享學｜AI 應用規劃師養成（1 日版）

生成式 AI 應用規劃
與 AI-Agent 系統入門

從「使用 AI」到「設計 AI 服務」

廖敬提（Tim）

今日目標

下課時你會帶走兩樣東西

產出 1

一張你的 Agent Canvas

把你工作 / 事業裡的某個情境，設計成一個 AI-Agent 的「設計圖」

產出 2

對一個 AI Agent 服務系統的原型

嘗試使用可製作原型的 AI Agent 軟體來練習做 Prototype。
可以是 n8n，也可以是 AI Agent 四大天王 —
Codex / Claude Code / OpenCode / Antigravity 2.0。

這堂課的核心理念

這是一堂 AI-Agent 的互動設計討論工作坊。
不用真的「交作業」（但如果你認真寫，我會認真看給 feedback）。
我希望你能借這機會，趁機思考在你自己的工作裡，
有沒有真的想交給 Agent 做的事；
我們課堂上一起討論，大家一起聽，常常會擦出意想不到的火花。

為什麼今天這堂課

想想看：你的工作裡，有沒有什麼事，你超希望可以丟給 AI 做？

從「會用 AI」到「會設計 AI」

① 用：把 prompt 說好

掌握 System Prompt 的概念，以及練習成為一個能把自己的 context 脈絡說清楚的人。
這往往也是在練習與人的協作能力。

② 設計：把 AI 接進你的工作流

能系統性地思考 AI 怎麼在使用場景下運作。
掌握幾個概念：Context Engineering（怎麼餵脈絡）、Context Management（怎麼管脈絡）。
慢慢從 Chat AI 進入 Agent 應用。

③ 規劃：如何讓大家開始使用上

如果你要實現一個 AI 服務 — 系統架構怎麼設計？怎麼一步步讓團隊 / 協作夥伴慢慢上手、養成習慣？

第一個概念

關於世界模型？

ChatGPT 為什麼可以跟你聊任何東西？因為它腦中有一個「世界的壓縮模型」——World Model。
像一個讀過超多書、看過超多事的人——不是「查得到資料」，是「理解世界怎麼運作」。

它知道

怎麼開一家咖啡店
怎麼寫一段廣告文案
怎麼一步一步推理

它不知道

你公司的內部 SOP
倉庫此刻的即時庫存
客戶上一次跟你說什麼

LLM 的問題不是不夠聰明，是它不知道「你的世界」。

規劃師在做的事

把你的世界，接到它的世界——RAG、Tools、Memory，都是在「補世界」。

AI 已經懂世界了——你要做的是讓它懂「你的世界」。

🌐 趨勢補充｜Ilya Sutskever 對「世界模型」的看法

Ilya Sutskever（OpenAI 共同創辦人 / 前首席科學家，2023 NVIDIA GTC 對談 Jensen 黃仁勳）
「當我們訓練神經網路去精準預測下一個字，看似只是學統計關聯，但其實它學到的是『世界模型』(world model)。這段文字是世界的投影 — AI 學的是產生這些文字的世界運作方式。」

