5 分鐘 Quick Win — 跑你第一支 AI Agent

完全沒寫過 code 也能跟。5 分鐘看到 agent 真的在做事。 全程不用裝 Python、不用申請 API key。

5 分鐘後你會：（1）看 agent 在你的瀏覽器跑（2）改 prompt 改行為（3）知道 AgentZ 從哪章開始。

---

0. 你要準備的（30 秒）

只要兩樣：

• 任一瀏覽器（你正在看這頁，已備齊）
• Claude.ai / ChatGPT / Gemini 任一帳號（免費版就行）

完全不用：API key、信用卡、Terminal、Python。

---

1. Step 1 — 跟 ChatGPT / Claude 講話（30 秒）

打開你的 Claude.ai 或 ChatGPT 或 Gemini。

貼這段：

你是研究助理。請按下面流程做:
1. 想：為了介紹「vibe coding」我需要找什麼？
2. 列出 3 個你需要的 fact
3. 假裝你查了，寫出你會找到的 3 個 fact
4. 把 fact 整合成 200 字繁中介紹

每步驟前先寫「Step X:」標籤，讓我看到你的推理過程。

你會看到 ChatGPT / Claude 開始逐步思考，每一步寫出來。

這就是 Agent 的核心 pattern——「想 → 做 → 看結果 → 想下一步」的循環。叫做 ReAct。

---

2. Step 2 — 改 prompt 改行為（1 分鐘）

把上面 prompt 改一個地方，看 agent 行為怎麼變：

變體 A：加角色

在第一行加「你是工程師背景」。看 agent 寫的「vibe coding」介紹會偏技術細節。

變體 B：加限制

最後加「結論不能超過 50 字」。看 agent 真的會自我約束。

變體 C：加錯誤

故意問「介紹一個叫做 XYZAgent-9999 的框架」。看 agent 怎麼處理「不存在的東西」。

發現：好的 agent 會說「沒這東西」，爛的 agent 會掰一個。 AgentZ Ch 16 整章在講怎麼強制 agent 不掰（DOI 驗證 / Reflection critique）。

---

3. Step 3 — 看真正的 Agent code（1 分鐘）

剛剛只是用聊天 UI 模擬 agent。真正的 agent 是一個 Python loop：

# AgentZ Ch 12 mini framework 簡化版
def agent_loop(goal, max_steps=5):
    history = []
    for step in range(max_steps):
        # 1. 想：給 LLM 看歷史、要它決定下一步
        thought = llm(f"Goal: {goal}\nHistory: {history}\nNext action?")

        # 2. 解析：agent 要不要呼叫工具？
        if "USE_TOOL:" in thought:
            tool_name, args = parse_tool(thought)
            # 3. 做：真的去 call 工具
            result = run_tool(tool_name, args)
            history.append({"thought": thought, "tool_result": result})
        else:
            # 4. 完成：agent 認為任務 done
            return thought

    return "max steps reached"

result = agent_loop("找下星期飛東京最便宜的機票")

這個 loop 就是 Ch 12 起手寫的東西。你 5 分鐘看完這頁、Ch 12 寫得起這 loop。

---

4. Step 4 — 看 agent 怎麼接 production（1 分鐘）

剛剛的 loop 太簡單。真實上線的 agent 還要：

• Cost cap：花超過 $0.10 自動停（Ch 8）
• Audit log：每步驟記資料庫、能回放（Ch 15）
• Tool sandbox：能用哪些 API、不能用哪些（Ch 6 MCP）
• Memory：跨 session 記住事（Ch 13）

AgentZ Ch 15 案例研究的 V3 框架就是把這 4 件事都做進去：

V3 governance stack (Ch 15)
├── ProviderKeyVault     ← API key 存哪、誰能用
├── Cost cap engine      ← 日花費上限、超了自動停
├── Audit + Replay       ← 每步寫 sqlite、能回放每個 run
└── MCP tool sandbox     ← agent 只能 call 允許的工具

學會這 4 件事 = 你能上線一個會花錢、安全、不會炸的 agent。

---

5. Step 5 — 你要從哪一章開始？（1 分鐘）

回答 3 個問題：

Q1：你會寫 Python 嗎？

• 不會 → 從 Ch -1（完全沒寫過 code） 開始
• 會 → 跳 Q2

Q2：你用過 LLM API 嗎？（Anthropic / OpenAI / Gemini）

• 沒用過 → 從 Ch 0（裝工具） 開始
• 用過 → 跳 Q3

Q3：你會用 Claude Code / Codex CLI 嗎？

• 不會 → 從 Ch 4（CLI agent 入門） 開始
• 會 → 從 Ch 9（function calling 第一原理） 開始

---

6. 你完成了 ✅

如果你跟著做了上面：

• [ ] Step 1: 跟 LLM 講過話、看到「想 → 做 → 看」的步驟
• [ ] Step 2: 改過 prompt、看到行為變化
• [ ] Step 3: 看完真實 agent loop code
• [ ] Step 4: 知道 production agent 需要 cost / audit / sandbox / memory
• [ ] Step 5: 決定你要從第幾章開始讀

打勾 4 個以上 = 你已經比 99% 的「想學 AI agent」的人進入更深的層次了。

繼續往 你的起始章節 走。

---

接下來

你的目的	建議路線
想用 agent 提升工作效率	Ch -1 → Ch 0 → Ch 4-8（Operator 路線）
想寫一個自己的 agent	Ch 0 → Ch 1-3 → Ch 9-15（Builder 路線）
想看 AgentZ 全景	Ch -1 → Ch 0 → 一章章往下
想申請 LLM API	LLM / API 申請指南 (3 分頁) — 商業 / 開源聚合 / 本地主權
想理解專業名詞	70+ 名詞表 (5 分類) — 基礎 / Agent / 實務 / Production / 台灣&pair
想要 A4 可印速查卡	速查卡 Cheatsheet (7 個分頁) — 每頁可單獨印，或翻 全本一頁
跑 code 出錯不知怎修	故障排除

---

「Don't read about agents. Build them.」
—AgentZ 哲學

首頁 · 章節 · GitHub