剖析 GPT :第七篇｜AI 代理人的操作系統：LLM × SLM × MCP × atomic agents，如何組成一間「AI 公司」？

第七篇｜AI 代理人的操作系統：LLM × SLM × MCP × atomic-agents，如何組成一間「AI 公司」？

前言：AI 的真正革命，不是更大的模型，而是「組織能力」的出現



當人們談論 AI 的未來，多半仍停留在：

  • GPT-5 會多聰明？

  • LLM 會不會成為通用智慧？

  • 小模型會不會取代大模型？

這些問題，背後其實都隱含一個假設：

AI 是一顆單一、巨大的大腦。

但現實正在悄悄改變。

AI 不再是一顆腦，而是一個組織。
是一間有分工、有流程、有工具、有失敗處理的「公司」。

而這個轉變，對工程師來說，比任何模型升級都重要。

一、為什麼需要 AI Agent？從「會說話」到「會做事」

想像一個真實場景：

你是一家連鎖零售的營運長，每天需要處理：

  • 上千門市的庫存

  • 物流延遲

  • 促銷節奏

  • 供應商回應

  • 例外事件（缺貨、塞港）

如果你把這一切交給單一 LLM：

它可以寫出一份完美的分析報告，
但它無法登入 ERP、不能發信、不能下單、不能更新系統。

這正是 Agentic AI 的核心價值所在：

AI 不只是提供建議，而是能替你完成任務。

而一個真正成熟的 AI 代理系統，必須具備：

  • 自動抓資料

  • 自動呼叫系統

  • 自動執行流程

  • 自動回報狀態

  • 必要時請人類介入

這已經不是「模型能力」的問題，而是系統架構的問題。

二、AI 公司的組織結構：為什麼一定要拆成多層？

1️⃣ 腦部結構：LLM × SLM（決策層 vs 執行層）

LLM（CEO / Orchestrator）

  • 負責抽象推理與策略規劃

  • 拆解任務、產生執行計畫（plan）

  • 與人類溝通、處理模糊需求

它不應該：

  • 直接呼叫外部 API

  • 執行大量重複任務

  • 管理長時間狀態

SLM（部門主管 / Worker Agents）

  • 負責單一、明確、可重複的小任務

  • 反應快、成本低、可大量並行

  • 適合查資料、轉換格式、驗證條件

工程上的意義很簡單：

把「思考」與「執行」拆開，
系統才有可測試性、可擴展性與可維護性。

三、atomic-agents：Agent 的「內功」——讓行為變成工程

在實作 Agent 時，很多人會遇到同一個痛點：

Prompt 能跑，但行為不穩定，debug 幾乎不可能。

atomic-agents 的定位很清楚：

它不是聊天框架，而是 Agent Engineering Framework。

它提供的是：

  • 單一職責的 Agent 設計

  • 結構化輸入輸出（Pydantic / Instructor）

  • 可驗證、可重試、可測試的 Agent 行為

在這個架構中，atomic-agents 適合放在哪？

  • LLM Orchestrator（產生 plan）

  • SLM Worker Agents（執行小任務）

  • 本地邏輯處理、資料清洗、格式轉換

你可以把它理解為：

Agent 的內功心法：不炫技，但極度扎實。

四、MCP：不是魔法，是 AI 世界的「USB 介面」

MCP（Model Context Protocol）解決的不是推理問題，而是連接問題。

在沒有 MCP 之前：

  • 每個工具都要寫一次整合程式碼

  • Agent 與工具高度耦合

  • 無法共用、無法替換

MCP 的工程定位非常明確：

  • 標準化工具介面

  • 工具發現（Tool Discovery）

  • 結構化輸入輸出

  • 與模型、框架解耦

就像 USB 一樣：

不管你接的是滑鼠、硬碟還是鍵盤，
只要符合規格，系統就能用。

atomic-agents vs MCP，不是競爭，而是分工

  • atomic-agents：怎麼思考、怎麼決策

  • MCP：怎麼連接外部世界

五、n8n：AI 的行動工廠與狀態機

當任務開始具備以下特性：

