人工智慧的整合演進，已從簡單的一次性指令，轉向動態且能自我修正的系統。早期的實作依賴於線性鏈——即提示直接產生輸出——而現代人工智慧則倚賴於自主智能體具備推理與環境互動能力的系統。
核心轉變：從鏈式結構到圖形架構
早期的框架（如初始版本的 LangChain）採用順序邏輯運作。如今我們使用圖形架構（LangGraph）以實現循環執行。這意味著智能體可以執行一個動作、評估結果，並迴圈返回以修正自身的錯誤。
智能體的四大支柱
- 自主性：無需持續人工介入即可運作的能力。
- 工具使用：透過 MCP 等協定連接外部 API 或資料庫。
- 記憶：利用狀態模式在多個步驟中維持狀態。
- 推理：根據當前資料，運用邏輯判斷下一步最佳行動。
垂直與水平整合
- 模型上下文協定（MCP）：如同人工智慧的「USB-C」，提供模型與特定資料工具之間的垂直連結。
- 智能體對智能體（A2A）：支援水平通訊，使不同智能體可協商並共享任務。
概念邏輯：狀態與節點
問題 1
哪項特徵是將人工智慧視為「智能體」而非單純「鏈條」的必要條件？
問題 2
模型上下文協定（MCP）在智能體工作流程中如何運作？
案例研究：自動化深度研究報告
閱讀以下情境，並回答問題。
一個智能體被指派研究「2025 年量子計算的重大突破」。
挑戰：初步搜尋僅提供表面新聞，但沒有技術論文。
智能體的回應：智能體識別出先前搜尋失敗的「記憶」，並運用其「推理」能力，透過 MCP 伺服器將工具由一般搜尋切換至特定的研究資料庫。
挑戰：初步搜尋僅提供表面新聞，但沒有技術論文。
智能體的回應：智能體識別出先前搜尋失敗的「記憶」，並運用其「推理」能力，透過 MCP 伺服器將工具由一般搜尋切換至特定的研究資料庫。
問題
1. 哪項特定能力讓智能體意識到首次搜尋不夠充分？
答案：
智能體運用其 推理能力，將輸出與原始目標比較，並依靠其 記憶（狀態），得知一般搜尋工具已被耗盡。
智能體運用其 推理能力，將輸出與原始目標比較，並依靠其 記憶（狀態），得知一般搜尋工具已被耗盡。
問題
2. 哪項技術讓智能體能順暢地連接到專業研究資料庫？
答案：
這項 模型上下文協定（MCP）擔任標準化的垂直連接器，讓智能體能將資料庫當作工具使用。
這項 模型上下文協定（MCP）擔任標準化的垂直連接器，讓智能體能將資料庫當作工具使用。