花了一個下午多一點的時間，把 DeeplearningAI 的 Agentic AI 課程看完，對於AI代理的架構有了更完整的認識。一個水管工人是處理了無數次的管線才出師的，動手做解決問題是最快的學習方式。

- 知道如何拆解任務，將其定義在各個關鍵節點上，並將可由AI代理的部分全部代理出去

- 在節點間的串接就是 水管工，而熟練的串接是對你是否具備建立代理系統能力的重要評估

串接需要工具，代理系統依自主性高低，可分 :

高: 自主化的代理 LLM 能在任務中自主建立工具，

中: LLM 能自主決定要使用哪個預先定義好的工具

低: 所有工具、步驟都預先定義好，AI 自主決定能產生什麼步驟，由人類去操作

- devide and conquer，將一串流程拆解成各個獨立節點，再思考如何各自擊破，要用LLM or Tools，如果不行，再思考一次是否這節點還可以再細分成更小的步驟，最後再思考是否只能用 human 來解

- - 為什麼記帳APP比較容易實踐，因為他的任務步驟方便建立，只要有消費的人通常都知道一個記帳APP怎樣可以滿足你的需求，但是

--- 額外的需求呢? 需要理解阻力、suffer在哪 (又是一種taste?)

--- 更複雜的任務呢? 需要業務邏輯

-- 持有系統觀點讓效率更好

--- 在可以predefined的部分就先定義好，減少在不必要的階段讓 LLM 擁有自主性，例如: 客戶名稱、訂單編號、信箱、背景資訊

--- 知道整套系統的building block，以模組化方式建立系統以利維護，例如針對各模組的error analysis

-- Eval the system

--- 有 LLM 就會有較難掌控的部分發生，例如不合企業形象的回覆，所以要在eval過程改善

--- 這也是為什麼要有系統觀比較好，因為你比較容易知道哪裡出了問題，要修正哪部分

--- Eval 流程也能透過devide and conquer技巧，思考要叫另一個LLM除錯 or tool 提供犯錯的measure，如: 頻率、哪種情境等指標，還是要人工審查

-- reflecting 是提升品質的好方法

--- 透過善於推理的模型去評估改進系統，透過快速產出的模型提供初版