[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-what-agentic-workflows-actually-do-enterprise-ai-zh":3,"article-related-what-agentic-workflows-actually-do-enterprise-ai-zh":28,"series-industry-6314295c-10ee-4387-9820-edc88cadccd8":87},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":11,"views":25,"created_at":26,"published_at":27,"topic_cluster_id":11},"6314295c-10ee-4387-9820-edc88cadccd8","what-agentic-workflows-actually-do-enterprise-ai-zh","企業 AI 的 agentic workflow 在做什麼","\u003Cp>IBM 把 agentic workflow 定義得很直白：AI 代理可以自己做決策、採取行動，還能協調任務。講白了，就是它不只會回話，還會做事。這差很多。像客服、營運、財務這些流程，常常不是「答對就好」，而是要一路處理例外狀況。\u003C\u002Fp>\u003Cp>你可能會想問，這跟一般 chatbot 差在哪。差別就在於，前者照腳本走，後者會看情況改路線。當第一個方法失敗時，它可以重試、換工具，甚至重新拆解任務。這種能力，才是企業現在真正想要的。\u003C\u002Fp>\u003Cp>IBM 的 \u003Ca href=\"https:\u002F\u002Fwww.ibm.com\u002Fthink\u002Ftopics\u002Fagentic-ai\" target=\"_blank\" rel=\"noopener\">agentic AI\u003C\u002Fa> 文章也提到，這類系統已經從 demo 走向 production。說真的，這很合理。因為企業最怕的不是 AI 不會答題，而是 AI 遇到髒資料、缺欄位、權限不足時就當機。\u003C\u002Fp>\u003Ch2>什麼才算 agentic workflow\u003C\u002Fh2>\u003Cp>Agentic workflow 的核心，是 AI 代理能把一個大任務拆成很多小步驟。它會先規劃，再選工具，再看結果，最後決定要不要改路。這跟傳統自動化很不一樣。傳統流程像一條固定跑道，走錯一步就卡住。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775149806382-2b9o.png\" alt=\"企業 AI 的 agentic workflow 在做什麼\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>拿 IT helpdesk 來說最有感。傳統腳本可能先問幾個固定問題，然後直接分類。Agentic workflow 則可以多問幾句，查 log，呼叫內部 API，甚至根據回傳結果換一條處理路徑。這就是它比較像「會思考的流程」。\u003C\u002Fp>\u003Cp>企業工作本來就充滿例外。密碼重設很簡單，但網路斷線、帳單爭議、採購資料不一致，這些才是日常。規則寫得再完整，也很難涵蓋所有邊角。\u003C\u002Fp>\u003Cp>所以 agentic workflow 不是把流程變神奇，而是讓流程有彈性。它能在第一步失敗後，不用人類立刻插手，先試著找出下一步。這點很重要，因為人工介入的成本其實很高。\u003C\u002Fp>\u003Cul>\u003Cli>它會先規劃，再執行。\u003C\u002Fli>\u003Cli>它能呼叫工具，不只靠模型記憶。\u003C\u002Fli>\u003Cli>它能根據回饋修正路線。\u003C\u002Fli>\u003Cli>它能處理多步驟任務，不只單輪問答。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>為什麼它跟 RPA 不一樣\u003C\u002Fh2>\u003Cp>RPA 很適合固定流程。像填表、搬資料、複製欄位，這些工作它做得很穩。問題是，RPA 很怕介面一改。按鈕位置換了、欄位名稱變了、頁面載入順序不同，它就可能失手。\u003C\u002Fp>\u003Cp>Agentic workflow 的方向不一樣。它不是死背一條路，而是會判斷現場狀況，再決定下一步。這讓它更適合處理「流程長、變數多、例外多」的工作。企業裡很多事情就是這種型態。\u003C\u002Fp>\u003Cp>Google 執行長 \u003Ca href=\"https:\u002F\u002Fblog.google\u002Finside-google\u002Fmessage-ceo\u002Fgoogle-io-2017-sundar-pichai\u002F\" target=\"_blank\" rel=\"noopener\">Sundar Pichai\u003C\u002Fa> 在 \u003Ca href=\"\u002Fnews\u002Fcuda-in-2025-why-gpus-still-win-zh\">20\u003C\u002Fa>17 年 I\u002FO 演講說過一句很有名的話：\u003Cblockquote>“The role of AI is not to replace humans, but to augment human capabilities.”\u003C\u002Fblockquote>這句話放在 agentic workflow 上很貼切。重點不是把人踢掉，而是把人從重複決策裡拉出來。\u003C\u002Fp>\u003Cp>實務上，這代表什麼。客服不必一開始就人工翻 log。財務不必每張單據都從頭比對。採購也不用每次都靠人眼檢查供應商資料。AI 先做前處理，人類再看最後結果，效率通常會好很多。\u003C\u002Fp>\u003Cp>我覺得這種分工才健康。因為企業真的不缺「會講話的 AI」，缺的是「能把事情做完的 AI」。