AgentZ

主題

名詞表 · 全本一頁 ​

← 回名詞表總覽 · 此頁是 5 個分頁合一頁版，給想 Ctrl-F 一次搜全本 的人。瀏覽建議用分頁版（左 sidebar 列表）。

名詞表 · 基礎概念 ​

← 回名詞表總覽

1. LLM 基礎 ​

大型語言模型 / LLM (Large Language Model) ​

  • 專業：用 transformer 架構訓練的神經網路，目標是預測下一個 token 的條件機率分佈 $P(x_{t+1} | x_1, ..., x_t)$。參數量通常從數十億到上兆。
  • 白話：吃進文字、輸出最可能下一個字的機率機器。它不是「在思考」，是統計學意義上猜下一個字。
  • 範例：Claude / GPT-4 / Gemini / Llama 都是 LLM。當你問 ChatGPT「今天天氣」、它回答的本質是「人類在這種情境下會說什麼字最有可能」。
  • 章節：Ch 1

Token / Token ​

  • 專業：LLM 的最小輸入單位，由 tokenizer 把字串切成的 sub-word 片段。中文約 1-2 字一個 token，英文約 4 字元一個。
  • 白話：LLM「看世界」的單位、也是收錢的單位。
  • 範例：「Hello world」= 3 token（Hello, world, !）。「今天天氣真好」= 4-7 token。Anthropic Haiku 4.5 輸入 $0.80 / 百萬 token。
  • 章節：Ch 1 §2

上下文視窗 / Context Window ​

  • 專業：LLM 一次推論能容納的最大 token 數。受 model 架構（attention pattern）跟 GPU 記憶體限制。
  • 白話：LLM 一次能讀的「最多多少字」。讀太多塞不下。
  • 範例：Claude 4.x 200K-1M token、GPT-4o 128K、Gemini 2.5 Pro 2M、Gemini 2.5 Flash 1M。200K token ≈ 一本中等小說。
  • 章節：Ch 1 §3

角色 / Role ​

  • 專業：API messages 陣列每則訊息的發話者標記：system / user / assistant（部分 model 多 tool / function）。
  • 白話：「這段話是誰講的？」系統 / 使用者 / LLM。
  • 範例：[{role: "system", content: "你只回繁中"}, {role: "user", content: "Translate Hello"}, {role: "assistant", content: "你好"}]。
  • 章節：Ch 1 §4

溫度 / Temperature ​

  • 專業：softmax 採樣機率分佈的溫度參數。溫度 0 = greedy（取最高機率）、溫度 > 1 = 越平坦（隨機）。
  • 白話：「LLM 答得有多隨興」的旋鈕。0 = 死板穩定、1 = 有創意。
  • 範例：寫合約 → 溫度 0；寫詩 → 溫度 0.8。agent 工具呼叫一定 0 或 0.1，要穩定。
  • 章節：Ch 1 §5

嵌入 / Embedding ​

  • 專業：把文字（or 圖 / 音）映射到固定維度的 dense vector（通常 384-3072 維），讓語意相近的東西在向量空間距離近。
  • 白話：把一段文字變成一串數字，讓電腦能算「兩段意思像不像」。
  • 範例：「貓」跟「狗」的 embedding 距離近、跟「火箭」的距離遠。RAG 全靠這個做 similarity search。
  • 章節：Ch 13

微調 / Fine-tuning ​

  • 專業：用 supervised / RL 訊號繼續訓練 base model 的部分或全部參數，讓它更適配特定 task / domain / 風格。
  • 白話：把現成 LLM 拿過來、餵它你自己的資料、讓它變成「你公司專用版」。
  • 範例：把 Llama-3 fine-tune 成法律 advisor、客服機器人、code reviewer。
  • 章節：Ch 17

幻覺 / Hallucination ​

  • 專業：LLM 生成 plausible 但事實錯誤、無依據的內容。常見原因：訓練資料缺少、context 引導不足、temperature 高。
  • 白話：LLM 一本正經地胡說八道。
  • 範例：問「2026 年 5 月某某 paper 的作者」、它掰一個不存在的 paper 跟假作者，還給你假 DOI。Ch 16 §4 anti-hallucination 5 條規則就是治這個。
  • 章節：Ch 16

2. Prompt / Context 管理 ​

提示 / Prompt ​

  • 專業：使用者 / 系統送給 LLM 的完整輸入文字（含 system / user / assistant 訊息 + tool 定義 + few-shot 範例）。
  • 白話：你跟 LLM 說的話。不是 chat，是 specification——你不寫清楚它就自己腦補。
  • 範例：「翻譯這段」=爛 prompt；「你是繁中翻譯助理。只翻譯不解釋。範例：Hello → 你好。請翻譯：Good morning」= 好 prompt。
  • 章節：Ch 2

系統提示 / System Prompt ​

  • 專業：放在 messages 陣列開頭的 role: system 訊息，定義 LLM 角色 / 約束 / 輸出格式。
  • 白話：給 LLM 的「使用說明書 + 性格設定」。每次對話開始它先讀。
  • 範例："你是繁中技術文件翻譯助理。只回繁中。不解釋技術名詞除非問你。輸出 markdown 格式。"
  • 章節：Ch 2 §2

少量範例 / Few-shot ​

  • 專業：在 prompt 中提供 1-N 個 input/output pair 示範，讓 LLM 從範例 in-context learn pattern。
  • 白話：給 LLM 看「我要的答案長這樣」的範本，比抽象描述有效 10x。
  • 範例：「分類情緒：『今天好開心』→ 正面 / 『下雨真煩』→ 負面 / 『等公車中』→ 中性 / 『加薪了！』→ ?」 LLM 看到範例知道輸出格式 + 標籤集合。
  • 章節：Ch 2 §3

