如果 AI Agent 是一間公司：用企業組織一次搞懂 AI Agent、MCP、RAG、Memory、Skill 與 Multi-Agent（2026 觀念入門）

這一兩年只要打開科技新聞，AI Agent（AI 代理）、MCP、RAG、Multi-Agent、Token……這些名詞就像下雨一樣噴出來，很多讀者跟阿正老師反映：「每個字分開都看得懂，合在一起就完全不知道在講什麼！」更麻煩的是，網路上的解釋文章常常是工程師寫給工程師看的，一般人讀完只覺得更暈。

其實這些名詞一點都不神秘。阿正老師發現，只要用一個大家都熟悉的東西來比喻——一間公司——所有概念馬上就通了：你是董事長，AI Agent 是總經理，MCP 是對外服務窗口，RAG 是公司資料室，Memory 是檔案櫃，Sub Agent 是各部門主管……整個 AI 世界就是一間公司的組織圖。

這篇文章阿正老師就用這個「公司比喻」，搭配一系列精心製作的圖解，把 2026 年最重要的 23 個 AI 名詞一次講清楚。不管你是想跟上時代的一般讀者、要教 AI 課程的老師，還是剛入門的學生，看完這篇就能建立完整的觀念地圖。

一、AI Agent 不是聊天機器人，而是一位專案經理

先從最根本的問題開始：AI Agent 跟 ChatGPT 這種聊天機器人到底差在哪？用公司來比喻就很清楚了——ChatGPT 像是一位知識豐富的員工：你問什麼，他答什麼，答完就結束，不會主動多做一步。而 AI Agent 則像是一位專案經理（或總經理）：你只要交代目標，他會自己規劃步驟、拆解工作、主動使用工具、指派人手，一路做到任務完成才回來跟你報告。

舉個例子：你對聊天機器人說「日本哪裡好玩？」它會給你一篇介紹文；但你對 AI Agent 說「幫我規劃一週日本旅遊，預算 3 萬元以內」，它會自己去查機票、比飯店、排行程、算預算，最後交給你一份完整的行程表。前者是「回答問題」，後者是「完成任務」——這就是本質上的差別。

這裡順便帶出兩個基本名詞：你交辦的那件事，在 AI 世界裡叫做 Task（工作項目）；而 AI Agent 被設定的角色定位——例如「你是一位嚴謹的財務顧問」或「你是幽默的英文家教」——則叫做 Persona（員工角色），就像每位員工在公司裡都有自己的職稱與人設一樣。

二、一張組織圖看懂 AI Agent 公司

在逐一介紹名詞之前，先看這張「AI Agent 公司組織圖」，把整間公司的架構一次記在腦海裡。這張圖同時涵蓋了三個主題：左邊是完整組織圖、中間是 RAG 與 Memory 的差異、右邊是 MCP Server 的運作方式，後面幾章會分別深入說明。

（點擊圖片可放大）

組織圖的最上層是董事長／CEO——也就是你（User，使用者）。你不需要懂技術細節，只要下達目標。接著是總經理／專案經理——AI Agent 本人，他手上有四樣法寶：

• Planning（專案規劃）：把大目標拆成一步步可執行的計畫，就像專案經理開工前先列出時程表。
• Reasoning（經驗判斷）：根據經驗與邏輯，判斷下一步該做什麼、哪條路比較好走。
• Tool（辦公工具）：計算機、瀏覽器、程式執行環境……就像員工桌上的電腦與辦公軟體。
• Memory（公司檔案）：記住之前發生過的事，下一章會詳細介紹。

總經理底下還有各部門的 Sub Agent（各部門主管）：行銷部、研發部（Coding Agent）、資料分析部、設計部、客服部……各自負責專門的工作。而整間公司做事的標準流程，就是 Workflow（SOP，標準作業流程）；每件工作進行到哪個階段——待辦、進行中、已完成——則是 State（工作狀態），就像專案管理看板上的一張張卡片。

組織圖的最下方還有兩個把關機制：Guardrails（公司制度）與 Human in the Loop（董事長簽核），這兩位「風控長」我們留到第八章再詳談。

三、Memory：桌上的便利貼與公司的檔案櫃

員工要把事情做好，「記憶力」很重要。AI Agent 的 Memory（記憶）跟人一樣，可以分成短期和長期兩種：

短期記憶就像桌上的便利貼：這次對話裡你說過的話、給過的檔案，AI 都記在便利貼上，隨手就能看到；但對話一結束，便利貼就被丟進垃圾桶，下次開新對話就全忘光了。

長期記憶則像公司的檔案櫃：客戶資料、歷史專案、對話記錄、工作筆記、偏好設定……重要的資訊會被歸檔保存，跨越每一次對話。所以當你用過 ChatGPT 或 Claude 的「記憶」功能，發現 AI 記得你上次說過「我住台中」「我喜歡簡潔的回答」，就是長期記憶在運作——AI 不需要每次都重新認識你。

