什麼是 Agentic AI？
Agentic AI 是一種能夠朝著目標推進工作的 AI。「agentic」一詞源自 agency（能動性），用來描述有意圖地行動、做出決策並影響結果的能力。在 AI 的脈絡下，agentic 代表系統做的不只是回應提示詞：它能規劃下一步、使用工具、採取行動，並在結果不完整時做出調整。簡單來說，agentic AI 是一種能將使用者的目標轉化為可執行工作流程的系統，讓從意圖到成果的過程更少仰賴人類逐步指示。
為什麼 Agentic AI 在此刻變得重要
許多 AI 工具最初都是以對話系統的形式出現：使用者提問，模型回答。但真實的工作很少只靠一句提示詞就能完成。一份研究簡報可能需要找資料來源、比較、做筆記、撰寫草稿與修改，而一份長篇文件也可能需要轉換成簡報。Agentic AI 之所以重要，是因為它將推理與行動連結起來，協助 AI 從單純的對話互動邁向工作流程的實際執行。
Agentic AI 與 AI Agent 的差異
你可能會以為 agentic AI 和 AI Agent 是同一件事。雖然兩者關係密切，但描述的其實是同一個概念中不同的層次。
AI Agent 是能夠朝著目標採取行動的特定系統或任務執行單元。從這個角度來看，AI Agent 是工作流程中的「行動者」：它接收目標，決定下一步該做什麼，並運用可用的工具或情境資訊來推進任務。
Agentic AI 指的則是支撐這種行為背後、更廣義的系統設計或工作流程模式。它描述的是 AI 系統如何完成多步驟的工作。單一個 AI Agent 可以具備 agentic 特性，但 agentic AI 也可能涉及多個 Agent、模型、工具與審查步驟共同合作，將使用者的意圖轉化為具體成果。
| 概念 | 主要角色 | 典型輸出 | 最適合用於 |
|---|---|---|---|
| AI Agent | 執行任務或擔任角色 | 任務結果或行動 | 研究、編碼、檔案處理、自動化流程 |
| Agentic AI | 協調以目標為導向的工作流程 | 完成的工作流程或結構化交付成果 | 需要規劃、工具使用與審查的多步驟工作 |
簡單來說，AI Agent 能執行工作中的各個部分，而 agentic AI 則是將這些能力組織成一套以目標為導向的工作流程。AI Agent 通常是 agentic AI 的組成單元，而 agentic AI 指的則是整體系統的行為模式。不過在實務上，這兩個詞經常被交替使用，因此不必刻意做出嚴格的區分。真正重要的，是理解兩者背後共通的 agentic 做法。
Agentic AI 如何運作
agentic AI 系統透過理解目標、規劃、行動與審查不斷重複的循環來運作。它會持續確認接下來該做什麼，直到任務逐步趨近可用的結果。
理解目標
系統首先會解讀使用者想要達成的目標,判斷預期成果、可用的上下文、所需的格式,以及可能影響任務的各種限制條件。
規劃
理解目標之後,系統會將任務拆解成較小的步驟,決定需要哪些資訊、哪些動作應該優先執行,以及可能用得上哪些工具或資源。
執行
接著系統會執行規劃好的步驟。依據任務內容與權限設定,它可以採取不同的動作來完成任務。
檢查
執行動作之後,系統會將結果與原本的目標進行比對,找出遺漏的資訊、錯誤、推理不足之處,或是需要再處理一次的輸出內容。
調整
如果結果不完整或不正確,系統可以修改計畫、蒐集更多上下文、重複某個步驟,或是請使用者進一步說明。這種回饋機制讓 agent 不只是給出一個簡單答案,而是持續朝更完整的成果努力。
agentic AI 的類型
agentic AI 可以有多種呈現形式。要理解 agentic AI 的類型，最好的方式是觀察它們處理的工作量、服務的領域，以及需要多少人工審核。
單一 agent 工作流程
單一 agent 工作流程使用一個 agent 來處理特定任務。舉例來說,一個 agent 可能會彙整一批檔案、草擬一份簡短報告、整理試算表,或依使用者要求搜尋資訊。這類 agentic AI 通常較容易掌控,因為任務範圍較窄,系統的組成元件也較少。
多 agent 系統
多 agent 系統會將較大的工作拆分給多個 agent 或子 agent 處理。可能由一個 agent 負責搜尋資料來源,另一個負責擷取有用資訊,另一個負責草擬輸出內容,還有一個負責審核結果。這種架構有助於處理大範圍研究、批次分析、長篇寫作,或是需要多種工作並行的複雜流程。
特定任務 agent
特定任務 agent 是為較窄的領域設計的,例如瀏覽器操作或客戶支援。當工作流程有明確的模式、常用的工具,以及可預期的輸出結果時,這類 agent 特別有用。由於範圍更為聚焦,特定任務 agent 通常能提供更有引導性的體驗。
通用型 agent
通用型 agent 能處理更廣泛的工作流程,包括研究、寫作、分析、檔案處理、寫程式、規劃,以及其他開放式任務。不過,由於任務範圍較廣,它們也更依賴清楚的上下文、明確的指示、工具存取權限,以及人工審核。
