過去我們使用 AI 的方式，很像是在圖書館查閱資料：你問一個問題，它給你一個答案。但近年來技術的發展進入了 Agentic AI（代理型人工智慧）的時代，這不再只是技術的升級，而是一場工作模式的革命。它並非單一模型或特定技術，其核心特徵在於 AI 不再只是被動地回應指令，而是能在給定目標與限制條件下，自行規劃行動、拆解任務，並持續修正執行路徑。相較於傳統以單輪提示為主的使用方式，Agentic AI 更接近一個能長時間運作的執行者，而非即時問答工具。
這類系統通常具備幾個共通元素。首先是狀態感知能力，能記住目前的進度與未解決的問題，避免每一次操作都重新開始。其次是規劃能力，能在實作前先產出行動計畫，而不是直接生成結果。最後則是自我修正機制，當執行結果不符預期時，能回到前一步調整策略。這些能力往往是透過多階段提示、任務文件與工具調用組合而成，而非模型自發產生。
也正因為這樣，Agentic AI 的表現高度依賴人類提供的上下文品質。若目標模糊、限制不清，系統很容易在細節中迷失；反之當任務邊界明確、背景資訊完整，它便能展現高度一致且可預期的行為。這使人與 AI 的關係從單向下指令，轉為共同維持一套運作框架。需要注意的是，Agentic AI 並非萬能，它仍面臨資源消耗、上下文限制與錯誤累積的問題，需要人類介入驗證與判斷。從實務角度看，它更適合作為一種擴充工作能力的方式，而非取代決策責任的角色。理解它的能與不能，才是技術價值的關鍵。
在 Agentic AI 的運作框架下，各產業正經歷從「自動化」到「自主化」的轉變。以下是我自己將蒐集到的資訊，初分六種大項的應用實況、作業模式與成熟度分析：
1. 軟體開發與技術維護（成熟度：高）
軟體開發是目前 Agentic AI 最成熟的領地。早期的 AI 僅能提供程式碼補全，而現在的代理系統如 Cursor、Windsurf，以及 Google 最新發布的 Antigravity，已演變為「代理優先」的開發平台。這些代理能自主掃描整個專案庫、理解複雜邏輯，並產出「工件（Artifacts）」，包括任務清單、實施計畫與自動化測試報告。
![FireShot Capture 086 - Replit – Build apps and sites with AI - Replit - [replit.com]](https://live.staticflickr.com/65535/55013454571_e8c35ed8f0_c.jpg)
具體作業上，開發者只需描述功能需求，AI 代理便能自主跨檔案修改代碼、執行終端指令、跑單元測試，甚至開啟內建瀏覽器驗證前端 UI。當測試失敗時，代理會進入自我修正循環（Self-correction loop），回溯錯誤原因並自動調整路徑。這使開發者從「編寫者」轉為「指揮官」，專注於架構審核而非細節 debug。目前此類工具已成為工程師的標配，顯著縮短了從 PoC 到上線的週期。
近期我在開發生成式照護機器人的過程中，「Agentic AI」這個詞開始頻繁出現在各需求單位的討論。只是談得越多，我反而越擔心，因為不同角色對它的期待落差很大。有人希望它能自動做出決策，有人則只是把它視為更聰明的助理工具。如果只是停留在名詞層次，很難判斷這樣的技術究竟適不適合真正進入產品開發流程，更遑論落地在高度受限的醫療場域。
在我的理解中，所謂的 Agentic AI 並不是指某一個特定模型或新名詞，而是一種工作方式的轉變。它不再只是被動回應指令，而是在給定目標與限制條件後，能自行規劃行動、拆解任務，並在執行過程中不斷修正路徑。這類系統通常具備狀態感知、任務規劃，與自我修正的能力，能長時間維持上下文，而不是每一次都從零開始產生答案。也正因為這樣，它的表現高度依賴使用者所提供的背景資訊與邊界設定，一旦脈絡不清，就很容易過度延伸，甚至產生錯誤的行為。