四、RAG：需要時才去翻的公司資料室

有了記憶，為什麼還需要 RAG？想像一個情境：董事長問總經理「三年前那個案子的合約細節是什麼？」再厲害的總經理也不可能把公司所有文件背在腦子裡，他會怎麼做？走去公司資料室，找出相關文件，整理重點，再回來報告。這就是 RAG（Retrieval-Augmented Generation，檢索增強生成）的運作方式：

AI 找不到答案 → 去公司資料室（內部文件、知識庫、歷史資料、產品手冊、研究報告）→ 搜尋出相關文件 → 整理重點 → 回答使用者。整個過程的核心精神是：不記住資料，而是需要時去找資料。

那 RAG 跟上一章的 Memory 差在哪？很多人會搞混，其實一句話就分清楚了（可以對照第二章圖片的中間欄）：

五、Skill 與 Tool：員工專長與辦公工具

公司裡每位員工都有自己的專長：有人精通 Excel、有人簡報做得漂亮、有人會寫 Python、有人外語流利。AI Agent 的 Skill（員工專長）就是這個概念——AI 不一定天生什麼都會，但可以依照任務需要，呼叫不同的專長模組：試算表處理、簡報製作、翻譯、寫程式、搜尋資料、繪圖……需要哪項就召喚哪項。

那 Skill 跟 Tool 又差在哪？用公司比喻很好分：Tool 是辦公工具——計算機、瀏覽器、印表機，是「硬體能力」；Skill 則是使用工具完成特定工作的「know-how」——同樣一台電腦，會做財報的員工跟會剪影片的員工，發揮出來的價值完全不同。實務上，像 Anthropic 的 Claude 就有「Agent Skills」機制，把特定工作的最佳流程打包成技能包讓 AI 依需求載入，正是這個概念的具體實作。

六、MCP：公司的對外服務窗口

公司不可能什麼都自己做，總要跟外面的世界打交道：銀行、供應商、物流、政府機關……但你不會讓每位員工都自己拿著公司大小章到處亂跑，而是設一個對外服務窗口，統一處理所有對外業務。這個窗口，就是 MCP（Model Context Protocol，模型上下文協定）。

AI Agent 不直接存取外部系統，而是透過 MCP Server 這個窗口去連接 Google Drive（檔案存取）、GitHub（程式碼管理）、Email（寄信收信）、Calendar（行事曆）、Database（資料庫查詢）、ERP／CRM（企業系統）等各種外部服務。MCP Server 這個窗口做的事情，跟公司的總務兼法務很像：

• 統一介接入口：所有對外請求走同一個門，不會各自為政。
• 安全驗證與權限管理：確認「這件事你有沒有權限做」，沒授權的門進不去。
• 請求轉換與資料格式轉換：把 AI 的需求翻譯成外部系統聽得懂的語言，再把結果翻譯回來。
• 回傳結果：整理好的資料交回給 AI Agent 繼續作業。

在 MCP 出現之前，開發者要讓 AI 使用某個服務，得針對每個 AI 平台、每個服務逐一撰寫串接程式，累得半死。MCP 就像專為 AI 設計的通用轉接頭：服務商只要架好一個 MCP Server，任何支援 MCP 的 AI——Claude、Gemini、ChatGPT——都能直接看懂這個服務提供哪些功能、該怎麼呼叫。目前 MCP 已由 Anthropic 捐給 Linux Foundation 旗下的開放組織治理，成為 AI 連接工具的業界標準，社群上的 MCP Server 數量已達上萬個。

七、Multi-Agent 與 A2A：公司有很多部門，AI 也可以

一位總經理再厲害，也不可能一個人包辦研發、設計、行銷、客服所有工作。公司的解法是設立部門、分工合作；AI 的解法也一樣，這就是 Multi-Agent（多代理系統）。

（點擊圖片可放大）

在 Multi-Agent 架構中，AI Agent（總經理／專案經理）負責規劃、協調、整合、監督與最終決策，底下則有各部門的 Sub Agent 分頭做事：研究部負責搜尋與蒐集資訊、設計部產生圖片與設計版面、程式部撰寫程式與部署上線、資料分析部做數據分析與圖表視覺化、行銷部撰寫文案與企劃活動、客服部回答問題與維護客戶關係。這位居中調度所有部門的總指揮，專有名詞叫做 Orchestrator（協調者／總指揮）——就像交響樂團的指揮，自己不拉小提琴，但決定誰在什麼時候演奏。

