自主 AI 代理 vs. 代理式工作流程：為何自主代理勝出

2026 年 2 月 5 日，Anthropic 發表了一個令人矚目的案例研究：16 個 Claude Opus 4.6 代理在沒有中央協調器的情況下並行工作，協作編寫了一個包含 100,000 行程式碼、以 Rust 開發的 C 編譯器，能為 x86、ARM 及 RISC-V 架構編譯 Linux 核心。這些代理自行識別任務、分配工作、解決合併衝突，並為彼此的程式碼除錯。總成本：約 $20,000，經歷約 ~2,000 個工作階段。

沒有人為此畫流程圖，也沒有人在視覺化編輯器中連接節點。代理自行找出了方法。

與此同時，n8n、Zapier 及 Make 等平台透過相反的做法，迎來創紀錄的採用量：將 AI 接入預先定義、由人設計的工作流程，當中每一步、每個分支及每次工具呼叫都事先規劃好。

這兩種方法——自主代理式程序與代理式工作流程——代表對 AI 應如何運作的兩套根本不同的理念。本文會直接比較兩者，解釋為何自主代理長遠會勝出，並回應有關確定性及成本的合理疑慮。

甚麼是代理式工作流程？

代理式工作流程是預先設計、以節點為基礎的自動化，由人定義 AI 要遵循的確切步驟次序。n8n（提供 500+ 項整合及原生支援 LangChain 的代理節點）、Zapier 及 Make 等平台是主要例子。

以下是典型代理式工作流程的樣貌：

flowchart LR
    A["🔔 Trigger<br/>(e.g. new email)"] --> B["🤖 LLM Node<br/>(classify intent)"]
    B --> C{"Decision<br/>Node"}
    C -->|"Support"| D["📧 Send to<br/>Support Tool"]
    C -->|"Sales"| E["💰 Send to<br/>CRM Tool"]
    C -->|"Spam"| F["🗑️ Archive"]
    D --> G["✅ Log Result"]
    E --> G
    F --> G

主要特點：

由人設計：由人規劃每一條可能的路徑
確定性：相同輸入會執行相同路徑
視覺化：為非技術用戶提供拖放介面
固定工具集：每個節點都預先配置指定工具及 API
成本可預測：token 用量受節點數量限制

優點： 易於理解、除錯及審核。非常適合程序已知、重複且定義清晰的任務。

限制： 只能處理設計者預想到的情境。每個新的邊界情況都需要由人新增分支。

甚麼是自主代理式程序？

自主代理式程序是動態、自我主導的系統：AI 代理接收目標，推理如何達成、選擇工具、在需要時建立子代理，並反覆迭代直至達成目標——整個過程毋須預先定義流程圖。

以下是自主多代理系統的樣貌：

flowchart TB
    Goal["🎯 Goal<br/>(High-level objective)"] --> Orch["🧠 Orchestrator Agent<br/>(Plans, delegates, reflects)"]
    
    Orch -->|"Spawns"| R["🔍 Research<br/>Agent"]
    Orch -->|"Spawns"| A["⚡ Action<br/>Agent"]
    Orch -->|"Spawns"| V["✅ Validation<br/>Agent"]
    
    R -->|"Uses tools<br/>dynamically"| T1["🌐 Web Search"]
    R -->|"Uses tools<br/>dynamically"| T2["📊 Database"]
    A -->|"Uses tools<br/>dynamically"| T3["🔧 APIs"]
    A -->|"Uses tools<br/>dynamically"| T4["📝 File System"]
    V -->|"Uses tools<br/>dynamically"| T5["🧪 Testing"]
    
    R -->|"Reports"| Orch
    A -->|"Reports"| Orch
    V -->|"Reports"| Orch
    
    Orch -->|"Reflects &<br/>iterates"| Orch
    Orch --> Result["📋 Result"]

主要特點：

目標導向：接收目標，而非逐步計劃
動態選擇工具：在執行期間選擇使用哪些工具
自我修正：反思結果並調整方法
可組合：可建立專門的子代理以並行工作
湧現行為：解決方案源自代理推理，而非人為設計

Anthropic 的多代理系統研究（2025 年 6 月發表，2025 年 12 月更新）有力地展示了這種能力：主導代理（Claude Opus 4）協調 Sonnet 4 子代理，透過並行探索及上下文壓縮，在複雜研究任務上的表現比單一 Opus 4 代理高出 90.2%。

OpenAI 的 Agents SDK（2026 年 1 月）將兩種重要的多代理模式正式規範化：

交接（Handoffs）：代理將控制權交予專門代理（例如，分流 → 帳務專員）
代理作為工具（Agent-as-Tool）：代理將另一個代理當作可呼叫的工具，並接收結構化結果

