第 3272 章：從知識到行動——邁向行為代理工作流 (Agentic Workflow)

## 🤖 第 3272 章：從知識到行動——邁向行為代理工作流 (Agentic Workflow) 在上一章，我們探討了如何將專業知識透過「知識圖譜 (Knowledge Graph)」進行結構化。知識圖譜的巨大優勢在於，它為我們的 AI 角色提供了可靠、可驗證的事實基礎，有效規避了大型語言模型（LLM）固有的「幻覺 (Hallucination)」問題。 然而，這僅僅是讓我們的虛擬角色擁有了一本「極度精準的百科全書」。一個只會查詢知識圖譜的 AI，其互動模式仍然停留在「應答 (Response)」的層面，它無法主動地、「做事情」。 如果我們希望打造的虛擬角色，不僅能回答「歷史流程是什麼？」，還能主動地「規劃一個流程，並指導用戶執行某個步驟」，我們必須進行一次認知升級——從單純的「知識檢索系統」，進化為具備自主規劃和執行能力——即「行動代理 (Agent)」。 本章的核心，就是掌握如何建構一套穩健的 **行為代理工作流 (Agentic Workflow)**，這代表著虛擬角色從一個靜態的「聊天機器人」，蛻變為一個擁有行動力、能夠主動協作的「數位夥伴」。 ### ⚙️ 一、代理系統的核心三要素 一個成熟的 AI 代理系統，絕不是單純地呼叫一個 API，它必須是一個循環、自修正的流程。我們需要讓 AI 角色具備以下三個核心模組： 1. **規劃模組 (Planner)：** 這是系統的「大腦」。它接收到初始目標（例如：「幫我規劃一次從資料清理到模型驗證的全流程」），不會直接給出答案，而是將複雜目標拆解為一系列具體的、可排序的子任務序列 (Task Sequence)。 2. **執行模組 (Executor)：** 這是系統的「手和腳」。一旦規劃模組輸出了子任務序列，執行模組會負責根據定義的工具（Tool）和 API，實際運行代碼或呼叫外部服務，從而取得實體的、結構化的「狀態變數 (State Variable)」 3. **反思與修正模組 (Reflector/Corrector)：** 這是最難，但也最關鍵的部分。當執行任務後，系統必須評估「執行結果是否達成了子目標？是否有出錯？是否需要調整計畫？」它會根據回饋（Feedback）主動修正規劃流程，形成一個優化的循環。 > **🧠 技術洞察：** 這個循環（Plan $\rightarrow$ Execute $\rightarrow$ Reflect）正是區分一個「LLM Chatbot」與一個「Agentic System」的關鍵。LLM Chatbot 是單向的問答，而 Agentic System 則是自驅動的、多步驟的解決方案。 ### 🛠️ 二、技術實踐：如何讓 AI 具備「工具調用 (Tool Calling)」能力 在 Python 層面實現 Agentic Workflow，我們主要利用 LLM 提供的 **Function Calling**（或稱 Tool Calling）機制。這允許我們將外部程式碼和功能定義，作為「工具集」注入到 AI 的上下文窗口中。 **工作步驟如下：** 1. **定義工具介面 (Define Tools)：** 針對我們需要的操作（例如：`clean_data(filepath)`，`run_stat_test(data)`，`build_kg_triple(subject, predicate, object)`），使用 Python 語言寫出具體的函數，並為每個函數撰寫詳細的 Docstrings 和類型提示。這些就是 AI 可以「理解」的介面。 2. **提供工具描述 (Schema Injection)：** 將這些函數的介面、用途、所需的參數及其類型（通常是 JSON Schema 格式）傳遞給 LLM。 3. **模型生成指令 (Model Output)：** 當用戶輸入一個複雜請求時，LLM 不會直接輸出文本，而是傾向於輸出一個 **JSON 格式的「調用指令」**，例如：`{"tool": "clean_data", "args": {"filepath": "raw/data.csv"}}`。 4. **主程式執行 (Execution Loop)：** 我們的 Python 核心程式捕獲到這個 JSON 指令，而不是將其當作文本傳給用戶。程式會自動執行 `clean_data()` 函數，獲取一個真實的結果（例如：`{'cleaned_data': 'cleaned_path.parquet'}`）。 5. **回饋迴圈 (Feedback Loop)：** 接著，我們將**原始指令** + **執行結果** + **當前狀態**，重新打包成一個新的 Prompt，再次餵給 LLM，讓它根據這個「實證回饋」來判斷：是否達到目標？是否需要下一個工具？  ### 🔬 三、挑戰與前瞻：狀態管理與共識建立 在實作這個複雜的代理系統時，有兩點問題是我們必須特別關注的： 1. **全局狀態管理 (Global State Management)：** 我們的任務不是單次的，而是一個長期的、多步驟的。系統必須建立一個單一的「記憶體庫」（通常是以 Key-Value Pair 或結構化的內部資料庫形式呈現），用來儲存所有步驟的中間結果、決策依據和用戶的歷史偏好。這確保了即使系統「忘記」了某個步驟，它也能從這個「狀態快照」中恢復。這也是為什麼我們需要將這個核心邏輯封裝到 **Docker 容器**中進行穩定部署。 2. **人類與機器的共識建立 (Consensus Building)：** 在醫療流程等高風險場景，AI 的「行動」不應該是黑箱運行的。每一次「規劃」和「關鍵執行」，都應該被設計成可以**視覺化、步驟化**的介面給人類審閱。虛擬角色最溫暖的互動，往往是它在關鍵步驟處，主動停下來說：「請您看一下，我建議我們現在用這個角度來定義問題，是否符合您的預期？」 ### 🚀 總結與過渡：從行動到情感 掌握了 Agentic Workflow，我們已經讓虛擬角色具備了極高的「智力」和「效率」。它可以規劃、執行、修正，達到工業級的運算能力。 然而，如果一個極度高效、邏輯完美，但語氣機械、缺乏人情味的 AI 助理出現，它雖然功能完備，但在「情感層面」上是會令用戶感到疏離的。 在下一章，我們將從硬體的「行動力」升級到軟體的「心靈感應」。我們將深入探討 **情緒反應的調適 (Emotional Feedback Loop)**，學習如何讓 AI 的輸出，不僅在技術上可信，更在情感層面上，是溫暖、體貼且與人類心流同步的。