以「製作一份旅遊行程規劃網站」為例，完整的部門接力是這樣跑的：研究部蒐集旅遊景點資料 → 設計部設計版面與繪圖 → 程式部開發網站功能 → 資料分析部分析旅遊趨勢與數據 → 行銷部撰寫文案並推廣 → 客服部回答使用者問題 → 網站完成交付使用。每個部門各司其職，共同完成董事長交辦的任務。

那麼問題來了：部門跟部門之間要怎麼溝通？這就需要 A2A（Agent2Agent Protocol，代理對代理協定）——注意，這不是 AI 跟工具說話（那是 MCP 的工作），而是 AI 跟 AI 說話的標準協定。透過 A2A，不同的 Agent 之間可以進行任務指派、資料交換、狀態回報與結果整合，即使這些 Agent 來自不同公司、不同平台，也能像兩間公司之間用標準公文往來一樣順暢合作。

八、Guardrails 與 Human in the Loop：公司制度與董事長簽核

AI Agent 能自主行動固然強大，但「太自主」也讓人擔心：萬一它做出不該做的事怎麼辦？公司的答案是「制度」和「簽核」，AI 世界也有一模一樣的機制。

Guardrails（護欄／公司制度）：權限管理、安全規則、政策限制、合規檢查——就像公司規定採購超過多少錢要走招標流程、員工不能存取跟職務無關的資料。Guardrails 事先劃好紅線，讓 AI 在安全範圍內自由發揮，越界的行為直接被制度擋下。

Human in the Loop（人類參與迴圈／董事長簽核）：再完善的制度也有模糊地帶，所以重要決策必須回到人類手上——重要決策簽核、人類審核、最終確認。就像公司再怎麼授權，重大合約還是要董事長親自蓋章。實務上你會看到 AI 工具在執行敏感操作（寄出郵件、刪除檔案、付款）之前跳出「確認執行？」的提示，那就是 Human in the Loop 在運作。

九、AI Agent 的完整工作流程：十個步驟走一遍

前面介紹了這麼多角色與機制，現在把它們串起來，看一件任務在「AI Agent 公司」裡的完整旅程。假設董事長（你）交辦：「幫我規劃一週日本旅遊，並預算 3 萬元以內」，這位專案經理會走過以下十個步驟：

（點擊圖片可放大）

• 1. Planning（規劃）：分析需求、拆解任務、訂定計畫——專案經理制定專案計畫，確認目標、時程與資源。
• 2. Reasoning（推理／思考）：根據經驗與邏輯判斷下一步——運用判斷力決定優先順序與策略。
• 3. Memory（記憶）：回憶過去資訊、使用者偏好與歷史紀錄——查看公司檔案，想起你上次說過「不吃生食、喜歡溫泉」。
• 4. RAG（資料檢索）：到公司資料庫或搜尋外部知識與文件——去資料室翻出相關報告與市場資料。
• 5. Tool（工具使用）：使用合適的工具或軟體執行任務——打開電腦、試算表、簡報軟體開始作業。
• 6. MCP（對外服務）：透過 MCP Server 存取外部系統——經由對外窗口查詢機票、飯店、地圖、天氣。
• 7. Sub Agents（子代理人）：指派不同的子代理人或部門協助——請設計部、行銷部、資料部門一起協作。
• 8. Observation（觀察／回報）：收集執行結果與回饋、確認進度——各部門回報進度與成果，彙整資訊。
• 9. Reflection（反思／檢討）：總結結果、發現問題並調整策略——開專案檢討會議，找出問題、優化流程。
• 10. Answer / Output（輸出結果）：整合資訊、產出最終成果——產出完整行程表，交付給董事長。

任務完成之後還沒結束：這次的經驗會存入 Memory，讓下次執行得更快更出色。整個「需求 → 規劃 → 執行 → 回饋 → 優化」的循環會不斷運作，這也是為什麼 AI Agent 用得越久越順手。像 Claude Code 這類 AI 寫程式工具能自己跑測試、發現錯誤、修正再重跑，背後就是這套循環（阿正老師之後會有一篇 Claude Code 新手教學詳細介紹）。

十、Context 與 Token：影響 AI 表現（與帳單）的關鍵

聊完「AI 怎麼做事」，接下來談一個超級實際的話題：成本。很多人有個誤會——「AI 用越久，Token 就消耗越多？」其實不是！真正影響 Token 消耗的，是你提供的 Context（上下文）與使用方式。

（點擊圖片可放大）

Context 是 AI 回答問題時所依據的所有資訊總和，包括：你與 AI 的對話內容、上傳的文件（PDF、Word、Excel、簡報）、AI 瀏覽過的網頁內容、你提供的程式碼、工具使用紀錄，以及記憶內容（Memory）。用開會來比喻：Context 就是這場會議桌上攤開的所有資料——資料攤得越多，與會者要消化的東西就越多。

