AI agent 有多種類型。有些僅對當前輸入做出反應,有些能記住情境、比較選項、從回饋中學習,或與其他 agent 協同運作。選對類型有助於將 agent 與工作流程正確搭配。本指南將說明主要的 AI agent 類型,並以 Kimi AI Agent 為例,說明 AI agent 展現的強大能力。
為何 AI Agent 類型在實務中如此重要
從預測走向執行
傳統 AI 系統通常止步於分析或建議下一步最佳行動。AI agent 則更進一步：它們會感知當前情況、選擇行動、在需要時使用工具，直到任務完成或系統達到停止條件為止。
這種轉變讓設計選擇變得更加重要,因為不同類型的工作需要不同的工作流程。了解各種 AI agent 類型,能幫助團隊避免把簡單流程過度設計,也避免把複雜流程設計得過於簡陋。
Agent 類型如何影響設計決策
Agent 類型幾乎會影響每一項實作決策：agent 儲存哪些資訊、是否先規劃後行動、如何處理不確定性、如何在多個可接受的結果中做選擇,以及是否能透過回饋持續改善。它也會影響治理方式——簡單反射型 agent 可透過規則進行稽核，而學習型或多 agent 系統則需要更完善的評估、記錄與防護機制。
不同類型的 AI Agent
人工智慧領域有五種經典的智慧型 agent 類型：簡單反射型 agent、基於模型的反射型 agent、目標導向型 agent、效用導向型 agent，以及學習型 agent。多 agent 系統通常被視為一種更廣義的協調模式，因為它能將多種 agent 類型結合為一套協同工作流程。以下六種分類，依序由最簡單的決策邏輯，排到最具協作性與適應性的設計。
| 類型 | 記憶 | 事前規劃 | 學習能力 | 最適用於 |
|---|---|---|---|---|
| 簡單反射型 | 否 | 否 | 否 | 範圍狹窄、以規則為主的任務 |
| 基於模型的反射型 | 是（狀態） | 否 | 否 | 部分可觀測的任務 |
| 目標導向型 | 是 | 是 | 有時 | 目標明確的工作流程 |
| 效用型 | 是 | 是 | 有時 | 需要權衡的複雜決策 |
| 學習型 | 是 | 視情況而定 | 是 | 回饋豐富、任務多變的場景 |
| 多代理 | 依代理而定 | 依代理而定 | 視情況而定 | 並行的專業化工作 |
1. 簡單反射型代理
簡單反射型代理是最基本的一種 AI Agent。它會觀察環境的當前狀態，並依照預先設定的「條件-動作」規則來選擇行動。它能做的，就是根據當前感知立即做出反應，而不考慮過去的感知或未來的結果。
當環境完全可觀察、且正確的應對方式很明確時，這種設計運作良好。它反應快速、行為可預測，也容易稽核，但一旦上下文變得重要，就會出問題。如果輸入資訊不完整，或規則沒有涵蓋新情況，這種 Agent 沒有更深層的推理能力來應對。
主要特點
基於規則的行動：Agent 將當前輸入對應到預先設定的動作。
沒有記憶：先前的狀態不會影響下一次的決策。
高度可預測：在規則與輸入都已知的情況下，行為容易測試。
彈性低：面對模糊情況、資訊不全或條件變化時，Agent 難以應付。
範例
根據關鍵字自動分類郵件的規則型郵件過濾器。
針對固定意圖回覆腳本化答案的基礎網站聊天機器人。
2. 基於模型的反射型代理
基於模型的反射型代理在簡單反射型代理的基礎上有所改進，它會維護一個環境的內部模型，追蹤相關狀態，並運用這個模型來解讀當前輸入的意義。
當 Agent 無法一次看清所有情況時，這種能力就很有用。舉例來說，在倉庫中移動的機器人需要記住障礙物出現的位置、自己已經走過哪裡，以及環境通常會如何變化。這種 Agent 仍可能使用「條件-動作」規則，但這些規則是基於更豐富的世界觀來運作的。