基於這樣的特性，我覺得光靠聽別人的經驗分享，或是網路上的文章跟影片，無法真正理解 Agentic AI 的能跟不能。於是我選擇從自己最熟悉、但早被時間跟忙碌給擱置的舊專案下手，透過實際操作來觀察，當 AI 被賦予更多主動權後，整個開發流程會發生什麼樣的改變，又在哪些地方仍然必須由人工來介入跟收斂。
我出社會後第一次出差，就開啟了我的攝影之路。印象中那還是一台 Sony MVC-FD51 裝著光碟載體的數位相機，後來公司買了 Nikon CoolPix 990，接著我買了我的 Sony DSC-P1，一路下來就到了今天。
我喜歡紀錄下我觀察到的那一瞬間，今天看到一個短影片，提到喜歡拍照的人，重點不在於技巧，而是發現生活中的美好。我覺得有時不見得都是美好，但都是讓我想記錄下來的某一刻。
隨著年齡增加，某些熱情難免會消退，加上體力也的確跟年輕時不同。但我還是希望盡可能保有那想紀錄的習慣，這些片段一方面給自己看，另一方面在某些情境下，會帶給其他人難忘的回憶跟共鳴。
近日隨手拍下的生活片段，每個階段對於記錄日常的想法總有些不同。無論是文字、相片，還是影片，其實都在傳遞某種訊息。最初是給自己看的，然而當這些紀錄被分享出去，也悄悄引起些許共鳴跟迴響。即使只是些看似瑣碎的拼圖，對不同的觀者而言，仍能拼湊出各自心中的一幅圖像。這種自由組構、引發想像的過程，正是我最吸引我的樂趣之一。
Leica M11
Leica Elmarit-M 28mm F2.8 Pre-ASPH V4
Voigtlander 35mm F2 APO for VM
Leica Summicron 50mm F2 V5
Voigtlander 75mm F1.5 VM
Voigtlander APO-ULTRON 90mm F2 VM
進入這個團隊開發機器人的初衷，是為了幫助一線的護理師。從四月中進入公司開始，一直都在非常忙碌的作業狀態，短短不到八個月的時間，似乎過了五年之久。
這段期間歷經壓力性胃潰瘍，團隊逐漸成形，功能聚焦與初代機問世。同時我們送出九個專利申請，獲得兩個競賽獎項（國家新創獎、2025 AI 大健康醫療應用創新大賽第二名），然後獨立開發機器人與手機的App，還有 LLM 跟中控平台，讓服務能串接起來。
接著是密集一個半月的加班趕工，同仁ㄧㄧ病倒，醫科展露出的成果是用生命換來的，這樣說法一點也不為過。
近期有幾件瑣事在腦中盤旋，上班途中或送孩子上學的時刻，因為時間固定，總會遇見一些熟悉或陌生卻眼緣十足的人。像是鄰居，我們平時大多從自家的地下車庫進出，很少會在中庭碰面，於是常在送孩子上學時才有機會與他們見到面。儘管大家都匆忙，彼此仍會以簡短的問候示意，彷彿那一聲招呼就能讓早晨更有溫度。
而在路上，則會遇見更多不認識卻再熟悉不過的面孔。例如孩子念小學那六年，每天固定的路線讓我認識了一群並不真正認識的陌生人。有的人是一大早就開始推著拖板車工作，也有家長牽著孩子走路上學。算了一算，光是在上班與上學的路上，經常相遇的人就超過十位。有些人甚至成了暗示時間的存在，只要一看到某位熟面孔，就知道自己大概又快遲了。
這些片段讓我想起年輕在台北工作的時期，搭淡水捷運線的那些年，也經常與不相識的旅伴擦身而過。那種默默陪伴的感覺很奇妙，像是一種無聲的緣分。
這是一個源自於漫畫「哆啦A夢」的梗。
「老師：大雄，你有90塊，你再去跟胖虎借10塊，你會有多少錢？
大雄：0元。
老師：你根本不懂數學！！
大雄：你根本不懂胖虎！！！」
我們近期就遇到類似的狀況。我一直在努力適應這樣的文化，除了設法提出各種因應策略，說實話，目前還沒有太理想的解法，只能不斷說服自己，也說服團隊，一起去適應。
