整理：Chun | 2026-07-21 用途：授課素材 — 幫助學員理解 AI Agent 的發展脈絡與產品機會
AI 從「聊天機器人」到「自主智能體」，經歷了六個明確的技術範式轉移：
| 階段 | 時期 | 核心能力 | 人機角色 |
|---|---|---|---|
| 1. 單次對話 | 2023 初 | Prompt → Answer | 人問 AI 答 |
| 2. 知識增強 (RAG) | 2023 中-2024 | 檢索 + 生成 | 人提供資料，AI 基於資料回答 |
| 3. 工具呼叫 (Function Calling) | 2023 末-2024 | AI 可執行動作 | 人指揮，AI 執行 |
| 4. 工作流編排 (Workflow) | 2024-2025 | 確定性流程 + AI 節點 | 人設計流程，AI 填充智慧 |
| 5. 現代 Agent Loop | 2025-2026 | 強模型自主規劃+執行 | AI 主導，人監督 |
| 6. Agent Harness | 2026 | 記憶 + 工具發現 + 協作 + 持久化 | AI 自主運作，人設定目標 |
人主導 ─────────────────────────────────── AI 主導
│ │
├── 人打字問問題，AI 回答文字 階段 1-2
├── 人指揮方向，AI 執行步驟 階段 3-4（Copilot 時代）
├── AI 自主規劃執行，人監督審批 階段 5（Agent 時代）
└── AI 組織自主運作，人設定目標 階段 6（AI-First 時代）
核心動作：寫好 prompt 得到好回答
| 類別 | 代表產品 | 說明 |
|---|---|---|
| 對話入口 | ChatGPT、Claude | 定義了「對話式 AI」的產品形態 |
| Prompt 市場 | PromptBase | 買賣 prompt 的交易平台 |
| Prompt 管理 | PromptLayer、AIPRM | 記錄、版本化、A/B 測試 prompt |
| 學習資源 | Learn Prompting、Prompt Engineering Guide (DAIR.AI) | 開源教學手冊 |
核心動作：讓 AI 基於自己的資料回答
| 類別 | 代表產品 | 說明 |
|---|---|---|
| 編排框架 | LangChain | 第一個廣泛流行的 LLM 應用框架（chain 概念） |
| 檢索框架 | LlamaIndex | 專注於資料索引和檢索的框架 |
| 向量資料庫 | Pinecone、Weaviate、ChromaDB | 儲存 embedding 的基礎設施 |
| No-code RAG | Dify、FlowiseAI、AnythingLLM | 拖拉式建構 RAG 應用 |
| 企業知識庫 | Notion AI、Glean | 企業知識問答 |
| 開源 RAG 引擎 | RAGFlow | 端到端的 RAG 引擎 |
核心動作：讓 AI 呼叫工具、執行動作
| 類別 | 代表產品 | 說明 |
|---|---|---|
| 概念驗證 | AutoGPT | 第一個爆紅的自主 Agent（GitHub 最快達到 10 萬星） |
| 任務型 Agent | BabyAGI | 極簡的任務分解 + 執行 loop |
| Plugin 生態 | ChatGPT Plugins | OpenAI 的工具呼叫市場（後來收斂為 GPTs） |
| 封裝產品 | Custom GPTs (GPT Store) | 把 prompt + 知識 + 工具封裝成可分享的「App」 |
| 程式碼 Agent | Open Interpreter | 在本地執行程式碼的 AI 助手 |
核心動作：把 AI 包進可靠的業務流程
| 類別 | 代表產品 | 說明 |
|---|---|---|
| 圖形化編排 | LangGraph | LangChain 團隊的狀態機 / DAG Agent 框架 |
| 多 Agent | CrewAI | 角色分工型多 Agent 協作框架 |
| 多 Agent | AutoGen (Microsoft) | 對話式多 Agent 框架（2025 進入維護模式） |
| No-code Agent | Dify（Agent 模式）、Coze (ByteDance) | 低代碼搭建 Agent workflow |
| 工作流自動化 | n8n（AI nodes）、Make、Zapier AI | 傳統 RPA + AI 節點 |
| Coding Agent | Devin (Cognition) | 第一個引爆「AI 軟體工程師」概念的產品 |