\u003C\u002Fp>\u003Ch2>它靠哪些元件運作\u003C\u002Fh2>\u003Cp>IBM 的說法很實際。要做出 agentic workflow，你需要模型、工具、記憶、規劃、回饋。少一個都不太行。只有 LLM，頂多是聊天機器人。加上工具後，才有機會變成能辦事的系統。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775149795149-2xsy.png\" alt=\"企業 AI 的 agentic workflow 在做什麼\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>LLM 負責理解語意和生成內容。工具負責查資料、呼叫 API、跑腳本、讀寫資料庫。記憶負責保存狀態，讓系統知道前面做過什麼。規劃則是把大任務拆成可執行的小步驟。沒有這些組件，流程就只是看起來很會講。\u003C\u002Fp>\u003Cp>回饋機制也很重要。高風險場景最好有人審核。低風險場景則可以讓系統自己修正。多代理架構也常見，一個代理做事，另一個代理檢查。這種設計雖然麻煩，但比較不容易出包。\u003C\u002Fp>\u003Cp>下面這幾個工具，現在都很常被拿來做 agent workflow：\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.ibm.com\u002Fwatsonx\" target=\"_blank\" rel=\"noopener\">IBM watsonx\u003C\u002Fa>：企業 AI 基礎建設。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.langchain.com\" target=\"_blank\" rel=\"noopener\">LangChain\u003C\u002Fa>：串接模型與工具。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Flangchain-ai.github.io\u002Flanggraph\u002F\" target=\"_blank\" rel=\"noopener\">LangGraph\u003C\u002Fa>：做有狀態的流程圖。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.crewai.com\" target=\"_blank\" rel=\"noopener\">crewAI\u003C\u002Fa>：多代理協作。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FIBM\u002Fbeeai\" target=\"_blank\" rel=\"noopener\">BeeAI\u003C\u002Fa>：IBM 的開源代理框架。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這些工具不是誰取代誰，而是看情境選。客服、寫程式、採購、審核，需求完全不同。權限、稽核、記錄方式也都不同。企業如果一開始就想「一套打天下」，通常會踩雷。\u003C\u002Fp>\u003Ch2>哪些場景最先用得上\u003C\u002Fh2>\u003Cp>IBM 提到的場景很多，像客服、營運、財務、醫療、人資、行銷、採購、revops、銷售、供應鏈。這個清單很長，但邏輯很一致。只要工作有固定目標，又常出現例外，agentic workflow 就有機會派上用場。\u003C\u002Fp>\u003Cp>客服是最直覺的例子。AI 可以先整理案件、抓帳號歷史、彙整對話，再把重點交給真人。財務也很適合。像發票缺件、金額不一致、附件不足，AI 可以先檢查，再決定要不要退件。\u003C\u002Fp>\u003Cp>供應鏈也很吃這套。延遲、缺料、運輸異常，這些都是多步驟判斷。AI 可以先監控，再摘要，再建議下一步。對軟體團隊來說，agentic coding 也很像這個模式。它可以看 c\u003Ca href=\"\u002Fnews\u002Fmarginlab-claude-code-opus-46-tracker-zh\">ode\u003C\u002Fa>、跑 te\u003Ca href=\"\u002Fnews\u002Frust-1-94-1-patches-regressions-and-cargo-cves-zh\">st\u003C\u002Fa>、修正錯誤、再驗證一次。\u003C\u002Fp>\u003Cp>這裡有個很實際的比較：\u003C\u002Fp>\u003Cul>\u003Cli>客服：先收集上下文，再回應。\u003C\u002Fli>\u003Cli>財務：先檢查缺件，再進入審批。\u003C\u002Fli>\u003Cli>HR：先分類請求，再產生草稿回覆。\u003C\u002Fli>\u003Cli>營運：先監控異常，再通知處理人員。\u003C\u002Fli>\u003Cli>工程：先跑測試，再修 code。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Andrew Ng 也提過一個例子。AI 工具先搜尋失敗，接著換成 Wikipedia 搜尋，最後還是把任務做完。這種 fallback 行為很關鍵。因為真實世界裡，工具壞掉比模型答錯更常見。\u003C\u002Fp>\u003Ch2>企業導入前要先看什麼\u003C\u002Fh2>\u003Cp>說真的，demo 很會騙人。畫面漂亮不代表 production 能跑。只要 agent 能動手做事，風險就會跟著上來。權限、紀錄、資料品質、失敗回退，全部都要先想好。\u003C\u002Fp>\u003Cp>如果你在評估導入，先挑低風險工作。像內部 IT 協助、文件分流、工單整理、發票檢查、狀態更新，這些都很適合。因為輸入和輸出比較清楚，也比較容易量化效果。\u003C\u002Fp>\u003Cp>不要一開始就碰高風險場景。像會影響金流、法遵、醫療判斷的流程，最好先有人審核。agentic workflow 不是萬能藥。它比較像一個很會跑流程的同事，但還是會犯錯。\u003C\u002Fp>\u003Cp>我會建議團隊先看三件事：第一，任務能不能拆步驟。