思考鏈 / Chain-of-Thought (CoT) ​

  • 專業：透過 prompt 引導 LLM 在最終答案前先生成中間推理步驟。可顯式（<thinking>）或隱式（Let's think step by step）觸發。
  • 白話：要 LLM「先想再答」、想的過程印出來。算數 / 邏輯題效果顯著。
  • 範例：問「17 × 23」、加 "Let's think step by step" 前後答對率差 30%+。現代 reasoning model（o1 / R1 / Claude Sonnet）內建 CoT 不用你加。
  • 章節：Ch 2 §4

結構化輸出 / Structured Output ​

  • 專業：透過 JSON mode / tool use schema / Pydantic AI 等機制，強制 LLM 輸出對齊指定 schema 的合法 JSON。
  • 白話：要 LLM 回答只能是固定格式，不能加廢話。下游程式好 parse。
  • 範例：要 LLM 翻譯回 {"translated": "...", "confidence": 0.95}、不要回「Sure, here's your translation: ...」。
  • 章節：Ch 2 §5

壓縮 / Compaction ​

  • 專業：長對話超過 context window 前，把舊 messages 摘要成短 summary 取代原文。trade off：壓縮失去細節 vs 不壓爆 context。
  • 白話：對話太長、把老的對話濃縮成「老闆說過喜歡咖啡，討論過 3 個方案」這種大綱。
  • 範例：Claude Code 內建 /compact 指令；自己寫 agent 在 messages.length > 20 時觸發 LLM 摘要 messages[:10]。
  • 章節：Ch 13 §3

提示快取 / Prompt Cache ​

  • 專業：在 messages / system / tools 上標 cache_control: {type:"ephemeral"}，相同 prefix 後續呼叫時 input cost 降至 1/10，cache TTL 1 小時（Anthropic）。
  • 白話：「同一段長 system prompt 不要每次都收滿費」。LLM 把它快取住、第二次起便宜 90%。
  • 範例：5K-token system prompt + 多輪對話：第一次寫入 1.25x cost、第二次起 0.1x cost。Ch 8 cost cap 配 cache 兩件事一起做。
  • 章節：Ch 8 §4 + 速查卡 SDK

其他類別 → 基礎 · Agent / CLI · 實務 · Production · 台灣/混淆 pair

名詞表 · Agent 機制 + CLI Agent / Claude Code 生態系 ​

← 回名詞表總覽

3. Agent 機制 ​

智能體 / Agent ​

  • 專業：LLM + 工具集 + 控制循環的系統。Agent 能根據目標自主決定下一步 action（call tool / 給回答 / 結束）。
  • 白話：會自己跑流程的 LLM。你給目標、它自己決定要查什麼 / 點什麼 / 做什麼步驟。
  • 範例：你說「幫我訂下週去東京的便宜機票」、agent 自己 search 機票網、比價、填表、回報。ChatGPT 只會建議你去哪查；agent 真的去查。
  • 章節：Ch 3

工具呼叫 / Tool Use / Function Calling ​

  • 專業：LLM 在生成回應時，依 prompt 中提供的 tool schema，emit 一個 tool_use block（含 tool name + JSON input），由外部 agent harness 真實執行後把 result 塞回 messages，LLM 繼續推論。
  • 白話：LLM 不會真的點滑鼠、按按鈕。它寫「我想呼叫這個函式」的便條紙、外部程式幫它跑，把結果回去給它看。
  • 範例：你問「台北現在幾度」、LLM 回 {"type":"tool_use","name":"get_weather","input":{"city":"Taipei"}}、你的 agent 真的去打 weather API、把 26°C 回去、LLM 再回給你「台北 26°C」。
  • 章節：Ch 3 §2

ReAct / ReAct (Reason + Act) ​

  • 專業：2022 年 Yao et al. 提出的 agent 循環模式。每一步 LLM 先 reason（用自然語言講「我下一步該做什麼」）再 act（call tool），observe 工具結果後再 reason 下一步。
  • 白話：agent 的「想一下 → 做 → 看結果 → 再想 → 再做」迴圈。是 2025 年多數 agent 的核心。
  • 範例：Claude Code / Codex / OpenCode 內部都是 ReAct 的變體 + 多 polish。
  • 章節：Ch 3 §3

計畫先行 / Plan-and-Solve ​

  • 專業：把 agent 跑分兩階段——planner 先用 LLM 生出完整步驟、executor 再照 plan 一步步執行。
  • 白話：先列 to-do list、再照做。不是邊做邊想。
  • 範例：「研究 3 個 framework 寫比較表」——先 plan「1. 各自 google 2. 抓官網 3. 比較 4. 整合」、再執行。
  • 章節：Ch 10 §3

反思 / Reflection (Reflexion) ​

  • 專業：agent 完成 task 後，self-critique 答案品質、不滿意就 redo。需要可驗證的 reward signal（test pass / 評分 / 比對）。
  • 白話：做完自己挑毛病、不滿意重做。多 LLM call 換高品質。
  • 範例：寫 code 後跑 test、test 失敗就根據 error message 改 code 再跑。
  • 章節：Ch 10 §4

失控 / Runaway / Tool Loop ​

  • 專業：agent 因 reasoning bug 或 environment feedback 不穩，重複 call 同一個 tool 或無限擴張 scope，導致成本失控。
  • 白話：agent 跑著跑著瘋掉了：一直 retry / 一直改 / 一直跑 test，停不下來。
  • 範例：你說「修這個 bug」、它變「修 bug + 重構 module + 加 test + 寫 doc」——一個 task 燒 $20。Ch 8 §3 教 3 個 pattern 怎麼防。
  • 章節：Ch 8 §3