先前提過，由於一些突發因素，我們從十月中旬開始啟動了一個為期6到8週的短期里程碑，每兩週進行一次滾動式衝刺（Sprint），持續確認進度，並在任務與加班之間做出彈性調整。
光是專注在開發事項的管理上，就已經讓人焦頭爛額。身為主管，除了要掌握團隊士氣、測試進度，還得應對外部協作中的不確定性……但最難預料的，還是來自各路長官的關切與指導。
原本就已預期最高層的長官會關注進度，因此在里程碑到來前，我們也安排了一版 Demo。但依據我們的文化，第一級長官要視察之前，第二級長官會先主動關切；若組織中還有第三級、第四級長官，那麼原本8週的作業時間，往往會在層層提前檢視的文化下，變成只剩5週就得提前展示原訂8週才該完成的功能。
最直接的做法，理論上應該是開發到哪裡，就展示到哪裡。可惜現實並不總是如此。有時第一級長官反而較為寬容，倒是其他層級的長官會提出各式各樣的意見與指導，而光是處理這些額外的來回溝通，開發的進度就被嚴重壓縮。
更別說為了準備 Demo，本身就是額外負擔，從簡報製作、實機演練、環境設定到現場展示，事無鉅細，準備工作繁瑣到難以細數。在這樣持續加班的狀態下，團隊成員私下自嘲，自己簡直成了社畜。那種為公司賣命、幾乎失去生活品質與自主性，在精神與身體都極度疲憊的上班族。
上週六我忍不住自嘲，張貼了這個短影音，記錄下社畜的一天。
近期我們正趕一個短期的里程碑，雖說是「短期」，實際上也將近六週的時間。這段期間內，團隊因為一些突發因素，導致部分開發需求激增。最終我們在十月中旬決議，將原本委外的作業全數收回，由內部團隊自行接手開發。
這項決定雖然是由部門同仁共同討論而成，但為了趕上進度，我們也已連續四週進入密集加班的模式。前兩週平日的加班時數偏長，但在滾動調整後我們發現，最後半小時到一小時的工作效率顯著下降，於是進行修正，將最近兩週平日的加班時間控制在兩小時左右。這樣的安排也接近了每月加班 46 小時的上限。
然而在這樣高密度的工作節奏下，團隊的疲累感與士氣也持續下滑。別說是同仁，就連身為部門主管的我，也感受到前所未有的疲憊。在這樣的狀態下，難免會出現一些溝通上的摩擦與誤解。
這幾日透過一對一的會議，我試著更了解同事們的處境。身心健康問題，毫無意外地成為最直接的反應。令人遺憾的是，昨天已有同仁因身體吃不消而請假，我們最終還是認為，健康比進度更重要，先休息、把身體養好才是首要。面對進度的壓力，我無法逃避身為主管的責任，但當同仁因此病倒，我的心情除了無奈，更夾雜著歉意與自責，實在不知該如何妥善的處理。
在這些對話中，有個很常被提到的問題也再次浮現。許多同事會問我，某些同事或其他單位的人，似乎都很忠於自我，凡事以自己的步調為主。這樣的做法固然直率，但往往會帶來額外負擔，甚至還得協助處理他們留下的爛攤子。
他們常問：「那我們是不是也可以比照辦理？」
對此我通常很難直接定義「忠於自我」是對是錯。就我個人而言，我當然希望團隊能夠協作、彼此支援；但我也理解，每個人性格與觀點不同。若對方已完成了公司最基本的規範，或根本不是我們單位的人，那我也無從置喙。
我始終相信，每個人都應該為自己的選擇與表現負責。工作上的每一份投入，都是職涯累積的一部分。若想讓一個團隊能朝共同目標努力，最根本的是要理解「人性」。
在把團隊從零慢慢帶到穩定的那段時間裡，我們的心力大多放在流程的建立和文化的塑造。大家一起摸索，磨出默契，也在一次次的專案中，找到屬於我們的節奏。等到團隊逐漸成熟，開發效率穩定、專案可以預期、協作也較順暢之後，接著會開始遇到另一種瓶頸。我們會發現專案的執行與管理顯得順手，雖然問題不會因此越來越少，但這些事情不用提醒也都能自動運作。而在此同時也會察覺有些東西似乎沒有突破，那是一種往前的動能慢慢停住的感覺。
