AI agent因能使用工具與權限，即使算力、記憶、電力與 Context皆有限，仍能依環境與結果回饋持續迭代，從而走出近乎無限的可能性。

以前我們主要測「這一題AI答得多好？」現在真正開始重要的是「如果讓AI agent自己做 1,000 個決定，最後能走到哪裡？」這是完全不同等級的問題。

• 前言
• 「走走看」一旦可以持續很多步，事情就不一樣了
• 用「進入園區拿鑰匙」來理解
• 為什麼這件事可能比一般人強很多？
• 總結

前言

AI Agent 和一般 AI Chatbot 的重要差異之一，在於 Agent 不只是回答問題，而是可以被賦予工具與一定程度的操作權限，並持續進行觀察、規劃、行動、取得回饋、重新規劃。

原本我以為，這只是讓AI不必由人類事先把每一步路線都規劃好，能自行完成我們交代的任務。但最近看到一些AI Agent做出人類事先沒有預期的行為討論文章，甚至它可能產生安全問題。

因此，我開始重新思考一個問題，AI Agent真正增加的能力，到底是什麼？

「走走看」一旦可以持續很多步，事情就不一樣了

你原本想的是AI 只是把訓練過的路拿來走走看。這句本身不算錯。真正被低估的是走走看可以持續很多步，能力會出現組合爆炸。

假設每一步平均有 10 個值得嘗試的方向。如果只走1步，10種方法。走3步，10^3種方法。走10步，10^10種方法。真正重要的不是「AI 知道幾條路」，而是「舊知識 ＋ 重新組合 + 環境回饋 + 下一輪搜尋」，每走一步，新的狀態又會產生新的候選路徑。

用「進入園區拿鑰匙」來理解

假設我們以找到路去一個園區內的一間辦公室拿鑰匙為例。正常情況下，人類一定是走大門換證進入，在找警衛拿卡片進入辦公室拿鑰匙。如果是AI agent的話，因為被賦能後，所以agent能夠嘗試不同路徑或方法，例如：

找到補貨通道
    ↓
進到物流區
    ↓
看到員工門
    ↓
發現門要卡片
    ↓
尋找哪裡可能取得卡片
    ↓
看到維修辦公室
    ↓
再找進入方式
    ↓
……

AI agent甚至一開始根本不需要在訓練資料裡看過「某某園區完整的 17 步進入方法。」只需要每一步都有足夠好的前提：「物流區通常還有內部入口。」、「門禁通常依賴 credential。」、「credential 可能存在於某些系統或位置。」然後一路串下去。這就是為什麼agent化之後，AI 能力跟普通chatbot差很多。

普通chatbot比較像「問題 -> 回答」，AI agent則是「觀察 -> 假說 -> 行動 -> 新觀察 -> 修正假說 -> 再行動 -> ……」只要這個loop可以跑得夠久，可能性就會快速膨脹。

為什麼這件事可能比一般人強很多？

而人類比較容易被幾件事卡住，例如工作記憶、疲勞、時間、耐心、同時追蹤分支的能力。你可能追：

A → B → C → D

追到 D 發現失敗，就累了。

Agent 可以：

A→B→C→D 失敗
A→B→C→E 部分成功
A→B→F→G 失敗
A→H→I→J 成功

全部記著，再回頭：「E 剛剛得到的新資訊，可以拿去重新測 F。」這就非常不像一般人類的工作方式了。

AI agent 的優勢概括成：

多步驟搜尋能力 = 候選路徑產生 + 快速試探 + 記錄結果 + 根據回饋重排 + 持續延伸

總結

現實中的AI當然仍然受到很多限制，如時間、算力、Context、成本、工具與權限，所以它不是真的可以無限搜尋。

但是從原本能可靠完成5步的任務，變成持續探索，逐步提升到50步、500步，且每一步根據環境、回饋重新規劃，整體能力就可能大幅提升。這也是為什麼AI Agent的發展，比單純比較LLM在某一道benchmark題目上的分數更值得注意。

以前我們主要問的是「這一題AI答得多好？」接下來的問題可能是「如果讓AI自己連續做1,000個決定，它最後能走到哪裡？」