生成式 AI 的浪潮帶動了「Agent」的興起，那些能主動搜尋、分析、決策、甚至 A2A 的自動化代理，正在被視為下一個技術世代的關鍵基礎，然而微軟（Microsoft）在 2025年11月5日 與亞利桑那州立大學共同發表的一項研究，卻讓這個願景面臨了一個意想不到的問題。
他們打造了一個名為 「Magentic Marketplace」 的虛擬實驗環境，用來觀察 AI Agent在模擬市場中的行為。結果發現，當這些Agent必須在多方互動的環境中做出選擇、協商、甚至合作時——它們的行為出現了我們過去鮮少討論的問題：決策失焦、角色混亂，且容易被操弄。
實驗一： AI 也有選擇悖論？
Magentic Marketplace 模擬了一個雙邊市場：- 顧客Agent，根據使用者指令選擇餐廳下單；
- 商家Agent，透過溝通與定價策略爭取訂單。
乍看只是再普通不過的推薦任務，但研究團隊規定每個Agent都必須在「資訊不完整」的情況下行動，他們必須搜尋、比對、談判，甚至在資訊矛盾時自行判斷何者可信，觀察的模型則包含 GPT-5、GPT-4o、Claude Sonnet 、Gemini-2.5-Flash 及多個開源模型。
結果顯示，當顧客Agent可以搜尋到的餐廳結果數量從 3 項逐步擴增至 100 項時（即現實生活中選項爆炸的情境），本來主觀地認為顧客Agent能處理更多資訊、進行更全面的比較，但結果卻截然相反：
- 大多數模型在選項越多時，反而更快結束搜尋，只選擇第一批「看起來還行」的結果
- 在搜尋結果超過 50 項時，多數Agents的選擇評分下降了 30% 以上
- 甚至像 GPT-5 這樣的高階模型，也從近乎最優（2000 分）掉到 1100 左右。
研究人員稱這種現象為 **「AI 版的選擇悖論」，**AI 並非因資訊不足而犯錯，而是因「資訊太多」而停止思考，缺乏能在混亂中持續聚焦的策略。
實驗二：AI不懂合作？
另一組實驗，讓多個Agents共同完成任務，比如協調訂單、分配工作等。理想情況下，AI 應能自動形成分工：誰負責搜尋、誰負責評估、誰負責決策，但實際上發生的是，所有代理都在說話，卻沒有人負責領導。
研究團隊觀察到：
- Agents之間會互相詢問、回覆、傳遞訊息，看起來像是在「合作」
- 但過程中常出現任務重複、步驟遺漏或角色爭奪
- 只有在研究人員明確指派角色（例如「A 尋找選項、B 比較、C 決定」）後，效能才顯著提升
這顯示目前的 AI 協作能力其實是「對指令的服從」，而非「對任務結構的理解」，它們能執行命令，卻還不懂得如何主動協作。
實驗三：AI也會被騙？
更令人意外的是，微軟同時測試了多種誤導策略，包括：
- 權威訴求：假冒米其林推薦、提供虛構專業認證
- 社會證據：偽造客人評價與客人數量
- 恐懼誘導：對競爭對手散播食安疑慮
- Prompt Injection 攻擊：直接修改指令，導向錯誤決策。
結果非常分化：
Claude Sonnet 幾乎對所有誤導完全免疫，而 GPT-4o、GPTOSS-20b、Qwen3-4b 等模型則相對脆弱，有些甚至在純心理誘導下就轉向假商家，完成錯誤訂單。這意味著，當Agents開始與外部系統互動的現實環境中，很可能像人一樣，因被說服或被操控而產生錯誤判斷。
企業反思：prompt的架構化與嚴謹性
從這項研究，我們也能反思企業在導入 AI 的方式。如今越來越多企業嘗試將 AI Agent 融入既有工作流程，但在「提示詞（prompt）」的建構上，往往缺乏嚴謹與架構化的設計思維，如：
- 定義清楚的行動邏輯（Agent 該為誰決策、如何判斷風險）；
- 設定具層次的任務結構（明確角色分工與回報路徑）；
- 建立防操控與審核機制（避免被外部誘導或內部誤導）。
這正是多數企業在導入 AI 代理時最常忽略、卻最決定成敗的部分，每一個提示詞（prompt）背後，都有明確的規則、權限與責任，唯有以結構化方式設計 Prompt，才能確保 AI 在執行決策、流程或對外互動時，不被誤導、不偏離目標，並能在真實組織中與人類協作、可靠運作。
專業的AI Agent 服務商 EgentHub 擁有企業級的 AI Agent 管理平台 ，能根據任務自由切換不同的模型供應商建立 Agent，過程中也能使用內建的 Prompt Designer，即使是毫無AI工具相關經驗者，也能透過自然語言與Agent對話，撰寫出完整且架構嚴謹的提示詞，降低企業導入門檻，讓 AI 成為真正的協作夥伴。
