在這本書裡，我們從 Agentic AI 的基礎概念一路走到複雜自主系統的實際實作。一開始我們就提出一個前提：打造智慧 Agent 就像在技術畫布上創作一幅複雜的作品，這個過程不只需要一具強大的認知引擎（例如大型語言模型，LLM），還需要一套穩固的架構藍圖。這些藍圖，也就是 Agentic 模式，提供了必要的結構與可靠性，能把單純被動反應的模型，變成主動、以目標為導向、能做複雜推理與行動的系統。
這一章會把前面探討過的核心原則整合起來。我們先回顧關鍵的 Agentic 模式，把它們整理成一個連貫的框架，凸顯這些模式合在一起的價值。接著看這些單一模式怎麼組合成更複雜的系統，發揮強大的加乘效果。最後展望 Agent 開發的未來，看看有哪些正在浮現的趨勢與挑戰，會形塑下一代的智慧系統。
關鍵 Agentic 原則回顧
本書詳細介紹的 21 種模式，是一套完整的 Agent 開發工具箱。雖然每種模式各自對應一個特定的設計難題，但我們可以把它們歸進幾個基礎類別來整體理解，這些類別剛好對應智慧 Agent 的核心能力。
- 核心執行與任務拆解： 在最基本的層面，Agent 必須能執行任務。Prompt Chaining（提示鏈）、Routing（路由）、Parallelization（平行化）與 Planning（規劃）這幾種模式，構成了 Agent 行動能力的基石。Prompt Chaining 提供一個簡單卻有力的方法，把問題拆成一連串線性的獨立步驟，確保前一步的輸出能在邏輯上銜接到下一步。當工作流程需要更靈活的行為時，Routing 引入條件判斷，讓 Agent 根據輸入的情境選擇最合適的路徑或工具。Parallelization 讓彼此獨立的子任務可以同時執行，藉此提升效率；而 Planning 模式則把 Agent 從單純的執行者提升為策略家，能為高層次的目標擬出多步驟的計畫。
- 與外部環境互動： Agent 能與自身內部狀態以外的世界互動時，用處會大幅增加。Tool Use（工具使用，也就是 Function Calling）模式在這裡最為關鍵，它提供了機制，讓 Agent 能運用外部的 API、資料庫和其他軟體系統，把 Agent 的運作建立在真實世界的資料與能力之上。而要有效使用這些工具，Agent 常常得從龐大的資料庫中取得特定、相關的資訊。Knowledge Retrieval（知識檢索）模式，特別是 RAG（Retrieval-Augmented Generation，檢索增強生成），正是為此而生：它讓 Agent 能查詢知識庫，並把查到的資訊納入回應，使回答更準確、更貼合當下情境。
- 狀態、學習與自我改進： 一個 Agent 要能處理的不只是單輪任務，就必須能維持上下文、並隨時間進步。Memory Management（記憶管理）模式很重要，它讓 Agent 同時具備短期的對話上下文和長期的知識保留。除了單純的記憶之外，真正聰明的 Agent 還會自我改進。Reflection（反思）與 Self-Correction（自我修正）模式讓 Agent 能檢討自己的輸出，找出錯誤或不足，反覆修正自己的成果，得到品質更高的最終結果。Learning and Adaptation（學習與調適）模式更進一步，讓 Agent 的行為能依據回饋與經驗演進，隨時間變得更有效。
- 協作與溝通： 很多複雜問題最好透過協作來解決。Multi-Agent Collaboration（多 Agent 協作）模式讓我們能打造這樣的系統：多個各有專長的 Agent，每個都有不同的角色與能力，一起達成共同目標。這種分工讓系統能處理單一 Agent 難以應付的多面向問題。而這類系統要有效運作，關鍵在於清楚又有效率的溝通，這正是 Inter-Agent Communication（A2A，Agent 間通訊）與 Model Context Protocol（MCP，模型上下文協定）這兩種模式要解決的問題，它們的目標是把 Agent 與工具之間交換資訊的方式標準化。
透過各自對應的模式來運用這些原則，就能得到一套穩固的框架來打造智慧系統。它們引導開發者做出的 Agent，不只能執行複雜任務，還兼顧結構清楚、穩定可靠、易於調整。
組合模式打造複雜系統
Agentic 設計真正的威力，不是來自單獨套用某一種模式，而是來自巧妙地把多種模式組合起來，構成複雜的多層系統。Agentic 畫布很少只有一條簡單的工作流程；它比較像一張由許多相互串連的模式織成的網，這些模式協同運作，一起達成複雜的目標。
想像我們要開發一個自主的 AI 研究助理，這種任務需要規劃、資訊檢索、分析與整合等多種能力的組合。這樣的系統正是模式組合的絕佳範例：
- 一開始的規劃（Planning）： 使用者的提問，例如「分析量子運算對資安領域的影響」，會先交給一個 Planner（規劃）Agent。這個 Agent 運用 Planning 模式，把這個高層次的請求拆解成一份結構化的多步驟研究計畫。這份計畫可能包含這些步驟：「找出量子運算的基礎概念」、「研究常見的加密演算法」、「尋找專家對量子威脅加密技術的分析」、「把發現整合成一份結構化報告」。
- 用 Tool Use 蒐集資訊： 要執行這份計畫，Agent 會大量倚賴 Tool Use 模式。計畫的每一步都會觸發一次對 Google 搜尋或