| Coding IDE | Cursor、Windsurf | AI-native IDE |
2024 年的多 Agent 熱潮帶來了一個重要的產業學習：
最初的假設：多個專業化 Agent 互相對話，效果會優於單一 Agent。
實際發現：
- 當底層模型能力不足時，多個弱模型互相對話 = 放大幻覺，而非互補
- 「PM Agent + 工程師 Agent + QA Agent」的敘事很吸引人，但本質是同一個 LLM 戴不同 system prompt
- 真正有效的不是「Agent 之間的對話」，而是「確定性的流程拆分」
沉澱下來的有效模式：
| 有效 | 無效 |
|---|---|
| 流水線（A 做完交給 B） | 自由對話（A 和 B「討論」） |
| 強模型規劃 + 弱模型執行 | 多個弱模型互相「腦力激盪」 |
| 每個節點有明確的輸入/輸出契約 | Agent 之間傳遞模糊的自然語言 |
轉折的信號：
- AutoGen 在 2025 進入維護模式
- CrewAI 轉向企業 workflow 自動化，淡化「Agent 對話」敘事
- Anthropic、OpenAI 的 best practice 都建議「先試單 Agent，不夠再拆」
這個修正直接催生了第五階段的方向：與其讓多個弱 Agent 協作，不如讓一個強模型搭配結構化的知識系統（Skills、Memory、Context Engineering）來完成複雜任務。
💡 給學員的啟示：技術演化不是線性上升，每個階段都有「過度樂觀 → 實踐修正 → 沉澱有效子集」的過程。判斷一個技術趨勢是否成熟，要看它是否已經經歷過這個修正週期。
核心動作：強模型 + 結構化知識 = 自主完成複雜任務
| 類別 | 代表產品 | 說明 |
|---|---|---|
| Coding Agent | Claude Code (Anthropic) | Terminal-native coding agent，催生 CLAUDE.md 生態 |
| 知識模式 | LLM Wiki (Karpathy pattern) | LLM 自動建構和維護知識庫，取代即時 RAG |
| Agent 指令標準 | AGENTS.md (Linux Foundation) | 開放標準，6 萬+ repo 採用 |
| Skills 系統 | SKILL.md pattern | 可按需載入的技能模組（動態上下文管理） |
| Agent 記憶 | Mem0、Zep、Letta | 讓 Agent 擁有跨 session 的持久記憶 |
| Agent SDK | OpenAI Agents SDK、Claude Agent SDK、Google ADK | 三大廠的官方 Agent 開發套件 |
| 知識圖譜 | Codebase Memory | 用知識圖譜取代向量搜尋來理解程式碼 |
| Agent 框架 | Smolagents (Hugging Face) | 極簡代碼優先的 Agent 框架 |
核心動作：完整的自主系統 — 記憶 + 工具發現 + 協作 + 持久化
| 類別 | 代表產品 | 說明 |
|---|---|---|
| 自主 Agent 框架 | OpenClaw | 2026 最紅的開源 Agent（5 個月 346K stars），自託管持續運行 |
| 工具互通協議 | MCP (Model Context Protocol) | Anthropic 發佈，Agent-to-Tool 標準 |
| Agent 互通協議 | A2A (Agent-to-Agent) | Google 發佈 → Linux Foundation，Agent-to-Agent 標準 |
| 自演化技能 | SkillFoundry | Agent 自動從文獻中挖掘和建構 skill library |
| 通用 Agent | Manus、Replit Agent | 接近「AI-first 組織」雛形的通用任務 Agent |
新能力解鎖
→ ① 個人筆記/規則（給自己用的提示詞、設定檔）
→ ② Anything-to-Skill（把經驗封裝成可重用的模組）
→ ③ 知識管理系統（組織和檢索這些模組）
→ ④ 協作/市場/標準（讓別人也能用你的模組）
→ ⑤ 自動化迭代（系統自己學習和演化）
| 飛輪階段 | Prompt 時代代表 | Agent 時代代表 |
|---|---|---|
| ① 個人筆記 | 收集好用的 prompt | .cursorrules → CLAUDE.md |
| ② 封裝成 Skill | Custom GPTs / Prompt Template | SKILL.md、SkillHub |
