如果你的 AI 助理能在你睡覺時真正「做事」呢？
如果你的 AI 助理能在你睡覺時真正「做事」呢？
劇透：它可以。而這就叫做 AI 代理人。以下是如何在 10 分鐘內打造一個。
你用過 ChatGPT。你驚嘆於它的回答。你也曾在某個時刻，把它的輸出複製貼上到試算表裡，自己發送電子郵件，然後心想——「為什麼我還在做這些無聊的部分？」
那不是 AI 助理。那只是一個非常聰明的自動完成工具。
AI 代理人則不一樣。代理人不只是「回答」——它會「行動」。它會閱讀你的收件匣、總結重要內容、草擬回覆、安排後續追蹤，然後在你睡前就先去休息。你醒來時，事情已經完成了。
這聽起來像科幻小說，但現在它只是週末專案的程度。讓我來詳細示範它是如何運作的。
那個改變一切的關鍵：工具
任何代理人中最神奇的成分並不是語言模型——那些現在到處都是。而是工具使用。
可以這樣想：單獨的 GPT-4 就像一位才華洋溢的顧問，被鎖在一個沒有電話、沒有筆電、沒有門的房間裡。它可以「思考」得很漂亮，但無法接觸世界。給它工具——網頁瀏覽器、計算機、API 金鑰——它就突然能伸出手、做事，並回報結果。
以下是用 Python 搭配 OpenAI 函式呼叫 API 實現的最簡代理人迴圈版本：
import openai
import json
def get_weather(city: str) -> str:
# In real life, call a weather API here
return f"It's 22°C and sunny in {city}."
tools = [{
"type": "function",
"function": {
"name": "get_weather",
"description": "Get current weather for a city",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "City name"}
},
"required": ["city"]
}
}
}]
messages = [{"role": "user", "content": "What's the weather in Tokyo?"}]
response = openai.chat.completions.create(
model="gpt-4o",
messages=messages,
tools=tools
)
# If the model wants to call a tool, handle it
if response.choices[0].finish_reason == "tool_calls":
tool_call = response.choices[0].message.tool_calls[0]
args = json.loads(tool_call.function.arguments)
result = get_weather(**args)
print(f"Tool result: {result}")
Enter fullscreen mode
Exit fullscreen mode
執行它。觀察模型「決定」呼叫 get_weather，自己提取城市名稱，並使用結果。這個決定與行動的迴圈，就是每個 AI 代理人的心跳。
為什麼這其實是一件大事
傳統軟體遵循腳本。你寫下 if X then do Y。每個分支都是你預先預測好的。
代理人則遵循「目標」，而非腳本。你說「清空我的收件匣」，它就會自己想出步驟。它閱讀郵件、分類它們、決定哪些需要回覆、草擬回覆，並將邊緣案例標記給你。你並沒有指定任何這些細節——它是靠推理自己走到那一步的。
這種從腳本式轉向目標導向的轉變，就如同我們從手寫網站程式碼轉向使用框架一樣。它不會取代工程師，而是提高了單一個人能打造的上限。
每個代理人都具備的三個組成部分
無論你是使用 LangChain、AutoGen、CrewAI，還是自己從頭打造，每個代理人都有相同的三個部分：
1. 大腦（LLM）——根據其目標和目前已知資訊，決定下一步要做什麼。
2. 記憶體——追蹤發生過的事情。短期記憶是對話歷史。長期記憶則是向量資料庫或代理人會讀寫的檔案。沒有記憶體，你的代理人注意力持續時間就像金魚一樣。雖然是一隻有博士學位的金魚，但還是金魚。
3. 工具——就是它的手。API、檔案讀取器、網頁擷取器、計算機、程式碼執行器。工具越多，代理人能觸及的範圍就越大。
拿掉其中任何一項，你就沒有代理人——你只擁有一個有野心的聊天機器人。
這個週末你可以打造什麼
以下是三個真正可行的週末專案，按照野心程度排序：
- 收件匣總結器——連接 Gmail，閱讀未讀郵件，按主題分組，並將 bullet point 簡報丟到 Slack 私人訊息中。大約 100 行 Python + LangChain。
- 研究代理人——給它一個主題，它會搜尋網路、閱讀 5 篇文章、比較它們，並寫出一頁附有引用的摘要。不用再花 45 分鐘掉進兔子洞裡。
- 開發助理——監視 GitHub 儲存庫的新 Issue，將它們分類（bug/功能/問題）、草擬分類回應，並通知正確的團隊成員。在忙碌的儲存庫中，每天約可節省 30 分鐘。
這些都不需要博士學位。它們只需要一個 API 金鑰、幾個小時，以及願意讓機器處理無聊部分的心態。
真正的問題
問題不再是「AI 代理人能不能做到這件事？」那艘船早就開走了。
真正的問題是：你一天中還有哪一部分是自己手動在做，而代理人可以接手負責的？
挑選你待辦事項中最繁瑣的那件事——你害怕的 recurring 任務、吃掉 20 分鐘的複製貼上工作、沒人真正閱讀但大家都要求的報告。那就是你的第一個代理人。
打造那一個。你從一個小型可運作的範例中，對代理式 AI 的理解，會比閱讀網路上每一篇解釋文章都還要深刻。
包括這一篇，也有可能。
正在用代理人打造東西嗎？在留言區分享吧——我很想看看大家正在做什麼。
https://dev.to/aninmukhe/what-if-your-ai-assistant-could-actually-do-things-while-you-sleep-2fc9