你以為你在換輪胎，其實該坐上車隊領隊的位置了

TL;DR

• 模型說穿了就是一個函式：丟東西進去、吐東西出來。不是魔法，是軟體。
• Agent 跟一般 AI 功能的差別在「目標」跟「自主性」，不在技術多炫。
• 多 agent 架構不是在補模型能力的不足。Chris Benson 認為它會普遍到最後沒人想討論它，因為它已經是地基。
• 統包型（Google 的 Gemini、Microsoft 的 Copilot）跟可換模型的自組型會長期並存，但把整個數位勞動力壓在單一供應商上很危險。
• Token maxing 那一波退燒了，現在企業問的是「怎麼用最便宜的方式把事情做完」。
• F1 維修站的比喻該翻新：以前講的是人怎麼分工，現在每個人都被推到車隊領隊的位置。

---

這集在 2026 年 8 月 6 日播出的 Practical AI，沒有來賓，就兩位主持人自己聊。Practical AI 是 Changelog 旗下的每週節目，定位很直白：把 AI 講到你回公司真的做得出來，不是講一堆讓你點頭但隔天忘光的東西。

主持人一位是 Daniel Whitenack，Prediction Guard 的創辦人兼執行長。Prediction Guard 做的是 AI 控制平面（control plane），簡單講就是幫企業管理一大群 AI agent 的行為、權限跟稽核紀錄，避免 agent 在公司內網亂跑。他做機器學習部署超過十二年，偶爾在 Purdue 大學教資料科學。另一位是 Chris Benson，Lockheed Martin 的 Principal AI / Autonomy Research Engineer，專攻大規模自主無人機群（swarm）與反制無人機群，也是該公司第一任 AI 倫理主管，Lockheed Martin 官方 AI 倫理政策的文字是他寫的。兩個人的視角剛好互補：一個看企業落地，一個看物理世界的自主系統。

這集他們刻意沒找來賓，理由是最近變化太快，想先停下來把名詞重新定義一次。聽起來像是基礎課，但我覺得反而是這半年最值得聽的一集之一，因為現在滿多人在講 agent，講的其實是三件完全不同的事。

先把三個詞分乾淨

名詞	白話定義	生活類比
模型 model	一個函式，輸入轉輸出	果汁機：丟水果進去，出來果汁
Agent	帶著目標、能自己動手的軟體	你請的助理，交代完就去辦
Harness	管理與調度 agent 的系統	辦公室：決定誰能進哪間房、拿哪把鑰匙

Daniel 對模型的定義我很喜歡：它就是一個資料轉換。你丟圖片進去、它告訴你圖裡有什麼，那叫物件辨識模型。你丟一串字進去、它告訴你下一個字該是什麼，那叫大型語言模型。輸入端放什麼、輸出端出什麼，決定了它叫什麼名字。

重點是那句「它不是魔法」。媒體把 AI 講得太玄，但底層就是神經網路加一堆架構改良，做一次數學上的轉換。

開源與閉源的差別，其實是「那包數字你拿不拿得到」

要跑一個模型需要兩樣東西：跑它的軟體，加上一包叫做權重（weights，一組把軟體調校成特定行為的數字）的資料。

開放權重模型是兩樣都給你，你到 Hugging Face 把權重下載下來，配上 Transformers 這類函式庫，就能在自己筆電或自己的雲上跑。閉源模型則是這兩樣至少有一樣不給，你只能透過 API 或聊天介面去用，運算跑在人家的機房裡。

Chris 順帶點出一個現況很有意思：如果你今天想在自己的機器上跑一個夠強的模型，你很可能會挑中國的模型，因為開源這一塊現在是中國在領先；但如果你願意走 API 打閉源模型，美國那幾家還是最強。這個分岔今年愈來愈明顯，前陣子 Jensen Huang 為了開放權重公開信破天荒發了人生第一則推文，講的就是這條線。

Agent 跟聊天視窗，差在哪

這是我覺得整集最有價值的區分。

以前的 AI 功能，本質上是「一來一往」。你在框框裡打字，它回你一句，回合制。財務軟體裡有個模型幫你預測下季現金流，那也是 AI 功能，你按一下、它算一次。

Agent 不一樣的地方在於：它接上了你真實世界的系統。個人的 agent 可能接你的信箱、日曆、Google Drive、通訊軟體；公司的 agent 可能接 NetSuite、Workday、交易資料庫。然後你給它的不是一個問句，是一個「結果」或一個「目標」，它在沒有人隨時盯著的情況下自己把事情推到那個結果。

差別不在技術有多神，在於「你交出去了多少自主權」。

Harness 則是包在外面那層。Chris 用了一個很好的說法：它是 AI 的作業系統。它管 agent 有哪些、能碰什麼資源、彼此怎麼協調、出事怎麼辦。這一層做不好，就會出現我之前寫過的那種狀況，demo 很漂亮但永遠跨不進 production。

為什麼要一群，而不是一個超強的

節目裡丟了一個很尖銳的問題：多 agent 架構是不是只是在補模型能力的不足？等模型變夠強，這些複雜的編排是不是就沒必要了？

Chris 的答案很篤定：這是兩件事。他認為多 agent 架構不只是趨勢，未來會普遍到大家連提都不想提，因為它就內建在整個技術基礎裡了。他還提到自己正在寫一本這個主題的書。