這兩種模式都能實現固定工作流程無法做到的動態組合。

並排比較

比較維度	代理式工作流程（N8N/Zapier）	自主代理
靈活性	只有固定路徑	動態運作，適應全新情況
設定工作量	低（視覺化拖放）	中（定義工具 + 目標）
全新情況	失敗或需要人手重新設計	透過推理解決
可預測性	高——相同輸入、相同輸出	不定——相同輸入可能採用不同（但有效）的路徑
每次執行成本	受節點數量限制	不定——取決於推理深度
擴展複雜度	線性（更多節點 = 更多分支）	次線性（更好的模型 = 更聰明的代理）
維護	針對新的邊界情況手動更新	隨模型改進而自行適應
錯誤處理	預先定義的後備節點	代理推理錯誤原因並重試
最適合	重複、定義清晰的程序	開放式、複雜、持續演變的任務

為何自主代理勝出

1. 無法為真正全新的問題預先定義路徑

當 Anthropic 的 16 個 Claude 代理建立 C 編譯器時，沒有人能事先為它畫出工作流程圖。代理需要：

決定如何將 100,000 行程式碼分配給 16 個工作代理
識別及解決模組之間的相互依賴
為獨立編寫的元件互動所引發的故障除錯
在沒有中央協調器的情況下協調合併

這類工作需要的是推理，而非路由。任務空間太廣大、太多變，無法預先規劃。

2. 能力上限持續提升

最新一代模型代表代理式能力的躍升：

Claude Opus 4.6（2026 年 2 月 5 日）提供 1M-token 上下文視窗（測試版），在 GDPval-AA 比 GPT-5.2 高出約 ~144 Elo，並透過自主分析，在開源程式碼中識別了 500+ 個零日漏洞。
GPT-5.3-Codex（2026 年 2 月 5 日）比上一代快 25%，在 SWE-Bench Pro 及 Terminal-Bench 2.0 達到最先進水平，支援 24 小時自主編程工作階段，也是首個在自身建構過程中發揮關鍵作用的模型。

每一次模型改進，都能讓自主代理變得更有能力，毋須更改應用程式的任何一行程式碼。相比之下，工作流程的能力仍停留在設計完成當天的水平。

3. 小型專門代理可以超越巨型模型

NVIDIA 的 ToolOrchestra 框架（2025 年 11 月）展示了一個違反直覺的結果：一個協調專門子代理的 8-billion（80 億）參數協調器，在 Humanity's Last Exam 取得 37.1%，超越 GPT-5 的 35.1%，同時效率高 2.5x，成本約為其 30%。

這種組合式方法——由較小的「管理者」代理將工作委派給領域專家——本質上是固定工作流程無法做到的。工作流程只會路由，不會組合。

4. 多代理系統以超線性方式提升

Anthropic 的多代理系統建構指引（2025 年 12 月）指出三項特性，使多代理架構比單一代理或固定工作流程更能有效擴展：

上下文保護：每個子代理維持自己的專注上下文，避免「中間資訊遺失」問題
並行執行：獨立子任務同時運作（例如 Anthropic 的 16 個編譯器代理）
專門化：子代理可針對特定領域進行微調或設定提示

代價是協調開銷（token 用量為單一代理的 3-10x），但正如下一節所示，這項成本正在急跌。

5. 成本正在急速下降

這或許是最重要的趨勢：Epoch AI 的分析（2025 年 12 月）發現，視乎任務，LLM 推論價格每年下降 9x 至 900x。在博士級科學問題上達到 GPT-4 水平表現的成本，在一年內下降了 40x。

graph TB
    subgraph "2024"
        A["GPT-4 level inference<br/>$X per million tokens"]
    end
    subgraph "2025"
        B["Same capability<br/>$X/40 per million tokens"]
    end
    subgraph "2026 (projected)"
        C["Same capability<br/>$X/400+ per million tokens"]
    end
    A -->|"40x cheaper"| B
    B -->|"10-40x cheaper<br/>(projected)"| C
    
    style A fill:#ff6b6b,color:#fff
    style B fill:#ffd93d,color:#000
    style C fill:#6bcb77,color:#fff

