智能體到底是什麼？這一課先把底層邏輯搞懂

前兩篇《Tina學姐的 Codex 筆記》，我先認識了 Codex 可能帶來的產業變化，也實際走過下載、安裝與基本設定。

到了第三篇，老師暫時沒有立刻進入實作，而是先安排了一段我覺得非常重要的理論課：智能體到底是怎麼「幹活」的？

因為接下來我們會看到 Codex 幫忙建立資料夾、執行程式、整理資料、調用外部工具、完成複雜任務，甚至自己遇到錯誤後再修改。如果只看畫面，很容易覺得它好像真的「住進電腦裡」了。

但真正理解之後會發現，智能體並不是魔法。

它之所以能工作，是因為背後有幾個重要能力彼此配合：CLI、API、規劃、記憶、反饋，以及大模型。

如果把這幾個概念弄懂，後面再看 Codex 做任何事情，就會清楚很多。

第一個概念：CLI，讓智能體有能力操作你的電腦

老師首先講到 CLI，也就是 Command Line Interface，中文通常稱為「命令列介面」。

這個概念一開始聽起來很技術，但其實可以用很簡單的方式理解。

我們平常操作電腦，是用滑鼠點擊圖示。例如想建立一個資料夾，我們會按滑鼠右鍵，再選擇新增資料夾。

但是電腦其實還有另外一種操作方式，就是直接輸入命令。

例如在 Windows 的 CMD 或電腦終端機裡，可以輸入指令建立資料夾、查看檔案、執行程式、下載資料，甚至進行很多更複雜的操作。

智能體並不是像人一樣真的「看著螢幕、移動滑鼠」。

它比較像是把我們說的自然語言，轉成電腦可以執行的命令，再透過 CLI 幫我們操作電腦。

所以當我們告訴 Codex：「幫我建立一個新資料夾。」

我們看到的是資料夾自動出現，但背後其實可能是 Codex 幫我們產生了對應的命令，然後在終端機執行。

CLI對我有什麼實際意義？

這裡我馬上想到自己每天大量處理的檔案。

例如圖片分類、影片素材整理、檔名重新命名、建立專案資料夾、移動檔案，這些事情看起來都很簡單，但如果一次要處理幾百個、幾千個檔案，就會變得非常耗時間。

如果未來 Codex 可以透過 CLI 幫我批量處理，那它真正節省的不是「按滑鼠的幾秒鐘」，而是大量重複工作的時間。

第二個概念：API，讓智能體可以借用外部工具的能力

CLI主要解決的是「操作自己這台電腦」的問題。

但智能體不可能什麼能力都有。

例如我的電腦本身不會生成 AI 圖片，也不會生成 AI 影片，更不一定具備某些專業資料分析功能。

這時候就需要 API。

老師用了非常生活化的方式解釋 API：API可以先理解成「向外部服務提出請求，再把結果拿回來」。

例如我告訴一個圖片生成平台：「請幫我做一張圖片。」

我的電腦把提示詞和相關參數傳出去，對方的伺服器完成圖片之後，再把結果傳回來。

這整個過程，就是一次「Request 請求」和「Response 回應」。

智能體因此可以不斷擴充能力

這讓我開始理解，為什麼智能體可以做到那麼多不同的事情。

不是因為 Codex 自己裡面裝了全世界所有軟體，而是：它可以透過 API 去調用外面的服務。

需要做圖片，就調用圖片服務；需要做影片，就調用影片服務；需要分析表格，就調用相關工具；公司如果有自己的內部系統，也可以提供 API 給智能體使用。

這就像替智能體一直增加新的「手腳」。

不過老師也提醒，多數外部 API 都不是完全免費的，通常會依照使用量計費，因此未來如果真的做大量自動化工作，API成本也必須一起計算。

只有CLI和API還不夠，真正關鍵的是「規劃」

講到這裡，智能體已經可以操作電腦，也可以調用外部工具，看起來好像什麼都會了。

但老師接下來點出一個很重要的問題：

