商傳媒｜責任編輯／綜合外電報導
一門由人工智慧（AI）專家吳恩達（Andrew Ng）創辦的 DeepLearning.AI 公司推出的免費課程，重新點燃了業界對 AI 代理（Agent）開發架構的激烈討論。這場爭論的核心是應如何設計 AI 代理，使其既安全可靠又高效能。
AI 代理是一種能夠自主執行任務的程式，其內部運作方式主要分為「迴圈（loops）」與「圖形（graphs）」兩種架構。迴圈架構讓代理能反覆執行一系列工具，直到達成目標或停止；而圖形架構則將任務流程視為一個網路，包含多個步驟、閘道、分支和審核點。OpenClaw 創辦人 Peter Steinberger 於 7 月 18 日發文，直接點出這項討論的重點：「我們現在還在談迴圈架構，還是已經轉向圖形架構了？」
DeepLearning.AI 推出的這門三小時八分鐘的免費課程，由 Neo4j 的 Andreas Kollegger 教授。課程內容聚焦於如何利用谷歌（Google）的 Agent Development Kit（ADK）來建構一個多代理系統，將資料轉化為知識圖譜（Knowledge Graph）。知識圖譜呈現資料中的關聯性，而工作流圖譜（Workflow Graph）則描述任務間的相互關係。
AI 公司 Anthropic 在 2024 年 12 月發表的文章《Building Effective Agents》中建議，對於 AI 代理而言，簡單、可組合的模式比複雜的框架更有效。Anthropic 所述的代理工具迴圈，是模型要求使用工具、應用程式執行、返回結果，並重複此過程直到模型停止的流程。若採用迴圈架構，需要設定明確目標、工具集、停止條件，並做好充分日誌紀錄供審查。
Anthropic 曾透過其多代理研究系統，使用主導代理（orchestrator-worker）模式，由一個主要代理規劃任務，並同步啟動多個子代理執行，將複雜查詢的研究時間縮短高達 90%。然而，此方法對 AI 模型處理資訊的基本單位——Token 的需求量大，且需要適當的防護措施。
當任務涉及分支、持續性、檢查點、人為介入審查、時間旅行除錯（time travel debugging）和可恢復執行等複雜情境時，圖形工具的吸引力就更大了。谷歌已於 2026 年 5 月和 6 月分別為 Python 和 Go 語言發布 ADK 2.0，其特色就是將代理、工具和函式評估為圖形中的節點。微軟（Microsoft）也調整了策略，已將 AutoGen 轉為維護模式，並引導新使用者轉向 Microsoft Agent Framework，該框架納入了基於圖形的工作流，用於多代理協調。
專案管理工具公司 Linear 則在 7 月 20 日推出了 Loops，這是一種專為團隊設計的週期性代理工作流程，可按排程或事件觸發執行。Loops 允許代理審查議題、專案、文件、程式碼庫和過去的運行紀錄，進而建議或啟動工作，同時讓團隊保持可視性。Linear 強調其設計專注於有可視性和控制能力、狹窄任務以及必要時可人為介入的排程與事件驅動工作。
一個圖形可以包含迴圈，而迴圈也可以是圖形中的一個節點。當工作流程擁有足夠多的分支狀態，需要未來審查者能暫停、恢復、檢查或批准轉換時，才會傾向採用圖形風格的運行環境。若工作流程沒有顯著的分支狀態，則建議使用帶有良好日誌、明確停止條件和回溯計畫的迴圈架構。面對 AI 工具比人類審查者更快生成拉取請求（pull requests）的挑戰，如何決定人類判斷何時介入流程變得至關重要。圖形提供明確的狀態轉換供審查者參考，而迴圈雖速度快，但在可觀察性和檢查點方面需要更嚴格的紀律。吳恩達的課程和 Peter Steinberger 的貼文，凸顯了開發者在 AI 代理架構選擇上所面臨的關鍵決策。
