AI代理大亂鬥？|控制流程才是王道

提示詞失控：AI代理的致命弱點

你有沒有遇過這種情況：你用AI代理處理一個簡單任務，結果它繞了十萬八千里，最後給你一個莫名其妙的答案？或者，你花了幾個小時撰寫完美的提示詞，AI代理卻完全誤解你的意圖？這不是你的問題，而是整個AI代理產業正在面對的結構性缺陷。

最近，Hacker News上有一篇爆紅文章，標題直擊痛點：「Agents need control flow, not more prompts」（AI代理需要控制流程，而不是更多提示詞）。這篇文章在短短幾小時內獲得超過365分，引發196則激烈討論。為什麼這篇文章能引起如此大的共鳴？因為它點出了AI代理產業的最大盲點：我們一直在用錯誤的方式讓AI變得更聰明。

傳統上，開發者和企業為了讓AI代理執行複雜任務，傾向於撰寫更長、更詳細的提示詞。他們相信，只要提示詞夠精確，AI就能完美理解並執行任務。但事實證明，這種方法存在三個致命問題：

第一，提示詞的邊際效益遞減。當你從100字提示詞增加到1000字，AI的表現可能只提升5%，但當你增加到2000字時，AI反而開始混淆，表現下降。這就像給一個人一本操作手冊，但手冊太厚，他反而找不到重點。

第二，提示詞缺乏結構化決策能力。AI代理在執行任務時，需要根據中間結果做出判斷——是繼續執行、回退重試、還是請求人類協助？但傳統提示詞無法有效表達這種條件邏輯。結果就是，AI代理要麼卡在無限循環中，要麼直接給出錯誤答案。

第三，提示詞的不可預測性。同樣的提示詞，在不同時間、不同模型版本下，可能產生完全不同的結果。這對於需要穩定輸出的企業應用來說，簡直是災難。

控制流程：企業AI代理的救星

那麼，什麼是控制流程？為什麼它比更多提示詞更重要？

控制流程（Control Flow）是程式設計中的基本概念，指的是程式執行過程中，根據條件判斷來決定下一步該做什麼。最常見的控制流程包括：if-else條件判斷、for/while循環、try-catch錯誤處理等。這些看似簡單的概念，恰恰是AI代理目前最缺乏的能力。

讓我們用一個實際案例來說明。假設你是一家電商公司的營運主管，你希望AI代理自動處理客戶退貨申請。傳統提示詞方法可能會這樣寫：「當客戶提出退貨申請時，請檢查訂單狀態，如果已出貨則引導客戶填寫退貨表單，如果未出貨則取消訂單並退款。」

這個提示詞看似完整，但實際上存在大量模糊地帶。例如，什麼是「檢查訂單狀態」？AI代理需要調用哪個API？如果訂單狀態查詢失敗怎麼辦？如果客戶要求換貨而不是退款怎麼辦？這些問題，提示詞根本無法精確描述。

而控制流程方法則完全不同。開發者會設計一個結構化的決策樹：

if 訂單狀態 == '已出貨':
    if 退貨原因 == '商品瑕疵':
        啟動退貨流程 -> 生成退貨標籤 -> 通知物流
    else:
        啟動退貨流程 -> 要求客戶提供照片 -> 人工審核
else if 訂單狀態 == '未出貨':
    if 客戶要求 == '退款':
        取消訂單 -> 觸發退款API -> 通知客戶
    else if 客戶要求 == '換貨':
        取消原訂單 -> 生成新訂單 -> 通知客戶
else:
    記錄異常 -> 轉接人工客服

看到差別了嗎？控制流程讓AI代理的決策變得可預測、可除錯、可優化。這不是讓AI更「聰明」，而是讓AI更「可靠」。

企業實戰：控制流程如何創造ROI

現在，讓我們看看實際案例。一家台灣的物流公司——我們稱之為「速達物流」——最近導入了一套基於控制流程的AI代理系統，用於處理客戶查件和異常通報。

在導入前，速達物流的客服團隊每天要處理超過3000通電話，其中60%是重複性查件問題。他們嘗試過用傳統提示詞的AI聊天機器人，但效果很差——客戶滿意度從原本的85%下降到72%，因為AI常常給出錯誤的配送時間預估。

後來，他們改用控制流程架構。AI代理被設計成一個結構化的決策引擎：

第一層：身份驗證

• 輸入：客戶電話號碼或訂單編號
• 控制流程：驗證客戶身份 -> 如果失敗，要求重新輸入 -> 三次失敗後轉接人工

第二層：查件類型判斷

• 輸入：客戶問題
• 控制流程：使用小型分類模型判斷問題類型（配送時間、地址修改、異常通報、其他）
• 如果分類置信度低於90%，自動轉接人工

第三層：任務執行

• 根據問題類型，調用對應的API
• 配送時間查詢：調用物流追蹤API -> 格式化輸出 -> 如果API超時，等待2秒後重試 -> 重試3次失敗後，轉接人工
• 地址修改：調用訂單修改API -> 驗證新地址格式 -> 如果地址無效，要求客戶重新輸入