「會很多事情」不等於「知道一整件事情應該怎麼完成」。

例如我們告訴智能體：「幫我做一支女裝帶貨影片。」

這其實不是一個單一步驟，而是一整套工作流程。

可能需要先分析產品、確認客群與風格，再準備素材、寫腳本、規劃分鏡、產生圖片或影片、剪輯、加字幕，最後輸出成品。

這就是「規劃」。

智能體真正厲害的地方，不只是幫你做某一個動作，而是能夠按照規劃，一步一步把完整任務做完。

現在最重要的，仍然是人先把流程定義清楚

這一段我覺得非常值得記下來。

老師並沒有把現在的智能體講得神乎其神，反而很明確地說：目前很多複雜業務流程，還不能只丟一個模糊目標，就期待 AI 自己百分之百規劃正確。

所以真正穩定的做法仍然是：人先定義業務流程，再讓智能體照著流程執行。

例如第一步做什麼、第二步做什麼、第三步要用哪一個工具、第四步輸出什麼結果。

當流程第一次跑成功之後，就可以進一步把它封裝成「技能」。

下一次遇到相同工作時，就不需要再重新教一遍。

這一點對我來說非常重要，因為我現在很多工作其實都有固定流程。

例如 SEO文章處理、Facebook貼文、短影音腳本、圖片製作、商品資料整理，其實全部都有自己固定的 SOP。

如果未來我能把這些 SOP 一個一個教給 Codex，再封裝成技能，那才是真正的自動化。

第四個概念：智能體為什麼需要「記憶」？

做一件完整工作時，另一個非常重要的能力就是記憶。

例如我們在同一個對話裡，前面先要求它整理資料，中間修改幾次條件，後面再請它繼續下一步。

它之所以知道前面發生過什麼，就是因為它保留了上下文。

這個「上下文」，就可以先把它理解成智能體目前的工作記憶。

它需要知道：

• • 前面你要求什麼？
  • 剛才已經完成什麼？
  • 執行過程得到什麼結果？
  • 現在下一步要做什麼？

因為智能體每完成一步，其實都要根據前面的資訊重新做下一個決策。

但智能體的記憶並不是無限的

這也是我以前很容易忽略的地方。

一個對話視窗可以保存的上下文是有限的。

當內容愈來愈多時，系統就可能進行「壓縮」。

老師用作文舉例：原本有500字，壓縮之後可能只保留50字摘要。

核心資訊還在，但細節一定會慢慢減少。

所以如果在同一個視窗裡一直測試二三十種不同工作，上下文最後可能會變得很亂。

老師的建議是：一個流程測試成功，就把它整理成技能；下一個流程，再開新的工作環境去測。

這個觀念對我以後使用 Codex 應該會非常實用。

第五個概念：智能體最厲害的地方之一，是自己會「反饋與修正」

如果叫一般聊天型 AI 寫一段程式，它可能給你答案之後就結束了。

但真正的智能體工作方式不一樣。

例如我們要求 Codex 開發一個小程式。

它先寫程式。

然後執行。

如果程式報錯，它會看到錯誤訊息。

接著分析是哪裡出問題，再修改程式、重新執行。

如果還有問題，就再繼續修正。

整個過程形成一個循環：執行 → 得到反饋 → 分析原因 → 修改 → 再執行。

這就是智能體很重要的「反饋優化能力」。

真正厲害的不是一次做對，而是能一直做到對

這一點我特別有感。

因為我們使用 AI 時，很容易期待第一次回答就必須完美。

但真正做工作的世界本來就不是這樣。

人寫程式會出錯，人做企劃會修改，影片也一定會經過很多次版本。

所以智能體真正有價值的地方，可能不是「第一次就百分之百正確」，而是它能自己看結果、找問題、修正，再繼續往目標前進。

最後一個核心：為什麼智能體還需要大模型？

看到這裡，我原本會有一個疑問：既然智能體已經有 CLI、API、規劃、記憶、反饋這麼多能力，為什麼還需要 GPT、DeepSeek 或其他大模型？