第二，失敗後能不能安全退回。第三，有沒有清楚的稽核紀錄。這三件事過不了，先別急著上線。\u003C\u002Fp>\u003Cp>產業脈絡也很清楚。過去十年，企業自動化多半在做規則搬運。現在的壓力變成，資料來源更多、系統更多、例外也更多。只靠 RPA 已經不夠用了，因為真實工作不是固定表單而已。\u003C\u002Fp>\u003Cp>所以 agentic workflow 的價值，不在於把人完全拿掉。它的價值，是把人從重複查核裡解放出來，讓人去做判斷、協調、例外處理。這才符合企業現場的樣子。\u003C\u002Fp>\u003Ch2>接下來會怎麼走\u003C\u002Fh2>\u003Cp>我猜接下來 12 到 24 個月，最先落地的還是那些「不性感但有用」的流程。客服分流、內部 IT、文件審查、採購比對，這些最容易先看到效果。原因很簡單，ROI 好算，風險也能控。\u003C\u002Fp>\u003Cp>如果你是開發者，現在就可以開始想一件事：你手上的流程，哪一段最常卡在例外處理。那一段，很可能就是 agentic workflow 最有價值的地方。別先想做全自動。先想怎麼讓它少出錯、少叫人救火。\u003C\u002Fp>\u003Cp>企業 AI 接下來比的，不是誰的模型會講更多話，而是誰的流程能在失敗後繼續往下走。這才是真正有用的地方。\u003C\u002Fp>","agentic workflow 讓 AI 能規劃、執行、修正步驟，適合客服、營運、財務與軟體團隊處理多步驟、常出錯的工作。","www.ibm.com","https:\u002F\u002Fwww.ibm.com\u002Fthink\u002Ftopics\u002Fagentic-workflows",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775149806382-2b9o.png","industry","zh","3f8ce806-cc89-41ac-aae7-83ed9afd34b7",[17,18,19,20,21,22,23,24],"agentic workflow","enterprise AI","AI agents","LLM","RPA","LangChain","LangGraph","IBM watsonx",4,"2026-04-02T17:09:38.567517+00:00","2026-04-02T17:09:38.468+00:00",{"tags":29,"relatedLang":46,"relatedPosts":50},[30,32,34,36,38,40,42,44],{"name":23,"slug":31},"langgraph",{"name":22,"slug":33},"langchain",{"name":18,"slug":35},"enterprise-ai",{"name":20,"slug":37},"llm",{"name":21,"slug":39},"rpa",{"name":24,"slug":41},"ibm-watsonx",{"name":17,"slug":43},"agentic-workflow",{"name":19,"slug":45},"ai-agents",{"id":15,"slug":47,"title":48,"language":49},"what-agentic-workflows-actually-do-enterprise-ai-en","What Agentic Workflows Actually Do in Enterprise AI","en",[51,57,63,69,75,81],{"id":52,"slug":53,"title":54,"cover_image":55,"image_url":55,"created_at":56,"category":13},"cad99049-9883-450d-84f5-6ed92a7c51d3","wolters-kluwer-deepens-openai-deal-stock-slips-zh","Wolters Kluwer 加深 OpenAI 合作","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780570971912-870u.png","2026-06-04T11:02:25.638893+00:00",{"id":58,"slug":59,"title":60,"cover_image":61,"image_url":61,"created_at":62,"category":13},"046d62be-05e2-47ff-908b-b0bfa603ae35","5-cuda-13-3-updates-for-gpu-developers-zh","5 個 CUDA 13.3 GPU 開發更新","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780568291192-epf6.png","2026-06-04T10:17:44.229366+00:00",{"id":64,"slug":65,"title":66,"cover_image":67,"image_url":67,"created_at":68,"category":13},"d0c15fc4-984c-4fdf-8797-17cb43518149","4-ways-microsoft-is-building-agentic-apps-zh","4 個 Microsoft 建構 agentic apps 