這意味多代理系統的協調開銷——花在代理間溝通的額外 token——會變得微不足道。重要的是能力，而非 token 數量。而自主代理的能力沒有上限。

回應對確定性的質疑

對自主代理最常見的質疑是：「但我的業務程序需要可預測、具確定性的輸出！」

這個要求合理——而問題正在獲得解決，並非透過工作流程，而是透過代理式架構內的防護機制：

結構化輸出：GPT-5.3-Codex 及 Claude Opus 4.6 等模型原生支援強制遵循 JSON schema，確保輸出格式符合要求
人工介入：可設定代理在高風險行動（金融交易、資料刪除、客戶通訊）前暫停並請求批准
驗證代理：專門的子代理可在輸出正式提交前，按業務規則驗證結果
具確定性的子程序：當自主代理需要可預測的步驟（例如透過 API 發送電郵）時，便以固定參數呼叫工具——獲得與工作流程相同的確定性，但只在有需要的地方使用
更高的模型可靠性：Claude Opus 4.6 改進的推理能力，相比早期世代大幅降低幻覺率

Anthropic 的多代理指引（2025 年 12 月）說得很好：需要上下文保護、並行執行或專門化時，採用多代理架構；若單一代理配合恰當提示已足夠，則使用較簡單的模式。核心洞見是：何時發揮創意、何時採取確定性做法，由代理本身選擇。

趨勢融合：代理涵蓋工作流程

這場爭論的答案是：自主代理並非取代工作流程，而是將其涵蓋在內。需要嚴格固定的步驟時，自主代理可呼叫具確定性的子程序；需要靈活性時，可建立具創意的子代理；任務簡單時，則直接呼叫工具。

flowchart TB
    AA["🧠 Autonomous Agent<br/>(Reasons about approach)"]
    
    AA -->|"When determinism<br/>needed"| WF["📋 Invoke Workflow<br/>(Fixed API sequence)"]
    AA -->|"When flexibility<br/>needed"| SA["🤖 Spawn Sub-Agent<br/>(Dynamic reasoning)"]
    AA -->|"When simple"| TL["🔧 Call Tool<br/>(Direct execution)"]
    
    WF --> R["✅ Result"]
    SA --> R
    TL --> R
    
    SA -->|"Can also invoke"| WF
    SA -->|"Can also call"| TL

工作流程是自主代理能力的子集。能呼叫工作流程的代理，其能力嚴格來說比單獨一個工作流程更多。這就是行業逐漸走向自主模式的原因：

OpenAI 的 Agents SDK 同時支援交接及代理作為工具的模式
Anthropic 的多代理架構 讓主導代理能協調專家代理
NVIDIA 的 ToolOrchestra 展示小型協調器配合專門子代理，能超越單體模型

未來並非「工作流程 vs. 代理」——而是代理在眾多策略之中，適時採用工作流程。

這對電子商務有何意義

在 CHATTERgo，我們從第一天起就以自主代理模式建立平台。我們的 AI 不會照着腳本走——它會針對每次客戶互動進行推理：

客戶詢問產品？代理會搜尋目錄、檢查供貨情況、考慮客戶的上下文，並提出個人化推薦。
客戶有涉及不同訂單多件商品的複雜退貨？代理會推理相關政策、查閱對應訂單資料，並引導客戶——毋須有人為這個特定情境畫流程圖。
有新工具可用（例如倉庫庫存 API）？代理可以立即使用，毋須重新設計工作流程。

這就是我們說**「毋須設定流程」**的原因——因為最好的 AI 不應該需要流程設定。

為 AI 畫流程圖的時代正在結束。給 AI 一個目標、讓它自行處理其餘部分的時代已經開始。

資料來源

Anthropic Engineering。「以 16 個代理建立 C 編譯器。」2026 年 2 月 5 日。anthropic.com/engineering/building-c-compiler
Anthropic Engineering。「我們如何建立多代理研究系統。」2025 年 6 月（2025 年 12 月更新）。anthropic.com/engineering/built-multi-agent-research-system
NVIDIA Research。「ToolOrchestra：協調專門代理。」2025 年 11 月。research.nvidia.com/labs/lpr/ToolOrchestra
OpenAI。「介紹 GPT-5.3-Codex。」2026 年 2 月 5 日。openai.com/index/introducing-gpt-5-3-codex
Anthropic。「Claude Opus 4.6。」2026 年 2 月 5 日。anthropic.com/news/claude-opus-4-6
Epoch AI。「LLM 推論價格趨勢。」2025 年 12 月。epoch.ai/data-insights/llm-inference-price-trends
OpenAI Agents SDK。「交接。」2026 年 1 月。openai.github.io/openai-agents-python/handoffs
Anthropic。「建立多代理系統：何時及如何使用。」2025 年 12 月。anthropic.com/engineering/built-multi-agent-research-system
n8n。「AI 代理。」2026 年。n8n.io/ai-agents