最近在整理 Andrew Ng 談 Agentic AI 開發的方法論，對於正在思考 AI 轉型或啟動 AI 專案的朋友來說，這套「產品哲學」極具實踐價值。
核心精髓只有一句話：「先做出來，再慢慢優化。」(Build first. Optimize later.)
1. 拒絕「完美主義」的過度設計
很多團隊在動手前會卡在無止盡的 Workflow 討論與 Prompt 推敲。但 Andrew Ng 觀點很直接：在系統真正跑起來前，你根本不知道它會壞在哪裡。建議： 在安全合規的前提下，先弄出一個 Quick & Dirty 的原型。
2. 別只看結果，要看「軌跡 (Traces)」
原型跑起來後，重點不在於成功率，而在於「找失敗」。
- LLM 在哪一步產生錯誤邏輯？
- 哪個節點開始偏離商業邏輯？ 這些問題在紙上談兵階段是看不出來的，唯有透過觀察 Traces 才能發現真相。
3. 數據驅動優化，拒絕「憑感覺」
避免 Gut Feeling Engineering！建立簡單的試算表統計 10–20 個失敗案例：
- 如果 75% 錯誤來自 SQL 生成，那就專攻 SQL。
- 如果只有 5% 來自搜尋，就別浪費時間改 RAG。 精準打擊，遠比盲目改架構有效。
4. 初期「品質優先」，而非「成本優先」
別太早擔心 API Token 貴不貴或延遲幾秒。當使用者多到讓你擔心成本時，那通常是個「好問題」。
策略： 先把品質磨好，規模化後再考慮換小模型或做成本最佳化。
Agentic AI 的開發循環其實是一種進化論： 構建 ➔ 觀察 Traces ➔ 錯誤分析 ➔ 數據化 ➔ 針對性優化
在 LLM 時代，完美的設計速度永遠趕不上快速的迭代。你手上的 AI Agent 構想，是不是也正卡在「追求完美」的起跑線上呢？