本堂主架構｜AAA 框架

AI → AI-Agent → Automation

回答問題　→　完成任務　→　持續運作

三個 A 都記得 — AI / AI-Agent / Automation

用一個大家都懂的例子：會議紀錄

A · AI｜回答問題（被動）

超聰明、但不會動的顧問
你說「幫我整理這段會議紀錄」　→　它整理一次給你

A · AI-Agent｜完成任務（主動）

會做事的數位員工　·　有目標、會自己規劃，但要你叫它
你說：「幫我處理這場會議後續」
→ 自己規劃：讀錄音 → 整理重點 → 分派任務 → 做完一整件事

A · Automation｜持續運作（自主）

自動運行的工作系統　·　事件一發生就自己跑
每次開會結束：自動錄音 → 自動整理 → 自動發 Slack / LINE

AI-Agent vs Automation 的差別不是「它會不會做」，
而是「你要不要每次都叫它」。

今天下午你們在做的

把 AI 升級成 AI-Agent，再決定要不要讓它變 Automation。

n8n 只是工具——你真正在設計的，是「工作流程」，不是節點。

規劃師的工具地圖

市面上「AI 軟體」可以分三類 — 看怎麼挑

① Chat AI

瀏覽器上一問一答 · 目前最通用

ChatGPT
Claude
Gemini

甜蜜點：個人加速、發想、研究、改稿 — 大家都在用

② Low-code / No-code

給特定對象的專業、穩定服務

n8n（今天用這個）
Zapier / Make
Dify / Flowise

甜蜜點：企業端搭建後長期持續運作 · 跨系統串接

③ Agentic AI / Agentic CLI

未來每個人身邊都會有的 AI 助手

Claude Code（Anthropic）
Codex CLI（OpenAI）
Antigravity 2.0（Google）
OpenCode（開源）

甜蜜點：長任務、複雜判斷、跨工具編排 — 最接近幾年後 AI 的樣子

📖 CLI = Command Line Interface（命令列介面）。但別卡在這個技術名詞 — Codex 跟 Codex CLI、Claude Code 跟 Claude Code CLI，對使用者來說邏輯都一樣，只是交互習慣不同。它們都是 Agent — 你電腦裡的數位員工，未來每個人都會有的 AI 貼身助手。

順帶一提｜為什麼叫 Antigravity 2.0？

這是 Google 自己這條產品線的版本演進 —
Antigravity 1.0：給工程師寫程式碼、開發數位產品用
Antigravity 2.0：定位轉向普通人也能上手 — 不用會 coding 就能直接操作電腦
（不是大家都用 Google，這只是一個 Agent 演進的例子）

AI 應用規劃師的核心能力 = 知道什麼任務該丟哪一類，不是「都用第三類最潮」。

Agent 的核心 know-how

Context Engineering — 四層構成

「Prompt 是個人技能；Context 是產品能力。」

1. System Prompt（角色與規則）

這個 Agent 是誰、能做什麼、不能做什麼、用什麼語氣。寫成「員工的工作說明書」。

2. RAG（知識庫）

變動慢的資料：FAQ、SOP、產品手冊、品牌指南。Agent 即時檢索回答。

3. Memory（記憶）

短期：當前對話；長期：使用者個人 Profile（學習進度、偏好歷史）。

4. Tools（工具呼叫）

查訂位、寫 Sheet、發通知、計算。讓 Agent 從「會說話」變成「會做事」。

判斷邏輯（很重要）

變動慢的資料 → RAG ｜每分鐘都在變的 → Tool ｜跟個人有關的歷史 → Memory

規劃師的核心思考

業務的數位 AI 化　vs　應用 AI 創造新業務

A · 業務數位 AI 化

降本增效

把現有業務做得更快、更省、更少錯誤。

客服 Bot 取代 80% 重複問答
會議紀錄 Agent 取代手寫
知識庫 Agent 取代 HR 重複解釋

容易說服老闆（ROI 清楚），但競爭對手也在做。

C · 應用 AI 創造新業務

新價值創造

用 AI 做以前根本做不到的事。

個人化教練（一對一規模化）
永續人格測驗 → 個人化推薦
老師傅 Agent（30 年 know-how 變新服務）

潛力大、護城河深，但需要創造力與耐心。

規劃企業 AI 導入時，第一個問題：這次是要做 A 還是 C？
不同目標，選完全不同的方法和工具。

案例分類框架

三軸：找到你的 Agent 落點

每個 Agent 都可以用三個維度定位：

軸 1 公司類型：B2C / B2B / 個人創業 / 內部工具
軸 2 服務對象：員工內部 / 客戶外部
軸 3 價值類型：替代人力 / 提升能力 / 創造新業務

