Mr. M

當你只需要交代目標，AI 開始自己把事情做完

週一早上八點，一位部門主管在捷運上對手機裡的 Agent 說了一段話：「幫我整理上週三個專案的進度，對照原訂時程，找出有延誤風險的項目。中午前給我一份簡報草稿，重點放在需要我出面協調的地方。」說完，他把手機放回口袋，繼續看窗外的風景。

等他走進辦公室，Agent 已經進了專案管理系統，讀完每個任務的狀態，翻過信箱裡廠商最新的回覆，還發現其中一個專案的外部驗收日和內部排程互相衝突。它在雲端產出一份六頁的簡報草稿，並在最後留下一行字：「以下兩件事需要您決定，我無法代為處理。」中午十二點，主管收到通知，打開檔案，改了兩處措辭，就把簡報帶進會議室。

這樣的場景，幾年前聽起來像科幻，如今已經是愈來愈多人的日常。它值得注意的地方，在於我們與 AI 互動的姿勢改變了：以前我們一句一句地問，現在我們交辦一件事，然後去做別的事。

這篇文章想說的是：Agent 會成為 AI 的新常態，因為 AI 的價值正從「回答問題」移向「完成任務」，而完成任務所需的模型、工具與環境，現在都已經到位。

---

對話式 AI 的天花板

如果你用過 ChatGPT、Claude 這類對話式 AI，大概有過這種經驗：問題丟進去，答案很漂亮，然後你得自己把答案複製出來，貼進文件，再開另一個視窗查資料，再回來問下一句。AI 負責想，你負責搬。整件事的節奏，仍然被你的雙手綁著。

這就是對話式 AI 的天花板。它的產出品質可以很高，但每一步都需要人在旁邊推進。你離開座位，它就停在原地。你的時間有多少，它能做的事就有多少。這種模式很適合拿來當顧問、當靈感來源，卻很難真正接下一整件工作。

更微妙的是，它讓我們養成一個習慣：把工作拆成一個個適合「問答」的小問題，再自己負責把答案串起來。這個串接的工作量，經常比想像中多。很多人覺得 AI 幫上了忙，卻沒有真的省下時間，原因往往就出在這裡。

Agent 和聊天機器人到底差在哪

Agent 這個詞被講得很滿，我們不妨把它講得樸素一點。Agent 就是一個拿到目標之後，能自己規劃步驟、自己動用工具、自己檢查結果，直到任務完成才回來找你的 AI。

拆開來看，它有三個關鍵能力。第一是目標導向：你給的是「要達成什麼」，而不是「下一句要回答什麼」。第二是使用工具：它可以搜尋、讀寫檔案、呼叫系統、操作瀏覽器，手腳伸得進你日常工作的環境。第三是多步驟自主執行：中間遇到錯誤，它會自己換個方法再試，而不是停下來等你指示。

用一個比喻來說，聊天機器人像是一位知識豐富的顧問，你問一句他答一句。Agent 則像一位新進的執行助理，你把事情交代清楚，他自己去找資料、跑流程、整理成果，做到一半卡住了才來問你。兩者背後可能是同一個模型，但你和它相處的方式，已經完全不同。

為什麼偏偏是現在

Agent 的概念其實很早就有，直到最近才開始真正好用，原因在於三件事同時成熟。

第一是模型的推理能力。要把一個模糊的目標拆成十幾個步驟，還要在中途判斷哪一步出了問題，需要相當穩定的規劃與自我修正能力。早期的模型做不到，稍微複雜一點就會迷路。現在的模型已經能夠在較長的任務裡維持方向，這是 Agent 能上場的前提。

第二是工具與系統的串接。過去每接一個系統就要寫一次客製程式，成本高、維護累。近年出現了較為通用的工具協定，讓 AI 可以用相似的方式連上各種服務，從行事曆、信箱到內部資料庫。企業的軟體平台也陸續開放 Agent 可用的介面，等於替 Agent 鋪好了路。

第三是成本下降。Agent 完成一件任務，往往要來回呼叫模型很多次，成本遠高於單次問答。當模型的使用成本持續走低，讓 Agent 花上十幾輪去把事情做完，在經濟上才變得划算。當能力、環境與成本三條線交會，Agent 就從展示品變成了可以放進日常流程的工具。

市面上的 Agent，長什麼樣子

講了這麼多，不妨看看現在市面上的 Agent 實際長什麼樣子。大致可以分成四種形態，每一種的使用方式都不太一樣。

第一種是住在終端機與編輯器裡的程式開發 Agent，也是目前最成熟的一類。Anthropic 的 Claude Code 可以在終端機、開發工具、網頁與桌面端使用，強調在本機執行，並在修改檔案、執行指令前設有權限確認。OpenAI 的 Codex 橫跨 ChatGPT、編輯器與終端機，也能在雲端同時平行處理多項任務。Cursor、Windsurf 這類整合開發環境，則把 Agent 直接放進工程師每天使用的編輯器。這一類之所以先成熟，是因為程式碼的結果容易驗證，跑得過測試就是做對了。