結果令人驚艷：

• 客戶滿意度從72%回升至91%
• 自動化處理率從35%提升至78%
• 平均處理時間從4.5分鐘降至45秒
• 客服人力需求減少40%，每年節省約新台幣1200萬元

速達物流的技術長表示：「關鍵不是讓AI變得更聰明，而是讓AI的決策過程變得透明且可控。控制流程讓我們能夠精確定位問題——當AI出錯時，我們知道是哪個環節出了問題，而不是像以前一樣，只能猜測是提示詞寫得不夠好。」

從提示詞工程到決策工程

速達物流的案例揭示了AI代理產業的一個重要轉折點：我們正在從「提示詞工程」（Prompt Engineering）走向「決策工程」（Decision Engineering）。

提示詞工程的核心假設是：語言模型本身已經夠強大，只要我們能用文字精確描述任務，AI就能完美執行。但現實證明，這個假設在複雜任務中完全失效。語言模型本質上是統計模型，它擅長的是生成合理的文字，而不是執行精確的邏輯運算。

決策工程則完全不同。它將AI代理視為一個系統中的組件，而不是系統本身。在這個架構下，AI的作用是執行特定子任務——例如理解客戶意圖、生成回覆文本——而整體的決策邏輯則由結構化的控制流程來管理。

這對企業意味著什麼？

第一，你需要重新思考AI代理的設計方式。不要試圖用一個超級提示詞來解決所有問題。相反，你應該將任務拆解成多個小步驟，每個步驟都有明確的輸入、輸出和錯誤處理機制。

第二，你需要投資於控制流程基礎設施。這可能包括工作流程引擎（如Apache Airflow、Temporal）、狀態機（如AWS Step Functions），或者專門為AI代理設計的框架（如LangGraph、CrewAI的流程控制功能）。

第三，你需要建立監控和除錯機制。傳統的提示詞方法難以除錯——當AI出錯時，你只能猜測是提示詞的問題還是模型的問題。而控制流程方法讓你能夠精確定位問題發生的環節，大幅降低除錯成本。

未來啟示：AI代理的「作業系統化」

Hacker News那篇爆紅文章的作者在結尾提出一個大膽的預測：未來最成功的AI代理平台，不是那些擁有最強語言模型的平台，而是那些提供最佳控制流程基礎設施的平台。

這個預測正在成為現實。看看目前市場上的領先者：

• LangGraph：讓開發者用圖形化方式定義AI代理的執行流程，支援條件分支、循環、並行執行等控制流程
• CrewAI：引入「流程」（Process）概念，讓AI代理團隊能夠按照預定義的順序和規則協作
• AutoGen：微軟推出的多代理對話框架，支援結構化的代理間通訊和任務分配
• Semantic Kernel：微軟的另一個框架，將AI功能封裝成「技能」（Skills），並透過「規劃器」（Planner）來控制執行流程

這些平台的共同特點是：它們不再把AI當作一個黑盒子，而是將其視為可組合、可控制、可除錯的系統組件。

對於香港和台灣的企業來說，這意味著一個重要的機會。過去，採用AI的最大障礙是「不可預測性」——企業不敢把關鍵業務流程交給一個可能隨機出錯的系統。但隨著控制流程架構的成熟，這個障礙正在被消除。

想像一下，如果你的AI客服系統能夠精確地按照業務規則執行，每一個決策都有跡可循，每一個錯誤都能被快速定位和修復——這樣的系統，企業怎麼可能不願意採用？

延伸閱讀

• SoftBank砸75億美元撐腰：Exol用機器人物流即服務顛覆美國倉儲業，亞特蘭大首站年發百萬棧板
• 六成員工看不出AI錯誤：「認知投降」正在侵蝕企業的判斷能力
• Samsara實證物理AI威力：車隊成本削31%、事故少一半

總結：不要讓AI代理變成「黑盒子」

回到開頭的問題：為什麼你的AI代理常常讓你失望？答案很簡單——你把太多責任交給了提示詞，卻忽略了控制流程的重要性。

提示詞是AI代理的語言，但控制流程才是AI代理的大腦。沒有結構化的控制流程，AI代理就像一個沒有方向盤的超級跑車——引擎再強大，也只會橫衝直撞。

對於正在考慮導入AI代理的企業，我們的建議是：

1. 先設計流程，再選擇模型：不要急著找最強的語言模型，先釐清你的業務流程需要哪些決策點、條件判斷和錯誤處理機制。

2. 擁抱結構化：不要害怕使用傳統的程式設計概念——if-else、循環、try-catch——這些正是AI代理最需要的骨架。

3. 從簡單開始：不要試圖一次建立一個全能的AI代理。從一個簡單的、單一任務的代理開始，逐步增加控制流程的複雜度。

4. 監控與迭代：將AI代理的每一個決策都記錄下來，建立完整的監控系統。只有當你能夠看到AI的思考過程時，你才能真正優化它。

控制流程不是AI的敵人，而是讓AI變得可信任、可預測、可商業化的關鍵。當你的競爭對手還在忙著寫更長的提示詞時，你已經在設計更聰明的決策流程——這，才是真正的競爭優勢。