【8/16台北場】駕馭程式代理人：從原理到掌控自動化開發 – 國立台灣大學資訊工程學系

 

一、打開黑盒子：AI 為什麼會寫程式？

程式代理人的起點，是一個會根據上下文預測下一段文字的大語言模型。
這一部分會先拆開它的基本原理，讓你看懂 AI 不是魔法，而是一套可以理解、可以分析、也可以被設計的機制。

你會學到：

● 大語言模型如何讀取文字、程式碼與上下文
● AI 為什麼能補程式、解釋錯誤、產生設計
● 為什麼它有時會誤判、幻想，或一本正經地改錯地方
● 提示、上下文與輸出結果之間的關係
● 圖片、截圖、錯誤訊息等非純文字資料，如何成為模型可理解的輸入

二、讓模型能動手：工具使用與外部環境

單純的語言模型只能產生文字；但程式代理人之所以有用，是因為它可以接上工具，真的去讀檔、改檔、跑指令、看結果。

這一部分會帶你理解工具使用（tool use）的設計，並看懂 Claude Code、Codex、Cursor 這類工具背後大致如何運作。

你會學到：

● 工具使用（tool use）是什麼
● 模型如何決定什麼時候該使用工具
● 如何讓 AI 讀取檔案、搜尋專案、修改程式
● 如何讓 AI 執行指令、跑測試、查看錯誤結果
● 外掛框架（harness）如何把模型、工具與開發環境串起來

三、從回答問題到完成任務：代理迴圈

程式代理人的核心不是「一次回答」，而是能反覆執行一個循環：

思考 → 行動 → 觀察結果 → 修正 → 再行動

這就是代理迴圈（agentic loop）。
這一部分會帶你理解代理人如何一步步完成任務，也會分析它為什麼有時會卡住、空轉或走錯方向。

你會學到：

● 代理迴圈（agentic loop）的基本結構
● AI 如何根據執行結果修正下一步
● 為什麼代理人會重複嘗試、偏離目標或陷入空轉
● 如何設計任務，讓代理人更容易成功完成
● 什麼時候該讓它繼續跑，什麼時候該中斷介入

四、讓它做得久、做得準：上下文與記憶

代理人要完成長任務，關鍵不只是模型本身有多強，而是它有沒有看到正確的資訊。

這一部分會介紹上下文工程（context engineering）與記憶設計，讓你學會如何餵資料、整理資訊、保留重點，避免代理人在長任務中越跑越亂。

你會學到：

● 上下文視窗的限制與取捨
● 如何決定哪些資訊應該給模型看
● 如何整理規格、錯誤訊息、檔案內容與執行結果
● 如何丟掉雜訊，保留真正重要的任務資訊
● 記憶機制如何幫助代理人延續任務
● 子代理人與多模型分工如何處理複雜任務

五、讓它可靠可控：權限、護欄與人機協作

當 AI 能改程式、跑指令，也代表它可能改錯、刪錯、跑錯，甚至造成安全與成本風險。

這一部分會帶你建立「能放手，但不失控」的代理人設計觀念，理解哪些事情可以自動化，哪些事情必須保留人工確認。

你會學到：

● 權限控管（permissions）如何設計
● 哪些操作可以自動執行，哪些操作必須先詢問
● 如何避免代理人亂改重要檔案或執行危險指令
● 如何設計檢查點、人工審查與回復機制
● 如何判斷代理人的行動是否可信
● 如何在人類開發者與 AI 代理人之間建立有效分工

六、看懂成本與效益：不要讓自動化失控

代理人跑得越久、讀得越多、工具用得越頻繁，成本就越容易被忽略。

這一部分會帶你理解詞元（token）、模型選擇、訂閱制與用量計費，讓你知道成本花在哪裡，也知道怎麼控制。

你會學到：

● 詞元（token）是什麼，為什麼上下文越長越貴
● 訂閱制與用量計費的差異
● 不同模型在能力、速度與成本上的取捨
● 什麼任務該交給強模型，什麼任務可以交給便宜模型
● 如何用多模型分工降低成本
● 如何評估代理人帶來的時間收益與風險成本

七、掌握主流實務：建立不被工具淘汰的判斷力

AI 開發工具會一直變，但底層觀念不會那麼快過時。

最後一部分會把前面的概念整合到目前主流的開發實務中，讓你不只會使用現有工具，也能看懂新工具、新功能背後真正改變的是什麼。

你會學到：

● 模型上下文協定（MCP）如何連接外部工具與資料源
● 規格驅動開發（spec-driven development）如何讓代理人更穩定工作
● 迴圈工程（loop engineering）如何改善代理人的行為
● 多模型分工與子代理人的實務應用
● 長時間任務與隔夜執行的代理人工作流
● 如何評估 Claude Code、Codex、Cursor 等工具的能力、限制與風險