五分鐘學會！|省你五小時

你有沒有過這種感覺？每天打開電腦，信箱裡塞滿了回不完的郵件，Slack 上幾百條未讀訊息，還有那個永遠整理不完的 Excel 表格。你明明知道這些事情可以自動化，但就是不知道從哪裡開始。

過去，寫一個自動化腳本需要懂程式碼、會串 API、還要處理各種例外狀況。但現在，AI Agent 的時代來了，你只需要用自然語言告訴它「幫我做什麼」，它就能自己規劃步驟、呼叫工具、完成任務。

今天要介紹的，是最近在 HuggingFace 上爆紅的 Qwen AgentWorld 35B-A3B。這不是一個普通的聊天機器人，而是一個「AI 團隊指揮官」。它能讓你同時控制多個 AI Agent，就像你擁有一個 24 小時不睡覺的虛擬團隊。

這篇文章會教你如何用五分鐘設定好 AgentWorld，然後用一個真實案例——自動整理客戶回饋並生成報表——來讓你親眼看到效率的提升。

為什麼 AgentWorld 與眾不同？

你可能用過 ChatGPT 或 Claude，它們很聰明，但一次只能處理一件事。你請它「幫我讀這份 PDF 並摘要」，它做完就停了。如果你想接著「把摘要貼到 Google Sheet 並寄給主管」，你又得手動複製貼上。

AgentWorld 的設計哲學完全不同。它是一個 Agent 協作框架，你可以建立多個不同角色的 Agent：一個負責讀資料、一個負責分析、一個負責輸出。它們之間可以互相溝通、傳遞任務，就像一個小型新創公司裡的團隊。

而且，AgentWorld 的模型參數雖然高達 35B，但使用了 MoE（混合專家）架構，實際運算時只啟動 3B 參數。這代表什麼？你的普通筆電也能跑得動。不需要昂貴的雲端 GPU，不需要複雜的設定，下載就能用。

五分鐘快速上手指南

第一步：下載並安裝

首先，你需要從 HuggingFace 下載模型。打開終端機，輸入以下指令：

# 安裝必要的套件
pip install transformers accelerate torch

# 下載模型（約 20GB，視網路速度可能需要 10-30 分鐘）
git lfs install
git clone https://huggingface.co/Qwen/Qwen-AgentWorld-35B-A3B

如果你沒有 git lfs，也可以直接使用 HuggingFace 的 snapshot_download：

from huggingface_hub import snapshot_download
snapshot_download(repo_id="Qwen/Qwen-AgentWorld-35B-A3B", local_dir="./qwen-agentworld")

第二步：建立你的第一個 Agent 團隊

下載完成後，建立一個 Python 檔案 agent_team.py：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_path = "./qwen-agentworld"
tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    trust_remote_code=True,
    torch_dtype="auto",
    device_map="auto"
)

# 建立 Agent 團隊
agents = {
    "reader": {"role": "資料讀取員", "tools": ["read_file", "web_search"]},
    "analyst": {"role": "資料分析師", "tools": ["summarize", "extract_key_points"]},
    "writer": {"role": "報表撰寫員", "tools": ["write_text", "format_table"]}
}

# 設定任務
task = """
任務：分析客戶回饋數據
1. reader：讀取 'customer_feedback.csv' 檔案
2. analyst：從 reader 的輸出中，找出前三大常見問題
3. writer：根據 analyst 的結論，寫一份簡報
"""

# 執行任務
inputs = tokenizer(task, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=2048)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

第三步：執行並觀察

執行你的腳本：

python agent_team.py

你會看到 Agent 們開始對話。Reader 會說「我找到 150 筆回饋數據」，Analyst 會回應「我分析了情緒傾向，發現三大痛點是…」，Writer 最後說「我已經把簡報寫好了」。

整個過程完全自動化，不需要你插手任何一步。

實戰案例：自動化客戶回饋分析

讓我們用一個更完整的案例來測試。假設你是一家電商公司的營運專員，每天都要手動整理客戶的退貨原因。

準備數據

先建立一個簡單的 CSV 檔案 customer_feedback.csv：

日期,客戶ID,回饋內容,評分
2026-06-28,C001,商品到貨時包裝破損，商品有刮痕,2
2026-06-28,C002,尺寸與網站描述不符，買太大,3
2026-06-29,C003,配送延遲三天，非常失望,1
2026-06-29,C004,商品品質很好，但顏色有色差,4
2026-06-30,C005,客服回應太慢，問題沒解決,2