背景或持續運作 agent
背景或持續運作的 agent 可以在使用者離開後繼續執行較長時間的工作,例如監控變化、處理檔案、執行批次任務,或持續進行研究或分析流程。關鍵差異在於這類 agent 不需要使用者即時監督每一個步驟,不過在最終結果被採用或做出重要決策之前,審核仍然十分重要。
agentic AI 能做什麼？
當任務涉及不止一個步驟時,agentic AI 最能發揮作用。Kimi AI Agent 就是 agentic AI 實際應用的一個很好的例子。透過它的設計與實際使用情境,我們可以更清楚了解 agentic AI 能做到哪些事。
研究與資料來源整合
agentic AI 可以把研究從「搜尋幾個答案」轉變為更完整的工作流程:尋找資料來源、比對各方說法、交叉核實資訊、整理證據,並產出摘要報告。Kimi Deep Research 展現了這在實際操作中的樣貌,它支援更深入的調查流程,即使使用者離開頁面也能在背景持續運作,對於需要不只是快速回覆的研究任務相當實用。
檔案閱讀與文件轉換
agentic AI 可以閱讀長篇文件、擷取架構、重新整理資訊,並將原始素材轉換成摘要、報告、表格或簡報。當任務一開始面對的是雜亂或冗長的內容,而非清楚整理過的提示詞時,這項能力特別有用。Kimi 支援長上下文對話,並能處理 PDF、Word、Excel、PPT、圖片、TXT 與影片等檔案格式,最多支援 100 MB、50 個檔案,適合處理大量文件的工作流程。
試算表整理與分析
試算表往往需要經過好幾個步驟才會變得實用:清理重複資料、修正格式不一致的問題、產生公式、分析結果、建立圖表,或製作樞紐分析表。agentic AI 可以協助串接這些步驟,而不是把每一步當成獨立請求處理。Kimi Sheets 支援試算表產生、公式運算、樞紐分析表、圖表製作、格式轉換與資料清理,適合最終輸出需要是可用表格、圖表或分析結果,而非純文字的工作流程。
簡報與報告生成
agentic AI 可以協助決定敘事架構、整理章節、建立大綱、草擬投影片內容,並調整簡報格式,將研究筆記、長篇文件或資料分析轉化為結構化的成果。Kimi Slides 透過大綱生成、內容生成、設計與版面選擇,以及長文件轉投影片等功能支援這類工作流程,幫助使用者將構思階段與最終簡報成品連接起來。
網站草擬與內容製作
網站與內容相關工作通常始於一個大致的目標:頁面主題、產品訊息、目標受眾、參考素材,或截圖與影片。agentic AI 可以協助把這些輸入轉化為頁面架構、草稿文案、內容模組,或是網站草稿。Kimi Websites 支援網站生成流程,使用者可以提供構想、參考資料、截圖或影片,系統會協助把它們轉換成可用的網站草稿。
程式撰寫與技術性工作流程
寫程式本質上就是一種 agentic 的工作方式,因為它涉及理解需求、閱讀既有檔案、產生變更、檢查錯誤,以及修改調整。agentic AI 可以支援程式碼解說、程式碼生成、除錯、測試規劃、審查、重構與專案整理。使用 Kimi 時,使用者可以描述想撰寫的程式碼類型、要求修正或審查,並利用系統從一個寫程式的需求逐步推進到更完整的技術成果。
agentic AI 的優點與限制
agentic AI 的主要優點在於連貫性。一個設計良好的工作流程能將上下文從一個步驟延續到下一個步驟,減少工具之間的人工交接,提升處理大型任務的涵蓋範圍,並在結果不完整時加以修改,而不用從頭再來一次。當輸出結果需要具有結構,例如簡報摘要、試算表、報告、投影片、網站草稿或批次分析時,這種能力尤其有用。
不過,這類系統也有其限制。agentic AI 可能會選錯計畫、誤解目標、依賴不完整的工具結果,或產出缺乏依據的說法。如果協調機制不夠完善,多 agent 工作流程也可能出現不一致的情況。最安全的做法是採取「受控自主」:明確的權限設定、可見的檢查點、升級處理規則,以及在重要輸出被公開或採用前進行人工審核。
如何有效使用 agentic AI
要善用具代理能力的 AI，應從工作流程著手。先明確定義最終交付成果、說明對象是誰，並提供可信賴的背景資訊，例如檔案、範例、限制條件或必要的參考來源。及早設定界限：Agent 可以做什麼、應避免什麼，以及何時需要請求核准。
面對耗時或敏感的任務，執行前先要求提供計畫。對於複雜任務，可設置檢查點，以便檢視假設、中間發現或草稿。良好的代理式工作流程並不是「讓 AI 包辦一切」，而是「讓 AI 處理可重複的多步驟工作，同時由人類設定目標、提供判斷，並核准重要成果」。
結論
具代理能力的 AI 代表著從單純生成回應，轉向以目標為導向的工作方式。當任務具有明確目標、足夠的背景資訊，且成果可供檢視時，其價值最為顯著。代理式工作流程有助於銜接意圖與產出之間的步驟。學習如何運用 AI 處理重複性工作，同時由人類設定目標、劃定界限並核准重要成果，將會變得越來越重要。