  • 跨多個系統

  • 需要等待

  • 需要人類批准

  • 需要補償與回退

它就不再適合由 Agent 自己處理。

這時，n8n 扮演的角色是：

  • 長流程引擎

  • 自動化工作流

  • 人類介入（Human-in-the-loop）的承載平台

一個標準模式會是：

  • Agent 決策「該做什麼」

  • n8n 負責「怎麼一步步做完」

  • 關鍵節點請人類批准

這不是限制 AI，而是讓 AI 在可控範圍內行動。

六、整合視角：一間「AI 公司」如何實際運作？

當這些角色組合起來，你會得到：

  • LLM（CEO）：負責思考與規劃

  • SLM（主管 / 工人）：負責執行與產出

  • atomic-agents：確保行為可預測、可工程化

  • MCP：連接資料庫、API、工具

  • n8n：處理長流程與人類介入

這不再是聊天機器人。

這是一個：

  • 能被拆 ticket

  • 能被 code review

  • 能被 debug

  • 能換模型

  • 能持續演進

的 Agentic System。

七、給工程師與 LLM 的共同規則（非常重要）

這套架構能運作的前提只有一個：

每一層都守好自己的邊界。

  • LLM 只做決策，不直接動手

  • SLM 只做單一任務，不做全局判斷

  • 外部工具一律經由 MCP

  • 長流程一律交給 n8n

  • 高風險行為必須有人類介入

這些規則，既是工程準則，
也是未來讓 LLM「知道自己該怎麼行動」的 operating manual。

結語：從模型，到組織，到可維護的系統

當你走到這一步，會發現一件事：

AI 的競爭，不再是誰的模型最大，
而是誰的系統最能被長期維護與演進。

這篇文章提供的不是唯一答案，
而是一套可被工程師與 AI 同時理解的結構範式。

接下來，你可以：

  • 把它交給工程團隊畫架構圖

  • 把它交給 LLM 規劃系統

  • 把它當作 Agentic AI 的設計基準線



實務上, 你可以把這篇文章丟給你喜歡的LLM, GPT,Claude, Gemini,Codex , 問它能不能理解這篇文章, 用它來規劃系統架構, 有那些東西不懂, 不足需要補強的. 它應該就會回答了..


附錄一: 我找了 Grok 來讀這篇文章的回應. 每個AI的回答應該都會有些不同.

Agent System Design Specification（代理系統設計規格）

1. 系統概述

目的

建置一個可被工程師維護的 AI 代理系統，模擬一間「AI 公司」的組織結構。系統不僅能處理複雜任務（如零售營運管理），還具備自動化執行、錯誤處理、人類介入和可擴展性。核心原則：AI 不再是單一大腦，而是有分工的組織。

關鍵假設

  • AI 的競爭在於系統的可維護性和演進性，而非模型大小。
  • 每一層元件守好邊界：決策層不直接執行，執行層不做全局判斷。
  • 支援模組化替換（如換模型或工具），確保工程可測試性。

適用場景

  • 零售營運：庫存管理、物流追蹤、促銷調整。
  • 其他：財務分析、客戶服務自動化、供應鏈優化。

2. 系統架構圖（高層視圖）

（這裡可以用文字描述架構；如果需要視覺化，我建議用 Mermaid 產生圖表。以下是文字版：）

  • 輸入層：用戶需求（模糊或明確任務）。
  • 決策層 (LLM CEO/Orchestrator) → 產生計劃 → 分派任務。
    • 連接：MCP（工具介面）。
  • 執行層 (SLM Worker Agents) → 處理單一任務 → 回饋結果。
    • 內核：atomic-agents（行為工程化）。
  • 工作流層 (n8n) → 管理長流程、等待、人類介入、補償。
  • 輸出層：任務完成報告、狀態更新。
  • 外部連接：資料庫、API、ERP 系統（經 MCP 標準化）。

流程示例：

  1. 用戶輸入 → LLM 拆解計劃。
  2. 計劃分派給 SLM Agents（經 atomic-agents 執行）。
  3. 若需長流程 → n8n 接手（包含人類批准）。
  4. 結果彙整 → 回報用戶。