| ③ 知識管理 | PromptBase（prompt 庫） | LLM Wiki、Mem0、Codebase Memory |
| ④ 市場/標準 | GPT Store | AGENTS.md（Linux Foundation）、MCP、A2A |
| ⑤ 自動演化 | —（尚未成熟） | SkillFoundry、OpenClaw（self-evolving） |
| 領域 | ① 筆記 | ② Skill 化 | ③ 知識管理 | ④ 市場/標準 | ⑤ 自動化 |
|---|---|---|---|---|---|
| 圖片生成 | 收集 prompt 參數 | Style preset / LoRA | Civitai 模型庫 | Prompt marketplace | Auto prompt optimizer |
| RAG | 手動整理文件 | Chunking 策略模板 | Vector DB + KG | LlamaIndex Hub | Agentic RAG |
| Workflow | 手寫 n8n 流程 | Workflow template | Template marketplace | MCP + A2A | Agent 自主建構 workflow |
| Vibe Coding | 自然語言描述需求 | Spec-driven (PRD→code) | 專案規格庫 | Lovable / Bolt 平台 | Agent 自主迭代產品 |
每個階段的工具產生，都來自使用者在實踐中遇到的「摩擦」：
使用中產生摩擦
→ 「我重複解釋同樣的事」 → 產出：指令檔（CLAUDE.md / AGENTS.md）
→ 「每次都要重新教」 → 產出：記憶系統（MEMORY.md / Mem0）
→ 「不同任務需要不同知識」 → 產出：技能模組（SKILL.md）
→ 「上下文塞不下」 → 產出：動態載入 / 知識圖譜
→ 「別人也有同樣問題」 → 產出：市場 / 標準 / 生態系
→ 「人工維護太累」 → 產出：自動化演化
這和軟體工程的演化同構：
Script → Library → Framework → Platform → Ecosystem
差異在於：AI 時代的「程式碼」從 Python/JS 變成了結構化的自然語言指令。
Agent 的知識系統已形成明確的分層架構：
| 層級 | 檔案 | 載入時機 | 類比 |
|---|---|---|---|
| 🥇 身份 | CLAUDE.md |
永遠載入 | 員工合約 |
| 🥈 架構 | AGENTS.md |
永遠載入 | 公司政策手冊 |
| 🥉 技能 | SKILL.md（多個） |
按需載入 | 專業證照 |
| 4️⃣ 當前狀態 | CONTEXT.md |
每次 session 重寫 | 每日站會 |
| 5️⃣ 長期記憶 | MEMORY.md |
累積式 | 專案日誌 |
這個分層解決了一個核心問題：如何在有限的上下文窗口中，讓 AI 擁有無限的知識。
2022.10 ─── LangChain 首發（Harrison Chase 的 side project，當時幾乎無人關注）
2022.11 ─── ChatGPT 發佈 (11/30)，引爆全球 LLM 熱潮
2023.01 ─── Prompt Engineering 興起 / LangChain 乘勢爆紅（受 ChatGPT 帶動）
2023.03 ─── ChatGPT Plugins 發佈 (3/23) / AutoGPT 爆紅 (3/30)
2023.05 ─── Dify 開源 (5/15) / LangChain 成為 GitHub 最快增長專案
2023.10 ─── Cursor 獲 OpenAI 投資 / LlamaIndex 成熟
2023.11 ─── OpenAI DevDay 宣布 Custom GPTs
2023.12 ─── CrewAI 首發 PyPI
2024.01 ─── GPT Store 開放 (1/10) / LangGraph 發佈
2024.03 ─── Devin 發佈 (3/12) / Coding Agent 概念爆發
2024.10 ─── CrewAI 獲 $18M 融資、企業平台上線
2024.11 ─── MCP 協議發佈 (11/25, Anthropic)
2025.02 ─── Claude Code 發佈 (2/24, Anthropic)
2025.03 ─── OpenAI Agents SDK 發佈 (3/11)
2025.04 ─── A2A 協議發佈 (4/9, Google)
2025.10 ─── LangGraph 1.0 GA / CrewAI 1.0 GA