主要特點
內部狀態：Agent 會儲存關於環境的資訊。
更好的上下文處理能力：過去的觀察有助於解讀當前的輸入。
適用於資訊不全的情況：即使無法立即取得所有資訊，Agent 仍能行動。
仍有侷限：可能無法深入規劃，或針對多種可能的未來情況進行優化。
範例
在觸發補貨前先追蹤庫存狀態的供應鏈監控系統。
一種能在同一張工單中記住先前訊息的客服分派代理。
一種會隨著路況變化更新路線模型的導航系統。
3. 目標型代理
目標型代理會透過判斷某個動作是否讓系統更接近既定目標來選擇動作。它不只是被動反應，還會搜尋或規劃一系列能達成目標的動作。這種代理也能評估可能的下一步、選定計畫、執行部分計畫、觀察進展，並在環境變化時做出調整。這使得它比反射型設計更具主動性。
主要特徵
明確目標：代理的行動與某個目標狀態或任務結果相關。
規劃能力：能在行動前比較不同的動作序列。
進度追蹤：代理能檢查自己是否正朝目標邁進。
需要更多算力與控制：規劃可能較慢，且需要明確的停止條件。
範例
一種會蒐集資料來源、提取證據並撰寫報告的研究代理。
一種將請求拆解成多項任務並依序執行的專案自動化代理。
一種規劃修改、執行測試並反覆迭代直到達成目標行為的程式碼代理。
4. 效用型代理
效用型代理不只是達成目標，還會對可能的結果進行評分，並選擇預期價值最高的動作。當存在多個可接受的答案、彼此衝突的限制條件，或在速度、成本、準確度、使用者偏好與風險之間需要權衡時，這一點就很重要。
舉例來說，目標型旅遊代理只能找出從一個城市到另一個城市的路線。而效用型旅遊代理則能依照價格、旅行時間、轉機風險、行李規定與偏好的航空公司來比較各條路線。它問的不只是「能不能達成目標」，而是「在選定的標準下，哪個選項最好」。
主要特徵
效用函數：代理會為可能的結果賦予價值。
權衡管理：能在相互競爭的目標與限制之間取得平衡。
更好的決策品質：能在多個有效方案中做出選擇。
設計難度較高：效用函數必須真實反映使用者與業務的優先考量。
範例
一種在報酬、波動性與流動性限制之間取得平衡的投資組合助理。
一種依照配送時間、燃料成本與可靠度來選擇路線的物流規劃工具。
一種根據情緒、緊急程度與帳戶價值來決定升級處理優先順序的客服代理。
5. 學習型代理
學習型代理會利用經驗中的回饋，隨時間改善自身行為。它可以在觀察哪些做法成功、哪些失敗之後，調整策略、優化模型、更新偏好或提升表現。學習的來源可以是監督式資料、強化訊號、人類回饋、評估結果，或使用模式。
主要特徵
回饋迴圈：代理會衡量表現，並利用結果來改善自己。
適應能力：比靜態規則集更能應對新的模式。
依賴評估：良好的學習需要明確的品質訊號。
治理需求：團隊必須監控偏移、非預期行為與資料品質。
範例
一種從點擊、購買與明確評分中學習的推薦代理。
一種能隨攻擊者行為改變而調整的反詐欺代理。
一種依據學習者的錯誤來調整講解方式的輔導代理。
6. 多代理系統
多代理系統會使用多個 Agent 協同運作，彼此合作、競爭、分派任務或各司其職。每個 Agent 可能擁有各自的角色、工具集、記憶範圍或目標。系統可以由一個協調者來分派任務並整合輸出結果，也可能依架構設計讓各 Agent 之間直接互動。
當單一 Agent 處理速度太慢，或容易遺漏重要觀點時，多代理系統就能派上用場。它們可以將研究工作平行化、拆分龐大的文件集、模擬專家審查，或先分頭執行不同工作流程再彙整結果。設計上的挑戰在於協調：系統必須有辦法分配工作、避免重複、化解分歧，並產出一致連貫的最終輸出。
主要特性
專業分工：不同 Agent 可以專注於不同的子任務、工具或觀點。
平行執行：工作可以分散處理，縮短整體所需時間。