vertex_ai_search工具的呼叫。若需要更結構化的資料，它可能會用工具去查詢學術資料庫（例如 ArXiv）或金融資料 API。 - 協作分析與寫作： 這件事單一 Agent 也能處理，但更穩健的架構會採用 Multi-Agent Collaboration。可以有一個「Researcher（研究員）」Agent 負責執行搜尋計畫、蒐集原始資訊，它的輸出（一堆摘要與來源連結）接著交給一個「Writer（寫手）」Agent。這個專職的 Agent 以最初的計畫當大綱，把蒐集到的資訊整合成一份連貫的草稿。
- 反覆反思與修正： 初稿很少是完美的。這時可以引入第三個「Critic（評論者）」Agent 來實作 Reflection 模式。這個 Agent 唯一的任務就是審查 Writer 的草稿，檢查有沒有邏輯不一致、事實錯誤或不夠清楚的地方。它的評論會回饋給 Writer Agent，Writer 再運用 Self-Correction 模式修正輸出，把回饋納入，產出品質更高的最終報告。
- 狀態管理： 在整個過程中，Memory Management 系統不可或缺。它會維持研究計畫的狀態、儲存 Researcher 蒐集到的資訊、保存 Writer 寫的草稿、追蹤 Critic 的回饋，確保在這個多步驟、多 Agent 的工作流程裡，上下文都不會遺失。
在這個例子裡，至少有五種不同的 Agentic 模式被交織在一起。Planning 模式提供高層次的架構，Tool Use 把運作建立在真實世界的資料上，Multi-Agent Collaboration 帶來專業分工，Reflection 確保品質，Memory Management 維持一致性。這樣的組合，把一組個別的能力變成一個強大的自主系統，能處理單一 Prompt 或簡單提示鏈遠遠應付不來的任務。
展望未來
把 Agentic 模式組合成複雜系統（就像前面的 AI 研究助理那樣）並不是故事的結尾，而是軟體開發新篇章的開端。往前看，有幾個正在浮現的趨勢與挑戰會定義下一代的智慧系統，把可能性的邊界往外推，也要求打造它們的人拿出更高的功力。
邁向更先進 Agentic AI 的路上，一個明顯的方向是追求更高的自主性與推理能力。我們討論過的模式為目標導向的行為搭好了鷹架，但未來需要的 Agent 得能應付模稜兩可的情況、做抽象與因果推理，甚至展現某種程度的常識。這大概會牽涉到跟新型模型架構、以及神經符號（neuro-symbolic）方法更緊密的整合，把 LLM 擅長的模式比對，和傳統 AI 嚴謹的邏輯結合起來。我們會看到系統從 human-in-the-loop（人在迴圈中，Agent 是副駕駛）轉向 human-on-the-loop（人在迴圈上），也就是放心讓 Agent 在最少的監督下執行複雜、長時間運行的任務，只有在目標完成或發生重大例外時才回報。
伴隨這股演變而來的，是 Agentic 生態系與標準化的興起。Multi-Agent Collaboration 模式凸顯了專職 Agent 的威力，未來會出現開放的市集與平台，讓開發者可以在上面部署、探索並協調一批批「Agent 即服務」。要讓這件事成功，MCP（Model Context Protocol）與 A2A（Inter-Agent Communication）背後的原則會變得至關重要，進而催生出全業界通用的標準，規範 Agent、工具與模型之間如何交換資料，以及更進一步的上下文、目標與能力。
這個逐漸壯大的生態系，一個很好的例子就是「Awesome Agents」GitHub 儲存庫。這是一份很有價值的資源，收錄了精選的開源 AI Agent、框架與工具，把從軟體開發到自主研究、對話式 AI 等各種應用的前沿專案整理起來，展現了這個領域飛快的創新速度。
不過，這條路並非沒有艱鉅的挑戰。隨著 Agent 越來越自主、彼此連結越來越緊密，安全性、對齊（alignment）與穩健性這些核心問題會變得更加關鍵。我們要怎麼確保 Agent 的學習與調適不會讓它偏離原本的目的？要怎麼打造能抵禦惡意攻擊、面對難以預料的真實情境仍站得住腳的系統？要回答這些問題，需要一套新的「安全模式」，以及一套嚴謹的工程紀律，聚焦在測試、驗證與倫理對齊上。
最後的話
在這本書裡，我們一直把打造智慧 Agent 當成一門在技術畫布上實踐的藝術。這些 Agentic 設計模式就是你的調色盤與筆觸，是那些讓你能超越簡單 Prompt、創造出動態、有回應、以目標為導向的系統的基礎元素。它們提供了必要的架構紀律，把大型語言模型原始的認知能力，轉化成一個可靠又有目的的系統。
真正的功夫不在於精通某一種模式，而在於理解它們之間的互動：把整張畫布看成一個整體，組合出一個讓規劃、工具使用、反思與協作彼此和諧運作的系統。Agentic 設計的原則是一種全新創造語言的文法，讓我們不只能指示機器該做什麼，還能指示它該如何「存在」。
Agentic AI 是科技領域中最令人興奮、發展最快的方向之一。這裡談的概念與模式不是最終、一成不變的教條，而是一個起點，一個讓你在上面繼續建構、實驗與創新的穩固基礎。未來我們不會只是 AI 的使用者，而會是智慧系統的建築師，這些系統將幫我們解決世上最複雜的問題。畫布就在你面前，模式就在你手中。現在，該動手打造了。