2025.11 ─── OpenClaw 首發（原名 Clawdbot）
2025.12 ─── Linux Foundation 成立 Agentic AI Foundation (12/9)
── AGENTS.md + MCP + goose 正式捐贈為開放標準
2026.02 ─── OpenClaw 爆紅（60 天突破 React 十年星數紀錄）
2026.04 ─── LLM Wiki pattern 提出 (4/3, Karpathy)
2026.04 ─── SkillFoundry / Self-evolving agents
2026.07 ─── 現在 ← Multi-Agent + MCP + A2A 生態成熟
如果你看到某個新 AI 能力剛被解鎖，可以預測接下來一定會出現：
- 最先出現：個人筆記型工具（指南和模板）
- 第二波：封裝化工具（最佳實踐變成可安裝的模組）
- 第三波：管理和檢索系統（模組太多，需要組織）
- 第四波：標準和市場（需要互通、需要交易）
- 第五波：自動化（系統自己學會更新和演化）
用已查證的時間軸，測量各領域「從 ① 個人筆記到 ④ 標準/市場化」的耗時：
| 領域 | ① 起點 | ④ 標準化 | 耗時 |
|---|---|---|---|
| Prompt Engineering | 2023.01（ChatGPT 爆發後收集 prompt） | 2024.01（GPT Store 開放） | ~12 個月 |
| Coding Agent | ~2024 中（.cursorrules 出現） | 2025.12（AGENTS.md 進 Linux Foundation） | ~18 個月 |
| LLM Wiki | 2026.04（Karpathy 提出 pattern） | 尚未到達 ④，但 ①→③ 僅 2 個月 | 進行中，明顯加速 |
- 基礎設施已存在 — 2026 年不需要重新發明 GitHub、npm、VS Code 插件市場，新 pattern 可以直接寄生在成熟生態上
- Pattern recognition — 社群已經知道飛輪長什麼樣，有人在 ① 階段就直接跳去做 ③ 的事
- AI 自己加速 AI — 用 Claude Code 寫 LLM Wiki 工具，本身就是在用 Agent 造 Agent 工具
- 標準化組織已就位 — Linux Foundation 的 Agentic AI Foundation 已經在等下一個要收的專案
觀察一個新 pattern 目前停在哪個階段：
- 如果只看到個人部落格在分享筆記（①），你有 3-6 個月的先行優勢去做 ② 封裝
- 如果已經有多個封裝工具在競爭（②），知識管理/聚合平台是下一個機會
- 如果市場/標準已經出現（④），這個賽道的 窗口已經關閉，該看下一個能力解鎖了
| 階段 | 核心技能 | 學習產出 |
|---|---|---|
| 1 | Prompt Engineering | 能寫好 prompt 得到好回答 |
| 2 | RAG / 向量資料庫 / 資料管線 | 能讓 AI 基於自己的資料回答 |
| 3 | Function Calling / 工具設計 | 能讓 AI 執行動作 |
| 4 | Flow Engineering / 狀態機設計 | 能把 AI 包進可靠的業務流程 |
| 5 | Agent 架構 / Eval 設計 / Context Engineering | 能讓 AI 自主完成複雜任務 |
| 6 | Multi-Agent / MCP / 記憶系統 / 權限設計 | 能建構 AI-Native 的產品和組織 |
- The Five Stages of AI Agent Evolution — NFX, 2025.01
- The Six Generations of AI Agents and How to Eval Them — Braintrust, 2026.05
- 從 Copilot 到 Agent Native：2026 年 AI 範式遷移 — 2026.02
- LLM Wiki pattern — Andrej Karpathy, 2026.04
- OpenClaw — Personal AI Assistant — Peter Steinberger, 2026
- AGENTS.md Complete Guide — Linux Foundation standard
- MCP vs A2A: AI Agent Protocols — 2026
- The Open Source Agent Toolkit in 2026 — O'Reilly