停止原因 / stop_reason ​

  • 專業：Anthropic API response 的終止狀態欄位：end_turn（自然結束）/ tool_use（要 call tool）/ max_tokens（超 token limit）/ stop_sequence（撞 stop_sequences）/ pause_turn（長 server-tool 暫停）/ refusal（safety reject）。
  • 白話：LLM 為什麼停下來？分手對方說「我講完了」/「該你了去 call tool」/「字數爆了」/「碰到禁字」。寫 agent loop 必須對每種反應。
  • 範例：if resp.stop_reason == "tool_use": run tool 然後 append tool_result; elif "end_turn": done; elif "max_tokens": 提示 user / 縮 prompt 重試。
  • 章節：Ch 9 + 速查卡 SDK

電腦使用 / Computer Use ​

  • 專業：2024-10 Anthropic 推出的 Claude 能力。Claude 透過 screenshot tool + mouse/keyboard tool 操作真實桌面 GUI（不是 API）。包在 computer_20241022 tool type。
  • 白話：讓 Claude 真的看你螢幕、移動滑鼠、打字。可以填網頁表單、跑沒 API 的軟體。
  • 範例：Claude in Chrome / claude-in-chrome MCP / Anthropic computer-use demo container。要 sandbox 跑（不然它真的會點你的 email）。Ch 18 Maker 路線會用到。
  • 章節：Ch 18

子代理 / Subagent ​

  • 專業：透過 Task / Agent tool 由主 agent 啟動的隔離子 conversation。子 agent 有自己 context / system prompt / tool 集，跑完只回傳結果給主 agent，原始 trace 不污染主 context。
  • 白話：「派下去做的小弟」。主 agent 把「搜尋 codebase 30 個檔」這種大任務外包給 subagent、自己保持乾淨 context。
  • 範例：Claude Code 的 Task tool / Explore agent / Plan agent；自己寫 agent 用 sub-LLM 處理子任務。節省 context 是 multi-agent 的入門用法。
  • 章節：Ch 14

深度研究 / Deep Research ​

  • 專業：長 horizon agent，跨 10-50 個 web search / paper read / cross-reference 後產出研究報告。需要 cost cap + DOI 驗證 + reflection critique 防幻覺。
  • 白話：「丟一個問題、讓 agent 跑半小時、給我一份報告」的研究模式。ChatGPT / Claude / Gemini 都有 Deep Research mode。
  • 範例：OpenAI Deep Research、Gemini Deep Research、Claude Research、ChatGPT Atlas Agentic Search。AgentZ Ch 16 教你自己寫一個。
  • 章節：Ch 16

後台 / 排程代理 / Headless / Scheduled Agent ​

  • 專業：無人盯著、由 cron / launchd / systemd timer 觸發的 agent，跑完寫 log / 發通知。架構必含 cost cap、retry policy、failure alert。
  • 白話：「不開電腦也會自己跑的 agent」。例：每天早上 6:00 抓新聞重點寄你 mailbox。
  • 範例：morning briefing agent（Ch 18）、夜跑 deep research、定時 codebase audit。AFK 執行的具體實作形式。
  • 章節：Ch 18 §3 + Ch 8

4. CLI Agent / Claude Code 生態系 ​

命令列代理 / CLI Agent ​

  • 專業：以 Terminal / shell 為介面的 agent harness，內建 file read/write / Bash / Edit / Glob / Grep 等工具，啟動會載入 CLAUDE.md 等 config。
  • 白話：在你電腦 Terminal 跑、會做事的 agent 殼。打字跟它說「修這個 bug」、它真的去改你的程式碼。
  • 範例：Claude Code（claude 指令）、OpenAI Codex CLI、OpenCode、Gemini CLI 是 2026 Q1 四大主流。
  • 章節：Ch 4

模型上下文協議 / MCP (Model Context Protocol) ​

  • 專業：2024-11 Anthropic 提出的開放標準。透過 JSON-RPC（stdio / SSE 傳輸）讓 agent client 跟外部 server 對話，server 暴露 Tools / Resources / Prompts 三類能力。
  • 白話：「agent ↔ 工具」的共通語言。寫一次 MCP server，Claude Code / Codex / OpenCode 全都能接，不用為每家 agent 各寫一次。
  • 範例：裝 notion-mcp-server → 你的 Claude Code 立刻能讀寫 Notion；裝 github-mcp-server → 能 review PR / 開 issue。62-entry catalog 在 WenyuChiou repo。
  • 章節：Ch 6

技能 / Skill ​

  • 專業：給 LLM 的 markdown 文件（含 frontmatter description）+ 可選 reference files + 可選 scripts。LLM 看到觸發條件自動載入 SKILL.md 主體，按需展開 reference。
  • 白話：給 LLM 看的「規格書 / SOP / cheat sheet」。MCP 是「函式庫」，Skill 是「教戰手冊」。
  • 範例：寫一個 email-customer skill，含「寫客戶信的 5 步驟 SOP」+ tone-guide.md reference。下次你說「幫客戶 X 寫詢價信」、Claude Code 自動載入 skill 按 SOP 走。
  • 章節：Ch 7

漸進式揭露 / Progressive Disclosure ​

  • 專業：Skill 設計 pattern。Level 1 frontmatter always-loaded（10 行）、Level 2 SKILL.md body 觸發後載入（< 500 行）、Level 3 reference/ subdir LLM 主動 fetch（細節 SOP / scripts）。
  • 白話：別把所有資料塞一份大文件給 LLM 看（耗 token + 失焦）。先給目錄、要用到細節再讀。
  • 範例：email-customer/SKILL.md 只列 5 步驟、tone 風格詳細寫在 reference/tone-guide.md、客戶寫信範本在 reference/examples.md — LLM 需要時才讀。
  • 章節：Ch 7 §3

斜線指令 / Slash Command ​

  • 專業：Claude Code 中 /<name> 觸發的預存 prompt，存在 .claude/commands/<name>.md（專案級）或 ~/.claude/commands/（全域）。可帶參數。
  • 白話：把常用的長 prompt 存檔、打 /<名字> 就觸發。省每次重打 + 確保格式一致。
  • 範例：/commit → 看 staged changes 寫 commit message 等你 confirm；/translate-zh <text> → 帶參數翻譯。
  • 章節：Ch 5 §3