3. 元件細節與分工

3.1 腦部結構：LLM × SLM

  • LLM (Large Language Model) - CEO/Orchestrator
    • 角色：抽象推理、策略規劃、任務拆解、產生執行計劃（Plan）。
    • 輸入：用戶需求、模糊查詢。
    • 輸出：結構化計劃（e.g., JSON 格式的任務清單）。
    • 限制：不直接呼叫 API、不管理狀態、不執行重複任務。
    • 推薦模型：如 GPT-4 或類似大模型。
    • 工程考量：使用 atomic-agents 包裝，確保輸出可驗證（Pydantic 結構化）。
  • SLM (Small Language Model) - 部門主管/Worker Agents
    • 角色：執行單一、可重複任務（如資料查詢、格式轉換、條件驗證）。
    • 輸入：LLM 提供的子任務。
    • 輸出：具體結果（e.g., 查詢結果、驗證報告）。
    • 優勢：反應快、成本低、可並行。
    • 限制：不處理全局決策，只專注單一職責。
    • 推薦模型：如 Llama-3 小型變體。
    • 工程考量：多個 SLM Agents 可並行運行，使用 atomic-agents 確保行為穩定、可重試。

3.2 atomic-agents：Agent 行為工程框架

  • 定位：Agent 的「內功」，確保單一職責、可測試性。
  • 整合位置：
    • 在 LLM Orchestrator：用於產生計劃的結構化輸出。
    • 在 SLM Worker Agents：處理小任務的邏輯、資料清洗。
    • 不適合：全局狀態管理（交給 n8n）。
  • 關鍵功能：
    • 結構化輸入/輸出（使用 Pydantic/Instructor）。
    • 可驗證、重試、測試行為。
  • 為什麼使用：解決 Prompt 不穩定的痛點，讓 Agent 行為變成可工程化的模組。

3.3 MCP (Model Context Protocol)：工具連接標準

  • 定位：AI 世界的「USB 介面」，解決連接耦合問題。
  • 整合位置：
    • 連接外部工具、API、資料源（e.g., ERP、資料庫）。
    • 工具發現與標準化輸入/輸出。
  • 關鍵功能：
    • 解耦模型與工具：任何模型都能用同一介面。
    • 支援工具替換、無需重寫程式碼。
  • 與 atomic-agents 分工：atomic-agents 管「怎麼思考」，MCP 管「怎麼連接」。

3.4 n8n：工作流引擎與狀態機

  • 定位：處理長流程、等待、補償、人類介入。
  • 整合位置：
    • 當任務跨多系統或需批准時，從 Agent 轉交 n8n。
    • 示例：LLM 產生計劃 → n8n 執行步驟（e.g., 查庫存 → 發信 → 等待回應 → 更新系統）。
  • 關鍵功能：
    • 自動化工作流（400+ 整合）。
    • Human-in-the-loop：關鍵節點通知人類。
    • 錯誤處理：回退、補償機制。
  • 為什麼使用：Agent 不適合長時間狀態，n8n 提供可控的行動工廠。

4. 運作流程（Standard Operating Procedure）

  1. 任務接收：用戶輸入 → LLM 分析並產生計劃（使用 atomic-agents 結構化）。
  2. 任務分派：計劃拆成子任務 → 分派給 SLM Agents（經 MCP 呼叫工具）。
  3. 執行與連接：SLM 處理子任務，若需外部 → 經 MCP。
  4. 長流程管理：若任務複雜 → n8n 接管（包含等待/批准）。
  5. 回報與迭代：結果彙整 → LLM 驗證 → 若需調整，重複步驟。
  6. 例外處理：高風險行為強制人類介入；錯誤時重試或回退。

5. 工程規則與邊界（非常重要）

  • 邊界守則：
    • LLM 只決策，不動手。
    • SLM 只單一任務，不全局判斷。
    • 所有外部工具經 MCP。
    • 長流程交 n8n。
    • 高風險（e.g., 下單、刪除資料）需人類批准。
  • 可維護性設計：
    • 模組化：每個元件可獨立測試/替換。
    • 監控：記錄每個層的輸入/輸出（用於 debug）。
    • 擴展：支援添加新 SLM Agents 或工具。
    • 成本優化：SLM 處理重複任務，LLM 只高階。
  • 測試策略：
    • 單元測試：atomic-agents 的行為。
    • 整合測試：MCP 工具連接。
    • 端到端測試：n8n 工作流。