的方式","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780564668751-vfs6.png","2026-06-04T09:17:20.052731+00:00",{"id":70,"slug":71,"title":72,"cover_image":73,"image_url":73,"created_at":74,"category":13},"65ca7e37-1bf4-4e29-b7f8-cf6ae3182b72","congress-should-treat-fraud-cuts-as-tax-relief-zh","為什麼國會該把打擊詐領當成減稅，而不是殘酷","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780562880881-bpta.png","2026-06-04T08:47:27.829649+00:00",{"id":76,"slug":77,"title":78,"cover_image":79,"image_url":79,"created_at":80,"category":13},"f95cf6d8-0989-4ecd-88c4-c0ee6055b2ad","why-lisa-mcclain-committee-assignments-matter-zh","為什麼 Lisa McClain 的委員會席次比她的新聞標題更重要","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780561972248-a8m5.png","2026-06-04T08:32:20.773326+00:00",{"id":82,"slug":83,"title":84,"cover_image":85,"image_url":85,"created_at":86,"category":13},"76032ead-61f6-4f4f-a023-e20cb93a621b","why-the-clarity-act-is-here-to-stay-zh","為什麼 CLARITY Act 會留下來","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780561074594-hqmg.png","2026-06-04T08:17:26.885295+00:00",[88,93,98,103,108,113,118,123,128,133],{"id":89,"slug":90,"title":91,"created_at":92},"ee073da7-28b3-4752-a319-5a501459fb87","ai-in-2026-what-actually-matters-now-zh","2026 AI 真正重要的事","2026-03-26T07:09:12.008134+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"83bd1795-8548-44c9-9a7e-de50a0923f71","trump-ai-framework-power-speech-state-preemption-zh","川普 AI 框架瞄準電力、言論與州權","2026-03-26T07:12:18.695466+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"ea6be18b-c903-4e54-97b7-5f7447a612e0","nvidia-gtc-2026-big-ai-announcements-zh","NVIDIA GTC 2026 重點拆解","2026-03-26T07:14:26.62638+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"4bcec76f-4c36-4daa-909f-54cd702f7c93","claude-users-spreading-out-and-getting-better-zh","Claude 用戶更分散，也更會用","2026-03-26T07:22:52.325888+00:00",{"id":109,"slug":110,"title":111,"created_at":112},"bd903b15-2473-4178-9789-b7557816e535","openclaw-raises-hard-question-for-ai-models-zh","OpenClaw 逼問 AI 模型價值","2026-03-26T07:24:54.707486+00:00",{"id":114,"slug":115,"title":116,"created_at":117},"eeac6b9e-ad9d-4831-8eec-8bba3f9bca6a","gap-google-gemini-checkout-fashion-search-zh","Gap 把結帳搬進 Gemini","2026-03-26T07:28:23.937768+00:00",{"id":119,"slug":120,"title":121,"created_at":122},"0740e53f-605d-4d57-8601-c10beb126f3c","google-pushes-gemini-transition-to-march-2026-zh","Google 把 Gemini 轉換延到 2026 年 3…","2026-03-26T07:30:12.825269+00:00",{"id":124,"slug":125,"title":126,"created_at":127},"e660d801-2421-4529-8fa9-86b82b066990","metas-llama-4-benchmark-scandal-gets-worse-zh","Meta Llama 4 分數風波又擴大","2026-03-26T07:34:21.156421+00:00",{"id":129,"slug":130,"title":131,"created_at":132},"183f9e7c-e143-40bb-a6d5-67ba84a3a8bc","accenture-mistral-ai-sovereign-enterprise-deal-zh","Accenture 攜手 Mistral AI 賣主權 AI","2026-03-26T07:38:14.818906+00:00",{"id":134,"slug":135,"title":136,"created_at":137},"191d9b1b-768a-478c-978c-dd7431a38149","mistral-ai-faces-its-hardest-year-yet-zh","Mistral AI 迎來最硬的一年","2026-03-26T07:40:23.716374+00:00"]