鉤子 / Hook ​

  • 專業：Claude Code settings.json 的 hooks 區塊，定義 PreToolUse / PostToolUse 等事件觸發時跑的 shell 指令。可攔截 / 修改 / 紀錄工具行為。
  • 白話：「agent 動之前 / 之後幫我跑這個」的自動化規則。
  • 範例：PostToolUse 配 Write|Edit → 自動 npm run lint --fix；PreToolUse 配 Bash → 看到 rm -rf 直接擋。
  • 章節：Ch 5 §6

插件 / Plugin ​

  • 專業：Claude Code 的擴充封裝單位。一個 plugin 可以同時帶 commands / agents / hooks / MCP server / skills，透過 marketplace.json 散發。比起單純 Skill / MCP，是更完整的「功能套件」。
  • 白話：「一包裝好的功能」。裝一個 plugin 等於同時加幾個 slash command、subagent、hook、MCP server。
  • 範例：claude-config plugin install @anthropic/example-plugin；公司內部 marketplace 散發部門通用工具集。
  • 章節：Ch 7

Agent SDK / Claude Agent SDK ​

  • 專業：Anthropic 官方的 Python / TypeScript SDK（npm @anthropic-ai/claude-agent-sdk），把 Claude Code 內部 agent loop 抽出來給開發者直接用：載 system prompt / 工具集 / hooks / subagent 等。
  • 白話：「把 Claude Code 變成你 app 的一部分」的 SDK。不只 API call，是完整 agent loop。
  • 範例：用 Agent SDK 寫一個只跑你公司 SOP 的內部 agent、嵌入 Slack bot 或 web app。
  • 章節：Ch 12 + Ch 18

MCP 範圍 / MCP Scope ​

  • 專業：Claude Code 註冊 MCP server 的層級，影響可見性：user 範圍寫到 ~/.config/claude/claude.json（全域）/ project 範圍寫到 .mcp.json（per-repo）/ local 範圍寫到 .claude/claude.json（per-repo 隱私）。
  • 白話：「這個 MCP server 哪些 session 看得到」。個人工具放 user；公司 repo 共用放 project；不想 git commit 的私人 key 放 local。
  • 範例：claude mcp add notion-mcp ... --scope user vs --scope project；專案內 mcp.json 進 git，個人 key 用 user-scope。
  • 章節：Ch 6

5. Multi-Agent Verification / 安全（2026 新加） ​

迭代共識集成 / ICE (Iterative Consensus Ensemble) ​

  • 專業：跨 LLM ensemble 方法。讓 3 個（或 N 個）獨立 LLM 各自產出 → 互相 critique 一輪 → 收斂到 consensus。2025 醫療 benchmark 顯示 +7-15 點 accuracy（無 fine-tune），GPQA-diamond 從 46.9% → 68.2%。Agenvoy 用 4-CLI × ≤3 輪是同一家族。
  • 白話：「3 個 AI 互相吵架直到吵出一致答案」。比單一 LLM 更可靠，但成本 × 3-9。
  • 範例：critical action（金錢 / 不可逆 / 對外發布）強制走 ICE — 三家 LLM 一致 vote 通過才執行；任一家反對就 escalate 給人。
  • 章節：Ch 14 §8c 2026 multi-agent 新興安全 — Handoff 機制 § 防禦 + Ch 15 §3（critical-action ICE 4 道閘門）

共識陷阱 / Consensus Trap ​

  • 專業：response-level voting 的數學漏洞 — 當 corrupted agents 形成 local majority 時，傳統「投票決勝」會 collapse（多數決變成多數錯）。2026 arXiv 2604.17139 點出 + 提出 token-level collaboration 作為解。
  • 白話：「3 個 AI 投票，如果其中 2 個被偷偷植入後門，多數決就被綁架」。要改成 token 層級對齊不是 response 層級。
  • 範例：multi-agent 系統用 majority-vote 決定執行 → 攻擊者只要污染 2/3 agent prompt 即可改變決策。防護：token-level aggregation + Byzantine-resilient consensus (HDETM / DDHR)。
  • 章節：Ch 14 §8c 防禦表 — Supervisor / Blackboard § 強制設批判 agent + Ch 15 §3

幻覺搶註 / Slopsquatting ​

  • 專業：供應鏈攻擊變體。LLM 約 20% 建議的 package 名實際不存在於 npm / PyPI；攻擊者監測 LLM 輸出，搶註那些 hallucinated 名稱、放上惡意 payload。Stanford AI Index 列 2026 三大新攻面之一（與 agent identity / orchestration layer 並列）。命名 by Seth Larson (Python Software Foundation) 2025。
  • 白話：「AI 推薦的包名可能是它自己編的，攻擊者就去搶註那個假名等你裝」。比傳統 typosquatting 更狠 — typo 至少還是真名打錯，slopsquat 是 AI 編的「不存在的名」。
  • 範例：Copilot 建議 pip install awesome-llm-helper → 那 package 不存在 → 攻擊者註冊它 → 含 wallet stealer → 用戶照 LLM 建議裝 → 中招。防護：① 不直 install LLM 推薦包 ② pin registry source of truth ③ 隔離 container 內測 install ④ Aikido SafeChain / Socket 等掃工具。
  • 章節：Ch 14 §8c Pipeline 防禦 — code-gen worker 必查 PyPI/npm 真實存在 + Ch 6 §8

