指揮 AI agent 像帶新人：背景、產出定義、邊界、審查

聊天式的 AI 像顧問：你問一句，它答一句，做不做在你。AI agent 不一樣，它更像你請的執行者：接到任務後自己拆步驟、自己查資料、自己動手做，一路做到有結果才回來找你。

能力升級的同時，風險也升級了：一個理解錯誤的顧問只是給你一個爛建議，一個理解錯誤的執行者會把錯的事情做完。

OpenAI Academy 上進階的 Agents and Workflows 學習路徑，講的正是怎麼與這種「會自己動手」的 AI 共事。我把它消化成一句話：指揮 agent 像帶新人，交辦要有結構。這篇文章整理那套結構的四個件：背景、產出定義、邊界、審查。

從問答到代辦：agent 改變了你的角色

先把定義講清楚：AI agent 是能為了一個目標，自己規劃步驟、連續執行、根據結果調整做法的 AI。你給的不再是「幫我寫這段」這種單步指令，而是「幫我把這個月的客戶回饋整理成報告」這種目標，中間的拆解與執行由它來。

這代表你的角色變了：從逐句指揮的操作者，變成交辦與驗收的管理者。而管理者都知道一件事：交辦品質決定執行品質。丟一句模糊的話給新人，再能幹也會做歪；agent 更是如此，因為它不會察言觀色，只會照字面執行。

第一件：背景，它該知道的都要給

agent 對你的公司、專案、偏好一無所知，它的世界就是你交辦時給的那些字。所以背景要當成行前簡報來寫：這個任務為什麼要做、服務誰、有哪些相關資料、之前做過什麼、有什麼已知的地雷。

一個實用的檢驗法：想像你把同一段話交給一位第一天報到、能力不錯但完全不了解你們的新人，他能不能做對？不能的話，缺的那塊就是你沒給的背景。

第二件：產出定義，「做完」長什麼樣

agent 需要知道終點，否則它會自己認定一個。產出定義至少包含：格式（報告、表格、清單？）、結構（要有哪些段落或欄位）、詳略（摘要級還是逐項細節）、驗收標準（什麼情況算合格）。

寫驗收標準有個好處：它同時就是你之後檢查的清單。「報告需涵蓋全部五個來源的資料、每個結論附出處、長度兩頁以內」，這一句話讓 agent 有明確的終點，也讓你的驗收三分鐘就能做完。

第三件：邊界，能動什麼、何時停下來問

這是與聊天最不同、也最不能省的一件。agent 會連續行動，所以你要事先劃清三條線：

• 允許範圍：它可以讀哪些資料、產出哪些東西。例如：可以讀我給的檔案並產草稿。
• 禁止範圍：它絕對不能做的事。例如：不得對外發送任何內容、不得修改原始資料、不得自行補上我沒提供的數字。
• 升級規則：遇到什麼情況要停下來問人。例如：資料互相矛盾、需要的資訊缺漏、任何拿不準的刪改。

經驗法則是：寧可讓它多問，不要讓它多猜。停下來問一次的成本是幾秒鐘，猜錯做完一整輪的成本是重工加收拾。

第四件：審查，結果要人核可才算數

agent 做完不等於做對。審查要事先設計，而不是想到才看。兩個原則：第一，依風險分級：對內參考的整理可以抽查，對外發送、影響決策、動到錢的產出必須逐項核可。第二，照驗收標準驗：拿交辦時寫的標準逐條對，順便檢查它有沒有越出邊界。

從小任務開始建立信任

與 agent 共事的信任是累積出來的。建議的路徑：先交辦錯了也無妨的小任務（整理、彙整、草稿），觀察它的做事習性；順了再逐步放大範圍，同時把每次發現的問題補進你的交辦範本。四件套寫得越熟，你能安心放手的事就越多。

我自己最深的體會是：學會指揮 agent，本質上是把「怎麼把事情交代清楚」這門管理基本功練了一遍。背景、產出定義、邊界、審查，這四件對人有效，對 AI 一樣有效。工具在進步，而清楚交辦的能力，怎麼都不會白練。