---
title: "代理人系統（Agent Systems）"
slug: agent-systems
language: zh-TW
source: https://aiterms.tw/terms/agent-systems
updated_at: 2026-06-22
tags: [AI Agent, 多代理人系統, LLM應用, 工具呼叫, ReAct, 規劃, Prompt工程]
ipas_term: false
---

# 代理人系統（Agent Systems）

由一個或多個能自主感知環境、做出決策並採取行動以達成目標的 AI 代理人所組成的計算架構。

## 完整說明

代理人系統（Agent Systems）是人工智慧中的一種計算架構，由具備自主性（Autonomy）、反應性（Reactivity）、主動性（Proactiveness）與社交能力（Social Ability）的代理人（Agent）組成。單一代理人系統中，一個 AI 模型透過工具呼叫（Tool Calls）、記憶機制與規劃能力循環執行任務；多代理人系統（Multi-Agent Systems，MAS）則由多個專業化代理人協作，分工處理複雜任務。代理人系統是目前大型語言模型落地應用的主要架構範式。

## 常見問題

### 代理人系統（Agent Systems）和一般的 LLM 對話有什麼本質區別？

一般的 LLM 對話是「問答循環」：用戶輸入 → LLM 輸出文字回應 → 對話結束。代理人系統則是「思考-行動-觀察」的多步驟循環（ReAct 框架）：LLM 不只輸出文字，還能呼叫外部工具（搜尋網路、執行程式碼、查詢資料庫、傳送 API 請求），將工具返回的結果納入下一步推理，如此反覆直到完成任務。本質區別在於：普通 LLM 對話是無狀態的單輪推理，代理人系統是有狀態的多輪規劃與執行，代理人能主動「做事情」而非只是「說話」。例如，問 LLM「幫我訂明天的機票」只會得到如何訂票的建議；代理人系統則會真正連接訂票 API、填寫資訊、完成預訂動作。

### 單一代理人和多代理人系統應該怎麼選擇？

選擇取決於任務的複雜度與子任務的獨立性。單一代理人適合：任務邏輯相對線性、子任務之間強度耦合（後一步依賴前一步的結果）、上下文資訊量在單一 context window 可容納的範圍內、對延遲敏感的場景（多代理人協調有額外開銷）。多代理人系統適合：任務可以分解為多個相對獨立的子任務並行處理（如同時搜尋多個資料來源）、需要不同專業領域的知識（如一個代理人負責程式碼、另一個負責資安審查）、需要多角度驗證以提升輸出品質（辯論架構）、以及任務規模超過單一 LLM context 的限制。實務建議是從最簡單的單一代理人設計起步，遇到明確的瓶頸再引入多代理人架構，避免過度設計。

### 代理人系統在安全性上有哪些主要風險？

代理人系統的安全風險比普通 LLM 應用高出許多，因為代理人能執行真實操作（刪除檔案、傳送郵件、進行 API 呼叫）。主要風險類型包括：提示注入攻擊（Prompt Injection），惡意內容藏在工具返回結果或網頁中，誘騙代理人執行非預期操作；越權操作，代理人規劃錯誤導致執行了超出授權範圍的動作（如刪除生產資料庫）；資料洩露，代理人在工具呼叫中意外將敏感資訊傳送到外部服務；以及無限循環或資源耗盡（代理人陷入錯誤重試迴圈消耗大量 API Token 與費用）。緩解措施包括：最小權限原則（Agent 只授予完成任務所需的最低工具權限）、人工審核關卡（High-stakes 操作需人工確認）、沙箱執行環境（程式碼執行在隔離容器中）、以及操作日誌的即時監控與告警。

---

來源：https://aiterms.tw/terms/agent-systems
快查頁：https://aiterms.tw/terms/agent-systems
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-agent-systems