AI Agent 自動化的等級

自動駕駛有一套實用的分級語言：L1 到 L5。L1 是輔助，L2 是部分自動化，L3 開始處理更複雜的情況，L4 能在特定領域獨立運作，而 L5 是完整的 FSD 構想：系統不需人類駕駛，就能從起點抵達終點。

AI Agent 自動化也需要類似的語言。如今人人都說「Agent」，意思卻往往大不相同。有人指自動補全，有人指寫程式的助手，還有人指能讀取檔案、執行指令、更新系統、記住過去的工作，並完成業務流程的 Agent。

這套架構的價值很簡單：幫團隊看清自己實際在哪個等級。知道等級之後，就能看出下一步缺少什麼：更好的 AI Agent 執行環境、更強的 AI 記憶、更清楚的 AI 工作流程、更安全的權限，或能力更強的 AI Agent。

L1：AI 輔助，人類掌舵

在 L1，AI 是助手。它看到少量背景資訊，預測你接下來可能想做什麼，幫你加快速度。人類仍然主導任務、選擇目標、檢查輸出，並對結果負責。

一個簡單例子是 Cursor IDE 的 Tab 功能。它根據檔案和游標位置，預測下一處修改或下一行程式碼。這可能讓人覺得很強大，因為寫程式時少了許多阻力，但它不會決定該改哪個模組、執行測試、建立合併請求，或發布任何東西。方向盤仍完全握在人類手中。

另一個常見的 L1 例子是對話式生成 AI。你輸入提示，例如「為一款新的 AI 工作流程工具生成電影感產品圖片」，檢視結果、調整提示，然後選擇最終圖片。模型能產出有用的圖片、段落或點子，但目標設定、品質判斷、反覆修改，以及最後採用什麼，仍由人類決定。

典型的 L1 用途包括：

• 補完一行程式碼
• 草擬回覆
• 根據提示生成圖片
• 摘要文件
• 建議標題
• 解釋一小段程式碼

L1 很有用，但也容易被高估。它讓人做事更快，卻沒有讓工作流程自動化。

L2：任務層級自動化，人類監督

在 L2，AI 開始在範圍明確的任務中運作。它能協助處理檔案、函式、小型錯誤、測試或範圍狹窄的需求。人類仍負責定義任務、審查結果，並決定是否接受。

GitHub Copilot 很符合這個等級。它不只補完一行程式碼：還能建議修改、解釋錯誤、提出測試點子，並在 IDE 中利用更多背景資訊。但大多數時候，開發者仍密切監督。由人類決定要問什麼、接受或拒絕什麼，以及程式碼何時準備就緒。

從這裡開始，AI Agent 執行環境的初步組件變得重要。系統需要背景資訊、工具存取權、權限界線、日誌、審查介面，以及讓人類檢查輸出的方式。

例如，內容發布任務可以拆成：

• 生成 Markdown 草稿
• 建立 PNG 主視覺圖片
• 將圖片上傳到 CMS 媒體庫
• 試跑 Markdown 轉換
• 發布文章
• 開啟正式網站頁面，確認標題、內文和圖片顯示正常

在 L2，AI 可以協助其中某些步驟，但人類仍監督整個過程。

L3：工作流程層級自動化，遇到不確定情況交由人類處理

在 L3，AI 不再只是回答問題或完成小任務。它能理解多步驟工作流程、執行多項操作、觀察失敗，並調整下一步。

Claude Code 是這個等級的好例子。你可以給它一個工程目標，它便能檢查程式碼庫、編輯多個檔案、執行型別檢查或測試、讀取錯誤、修復問題，並報告修改內容。它管理的是工作流程，而不只是產生文字。

AI 工作流程也從這裡開始成為核心。有用的 Agent 需要一條完成工作的路徑：規劃、編輯、驗證、修復和總結。如果試跑失敗，就應修正 frontmatter。如果圖片網址失效，就應檢查媒體紀錄。如果正式網站頁面沒有顯示內容，就應檢查 slug、locale、CMS 狀態和富文字內容。

L3 常見於高價值的自動化，因為它功能強大，也符合現實：

• 軟體工程：編輯程式碼、執行測試、修正 lint 問題、準備 PR
• 內容營運：把需求摘要變成 CMS 文章，並確認上線頁面
• 銷售營運：補充潛在客戶資料、更新 CRM 欄位、建立後續追蹤任務
• 資料分析：擷取資料、產生報告、解釋異常
• 客戶支援：分類客服單、草擬回覆、將特殊情況交由人類處理