6. 實施建議

  • 技術堆疊：
    • 語言：Python（atomic-agents 和 MCP 相容）。
    • 模型：OpenAI/Groq for LLM，Hugging Face for SLM。
    • 部署：自託管 n8n，雲端 MCP 整合。

  • 下一步：
    • 產生 POC（Proof of Concept）：用簡單零售場景實作。
    • 安全考量：MCP 的安全風險（e.g., 權限控制）。
    • 演進：擴展到多代理系統（e.g., 第八篇的主題）。

7. 風險與限制

留言

張貼留言

這個網誌中的熱門文章

不要再學 Prompt : 第 1 篇：新手完全不懂 Prompt，也能讓 AI 幫你生出專業 Prompt（超簡單）

圖片
📘 第 1 篇：新手完全不懂 Prompt，也能讓 AI 幫你生出專業 Prompt（超簡單） 多數人以為，要好好使用 AI、尤其是像 ChatGPT 這樣的語言模型，一定要懂什麼“Prompt Engineering”。 結果大家越查越頭痛，越練越混亂，甚至懷疑是不是自己不夠聰明。 但其實—— 新手根本不用懂 prompt。 你只要會講自己的「目的」，AI 就會替你把它翻譯成 prompt。 這篇文章就是要教你： 完全零基礎的小白，要怎麼問 AI，才能讓 AI 反過來幫你產生真正好用的 prompt？ 而且方法非常簡單。 🚶‍♂️ Step 1：不要想 prompt，先說你「想要什麼」 大部分新手在面對 AI 時，第一句就緊張到硬擠程式碼般的句子： 「幫我寫一個 prompt 用來分析股票」 「我需要一個 prompt 讓你變成專家」 「請寫出最佳 prompt…」 但你根本不需要這樣。 你只要像跟朋友聊天那樣說出目的： 我想學健身 我想多賺點錢 我想做一個小專案 我想弄懂主力分析 我想寫程式但不知道怎麼開始 這些就是最原始、最有力量的訊息。 對 AI 來說，這些“目的”比任何 prompt 都重要。 🤖 Step 2：AI 會反問你，幫你把目的變成「可執行」的結構 例如你說： 我想多賺錢。 AI 會問： 你有多少時間？ 你擅長什麼？ 你想短期還長期？ 你會發現 AI 在做一件事： 把你的模糊意圖 → 拆成 AI 能理解的具體問題。 你不需要知道怎麼描述問題， AI 會一步一步把你帶到正確的位置。 這個過程，本身比 prompt 還強。 🧠 Step 3：AI 自己生成一份「專業 Prompt」給你 當 AI 問清楚之後，它就能輸出： 一份完整的角色設定 任務流程 限制條件 格式說明 注意事項 也就是： 你不用寫 prompt，AI 會幫你寫 prompt。 這就是你在我們對話中看到的魔法： 你只講一句：「我很缺錢，我想多賺錢。」 我就替你生出一份「青少年賺錢安全版完整 prompt」。 新手寫不出來的東西，AI 卻能從你的目的反推出來。 🧩 Step ...
閱讀完整內容