他舉的兩個場景我覺得說服力很夠。

第一個是資安。你被攻擊的時候，對面很可能就是一群 agent 在打你，攻擊速度是 2026 年的速度，不是 2025 年的。人類根本跟不上。那你的防守就得是一群 agent，各自負責不同系統、不同層面，即時反應。這件事單靠一個超強模型加一個人類坐在螢幕前，物理上做不到。

第二個是機器人。無人機送貨、地面機器人在街上跑，已經不是科幻。這種場景裡，功能面、任務面、安全面要同時顧，而且不能假設網路一直連得上雲端。所以 agent 得在裝置上就能跑、能做決定。

再加一個 Daniel 舉的製造業例子：供應商發通知進來，第一個 agent 判讀出「這家供應商要出包了」，第二個 agent 自動去查替代原料供應商，第三個 agent 把結果整理成採購單草稿丟進 NetSuite。整條在背景發生，你早上打開電腦看到的是已經整理好的選項。

有點像草帽海賊團，不需要每個人都會打架，但每個人在自己那塊要是頂尖的，而且知道什麼時候該讓位給別人。

F1 維修站的比喻，該換人上場了

Daniel 這段講得很好，我聽完停下來想了一下。

以前企業講團隊合作，很愛拿 F1 維修站當例子：進站時間從二十秒壓到兩秒，靠的是每個人只做一件極度specific 的事，把輪胎從這裡搬到那裡，就這樣，不做別的，然後所有人配合得天衣無縫。

過去這個比喻在講「人怎麼分工」。

現在的變化是：每一個上班的人，不管你是執行長還是工程師，都從「換輪胎的那個人」被推到「車隊領隊」的位置。你底下可以有一組各司其職的 agent，你要想的變成策略跟結果，不是自己動手做那個動作。

我覺得這個框架有用，因為它會逼你重新盤點自己的工作：哪些部分其實是可以交出去的執行動作，哪些部分才是你真正在提供價值的判斷。當然反過來想也有點涼，如果每個人都變成策略層，那到底需要幾個策略層？這個問題節目裡也承認沒有答案。老實說我自己也還在想。

統包 vs 自己組：你不會請 McKinsey 幫你配全部的員工

現在市場上很明顯有兩條路。

一條是可換模型的路。你用 LangGraph、Pydantic AI、OpenClaw 這類 agent 框架，底下的模型是可以抽換的，今天用閉源的、明天換開源的，甚至同時混用。

另一條是統包路。Anthropic、OpenAI 的內建 agent 平台，AWS 的 AgentCore，或是 Google 把 Gemini 塞進整套 Workspace、Microsoft 把 Copilot 塞進整套 Office。這些都有很強的主張，從運算、模型、harness 到介面全包，你就整套用下去。

Daniel 的判斷是兩種會並存，但他用了一個很好的比喻來說明為什麼你不該全押統包：大部分公司都會請顧問公司，但沒有一家公司會說「我整間公司的人力都用 McKinsey 派過來的」。一是你付不起，二是那樣的話你這家公司到底還剩下什麼？

你的數位勞動力，是你之後所有敏捷度、議價權跟轉向能力的根。它綁死在誰身上，你就受制於誰。Chris 補了一句更狠的：只要那個垂直整合的供應商哪天決定自己也做你在做的那件高價值的事，你的生意可能一夕之間就垮了。

Token maxing 那一波已經過去了

節目裡順帶提到一個轉折。前一陣子大家在瘋 token maxing，能燒多少 token 就燒多少，反正模型會愈想愈好。結果帳單追上來了，這波很快就退燒。

現在企業問的問題變成：要達成這個結果，最便宜的組合是什麼？大模型負責難的部分，小模型負責重複的部分，能在自己機器上跑的就不要打 API。這其實比之前健康很多。前陣子企業開始編列 token 預算那件事，就是同一個現象的另一面。

而且當 agent 可以自己跑好幾個小時甚至好幾天的時候，成本結構跟「聊天一來一往」完全是兩回事。這點要留意。

那到底怎麼開始

Chris 給的建議很務實，三句話：從小開始、快速迭代、準備備案。

備案這件事他講得特別實在。他說自己在做側邊專案的時候，前沿模型常常擋他，因為他想做的東西比較新，動不動就撞到護欄。那天晚上 Fable 不肯幫他，他就一路往下降級，找到能做的為止。

這跟投資的道理一模一樣：不要把所有東西壓在一個地方，並且先想清楚出事的時候你有什麼可以換。搞懂了再做，不懂就先學。

這集沒有什麼驚人的新聞，但它把三個被講到爛掉的名詞重新分乾淨了。如果你正在公司裡推 agent，或是主管一直問你「我們的 AI 策略是什麼」，這集大概能幫你把話講得比較清楚。

想看更多這類把技術講成人話的產業筆記，wilsonhuang.xyz 我會持續更新，訂閱一下就不會漏掉。