協調層：系統需要任務分配、依賴關係追蹤，以及結果整合的機制。
複雜度較高：評估與治理必須同時涵蓋各個 Agent 以及最終彙整的結果。
範例
一個將不同資料來源類別分配給不同子 Agent 的研究型 Agent Swarm。
由多個 Agent 組成的軟體團隊，分別負責修改程式碼、撰寫測試，以及審查安全風險。
一套市場分析系統，分別由不同 Agent 負責競爭對手、客戶、定價與法規等面向。
一個內容產製工作流程，由研究、大綱、寫作、編輯與事實查核等 Agent 協同合作。
Kimi AI Agent 融合了多種 Agent 類型
Kimi 是由 Moonshot AI 開發的 AI 助手，支援網頁搜尋、深度思考、多模態推理、長上下文對話，以及代理式任務執行。最貼切的理解方式，是把它視為一個全方位的 Agent 平台：使用者提出目標，Kimi 便會規劃並執行工作，範圍涵蓋研究、內容創作、文件、簡報、試算表、網站及相關工作流程。
主要功能
自主任務規劃：Kimi AI Agent 能將一個籠統的請求拆解為一連串步驟，並逐步完成所需的成果。
即時網頁搜尋：當任務需要仰賴最新資訊、資料來源或市場背景時，Kimi 可以透過網頁搜尋取得最新資訊。
深度研究工作流程：對於研究密集型任務，Kimi 能夠蒐集、比較並整合資訊，產出內容更豐富的報告與多種格式的輸出。
文件、簡報、試算表與網站建立：Kimi 提供 Docs、Slides、Sheets 與 Websites 等針對特定任務設計的介面，讓 Agent 的產出不只是純文字，而是可直接使用的成果。
檔案處理：根據 Kimi 說明中心，Kimi 支援 PDF、Word、Excel、PPT、圖片、TXT 與影片等常見檔案格式，並有明文規定的檔案大小與數量限制。
多模態推理：當工作流程需要理解視覺內容或文件時，Kimi 能夠針對文字、圖片、圖表、文件及其他上傳素材進行推理。
Agent Swarm 編排：面對範圍廣泛或可平行處理的工作，K2.6 Agent Swarm [Beta] 能協調多個子 Agent，讓任務的不同部分同時推進。
對於需要在各種 AI Agent 類型中做選擇的使用者來說，實際的結論很簡單：範圍狹窄的自動化適合採用反射式設計；需要規劃與取捨的工作流程，適合採用目標導向或效用導向設計；而當任務範圍夠廣、能受益於分工與平行作業時，則適合採用多代理設計。Kimi AI Agent 將這些概念帶入一個面向使用者的工作空間，其目標不僅是回答問題，而是完成實際的工作。
如何選擇合適的 AI Agent 類型
先從你的任務環境出發，而非從技術標籤出發。若任務範圍狹窄、規則穩定，且做錯的代價低，就使用簡單的反射式 Agent。若需要狀態或記憶，就選擇基於模型的 Agent；若有明確目標，就選擇目標導向 Agent；若必須在多個競爭優先事項之間權衡，就選擇效用導向 Agent。
當效能應該隨回饋持續提升，且你能定義可靠的品質指標時，就使用學習型 Agent。當你的工作流程天然可拆分成平行工作、專業角色或獨立觀點時，就使用多代理系統。如果你需要以上所有能力，應該有意識地將它們組合運用，而不是硬讓單一 Agent 類型包辦一切。
結語
AI Agent 的主要類型代表著不同層次的情境理解、自主程度與適應能力。就工作流程自動化而言，最好的 Agent 未必是最複雜的那一個，而是最能契合任務的不確定性、風險與預期成果的那一個。像 Kimi AI Agent 這類工具，正展現出這些概念如何逐漸成為日常工作流程的介面：使用者描述一個目標，Agent 便協助將其轉化為研究成果、文件、網站、簡報、試算表、程式碼，或其他完成的工作成果。