其他類別 → 基礎 · Agent / CLI · 實務 · Production · 台灣/混淆 pair

名詞表 · 實務 (Vibe Coding / Memory / Multi-agent) ​

← 回名詞表總覽

5. Vibe Coding / 軟體開發新工作方式 ​

2025-2026 工作流變遷：從「自己每行寫」到「跟 AI 對話讓它寫」。

氛圍編程 / Vibe Coding ​

  • 專業：Andrej Karpathy 2025 提出。開發者不直接編輯 code、僅透過對話 / 高層指令操控 AI agent；自己只 review diff / 改 prompt / 偶爾 nudge 方向；接受 LLM 偶爾「為什麼這樣寫」自己不完全懂。
  • 白話：「我給氛圍、AI 寫 code」。極限版：你連 syntax 都不太管、跟 AI 講「我想要這個感覺」、看結果不對就再 vibe 一次。
  • 範例：用 Cursor / Claude Code 開發網站 demo——你說「加一個 dark mode toggle 在右上角」、AI 自己寫 CSS + JS + 測試、你只看畫面對不對。這本書 5/11 全 session 是 vibe coding 真實案例（boss vibe、CC1 code、~1500 commit / day 量級）。
  • 適用：原型 / demo / 短期專案 / 沒人 review 也能 ship 的場景。不適用：核心 production system、安全敏感、需要長期維護。

AI 結對程式設計 / AI Pair Programming ​

  • 專業：傳統 pair programming 一個 driver 一個 navigator；AI 版是 AI 當 navigator（給建議 / 抓 bug / catch 問題），你還是 driver 自己打字。
  • 白話：你寫一行、AI 在旁邊看、提示你「下一行可能要這樣」或「這邊有 bug」。
  • 範例：GitHub Copilot inline 自動完成、Cursor Tab。vs Vibe Coding 的差別：pair 你還在打字、vibe 你只下指令。
  • 章節：跨 Ch 4-5 提到

程式碼編輯代理 / Code-editing Agent ​

  • 專業：能自主多輪編輯 codebase 的 agent，不是 chat suggestion。會 plan + read multi-file + edit + run test + iterate。
  • 白話：「自己改 codebase 的 AI」——你說「修 bug #42」、它真的 git checkout / 改檔案 / commit。
  • 範例：Claude Code / Aider / OpenDevin / Cline。vs CLI Agent：CLI 是介面類別、code-editing 是工作類別，多數 CLI Agent 都是 code-editing agent。
  • 章節：Ch 4

規格驅動開發 / SDD (Spec-Driven Development) ​

  • 專業：先寫詳細 spec（input / output / 邊界條件 / 失敗模式）→ 給 agent 從 spec 生 code + test → 跑 test → 不對 reflection 改。spec 比 code 是 source of truth。
  • 白話：「先把要做什麼寫清楚、再讓 AI 做」。AI 容易在模糊 spec 上犯錯，spec 寫清楚錯就少。
  • 範例：Symbiosis SOP v0.1 的 17 步鏈條核心就是 SDD：Intake → Discovery → Spec → Truth Boundary → SDD → ...
  • 章節：Ch 5 + Helix V3 case study Ch 15

測試驅動開發 / TDD (Test-Driven Development) ​

  • 專業：紅綠重構 cycle：先寫 failing test（紅）→ 寫最少 code 讓 test 過（綠）→ refactor。
  • 白話：先寫「怎樣才算對」（test）、再寫「要怎麼做才對」（implementation）。
  • 範例：給 agent「修這個 bug」前先 pytest 看哪個 test 紅、再讓 agent 寫 code 讓那個 test 變綠。配 Hook 自動跑 test 效率高。
  • 章節：跨 Ch 12-15

AFK 執行 / AFK (Away-From-Keyboard) Execution ​

  • 專業：agent 在沒有人盯著的時間執行任務（夜跑 / 後台 cron / 長時間 deep research）。需 cost cap + audit + graceful failure。
  • 白話：「你不在電腦前的時候、agent 自己做事」。早上回來看結果就好。
  • 範例：Ch 18 morning briefing agent；夜跑 deep research；長時間 codebase migration。
  • 章節：Ch 8 + Ch 18

確認暫停 / Acceptance Gating ​

  • 專業：agent 在執行 high-impact action（寫檔 / push / 寄信 / 刪資料）前停下、要 human 按 Enter / 簽核才繼續。
  • 白話：「agent 動之前停下來等你說 OK」。預設保守、進階用戶可關。
  • 範例：Claude Code 預設 permission mode = ask。/permission accept-all 切全自動但要小心。
  • 章節：Ch 4 §5

委派 / Delegation ​

  • 專業：主 agent 把獨立 subtask 丟給 sub-agent / specialist agent 處理，結果回主 agent 不污染 context。可並行。
  • 白話：agent 也能「外包」——大事自己做、小事交給專門子 agent。
  • 範例：主 agent 收到「重構這個 module」、把「先掃全 codebase 找所有 import」delegate 給 search sub-agent。
  • 章節：Ch 14

6. Memory / RAG ​

會話記憶 / Session Memory ​

  • 專業：一次 agent / chat session 內累積的 messages 陣列。LLM 沒有跨 call 持久記憶，session memory 是 client 自己維護。
  • 白話：「這次對話內 agent 記得你說過的話」。對話結束就忘。
  • 範例：你在 ChatGPT 一個對話內說「我叫 Wei、住台北」、它記得。開新對話就忘。
  • 章節：Ch 13 §3

長期記憶 / Long-term Memory ​

  • 專業：跨 session persistent 的 user / world facts。實作可結構化（SQL key-value）或向量（過去對話 embed 進 vector store）。
  • 白話：「跨多次對話 agent 都記得的事」。
  • 範例：「使用者是 Wei、偏好繁中、住台北、用 Mac」這種事實寫進 SQLite。下次 agent 啟動 load 進 system prompt。
  • 章節：Ch 13 §4