老師的解釋很清楚。

智能體是一套「做事情的框架」，而大模型才是負責理解、推理和生成內容的核心。

例如你告訴 Codex：

「幫我建立一個資料夾。」

CLI讓它有能力執行命令。

但到底應該執行哪一條命令？

這個命令需要先被「想出來」。

再例如它要寫一段程式，程式碼從哪裡來？

要調用圖片 API，提示詞和參數從哪裡來？

遇到錯誤後，怎麼判斷問題在哪裡？

這些都需要大模型的理解、推理與生成能力。

我現在會把兩者理解成「大腦＋行動系統」

如果一定要用最簡單的方法理解，我會這樣記：大模型負責「想」，智能體負責「做」。

大模型像大腦，負責理解需求、思考方法、生成指令、寫程式、產生提示詞、分析錯誤。

智能體則把這些能力串起來，加上 CLI、API、記憶、規劃與反饋，讓「想法」真的可以被執行。

因此兩者不是誰比較高級，而是相輔相成。

如果大模型能力太弱，智能體就算工具很多，也可能做不好；反過來，如果只有大模型卻沒有智能體框架，它又很容易停留在「給答案」，而不是「把事情做完」。

Tina學姐的學習心得：我終於知道「智能體」和「聊天AI」差在哪裡了

這堂課其實是目前三篇裡面最偏理論的一堂。

但我覺得它反而非常重要。

以前我在使用 ChatGPT 或其他大模型時，主要模式都是：

我問一個問題，它回答我。

我再問下一個，它再回答。

所以我一直把 AI 理解成一個很聰明的「助手」。

但是學完智能體的底層結構之後，我開始看到另外一種可能。

未來 AI 不只是回答我的問題，而是接下一件工作，自己去調工具、執行、檢查、修改，最後把結果交給我。

這兩者差距非常大。

也難怪第一堂課會一直強調：未來人的價值會從「自己執行每一個步驟」，慢慢轉到「定義問題、設計流程、驗收結果」。

我現在最想做的，是把自己的SOP慢慢交給智能體

上完這堂課，我開始重新看自己每天的工作。

其實我現在有非常多固定流程。

• • SEO文章有流程。
  • Facebook貼文有流程。
  • 短影音腳本有流程。
  • 圖片生成有流程。
  • 影片製作有流程。
  • 商品頁與電商營運同樣有流程。

以前所謂「SOP」，只是我自己知道第一步、第二步、第三步怎麼做。

但智能體時代的 SOP，可能多了一個全新的用途：把人的工作流程，變成 AI 可以執行的工作流程。

如果我先把流程設計清楚，讓 Codex 跑過一次、修改到正確，再封裝成技能，下一次是不是就能直接重複使用？

如果可以，那真正值得累積的東西，就不只是 Prompt。

而是一套又一套屬於自己的「AI工作流程資產」。

Tina學姐的Codex筆記03｜我的結論

第三堂學完，我現在會用一句話理解智能體：智能體，就是讓大模型從「只會想」進一步變成「真的能做事」的一套工作系統。

• • CLI讓它可以操作電腦。
  • API讓它可以使用外部工具。
  • 規劃讓它知道一件複雜工作應該分成哪些步驟。
  • 記憶讓它知道前面做了什麼。
  • 反饋讓它發現錯誤之後可以重新修正。

而大模型，則是整套系統裡負責理解、思考、推理與生成的核心。

把這六個概念放在一起之後，我才真正開始看懂 Codex 為什麼不只是「AI寫程式」。

它真正想做的事情，是：把一個人的工作邏輯，慢慢變成可以被 AI 執行、重複、修正與自動化的流程。

對我來說，這也讓後面的實戰課變得更值得期待。

因為接下來我真正想知道的是：我的 SEO、網站、電商、內容與影片工作，到底有多少可以一步一步變成 Codex 的技能？