A · 替代人力

原本要請人做、現在 Agent 做

餐飲訂位
公司知識庫
報價單

B · 提升能力

同一個人，用 Agent 後做得更好

會議紀錄
CRM 自動更新
商品推薦

C · 創造新業務

沒有 AI 之前根本做不到的服務

個人品牌 Agent
學習教練
市場調查 Agent

今日五大範本｜能力升級五階段

T1 → T5：對話、讀、寫、協同、自主

每一級多一個明確的技術能力——學完你會做完整的 Agent 設計

T1 對話

純 LLM Agent

+ Chat / Memory

超聰明但不會動的
顧問

T2 讀

+ 知識庫

+ 1 個 KB Tool（Read）

會查資料的
助理

T3 寫

+ 寫入工具

+ Write Tool（read-then-write）

會做事的
數位員工

T4 協同

+ 多工具 Plan

+ Multi-Tool（Agent 自選順序）

會規劃任務的
專員

T5 自主

+ 自動觸發

+ Schedule / Webhook（換掉 Chat）

24 小時不下班的
自動工作系統

能力像積木一樣疊起來——每多一塊技術，Agent 多一種行為模式。

接下來 5 + 5 頁，每個 T 各兩頁：技術架構 + 延伸應用（含 8 種 prompt 寫法）。最後 BONUS 兩頁是進階範例。

範本 T1｜你會做的第一個 Agent

純 LLM Agent — 對話 + 角色 + 記憶

四個節點接好，加上一段 System Prompt，就是一個能上工的 Agent。

點圖放大

Chat Trigger　測試／使用者打字輸入的入口
AI Agent　大腦：決定怎麼回
Chat Model　實際的 LLM（gpt-4o-mini）
Simple Memory　記住當前對話

學員只動一個地方

System Prompt：寫角色、回應風格、邊界。
節點都已經接好了。

🎬 課堂演示｜storyboard

1. Before：開 n8n 看到 4 個節點接好（Chat Trigger / AI Agent / Chat Model / Memory）｜2. 演示：Open Chat → 複製範例文字 → 看 Agent 依 system prompt 角色回應｜3. After：同一個 Agent 架構，換一套 system prompt 就是一個新服務場景、一個新數位員工

→ 開 n8n T1 workflow

System Prompt 框架靈感庫

8 種 System Prompt 框架，每一種是一把不同的鑰匙

不知道從哪開始寫 prompt？挑一個對應你情境的框架，套上去再改。

FRAMEWORK 01

ICIO

適合｜從一段亂七八糟的文字，抽出乾淨的結構化資料

例：會議摘要員

點看 prompt →

FRAMEWORK 02

CO-STAR

適合｜寫信、寫稿，要看「對誰、什麼語氣」才下筆

例：Email 起草助手

點看 prompt →

FRAMEWORK 03

Few-shot Examples

適合｜用「之前 / 之後」範例教 AI 學你的風格

例：公文改寫員

點看 prompt →

FRAMEWORK 04

R-T-F + Schema

適合｜一次產出多個版本，按指定格式排好

例：一稿多平台改寫

點看 prompt →

FRAMEWORK 05

APE

適合｜任務簡單明確，三句話就能講完規格

例：Cold Email 開場

點看 prompt →

FRAMEWORK 06

Persona Deep-dive

適合｜要 AI 完全入戲扮演對手，並設好出戲條件

例：角色扮演練習

點看 prompt →

FRAMEWORK 07

Constraint-based

適合｜你最在意的是「它不能做什麼」

例：教練式提問助手

點看 prompt →

FRAMEWORK 08

Tree-of-Thought

適合｜要創意、要多樣性，不要只給「正確答案」

例：命名 / 標語腦力激盪

點看 prompt →

同一個 T1 框架，換個 prompt 就是新員工——關鍵是你會不會「挑對寫法」。

範本 T2｜你的第二個 Agent

T2 ＝ T1 + 知識庫（RAG）

在 T1 上加一個 Tool 節點 — Agent 開始能查公司專屬資料

點圖放大

Chat Trigger
AI Agent
Chat Model
Simple Memory
Tool ①　Code Tool（內嵌 KB）
Tool ②　HTTP Request（連 Google Doc）

兩種接 KB 的方式

① Code Tool（圖左）：把資料直接寫在程式碼裡
　零依賴、立即可用、適合內容固定的 KB
② HTTP Request（圖右）：連外部 Google Doc
　內容可即時更新、人人能編輯

🎬 課堂演示｜storyboard

1. Before：開 n8n 看到 T1 + 兩個 KB 工具（Code Tool 內嵌 / HTTP Request 連 Google Doc）｜2. 演示：三個問題依序問，看 Agent 從 KB 找答案、邊界外問題會引導 HR｜3. After：Executions 看 Agent 呼叫了哪個 KB 工具、引用了哪段內容