檢索增強生成 / RAG (Retrieval-Augmented Generation) ​

  • 專業：query → embedding → vector DB similarity search top-K chunks → 把 chunks 拼進 prompt → LLM 根據 chunks 回答。
  • 白話：LLM 不知道你公司的事——RAG 把你公司文件存起來、問問題時撈相關片段給 LLM 看。
  • 範例：你公司 SOP / 產品文件 / FAQ 切 chunk 進 Chroma；員工問「請假怎麼申請」、agent 撈 HR 政策 chunk + 回答。
  • 章節：Ch 13 §5

上下文檢索 / Contextual Retrieval ​

  • 專業：Anthropic 2024 提出。embed 前先用 LLM 給每個 chunk 加 50-100 字「位置 + 主題」context，再 embed。提升 retrieval recall 35-49%。
  • 白話：「這 chunk 在文件中是哪段、講什麼」先寫清楚再存 vector DB。
  • 範例：原文 chunk「需診斷書。」加 context「假期政策第二條病假規定」→「[CTX: 假期政策第二條病假規定] 需診斷書。」再 embed。問「請病假要什麼」會 retrieve 到。
  • 章節：Ch 13 §6

7. Multi-agent / Orchestration ​

多智能體 / Multi-agent ​

  • 專業：多個 agent 透過 shared state / handoff / blackboard 等機制協作完成單一任務。每 agent 可有不同 model / system prompt / tool set / 權限範圍。
  • 白話：多個專業 agent 分工合作、不是一個 agent 包山包海。
  • 範例：研究 agent 查資料 → 寫作 agent 寫 draft → review agent 改錯字 → 三人接力完成「寫一篇 paper 比較」。
  • 章節：Ch 14

流水線 / Pipeline ​

  • 專業：固定順序 A → B → C 的 multi-agent 編排，每階段輸出當下階段輸入，無 dynamic routing。
  • 白話：「先做 X、再做 Y、最後 Z」——固定流程，不會中途換方向。
  • 範例：research → write → review 三 agent 流水線。每段失敗整條失敗。
  • 章節：Ch 14 §2.1

主管模式 / Supervisor ​

  • 專業：一個 supervisor agent 看任務 + 當前 state、回 JSON 決定派給哪個 worker、回收 worker 結果再決定下一步。
  • 白話：「老闆派工模式」——主管看情況決定誰做什麼。
  • 範例：HR agent + Sales agent + IT agent 三個 worker；supervisor 看到「客戶想知道 SLA」派 sales、「員工請假」派 HR。
  • 章節：Ch 14 §2.2

交接 / Handoff ​

  • 專業：agent 認為「這超出我能力」時、把任務 + context 轉給 specialist agent。最乾淨實作：把 handoff 當特殊 tool。
  • 白話：「這事我不會、轉給專家」。
  • 範例：通用 agent 對話到一半發現使用者問法律問題、call handoff_to_legal_specialist(context) 把對話交給法律 agent。
  • 章節：Ch 14 §3

其他類別 → 基礎 · Agent / CLI · 實務 · Production · 台灣/混淆 pair

名詞表 · Production Governance + 模型訓練 / Agentic-RL ​

← 回名詞表總覽

8. Production Governance ​

預算上限 / Budget Cap ​

  • 專業：在 agent run / day / user / org 層級設定累積 token spend 上限。超過 fail-closed（raise exception / stop run）。
  • 白話：「最多花 X 元」的硬規定。超過就停。
  • 範例：V3 三層 cap：costBudgetUSDPerRun = 0.5 / costBudgetUSDPerDay = 10。Anthropic console 也有月帳號 cap 可設。
  • 章節：Ch 8 §4.1

介入 / Intervention / Abort ​

  • 專業：external signal 中止 in-progress agent run。實作：abort registry 標記 run_id、agent loop 在每個 LLM call / tool call 之間 / SSE 之間檢查 flag、撞到 raise / 結束。
  • 白話：agent 跑到一半你按「停」、它馬上停下。
  • 範例：Claude Code Ctrl+C、V3 POST /runs/{id}/abort?reason=...、UI「介入」chip。
  • 章節：Ch 8 §4.3

稽核 / Audit ​

  • 專業：每個 agent action（LLM call / tool call / state transition / cost event / abort）寫進 append-only event log。每筆 audit_event_id + ts + category + run_id + payload。
  • 白話：「agent 做了什麼、何時做的」全紀錄。出問題能查。
  • 範例：V3 PostgreSQL audit_events JSONB table、category enum (llm_call / tool_call / run_aborted / cost_exceeded / ...)。
  • 章節：Ch 15 §3.1

回放 / Replay ​

  • 專業：紀錄每次 LLM call / tool call 完整 input + output + cost，事後可重現整個 run 或從某 step 分叉重跑（fork replay）。
  • 白話：「agent 那次跑的所有細節錄影下來、能倒帶看」。
  • 範例：V3 replay_records 表存每 step 的 input/output JSONB、cost_estimate / cost_observed。UI 列 trace、點某 step 看 raw、或「從這 step 改 prompt 再跑」。
  • 章節：Ch 15 §3.2

護欄 / Guardrails ​

  • 專業：限制 agent 行為的硬約束。實作層次：filesystem path allow-list / MCP server scope / Hook PreToolUse blocking / model-level safety classifier。
  • 白話：「agent 不准做這些事」的圍欄。
  • 範例：filesystem MCP 只給 /tmp/agentz 路徑、Hook 擋住 rm -rf 指令、production secret 從不進 prompt。
  • 章節：Ch 6 §8

9. 模型訓練 / Agentic-RL ​

監督式微調 / SFT (Supervised Fine-Tuning) ​

  • 專業：用人工標註的 (prompt, ideal_output) pair 跑 cross-entropy loss、更新 model 參數（全參數 / LoRA / QLoRA）。
  • 白話：「給範本、讓 model 學著像範本回答」。
  • 範例：1K 筆 function-calling 範例 fine-tune Llama-3-8B，得到 BFCL 比 base model 高 10% 的小 model。
  • 章節：Ch 17 §2

