agent 完整 API 金鑰。
- 在 ChatGPT 系統提示寫明「高風險操作須先輸出確認清單」，讓人審批後才執行。
- 把 Claude 的敏感工具呼叫設為需人工核可，並記錄每次輸入輸出以供稽核。
- 用 Notion 建立權限清單，標註每個 Agent 可存取的資料範圍與到期日。
練習題
本節摘要
- 風險：提示注入、越權、數據洩露
- 最佳實踐：最小權限、人工審批、日誌、審計
- 安全是應用的前提
21.11 Agent 部署與監控
為什麼學_this？
部署和監控確保 Agent 穩定運行。
核心教學
Agent 部署的考量：
資源需求
- LLM API 成本
- 運算資源
- 儲存資源
穩定性
- 錯誤處理
- 重試機制
- 備援方案
監控指標
- 成功率
- 回應時間
- 錯誤率
- 成本
版本管理
- 版本控制
- 灰度發布
- 回滾機制
監控工具：
- LangSmith：LangChain 監控
- Langfuse：開源監控
- Weights & Biases：實驗追蹤
- 自訂儀表板：專屬監控
商業範例
一家連鎖健身房的客服 Agent 每天處理上千筆會員諮詢，過去因回應延遲與錯誤率高，導致續約率持續下滑。導入部署與監控機制後，情況明顯改善。
- 追蹤任務成功率：準確率從 82% 提升至 95%，每月減少約 300 筆客訴。
- 監控運算成本：月支出控制在 180 美元以內，較原先降低 35%。
- 追蹤回應時間：平均回覆從 12 秒縮短至 3 秒，會員滿意度提升 18%。
- 異常自動告警：系統偵測延遲超過 5 秒即通知維運，故障排除時間縮短 60%。
小技巧
部署 Agent 後，用以下做法持續監控行為與成本：
- 在 Zapier 設定錯誤觸發器，Agent 回傳失敗時自動寄信通知。
- 用 Notion 建日誌表，記錄每次呼叫的 token 數與花費。
- 在 Claude 系統提示加上「輸出前先確認工具參數」，降低誤呼叫。
- 用 ChatGPT 定期彙總日誌，找出高成本與重複失敗的步驟。
練習題
本節摘要
- 部署考量：資源、穩定性、監控、版本
- 監控指標：成功率、時間、錯誤、成本
- 定期審核確保穩定
21.12 企業應用場景
為什麼學_this？
了解 Agent 的企業應用，找到適合您的場景。
核心教學
Agent 的企業應用：
智能客服
- 自動處理客戶查詢
- 使用工具查詢訂單
- 24/7 服務
數據分析
- 自動分析數據
- 生成報告
- 建議行動
自動化工作流
- 自動執行多步驟任務
- 跨系統整合
- 減少人工
知識管理
- 企業知識庫
- 智能搜索
- 員工助手
銷售赋能
- 自動線索處理
- 個人化銷售
- 預測
商業範例
一家擁有 12 間分店的中型連鎖健身中心，長期面臨教練排班衝突、會員流失率高達 28%，以及客服人力無法負荷每日上千則諮詢的困境。
- 智能排班與調度：Agent 依教練專長、會員預約與場地容量自動生成排班表，排班衝突減少 85%，行政工時每月省下 120 小時。
- 會員流失預警：系統分析到訪頻率與合約週期，提前 14 天標記高風險會員並自動推送專屬優惠，續約率提升 19%。
- 客服自動應答：Agent 處理課程查詢、請假與器材報修等 76% 的常見問題，客服回應時間從 4 小時縮短至 3 分鐘。
- 營運月報生成：每月自動彙整各分店來客數、教練產值與課程滿班率，報告產出時間由 3 天降至 40 分鐘。
小技巧
- 先挑客服或報告彙整這類高頻場景，用 Zapier 串接 ChatGPT 做單點試點。
- Prompt 寫法固定為「角色＋任務＋輸出格式」，例如請 Claude 依此格式整理客訴。
- 把試點流程搬進 Notion 建追蹤表，記錄每次輸出的準確率與人工修正次數。
- 兩週後用數據決定是否擴大，別憑感覺上線。
練習題
本節摘要
- Agent 應用：客服、分析、自動化、知識、銷售
- 從高價值場景開始
- 逐步擴展
21.13 課程總結
課程總結
下一步學習
- C-22 No-Code AI 自動化：不需要寫程式
- C-23 RPA 流程自動化：機器人流程
- C-14 AI 工作流程自動化：實際應用
© 2026 Buddylala.ai — Build Your AI Future, Together.