→ 開 n8n T2 workflow 📄 開 Google Doc KB

T2 框架的延伸應用

知識庫 Agent ── 越「特定」越有價值

你的內部知識庫，就是別人複製不走的競爭力。

通用 01

員工 FAQ Agent

請假、報銷、IT、福利通通秒查

點看 prompt →

通用 02

IT Helpdesk

VPN、密碼、SSO、軟體安裝

點看 prompt →

部門 03

法務合約條款查詢

標準條款、合規規則、合約模板

點看 prompt →

部門 04

設計品牌指南問答

品牌色、字型、Logo 規範

點看 prompt →

產業 05

醫美術前諮詢

療程說明、術後照護、費用

點看 prompt →

產業 06

房仲物件規格查詢

物件詳情、社區、貸款方案

點看 prompt →

產業 07

保險業務員 Sidekick

保單條款、理賠流程、商品比較

點看 prompt →

產業 08

飯店禮賓服務查詢

設施、周邊景點、行程建議

點看 prompt →

把公司「不為人知的 know-how」搬進 KB —— 那才是 AI 替你打的護城河。

範本 T3｜你的第三個 Agent

T3 ＝ T2 + 寫入工具

Agent 從「會查」變成「會寫」—— 開始改變外部世界

T3 範本截圖等 Tim 在 n8n 截圖補進來

Chat Trigger
AI Agent
Chat Model
Simple Memory
Tool ① read_customer（先查）
Tool ② create_customer（寫入新建）
Tool ③ update_customer（寫入更新）

核心觀念｜Read-then-Write

Agent 寫入前會先「查一次」——避免重複建檔、避免亂寫。
這是「能改變現實世界」的 Agent 必備的安全模式。

🎬 課堂演示｜storyboard

1. Before：打開 toolCode 看 mockCRM 內建兩筆（陽光科技 / 康德食品）｜2. 演示：三段對話，學員看 Agent 自己決定先 read，再走 update / create / 主動問｜3. After：Executions 看完整 trace（read 結果 → 路徑判斷 → write 結果）

→ 開 n8n T3 workflow

T3 框架的延伸應用

寫入型 Agent ── Read-then-Write 是基本功

Agent 不只會說，還會「動手」改變系統狀態

B2B 業務 01

客戶 CRM 自動更新

業務口述 → 結構化欄位 → CRM

點看 prompt →

電商 / 零售 02

訂單管理 Agent

查庫存 → 建單 → 通知出貨

點看 prompt →

客服 03

客訴單分派 Agent

分類 → 建工單 → 派部門

點看 prompt →

內部會議 04

會議行動派發 Agent

逐字稿 → 任務拆解 → 派人

點看 prompt →

T3 把 Agent 從「顧問」升級成「員工」—— 它真的會替你做事了。

範本 T4｜你的第四個 Agent

T4 ＝ T3 + Multi-Tool Planning

把多個工具放在一起，Agent 自己決定先用哪個 — 從「員工」變「專員」

T4 範本截圖等 Tim 在 n8n 截圖補進來

Chat Trigger
AI Agent
Chat Model
Simple Memory
Tool ① lookup_product_price
Tool ② calculate_quote
Tool ③ save_quote

核心觀念｜Agent autonomously plans

工具是「**員工會做的事**」，順序是 Agent 自己想的。
你只要列出工具 + 寫好 prompt，剩下 AI 自己 plan。

🎬 課堂演示｜storyboard

1. Before：打開 toolCode 看價目表（5 個產品）｜2. 演示：三段對話，看 Agent 自己 plan 工具順序（連續 lookup → calculate → save）｜3. After：Executions 看 Agent 自主呼叫順序，沒有人寫死 if-else

→ 開 n8n T4 workflow

T4 框架的延伸應用

多工具 Agent ── 把 Agent 想成「會規劃的數位專員」

列出工具 = 列出職責，剩下交給 Agent 自己 plan

B2B 業務 01

報價單生成 Agent

查價 → 計算 → 存檔，三步式工作

點看 prompt →

B2C / 個人 02

行程規劃 Agent

查景點 / 天氣 / 餐廳 → 整合行程

點看 prompt →

內部採購 03

採購助理 Agent

多家詢價 → 比較 → 推薦提案

點看 prompt →

HR / 內訓 04

新人 Onboarding 包

建帳號 / 查 KB / 設導師 / 排訓練

點看 prompt →

把 Agent 當「員工」設計：給他工具，剩下他自己想——這就是 Multi-Tool Planning 的本質。

範本 T5｜你的第五個 Agent

T5 ＝ T4 + 觸發升級（Schedule / Event）

從「Chat Trigger 等人開口」變成「Schedule Trigger 自己跑」—— 進入 Level 3 Automation

T5 範本截圖等 Tim 在 n8n 截圖補進來

Schedule Trigger（時間到自己跑）
HTTP Request（拉 Google Sheet 靈感）
Code（解析 + 隨機選一筆）
AI Agent
Chat Model
Tool: save_to_drafts