關鍵不是模型更會聊天，而是工作流程夠完整，讓 Agent 能持續推進，直到遇到真正的不確定情況或權限界線。

L4：在明確界線內進行領域層級自動化

在 L4，Agent 可以長時間在特定領域內運作。它知道目標，能使用工具、理解權限、記住歷史，還能把結果寫回實際的業務系統。

OpenClaw 和 Hermes 展現了這個等級的方向。它們不只是一次性的任務完成工具，也不只處理單一寫程式的工作階段。它們圍繞持續運作而設計：工具、記憶、工作流程、權限和回饋循環。價值不只是 Agent 能漂亮地完成一次任務，而是能在業務領域內反覆、可靠地運作。

此時，AI 記憶變得不可或缺。沒有記憶，Agent 每次都得從零開始。有了記憶，它就能記住先前的決策、偏好的寫作風格、產品規則、特定客戶的背景、發布限制，以及過去工作的模式。

L4 不代表系統什麼都能做，而是能在明確定義的範圍內高度自主地工作。一旦離開這個範圍，它就應暫停、降低自主程度，或交由人類處理。

可能的 L4 例子包括：

• 持續把產品更新轉成部落格文章、電子郵件、社群貼文和登陸頁的行銷 Agent
• 收集證據、檢查異常並準備月末報告的財務 Agent
• 協調新員工入職、權限、培訓和進度更新的人資 Agent
• 追蹤政策變化並準備稽核資料的合規 Agent
• 監控指標、調查變化並把任務分派給團隊的資料營運 Agent

難點不只是模型的智慧。難點在於把 AI Agent 執行環境、AI 記憶、AI 工作流程、權限、稽核紀錄、復原途徑和交由人類處理的機制，組合成一個穩定的運作系統。

L5：完全自主，我們尚未達到的 FSD 等級

L5 是 AI Agent 自動化中最常被濫用的說法。它不是指模型聽起來很聰明，也不是指 Agent 能呼叫很多工具，而是指 Agent 能在開放且不斷變化的環境中運作，並對最終結果負責。

以駕駛作比喻，L5 不是「它能在熟悉的道路上行駛」。它是真正的 FSD 構想：道路變化、異常狀況，以及從頭到尾的執行，都能由系統處理，不需人類駕駛。

我們還沒到那裡。即使是當今最強的 Agent 系統，也更接近強大的 L3，或特定領域的 L4。只要道路、權限、工具和成功標準明確，它們就能表現得極好。但它們還不是能在各種系統、產業和特殊情況下，安全地承擔每個結果的通用業務駕駛員。

要接近 L5，系統需要：

• 用於工具、權限、可觀測性、稽核和復原的 AI Agent 執行環境
• 用於長期背景資訊、偏好、決策和業務知識的 AI 記憶
• 用於流程狀態、驗證標準和例外處理的 AI 工作流程
• 能夠規劃、執行、驗證、修復，並隨時間改進的 AI Agent

就目前而言，實際可行的路徑是從 L2 和 L3 開始，再向領域足夠明確的 L4 擴展。L5 仍是方向，而非當前現實。

為什麼這套架構重要

AI Agent 自動化將進入每個產業，但各團隊的成熟速度不會一樣。工程、行銷、客戶支援、財務、法律、醫療營運、教育、製造及供應鏈，都能用 L1 到 L5 作為共同的地圖。

如果團隊處於 L1，就應把助手體驗做好。如果處於 L2，就應建立可靠的 AI Agent 執行環境。如果正在進入 L3，重點就應轉向工作流程的協調與錯誤復原。如果想達到 L4，就需要 AI 記憶、權限、可稽核性，以及穩定的系統整合。

最值得問的不是「我們該使用 AI Agent 嗎？」更好的問題是：

我們現在在哪裡？下一個等級是什麼？哪些工作流程重複性高、有價值，而且容易驗證，值得優先自動化？我們的產業中，哪些部分已經有明確的道路、規則和回饋循環？

當 AI Agent 執行環境、AI 記憶、AI 工作流程和 AI Agent 協同運作時，AI 自動化就不再只是展示，而開始成為基礎設施。L1 到 L5 不是口號，而是路線圖。