這個時候，困住大家的往往不是技術能力，也不是管理的思維，而是每個人看待工作的視野還停留在自己的那個位置。大家都能把事情做好，卻不一定知道為什麼要做這件事，或需要提前作哪些準備，也還沒有習慣去思考更大的藍圖。這就是團隊開始從管理邁向經營思維的關鍵時刻。
所謂的經營，不是要每個人都變主管，也不是要大家放棄技術上的持續成長。而是希望每個人在面對工作的時候，不只看到自己手上的任務，而是能同時看到公司的目標、產品的方向、使用者的需求、市場的變化，甚至可以從這些線索裡找到機會和突破口。這是一種視野的擴張，也是讓每個人都能在自己的角色裡發揮更大影響力的方式。
李飛飛的 World Labs 在前幾天推出了首款商業化產品Marble，這是一個多模態的 3D 模型，也是生成式 AI 的重大發展。大家對 AI 的想像，近兩年幾乎都被 LLM 帶著走。不管是生成文字、整理資料、重構知識、寫程式、當客服、當助理，大家一開始用的時候都會覺得不可思議，後來也逐漸習慣了這一切。然而多數人還是把 AI 視為一個語言工具，覺得它聰明，是因為它懂得「用文字回答我們」，而不是因為它真的懂這個世界。
但現在開始發生的，是比 LLM 影響更大的事情，這是多數人還沒感受到、甚至還來不及理解的變化，那就是空間智慧的出現。我的意思不是把相機、深度感測器放進產品，而是 AI 能開始真正理解三度空間的結構、物體的關係、場景的語意，能推測人與物體之間的行為，不再只活在文字或影像的平面上，而是能在一個完整立體的世界裡思考和行動。
很多人會以為空間智慧就是把特斯拉 FSD 變得更厲害，或是把 NVIDIA Omniverse 做得更精準，但實際上它們的定位與空間智慧是完全不同的。特斯拉的自動駕駛算是空間技術的代表，可是它的世界很狹窄，它只需要理解道路、車流、行人的動向。它處理得再好，也依然是在道路這個單一場域裡求生存。Omniverse 雖然強大，但它本質上是一個「模擬平台」，是給開發者訓練模型、測試機器人、建立數位分身用的，它不會自己理解一個場景的日常邏輯，也不會像人一樣對這個世界形成完整的認知。
空間智慧不是提升某一個垂直領域，而是讓 AI 具備真正的「世界理解力」。它不但能重建環境，也能推理行為，能預測動態，能在虛擬的世界生成物理一致的空間，甚至能把真實世界的結構抽取起來，用於模擬、推演，最後再回到現實場域裡幫助我們決策。這是一種新的 AI 型態，也是一種新的存在方式。
這三年生成式 AI 的發展像一道突然落下的雷，清楚地劃開了舊時代與新時代的分界。當科技突破的速度遠超過社會的反射神經時，許多原本以為還需要好幾年才會到來的變化，在短短不到兩年的時間內全部出現。史丹佛團隊的研究報告更把這場衝擊具體化，用冷靜而詳實的數據告訴我們，AI 不只是技術發展的現象，而是正在重塑勞動市場的結構。
報告裡最讓人震撼的，不是人工智慧能力不斷提高，而是它帶來的就業變化。年輕族群在那些高度暴露於 AI 的職務上，明顯地消失了十三個百分點。這不是一般的景氣循環，也不是某個產業的輪迴，而是一種整體結構的轉變。企業開始重新分配工作，把標準化任務交給 AI，保留那些具有經驗與判斷力的資深員工。結果看起來像是某一塊年齡區間被切掉了，初階人才正在逐漸失去入場券。而這樣的斷層，所帶來的影響也難以評估。
令人不安的是，衝擊不是慢慢累積，而是突然發生。報告指出這是一個明顯的轉折點，當企業確認 AI 能勝任某些任務後，新人的需求就快速縮減。薪資並沒有下降，因為沒有企業願意調整現有員工的薪水，取而代之的是直接減少新聘（而股市還會因裁員而反漲）。從外表看不太出來，但勞動市場的底層已經被鏟動。雖然總體就業還在成長，只是這個成長裡面，新進者的身影變得稀薄。