核心觀念｜Trigger 換了，Agent 升級成系統

T1–T4 都是「人開口才動」（Chat Trigger）。
T5 把 Trigger 換掉 → Agent 變成「自動工作系統」
這是 Level 2（Agent）→ Level 3（Automation）的關鍵跳躍。

🎬 課堂演示｜storyboard

1. Before：開靈感庫 Sheet 看 20 個主題｜2. 演示：啟用 workflow → 切到 Executions → 等 1 分鐘看自動觸發｜3. After：每分鐘新增一筆執行紀錄，每筆抽中不同靈感、產出三平台版本（最關鍵：「沒人按按鈕，它一直在工作」）

→ 開 n8n T5 workflow 📊 開靈感庫 Sheet

T5 框架的延伸應用

自主運行 Agent ── 從 Agent 升級成「自動工作系統」

時間到 / 事件來，Agent 自己跑完整套流程，沒人按按鈕

創作者 01

每日內容自動產出

靈感庫隨機選 → AI 產三平台版本

點看 prompt →

B2B SaaS 02

每週客戶健康檢查

掃使用數據 → 評分 → 警示流失

點看 prompt →

情報 / 行銷 03

每日新聞 / 競品摘要

爬多源 → 篩選 → 產業情報摘要

點看 prompt →

管理 04

每月部門報告

彙整一個月數據 → 視覺化 → 寄送

點看 prompt →

T5 把 Agent 變成「24 小時不下班的同事」—— 你睡覺時它在工作。

BONUS ① 進階實作範例

碳盤查初評估 Agent

用 RAG 替代基層顧問—中小企業老闆 5 分鐘自助體檢

📚 知識庫框架（碳器 KB 8 大類）

淨零碳知識｜碳中和 / 政策 / 減碳框架
碳盤查｜邊界 / 量化 / 合規
盤查作業指引｜通用 / 服務業 / 運輸 / 醫院 / 校園
盤查報告書範本｜半導體 / 通用
排放源 + 排放係數｜113 年公告係數
法律條文｜氣候變遷因應法

🔧 n8n 節點架構

Chat Trigger → AI Agent + Memory
+ Chat Model（Zeabur AI Hub）
+ Tool ① search_carbon_kb（連 KB / Pinecone）
+ Tool ② find_industry_guide（依行業挑指引）
+ Tool ③ calculate_emission（套排放係數）
+ Tool ④ generate_advice（產建議）

⚙️ System Prompt 設計重點

寫法：Slot-Fill → Industry-Match → Calculate → Advise

Slot-Fill：補齊行業 / 規模 / 用電油 / 設備
Industry-Match：對到 KB『服務業 / 運輸 / 醫院 / 校園 / 通用』指引
Calculate：套 113 年排放係數（電 0.495 kg/kWh）算範疇 1+2+3
Advise：產三段式報告——估算月排放量 + 前 3 大熱點 + 下一步建議

🛡 重要邊界

只用 113 年公告排放係數，不用未驗證資料
不給「保證減碳 X%」承諾
要法定查驗 → 引導去找認證顧問

⚙️ 動態欄位

            {{ $json.chatInput }}　// 老闆描述

            {{ $now.format('yyyy-MM-dd') }}　// 評估時間

            {{ ...item.json.industry ?? '需詢問' }}

💡 商業價值：替代基層顧問初評（5–50 萬／案）｜可賣給中小企業 / ESG 顧問 / 金融機構（綠色貸款用）

BONUS ② 進階實作範例

碳盤查報告自動生成 Agent

把基層顧問的「填報告」工作自動化—一鍵產出可送查驗的報告草稿

📚 KB 重點（依官方範本填）

5. 盤查報告書範本｜半導體 / 通用 / 各行業範本（公司基本資料 / 邊界 / 數據收集 / 計算 / 結果分析 / 不確定性 / 改善建議）
4. 盤查作業指引｜行業特定指引（範疇 1/2/3 怎麼劃）
6. 排放源清單｜該行業要列哪些排放源
7. 排放係數｜113 年公告係數套用
8. 法律條文｜引用合規條款