群體相對策略優化 / GRPO (Group Relative Policy Optimization) ​

  • 專業：對同一 prompt sample N 個 output（N=8 常見），給每個算 reward，計算 group_mean reward，每個 output advantage = reward - group_mean，policy gradient 更新。不用 reference model。
  • 白話：「同一題出 8 個版本、看哪個對得分高、學那個方向」。
  • 範例：DeepSeek-R1 用 GRPO + 純 RL 跑出 OpenAI o1 水平的 reasoning model（沒 SFT 暖身、671B model）。
  • 章節：Ch 17 §5

智能體強化學習 / Agentic-RL ​

  • 專業：用 RL 訓 agent 跑多步 task。Reward 通常 sparse（任務完成 = 1、其他 = 0）、需 trajectory rollout + advantage estimation + policy update。
  • 白話：給 agent「成功就好、過程自由」的訓練——它自己摸索哪些 tool sequence 有效。
  • 範例：訓練「訂機票 agent」、reward 是「最後是否真的訂到 + 票多便宜」。模型自己摸出「先比價再訂」的策略。
  • 章節：Ch 17

10. 合規 / 國際標準（2026 新加） ​

ISO/IEC 42001 / AIMS（AI Management System） ​

  • 專業：2023-12 ISO + IEC 共同發布的第一個國際 AI Management System 標準。Plan-Do-Check-Act 框架（模仿 ISO 9001 / 27001）。對「develop / provide / use AI 產品 / 服務」組織 voluntary 認證。Stage 1 audit（review scope / inventory / policy / risk）+ Stage 2 audit（test 運作 + sample use case）+ 年度 surveillance。
  • 白話：「AI 管理系統」的國際 ISO 認證，類似 ISO 9001 之於品管。組織想證明自己負責任做 AI 就申請。
  • 範例：2026 中 EU enterprise AI 供應商 RFP 40% 詢問 ISO 42001 certified、NA 25%。AWS / Microsoft Azure 已取得；Anthropic / OpenAI 走 SOC 2 + 自家 RSP 為主。約 6-12 月全程。
  • 章節：Ch 15 §5b 合規對照 — V3 4 pillar 對映 ISO 42001 各條 + Ch 15 §3（pillar 實作）+ 速查卡 Compliance

NIST AI RMF + GenAI Profile（NIST-AI-600-1） ​

  • 專業：美國 NIST 2023 發布 AI Risk Management Framework，含 4 core function — GOVERN / MAP / MEASURE / MANAGE。2024-07-26 補 NIST-AI-600-1 GenAI Profile 加 200+ actions 對應 LLM/GenAI，涵蓋 12 specific risks（CBRN information / Confabulation / Data privacy / Information security / IP / Toxicity-bias / Value chain 等）。聚焦 4 主題：Governance / Content Provenance / Pre-deployment Testing / Incident Disclosure。
  • 白話：美國政府版「AI 風險管理 4 步流程」+「LLM 補丁手冊」。voluntary 但是美國公部門 / 大企業 procurement de facto 要求。
  • 範例：CSA（Cloud Security Alliance）2026 在發展 NIST AI RMF Agentic Profile v1，把 agent 場景的 risk 對映到 4 function。
  • 章節：Ch 15 §5b + Ch 15 §3 + Ch 8 §5.1

EU AI Act ​

  • 專業：歐盟 2024 通過，2026-08-02 Annex III high-risk system enforcement 生效（trilogue 2026 進行中可能延至 2027-12）。4 個獨立 compliance check（不是互斥 tier）：Prohibited / High-risk Annex III 8 domain（biometric / critical infra / education / employment / credit / law enforcement / migration / justice）/ Transparency / GPAI。罰款上限：prohibited €35M 或 7% 全球年營業；high-risk €15M 或 3%；透明度違規 £17M 或 4%。
  • 白話：歐盟版「AI 法律」，2026 中開始強制。沒做合規 = 全球營業 3-7% 罰款。Annex III 8 領域（招聘、信用、教育…）門檻最高。
  • 範例：用 agent 做 resume scanner → 自動 promote 為 high-risk → 開 audit trail + risk assessment + EU database 註冊 + 強制 human oversight。若 agent 對外用必加「[AI-bot]」標籤（transparency check）。
  • 章節：Ch 15 §5b — EU AI Act 8 high-risk domain + V3 對映 + 速查卡 Compliance §EU AI Act

OpenTelemetry GenAI Semantic Conventions ​

  • 專業：CNCF OpenTelemetry 為 GenAI / agent 標準化的 span / metric 命名規約。Span：invoke_agent {gen_ai.agent.name} / chat {model} / embeddings。Metric：gen_ai.client.token.usage（histogram by direction）/ gen_ai.client.operation.duration。2026-03 仍 experimental，多 agent system convention 在 SIG 發展中。
  • 白話：「agent 跑出來的監控資料」業界統一格式 — Datadog / Grafana / Uptrace 看 agent trace 不用各自寫 parser。
  • 範例：Datadog LLM Observability / Uptrace / OpenLLMetry 已實作；agent code 加 OTel SDK，metric 直接 ship 出去 dashboard 自動顯示。AgentZ 教學選 OTel 作為標準 observability backend。
  • 章節：Ch 15 §5a 完整 OTel 整合 — span/metric 表 + OpenLLMetry Python 5 分鐘上手範例 + Ch 8 §3