這種現象跟產業景氣沒有太大關係。即使把科技業排除，結果依然相同。這也說明 AI 的衝擊是跨產業的，任何具有明確規則、可被模仿的知識型工作，都在這波重整裡受到影響。許多原本是新人鍛鍊的場域跟職缺，如今卻成了 AI 最容易伸手的地方。
近兩年大家談生成式 AI，往往停留在模型能力的討論（例如它等同於哪個等級的專業人士表現），但真正在生活與工作場域裡遇到的問題，往往不是一句「用 LLM 就能解決」這麼簡單。最近 Claude 公布了一整頁案例展示，收錄了四十個來自不同領域的實際情境，從品牌設計到專案管理，從工程開發到內容彙整，每個案例都把 LLM 在現場解決問題的方式呈現得很具體。這些案例非常平實，就是你我平常都會遇到的那些麻煩事。像是要從一堆零散資料裡整理出可以向主管提報的重點、要把模糊的需求轉成工程師看得懂的規格、要把訪談內容拆成洞察方向、要把一份文件變成其他格式、要把內容改寫成簡報稿，甚至只是想把一團亂的資訊整理得清楚一些。看著這些案例，我覺得最重要的不是功能本身，而是它們展示了 LLM 如何接手那些你不想花太多腦力、卻又無可避免必須完成的事。除了告訴我們可以用在哪，也實際展現了該如何套用。
以往我們處理這些工作，靠的其實是經驗累積出來的判斷力與耐心，很多時候只是花時間把資料從混亂變成可讀。然而 AI 的介入，讓流程開始重新排列組合。它並不是取代創意，也不是接管決策，而是協助我們把那些需要反覆判斷、但不需要百分之百精準的部分先處理起來，把繁瑣的雜音清掉，使大腦能留給真正需要用心的地方。過去我們做事的順序，通常是先收集資料、整理架構、分析內容，最後才是決定方向和完成產出。現在這個流程變成有點像先把資料丟給 LLM，讓它產出一個初步架構，再從它給的方向裡挑選自己認同的部分，接著把重點交回給它延伸細節，最後再用自己的經驗把整體修整到位。
〈2026 長照醫療應用競賽產生範例〉這個連結是示範如何透過 ChatGTP 產出長文本的作業範例，裡面的產品、企業、競賽都是模擬出來的資料，並非真實的場景。
今天收到公文，我們的產品繼九月榮獲〈2025 AI 大健康醫療應用創新大賽〉第二名後，又接連拿下〈國家新創獎〉「企業新創獎」的肯定。
回想今年六月與七月，公司曾表示有意參加幾項不同競賽。當時研發部門僅有三名工程師，搭配一位產品經理與一位專案經理，原本 PM 認為難以撥出人力與時間投入。但我心想若僅是撰寫參賽文件，而我們又已具備具體的技術架構與細節，或許可以一試。於是我主導了第一場競賽的計畫書撰寫，後續也負責第二場競賽的技術內容與最終文件調整。得知最終獲獎的那一刻，內心百感交集。
這裡簡單分享我如何運用 LLM（大型語言模型）的功能，來完成這兩項任務，並最終獲得實質肯定。不過在分享之前，必須先強調，真正的關鍵仍在於技術實力與產品本身。參賽文案的角色，是將我們的核心技術與產品價值完整展現與包裝。若缺乏這份實質內容，或欠缺好的呈現方式，終究難以在眾多競爭者中脫穎而出。而若不理解其中技術與邏輯，LLM 終究也幫不上忙。
一、透過深度研究進行競賽策略分析
提供競賽的原始資料來源，透過深度研究（Deep research）來產出第一版的競賽分析，在這個步驟應該要完整說明我們參賽產品的背景資料，包含這個產品應用在哪裡？有哪些功能，功能的細部描述，以及我們已知的產品參賽優勢與劣勢。
當 LLM 進行深度研究時，有些 LLM 會請我們補充關鍵資訊，這時候應該將關鍵資訊補上，接著等 LLM 將深度研究完成。若深度研究的結果有需修正的地方，也可以透過後續的提示詞來修正，但記住後續提示詞的修正過程，是額外將深度研究內容進行處理，並不是重新處理深度研究裡的所有文案。
注意：深度研究只適合資訊蒐集跟研究的任務，較不適用於單純的文章撰寫或是其他專業的問答。