第二種是常駐在你身邊的個人 Agent，OpenClaw 是近期最受矚目的例子。它由奧地利開發者 Peter Steinberger 發起，2026 年 1 月以這個名稱定案，前身經歷過幾次改名。它是開源的，跑在使用者自己的電腦上，可以二十四小時在背景運作，並透過 WhatsApp、Slack、iMessage 等你本來就在用的通訊軟體接收指令，還有長期記憶與可以自行擴充的技能市集。因為它能直接碰到本機的檔案與帳號，相關報導也提醒了不少安全疑慮，包括權限過大與惡意擴充套件。依媒體報導，創辦人後來加入 OpenAI，專案本身仍維持開源。

同一個陣營裡，Nous Research 的 Hermes Agent 走的是另一條路線。它同樣開源，同樣可以透過 Telegram、Slack、WhatsApp 等管道使用，賣點在於「自我進化」：完成複雜任務之後，它會把做法整理成技能，並在之後的使用中持續修正，同時保留跨對話的記憶。它也提供從 OpenClaw 匯入設定、記憶與技能的工具，可以看出這個領域的競爭已經相當直接。

第三種是通用型的任務 Agent，例如 Manus，它不限於寫程式，可以處理研究、瀏覽器操作、製作文件等一整串工作，使用者交辦的是一個商業上的結果。Meta 的動向也值得一提：它的 Muse Spark 系列模型，在 2026 年 7 月推出 1.1 版，主打工具使用、電腦操作，以及由主 Agent 規劃後交給多個子 Agent 平行執行。要留意的是，Muse Spark 本身是模型，需要透過 Meta AI 應用程式與開發者 API 使用，嚴格說是 Agent 的引擎，而非一個完整的 Agent 產品，但它清楚顯示各大廠商都把「多 Agent 協作」當成下一階段的主戰場。

第四種是嵌進既有軟體的 Agent，像是企業平台、辦公軟體與客服系統裡的代理功能。這一類使用者往往感覺不到自己在用 Agent，只是發現某些流程自己跑完了。

這四種形態看起來差異很大，底層邏輯卻一致：接收目標、動用工具、自己跑完流程。差別只在於 Agent 住在哪裡，以及你願意給它多少權限。 這也回到前面談過的設定權限與驗收成果，愈是能碰到你電腦與帳號的 Agent，愈需要清楚的界線。

工作與組織會怎麼跟著改變

Agent 成為常態之後，最先改變的是我們手上工作的性質。過去我們花大量時間在「操作」：開系統、點選單、複製貼上、整理格式。這些動作會逐漸交給 Agent，人的重心會移向另外三件事。

第一件是定義目標。Agent 做得好不好，很大程度取決於你交辦得清不清楚。一句含糊的指令，會換來一份含糊的成果。會把任務講清楚、講到有驗收標準，會變成一項很實用的基本功。

第二件是設定權限。Agent 能動用工具，就意味著它有機會碰到不該碰的資料、送出不該送的信。哪些事可以放手讓它做，哪些事必須經過人的確認，需要有明確的界線。就像新人剛到職，不會一開始就給他財務系統的最高權限，Agent 也一樣。

第三件是驗收成果。Agent 做完事，人要負責判斷結果是否可信。這一步無法省略，因為最終負責的仍然是人。當團隊裡有愈來愈多任務由 Agent 完成，審閱與判斷的能力，反而會變得更值錢。

對組織來說，這代表管理的對象多了一種新角色。主管除了帶人，也要學會帶 Agent：分派任務、檢視產出、調整流程。制度上，要有一套讓 Agent 留下紀錄、可以被追溯的機制，出了問題才找得到原因。這些都是過去管理工具時不需要的功課。

你的工作，有多少可以交出去

講到這裡，不妨停下來問自己一個實際的問題：你這週的工作裡，有多少是「照著固定流程做」的？

你可以拿出一週的行事曆與待辦清單，把每一項任務標上三種記號。第一種，目標清楚、步驟固定、結果容易檢查，例如整理會議紀錄、彙整週報、比對報表數字，這類最適合先交給 Agent。第二種，需要一些判斷，但有明確的參考資料，例如起草客戶回覆、初步的資料分析，可以讓 Agent 先做出草稿，再由你把關。第三種，牽涉關係、政治或價值取捨，例如決定資源怎麼分配、如何回應一位不滿的合作夥伴，這類仍然要由你親自處理。

很多人做完這個練習，會發現第一種與第二種加起來，比自己預期的多。這並不表示工作會消失，而是代表你原本花在這些事情上的時間，可以回到第三種上。做決定、建立信任、想清楚方向，這些才是人真正不可取代的地方。

結語

回頭看，Agent 帶來的改變並不玄妙。它只是把 AI 從「你問我答」的顧問，推進到「你交代我去做」的執行者。這個轉變一旦發生，就很難退回去，就像我們不會再回到每一封信都要親手送到對方桌上的年代。

能力已經到位，工具已經接上，成本也在下降，剩下的問題，是我們準備好了沒有。與其等別人先示範，不如從今天開始盤點自己的工作，挑一件最單純的任務，試著把它交出去。

Agent 會成為 AI 的新常態，而你交出第一件任務的那一天，就是你開始適應這個新常態的日子。