其他類別 → 基礎 · Agent / CLI · 實務 · Production · 台灣/混淆 pair

名詞表 · 台灣 AI / 常被混淆的 pair / 外部詞典 ​

← 回名詞表總覽

10. 台灣 AI / 主權方案 ​

TAIDE / TAIDE (Trustworthy AI Dialogue Engine) ​

  • 專業：國科會主導、中研院 + 台大 + 清大 + 交大 + 成大等學界合作開發的本土繁中 LLM。HuggingFace 開放下載 model weights，目前最新 Gemma-3-TAIDE-12b-Chat-2602 (12B params, 2025-02 發布)。
  • 白話：「台灣自己訓的繁中 LLM」。免費下載，自己架。
  • 範例：本地用 Ollama 跑 ollama pull taide（社群有 unofficial mirror）或從 HuggingFace 直接 load。配 vLLM 起 OpenAI-compat server、AgentZ / V3 都能接。
  • 應用 AgentZ：M3 Ultra 192GB + Ollama + TAIDE-12b 是「全主權」AgentZ 方案——0 雲端依賴。
  • 沒有雲端 API：要自架。HuggingFace Inference Endpoints 可付費租 GPU 跑。

國家主權 AI / Sovereign AI ​

  • 專業：國家 / 組織能自主控制 base model 訓練、推論硬體、資料管道、policy 規則的 AI 體系。對應 supply-chain risk 跟資料主權。
  • 白話：「不依賴美國雲端 / 中國雲端、自己能 train 跟 serve」的 AI。
  • 範例：TAIDE（台灣）、TII Falcon（UAE）、Mistral（法國）、DeepSeek（中國）、Bharat GPT（印度）都屬此類。
  • 章節：跨 Ch 1 + Ch 17

本地推論 / Local Inference ​

  • 專業：model + inference engine 跑在你掌控的硬體（個人機器 / 自己機房）、不經第三方雲。
  • 白話：「LLM 在我電腦跑、沒網路也能用、資料不出我手」。
  • 範例：Ollama (Mac/Linux 一行裝)、vLLM (GPU server)、MLX (Apple Silicon 加速)、llama.cpp (CPU 也能跑、量化 model)。
  • 章節：Ch 1 §6 + Ch 17

11. 常被混淆的 pair 對比 ​

學習者最常搞混的 7 組對比。「兩個都是 X，但...」 一句話切清楚。

MCP vs Skill ​

  • MCP = agent ↔ 外部「函式庫 / API」的共通 protocol（執行能力）
  • Skill = 給 LLM 看的「教戰手冊 / SOP」（指引 LLM 怎麼做）
  • 一句話：MCP 給工具、Skill 給說明書。同一個任務可以兩個都用——MCP 提供「寄信」function、Skill 告訴 LLM「寄信前 5 步檢查」。

Tool Use vs Function Calling ​

  • 同一個東西的兩個名字。Anthropic 文件用「tool use」、OpenAI 早期叫「function calling」、現在統一回「tools」。
  • API 層面差異：Anthropic tool_use block / OpenAI tool_calls array — schema 不同但概念同。

Agent vs Workflow ​

  • Workflow = 你預先寫死的 step sequence（A → B → C），無分支決策
  • Agent = LLM 自己決定下一步（A → ? → ?），自主路由
  • 一句話：Workflow 是火車軌道、Agent 是 GPS 導航。Workflow 可預測但不靈活；Agent 靈活但要 cost cap / audit 護欄。

ReAct vs Plan-and-Solve ​

  • ReAct = 邊想邊做（每步 reason → act → observe → reason...），動態反應 environment
  • Plan-and-Solve = 先想完 plan 再 execute（planner 列 5 步、executor 照跑）
  • 哪個好？短任務 / environment 變動大 → ReAct；步驟清楚 / 可預測 → Plan-and-Solve。實務常混（Plan 主導 + 每步 ReAct 微調）。

Fine-tuning vs RAG ​

  • Fine-tuning = 改模型權重（讓 LLM「內化」某 domain）；成本高、需要 GPU / 訓練資料
  • RAG = 不改模型，每次推論前撈相關資料塞 context（讓 LLM「查資料庫」）
  • 哪個好？事實 / 知識頻繁更新 → RAG；風格 / tone / 特定格式輸出 → Fine-tuning。多數情境 RAG 先試（便宜 100x），不夠才 fine-tune。

Subagent vs Multi-agent ​

  • Subagent = 主 agent 派下去做子任務的隔離 agent（context 不共享，只回結果）
  • Multi-agent = 多個 agent 各自有角色 / 工具集，協作完成任務（context 部分共享或 handoff）
  • 一句話：Subagent 是外包工讀生、Multi-agent 是團隊。Subagent 是 Multi-agent 的最簡形式。

CLI Agent vs Code-editing Agent ​

  • CLI Agent = 「介面類別」（terminal 跑、shell-driven 的 agent）
  • Code-editing Agent = 「工作類別」（會自主多輪改 codebase 的 agent）
  • 多數 CLI Agent（Claude Code / Codex / OpenCode）都是 code-editing agent；但 code-editing 不一定是 CLI（Cursor / Cline 是 IDE-based）。

12. 外部權威詞典（不重複造輪） ​

  • 🔗 ai-dict.gh.miniasp.com — Matt Pocock AI Coding Dictionary 繁中（保哥技術社群翻譯）。7 sections: Models / Sessions+Context / Tools+Environments / Failure Modes / Handoffs / Memory+Guidance / Work Modes。本書每章末「補充閱讀」會對應到 ai-dict 對應 section。
  • 🔗 WenyuChiou/awesome-agentic-ai-zh resources/glossary.md — 30+ 詞，每個 30-80 字解釋。
  • 🔗 Anthropic Glossary — 官方英文 glossary，跟本書名詞 1-1 對齊。

其他類別 → 基礎 · Agent / CLI · 實務 · Production · 台灣/混淆 pair

← 回名詞表總覽 · 首頁 · GitHub

MIT License — 章節內容跟 starter code 都可以 copy 進你自己的商業專案

© 2026 Symbiosis (SBS) — AgentZ contributors