撰寫進階任務腳本

task = """
你是一個客戶服務分析團隊，由三個 Agent 組成：

**Reader Agent**：
你的任務是讀取 customer_feedback.csv 的內容。
請輸出所有回饋的摘要，包含：總筆數、平均評分、每個評分等級的數量。

**Analyst Agent**：
你的任務是分析 Reader 的輸出。
請找出最常見的三個問題類型（例如：包裝問題、尺寸問題、配送問題），
並計算每個問題類型佔總回饋的比例。

**Writer Agent**：
你的任務是根據 Analyst 的輸出，寫一份給主管的報告。
報告格式：
- 標題：客戶回饋分析報告（日期）
- 摘要：一句話總結
- 關鍵發現：列出三個問題及其比例
- 建議行動：針對每個問題提出一個改善建議
- 附註：原始數據的統計資訊

開始執行！
"""

結果示範

執行後，AgentWorld 會自動產出類似這樣的報告：

**客戶回饋分析報告（2026-07-02）**

摘要：本週客戶回饋顯示配送與包裝問題為主要痛點，平均評分 2.4 分。

關鍵發現：
1. 包裝問題（40%）：商品到貨時破損或刮傷，影響客戶體驗
2. 配送延遲（30%）：平均延遲 2-3 天，客戶耐心有限
3. 尺寸不符（20%）：網站描述與實際商品有落差

建議行動：
1. 包裝：改用氣泡袋+紙箱雙層包裝，降低運送損壞率
2. 配送：與物流商協調，增加晚間配送時段
3. 尺寸：在商品頁面增加「實際拍攝圖」與「尺寸對比圖」

附註：共分析 5 筆回饋，最低評分 1 分，最高 4 分。

你原本可能要花一小時手動整理的東西，現在五秒鐘就完成了。

進階技巧：讓 Agent 使用自訂工具

AgentWorld 最強大的功能，是你可以為 Agent 註冊自訂工具。例如，讓它直接將報表寫到 Google Sheet：

# 自訂工具：寫入 Google Sheet
def write_to_google_sheet(data, sheet_id):
    # 這裡串接 Google Sheets API
    print(f"已將數據寫入 Sheet {sheet_id}")
    return "success"

# 在建立模型時註冊工具
model.register_tool("write_to_sheet", write_to_google_sheet)

# 然後在任務中就能使用
task = """
Writer Agent：請將報告寫入 Google Sheet ID 'abc123'
使用工具：write_to_sheet
"""

這意味著，你可以打造一個完全自動化的流程：每天早上，Agent 自動檢查信箱、整理數據、產出報表、並寄給主管。你只需要喝杯咖啡，等著看結果。

常見問題

Q: 我的電腦記憶體只有 16GB，跑得動嗎？ A: 可以。AgentWorld 使用 MoE 架構，實際運算只用到約 3B 參數，記憶體需求約 8-12GB。如果你的記憶體較小，可以使用 4-bit 量化版本，需求可降到 6GB 左右。

Q: 一定要用 Python 嗎？有沒有圖形化界面？ A: 目前 AgentWorld 主要透過 Python API 使用，但社群已經有人在開發 Web UI 封裝。如果你不熟悉程式碼，可以先從簡單的範例開始複製貼上，很快就能上手。

Q: 這個模型可以商用嗎？ A: Qwen AgentWorld 使用的是 Qwen 3.5 授權，允許商業使用。但建議你仔細閱讀 HuggingFace 上的授權條款，確認你的使用場景符合規定。

Q: 多個 Agent 之間會不會吵架或衝突？ A: 設計上 Agent 是依序執行的，Reader 完成後 Analyst 才開始。但如果你設定錯誤的任務鏈，確實可能產生意外的輸出。建議先從簡單的兩步驟任務開始測試。

Q: 它支援繁體中文嗎？ A: 支援。Qwen 系列模型本來就有良好的中文能力，繁體中文的輸入輸出都沒問題。但如果你在任務中混用英文工具名稱，建議統一使用英文以避免混淆。

延伸閱讀

• 五分鐘學會！|省你五小時
• 五分鐘學會！|省你五小時
• 五分鐘學會！|省你五小時

總結

AgentWorld 不是另一個聊天機器人，它是一個讓你用自然語言指揮 AI 團隊的工具。五分鐘的設定，就能省下你每天好幾個小時的重複勞動。

今天的教學中，你學會了：

1. 如何下載並安裝 Qwen AgentWorld 35B-A3B
2. 如何建立多角色 Agent 團隊
3. 如何用一個真實案例自動化客戶回饋分析
4. 如何加入自訂工具，打造專屬自動化流程

現在就打開你的電腦，下載模型試試看。從一個你最討厭的手動任務開始——可能是整理發票、彙整會議記錄、或是監控社群媒體留言。相信我，當你看到 AI 團隊幫你完成第一份工作時，那種感覺，比喝三杯咖啡還要提神。