🔧 n8n 節點架構（進階）

Form Trigger（公司資料表單）
↓
AI Agent + Chat Model
+ Tool ① get_industry_template（取行業範本）
+ Tool ② fill_basic_info（填公司資料）
+ Tool ③ fill_emission_calc（填數據 + 計算）
+ Tool ④ fill_uncertainty（不確定性分析）
+ Tool ⑤ generate_pdf（產 PDF）

⚙️ System Prompt 設計重點

寫法：Template-Fill（依官方範本逐節填寫）

取範本：用 get_industry_template 拿該行業 7 章節範本
逐節填寫：對每節呼叫對應 fill 工具，從輸入資料對應到範本欄位
合規檢查：引用《氣候變遷因應法》條款，標註合規 / 不合規
產 PDF：generate_pdf 產出可送查驗的報告草稿（封面 + 7 章）

🛡 重要邊界

輸出標註「草稿 v1.0，未經第三方查驗」
數據不全的章節 → 標註「待補」，不擅自填
不可代企業簽署，僅產草稿供承辦人複核

📊 輸出格式

PDF 報告（官方範本 7 章）｜合規檢查表｜改善建議清單｜下載連結

💡 商業價值：把基層顧問「填表 + 計算」工作自動化｜目標：碳盤查顧問業生產力工具 / 大企業 ESG 部門

11:10 開始填 Canvas 之前

掃 QR Code 打開靈感庫

genai-agent-class-2026.pages.dev/case-library/

花 10 分鐘瀏覽 18 個案例，挑一個最像你工作場景的。

⚠️ 靈感庫只是「找靈感用」，實際做專案請以你的場景為準，不要被模板綁住

11:10–12:00（小組練習）

把你的構想填進 Agent Canvas

怎麼填

從靈感庫挑一個最像你的案例
把 Canvas 13 個格子填滿（不要全空）
不確定的格子寫「？」，下午問講師
第 13 格選一個 n8n 範本（T1–T7）

填完了會發生什麼

下午 13:30 我們會用 n8n 把你的 Canvas 變成原型
把 Canvas 第 1 格的角色定義 → 直接貼到 System Prompt
把 Canvas 第 7、8、9 格 → 直接設計 RAG / Tools / Memory

小組分工

5 人一組（共 5 組）。每個人填自己的，但組內互相 challenge：你寫的「邊界」夠具體嗎？「業務痛點」是不是真的痛？

12:00–13:00

🍱 午休

下午我們把 Canvas 變成 n8n 跑得起來的原型。

記得把 Canvas 帶回來。下午一開始我們會看幾張代表性的 Canvas。

開始下午課程 →

生成式 AI 應用規劃與 AI-Agent 系統入門

下課時你會帶走兩樣東西

一張你的 Agent Canvas

對一個 AI Agent 服務系統的原型

從「會用 AI」到「會設計 AI」

關於世界模型？

它知道

它不知道

AI → AI-Agent → Automation

市面上「AI 軟體」可以分三類 — 看怎麼挑

Context Engineering — 四層構成

業務的數位 AI 化 vs 應用 AI 創造新業務

降本增效

新價值創造

三軸：找到你的 Agent 落點

T1 → T5：對話、讀、寫、協同、自主

純 LLM Agent — 對話 + 角色 + 記憶

8 種 System Prompt 框架，每一種是一把不同的鑰匙

T2 ＝ T1 + 知識庫（RAG）

知識庫 Agent ── 越「特定」越有價值

T3 ＝ T2 + 寫入工具

寫入型 Agent ── Read-then-Write 是基本功

T4 ＝ T3 + Multi-Tool Planning

多工具 Agent ── 把 Agent 想成「會規劃的數位專員」

T5 ＝ T4 + 觸發升級（Schedule / Event）

自主運行 Agent ── 從 Agent 升級成「自動工作系統」

碳盤查初評估 Agent

碳盤查報告自動生成 Agent

掃 QR Code 打開靈感庫

把你的構想填進 Agent Canvas

怎麼填

填完了會發生什麼

🍱 午休

生成式 AI 應用規劃
與 AI-Agent 系統入門

業務的數位 AI 化　vs　應用 AI 創造新業務