牛刀小試

第 1 題：AI Agent 與普通 Chatbot 最根本的差異是什麼？

這道題考驗你對 Agent 設計哲學的理解，不只是功能比較。

解析：Agent 與 Chatbot 的核心差異在於「能否自主採取行動」。Chatbot 是被動回答機器，只能輸出文字；Agent 有行動能力（Tool Use），能主動呼叫搜尋引擎、執行程式碼、呼叫 API，並根據工具回傳的結果繼續推理，直到目標達成。記憶容量或模型大小都是次要的技術細節，不是本質差異。

第 2 題：ReAct（Reasoning + Acting）模式在 AI Agent 中主要解決什麼問題？

ReAct 是目前最主流的 Agent 規劃框架，理解它的用途非常重要。

解析：ReAct 的核心貢獻是將「推理（Thought）」步驟明確地放在「行動（Action）」之前。每一輪 Agent 先用自然語言寫下當前的思考過程——「我需要先搜尋 X，因為...」——再選擇工具執行。這讓 Agent 的決策過程可解釋、可除錯，大幅減少無意義的工具呼叫。觀察（Observation）工具結果後，再進入下一輪 Thought-Action 迴圈。

第 3 題：Tool Use（工具使用）在 AI Agent 架構中扮演什麼角色？

Tool Use 是 Agent 能力的核心邊界，理解它的定位至關重要。

解析：Tool Use 是 Agent 與純 Chatbot 的分水嶺。沒有工具呼叫能力的 LLM，只能基於訓練資料生成文字；有了 Tool Use，Agent 可以呼叫搜尋引擎獲取即時資訊、執行 Python 程式碼進行計算、讀寫檔案系統、呼叫任意 REST API。每個工具都有 name、description、parameters 的定義，LLM 根據這些描述決定何時及如何呼叫。這套機制在 LangChain 稱為 Tool，在 OpenAI 稱為 Function Calling，在 Anthropic 稱為 Tool Use，本質相同。

第 4 題：AI Agent 的短期記憶（Short-term Memory）與長期記憶（Long-term Memory）最主要的差異是什麼？

記憶管理是設計實用 Agent 應用的關鍵技術，兩種記憶的運作機制截然不同。

解析：短期記憶（In-context Memory）存在於 LLM 的 Context Window 中，受 Token 限制（通常 4k–128k tokens），對話結束後不保留，無法跨 session 存取。長期記憶透過向量資料庫（FAISS、Chroma、Pinecone）實現：文字先轉為嵌入向量（Embedding），存入資料庫；查詢時用語意相似度搜尋（Cosine Similarity）找出最相關的記憶片段，再注入 Context Window 中讓 LLM 參考。這讓 Agent 能「記住」跨越無數次對話的使用者偏好與任務歷史。

第 5 題：Multi-Agent（多 Agent）協作系統相較於單一 Agent，最主要的優勢是什麼？

AutoGen 的 GroupChat 和 CrewAI 都是多 Agent 框架，了解其設計動機很重要。

解析：Multi-Agent 的核心優勢是「角色分工」與「相互校驗」。複雜任務（如「研究競品、撰寫報告、產生程式碼、測試、部署」）可以拆分給不同的專責 Agent 並行或序列處理，每個 Agent 都有清晰的單一職責。更重要的是，不同 Agent 可以扮演「批評者」角色審查彼此的輸出，形成自動化的品質控制迴路。AutoGen 的 GroupChatManager 負責決定下一步由哪個 Agent 發言，CrewAI 則用「Crew + Task」的概念定義協作流程。這種架構能完成單一 Agent 因 Context 長度限制或能力邊界而無法獨立完成的任務。