Token 則是 AI 讀取與生成文字的最小單位，類似「字」或「詞」的切割單位。給大家一點具體的感覺：「台灣是個美麗的地方。」大約是 9 個 Token；英文 "Taiwan is a beautiful place." 大約 7 個 Token；一份 10 頁的文件是數千個 Token；一段程式碼則從數百到數千個 Token 不等。要注意的是，輸入（你提供的內容）和輸出（AI 回答的內容）都會消耗 Token，而且中文通常比英文消耗更多 Token。

每個 AI 模型都有「Context Window（上下文視窗）」的上限——例如 128K Token——超過上限，AI 就會遺忘前面的內容，或無法處理更多資訊。這解釋了為什麼超長對話聊到後來，AI 會開始「忘記」你一開始講過的事。

影響 Token 消耗的因素包括：對話越長（每一輪對話都會累積）、文件越大、RAG 查詢越多（檢索到的文件內容會加入 Context）、使用工具越多（工具的輸入輸出都算）、程式碼越多、多語言內容。想有效控制 Token，可以掌握這幾招：精簡提問（問題越明確越省）、分段處理（大文件分段上傳與處理）、善用摘要（讓 AI 先摘要再深入細節）、清理不必要的對話、善用 Memory（重要資訊存入記憶，不必每次重複輸入），以及選擇合適的模型來平衡效果與成本。

十一、Context Compression：讓 AI 更快更省的秘書術

知道了 Context 越長越耗 Token、越慢越貴，那有沒有解法？有——而且公司裡早就有這個職位了：秘書。

（點擊圖片可放大）

想像專案會議越開越多：第 1 天的會議紀錄 10 頁，到了第 10 天累積成 100 頁。如果每次開會都要把 100 頁全部重看一遍，結果就是：慢！貴！還可能超過 Token 上限，AI 處理變慢、回應變差、成本變高。

聰明的公司會請秘書整理：擷取重點、摘要資訊、保留重要決策、刪除冗餘內容，形成一頁精簡報告——下次開會只帶這一頁。這就是 Context Compression（上下文壓縮）：把長篇大論濃縮成精華，保留重點、刪除無關資訊。壓縮流程是「原始資料 → 分析理解 → 摘要提煉 → 壓縮輸出 → 持續使用」，好處包括減少 Token 消耗、提升處理速度、降低成本、不遺失重要資訊，還能搭配 Memory 做長期記憶。

以「100 頁會議紀錄壓縮成 1 頁摘要」為例：壓縮前是逐字對話紀錄、討論細節、重複內容、沒有結論的閒聊；壓縮後只留下專案目標、決策事項、執行計畫、負責人、待辦事項、下次會議時間——Token 大幅減少，重點一個不漏。常見的壓縮方法有五種：摘要（Summary）用更少文字描述重點、擷取重點（Extraction）直接抓關鍵句、分層摘要（Hierarchical）先小摘要再大摘要層層濃縮、語義壓縮（Semantic）理解語意後重新精煉表達、向量壓縮（Vector-based）用向量表示意義取代大量文字。

十二、23 個名詞總對照表與學習路徑

恭喜你走完整間「AI Agent 公司」！最後這張圖是全篇的總複習：左邊是 AI Agent 生態圖（AI Agent 在整個生態系中的位置）、中間是名詞速查表、右邊是從入門到實作的學習路徑建議。

（點擊圖片可放大）

照慣例，阿正老師把全文出現過的名詞整理成一張完整對照表，方便大家收藏複習：

如果看完這篇想更進一步，可以照著圖中右欄的學習路徑走：入門理解（了解基本概念與名詞，也就是這篇文章）→ 實作體驗（使用現成工具體驗、嘗試建立簡單的 Agent）→ 深入學習（深入研究 RAG、MCP、A2A 與 Context Compression）→ 整合應用（整合多個技術與服務、打造多 Agent 協作）→ 持續優化。想找免費的系統性課程，阿正老師推薦之前整理過的 Google 官方免費 AI 代理工程課程，一小時就能把理論補齊。

十三、阿正老師的總結

走完這一趟，相信大家已經發現：AI Agent 的世界一點都不神秘，它就是一間公司——有董事長（你）、有總經理（AI Agent）、有各部門（Sub Agent）、有資料室（RAG）、有檔案櫃（Memory）、有對外窗口（MCP）、有跨公司合作協定（A2A）、有公司制度（Guardrails）、還有董事長簽核（Human in the Loop）。AI Agent 就像一家公司，而不是一個聊天機器人。最後依照不同讀者情境，給大家接下來的建議：