蜀漢多代理智能架構 *AI 不是一個人工作，而是一個國家在運作。*

圖片
自畢業以來, 我一直不喜歡, 也不擅長於寫程式(除非迫不得已), 在MS, TrendMicro工作時, 作的也是QA TEAM. 寫過比較大的程式, 應該只有在電信公司時, 為了解決公司的流量分析, 以及查DDOS攻擊來源(從router倒出來log出來查, 一秒鐘大概有幾千萬資料, 以前是由資深工程師由人工查, 查完大概也是2天後了). 開了公司, 更是跟軟體無關, 唯一想的事, 都是怎麼賺錢而已. 2,3月個月前, 剛好有朋友聊到, 他們在做內部的知識圖譜系統, 希望乭以簡化採購單位建立/查詢資料時, 資料因為有多語義, 跨國語言, 還有通用欄位等問題, 傳統ERP 也無法解決這問題, 所以變開始重操舊業, 試試看能不能寫的出來. 當然, 重頭學程式語言那是不可能的, 那時候剛好看到有個東西 , 叫Vibe Coiding ,似乎很神奇, 只要開口說, AI就可以幫你幫程式寫出來, 正好符合我這種非專業人士的需求.. 從一開始用Minus , 說真的, 還滿厲害的, 描述一下你要的目的, 很快就連網站都架好了, 代價是成本很高, 也很難叫他DEBUG. 後來開始用Codex , VS CODE, 用Github copilot, 寫是能寫, 但是常常會遇到有些問題, 叫它改, 怎麼改都改不出來, 常常要不同Agent 換來換去. 但是改來改去, 常常就風格不一, 要不然就是AI對於畫面的理解總是特別難. 還好, 後來有了反重力, 這一切才有改善. 所以, 常常我要一邊問GPT, 一邊叫copilot 裏的GPT,Claude,Gemini, 還有反重力進來改, 在幾個AGENT 之間不停的切來切去, 一隻不行就換另一隻. 這2,3個月下來, 跌跌撞撞也寫了幾萬行的程式碼, KG , 股票分析程式也慢慢可以用了. 那是我第一次覺得, Vibe Coding是可行的, 但不能像我一開始那樣, 開口就叫他們寫, 寫一些小型的可能沒什麼問題, 但是程式到了幾千行, 對於像我一樣的非專業人士就會造成災難, 因為程式都不是自己寫的, 架構, 解決工具都是AI 做的, 你只是不斷地按, "OK" 而已. Agents.md 是我一開始的解決, 把一些基本原則寫進去, 改程式時, 就讓AI去讀, 為了讓 GPT 可以更直接跟其它AI 溝通, 我也寫了一支...
閱讀完整內容

不要再學 Prompt: 第 2 篇：LLM 如何把人的意圖翻譯成高品質 Prompt？

圖片
📘 第 2 篇：LLM 如何把人的意圖翻譯成高品質 Prompt？——我做了一個實驗，結果讓我大開眼界 前陣子我做了一個小實驗， 我只是丟給 AI 一句非常模糊的需求： 「我很缺錢，我想多賺錢，有什麼方法？」 老實說，我故意這樣問，因為我想看看 AI 在資訊不完整的情況下，到底能理解多少。 結果它給我的回答—— 不只是建議，而是一整套：a背景分析 問題澄清 安全限制 行為邏輯 最後還反過來幫我「生成一份完整的專業 Prompt」 這件事讓我意識到一個關鍵： AI 不只是回答問題，它其實在「翻譯你的意圖」。 新手常常以為 prompt 要寫得又長又精準， 但這次實驗讓我看到： 其實你只要講出目的，AI 就能自己推理出完整的 prompt。 下面我就把這次的事情拆開講，讓大家看看 LLM 到底在背後做什麼。 🔍 一、我只給了一句話，AI 卻開始主動推理 我那句話只有 10 幾個字： 「我很缺錢，我想多賺錢，有什麼方法？」 沒說背景、沒講技能、沒講限制，我甚至沒有問清楚問題本身。 但 AI 卻像聽懂我背後的動機那樣開始追問： 你週末有沒有空？ 你擅長什麼？ 你希望短期還是長期？ 那一刻我突然想通一件事： 它不是在“回答句子”， 它是在“重建任務”。 這是我以前從來沒換個角度看過的事情。 🧠 二、AI 不只是理解語言，它會“補齊你沒說的部分” 通常我們跟人合作時，也會這樣： 如果有人說：「我想賺錢。」 你大概也會問： 你會什麼？ 你有多少時間？ 你願意做什麼類型的工作？ AI 正在模仿這種「人類的深層推理」。 所以它開始自動判斷： 既然你是青少年，你不能做成人工作。 投資、借貸、金融風險都要避開。 找零用錢方法需要考慮安全與時間。 它什麼都沒問你年齡，卻能“推理出你該避免的事情”。 這也讓我開始理解： 好的 prompt，不一定要你寫， AI 會按照你的目的自己建構出來。 🧩 三、AI 是怎麼把一句普通話 → 變成高品質 Prompt？ 當我回答完 AI 的追問後，它做了一件超厲害的事： 竟然把我給的資訊整理成一份「完整可重複使用的 prompt」。 內容包含： 角色設定（青少年生活教練） 安全限制（避免金融風險） 任務流程（先澄清 ...
閱讀完整內容