[AI 趨勢解析] 主流AI熱詞演化路線全整理

 [AI 趨勢解析] 主流AI熱詞演化路線全整理

摘要 : 一次看懂AI熱詞從Token、Prompt到Agent與Workflow的出現邏輯與實際用途。

內容:

用一條清楚的演化路線，整理目前主流AI熱詞的來龍去脈，核心重點不是背名詞，而是理解每個概念「為什麼會出現」以及「它解決了什麼問題」。只要掌握這套脈絡，之後再看到新的AI術語，也比較不容易焦慮或混亂。

一開始先從最底層的 Token 與 Context Window 講起。AI在處理文字時，並不是像人一樣直接讀完整句子或文章，而是會先拆成更小的資訊單位，也就是 Token。這個概念會直接影響模型一次能讀多少內容、使用成本如何計算，以及為什麼對話太長時，AI會忘記前面說過的內容。所謂 Context Window，就是模型一次最多能處理的上下文範圍。它越大，不代表AI一定越聰明，而是代表它一次能接收的資訊更多；真正影響效果的，還是任務是否描述清楚。

因此，Prompt 提示詞成為早期最重要的AI熱詞之一。大家很快發現，AI並不是不會做，而是常常因為任務描述不清，導致輸出空泛或偏題。提示詞工程的本質，不是寫神秘咒語，而是替AI寫一份明確的工作說明書，包括角色、任務、背景、輸出格式、限制條件與範例。Prompt解決的是「如何讓AI理解你要它做什麼」，但它無法解決模型本來就不知道的事情。

接著就出現了 RAG。因為如果AI沒看過公司文件、專案程式碼或最新資料，它只能靠機率猜答案，進而產生一本正經卻不正確的內容。RAG，也就是檢索增強生成，核心邏輯很簡單：先查資料，再回答。系統會先從知識庫中找出相關內容，再交給AI生成答案。這讓AI從只靠記憶回答，進化成可以基於外部資料作答。這一段也延伸出 Embedding、向量資料庫與知識庫等概念，本質上都是為了讓系統更準確地找到語意相近的內容，而不是只做表面的關鍵字比對。

當普通RAG無法應對複雜問題時，又進一步發展出 Agentic RAG。它不再只是查一次資料就結束，而是像研究助理一樣，會判斷資料夠不夠、是否需要換關鍵字重查、是否要把大問題拆成小問題，甚至交叉比對不同來源。這代表AI開始從被動回答，走向更主動的推理與研究。

但就算AI能查資料，仍然不等於它真的能做事。於是 Tool Calling 或 Function Calling 出現了。這讓AI不只是給建議，而是能呼叫外部工具或系統，例如查日曆、讀資料庫、執行程式碼、查詢訂單狀態等。RAG讓AI有資料室，Tool Calling則讓AI有手，可以真正去執行動作。

工具越來越多之後，新的問題又浮現：每個工具的介面、參數、權限與回傳格式都不同，整合成本非常高。這時 MCP 開始受到關注。MCP可以理解成AI連接外部工具與資料來源的統一協議，像是AI世界裡的 Type-C。它的價值不在於讓模型更聰明，而在於讓AI能以更標準化、可管理的方式接入真實世界中的工具與系統。

接下來，影片也提到 Scale 的概念。Prompt像一次性的指令，而 Scale 更像是長期可重複使用的標準作業流程。它代表的不只是叫AI做一次事，而是把某一類任務的方法沉澱成穩定、可複用的能力。這對個人、團隊與企業都很重要，因為它能把工作風格、標準流程與崗位經驗逐步轉化成AI能力。

再往前一步，就是 Computer Use。這是AI從呼叫API，進化到像人一樣直接操作電腦。當系統沒有API、只能靠人工在網頁或後台點擊操作時，Tool Calling就無能為力了。Computer Use 的價值在於，AI可以看螢幕、理解介面、點按按鈕、填表、上傳檔案、下載報表，甚至在多個頁面之間切換。這讓AI開始能進入很多老舊系統與只能人工操作的工作場景，但同時也帶來穩定性、安全性與權限管理上的挑戰。

當AI具備查資料、用工具、操作電腦等能力後，大家自然會問：它能不能自己完成複雜任務？這就是 Agent 的核心。Agent 不是比較會聊天的機器人，而是能圍繞一個目標，自行拆解步驟、選擇工具、觀察結果，再持續調整行動的系統。它的關鍵是循環：先規劃、再執行、再觀察、再修正。這也是為什麼AI Agent最先在程式設計領域爆發，因為程式碼有清楚的檔案結構、錯誤訊息、測試結果與驗證方式，非常適合AI自主迭代處理。

而像 Vibe Coding 這類詞會流行，也是因為程式開發模式正在改變。過去是人寫程式、AI輔助；現在逐漸變成你描述目標，AI幫你實作，人類主要負責驗收、調整、架構設計與品質控管。只是 Agent 越強，自由度越高，風險也越大，像是誤刪檔案、亂改程式碼、越權存取資料、消耗過多資源等問題，都會放大。

因此，Harness Engineering 變得非常重要。它可以理解成給Agent加上安全帶、方向盤、剎車與儀表板。模型像發動機，Harness 則是控制系統。這一層通常包含權限控制、工具白名單、沙箱執行、追蹤記錄、錯誤重試、輸出驗證、人工審批、成本控管、回滾機制與評測系統。企業真正需要的，不是看起來很厲害的Agent，而是安全、可控、可追蹤、可驗證的Agent。

當AI開始進入真實業務場景後，單一Agent往往還不夠，因為企業運作通常是一整條流程。這時 Workflow 就很關鍵。Workflow 解決的是「一整個業務流程如何串起來」，例如讀取表單、判斷客戶類型、查CRM、生成建議、發通知、寫資料庫、排入後續跟進等。Agent負責思考與判斷，Workflow則負責把步驟、系統、審批與自動化節點串接起來，讓AI真正進入穩定運轉的業務流程。

最後，談到 Workspace Agent。這比一般的Workflow更進一步，因為企業真正想要的，不只是跑完一條流程，而是擁有一個長期存在於工作空間中的數位助手。Workspace Agent 不只是執行一次任務，而是理解團隊長期積累的上下文，例如文件在哪、誰負責什麼、哪些資訊敏感、什麼時候要提醒、什麼時候需要審批、哪些任務卡住了。普通Agent比較像臨時工，Workspace Agent 則更像長期駐點的數位員工。

整體來看，這些AI熱詞其實不是彼此孤立的新名詞，而是一條非常清楚的能力演化路線：從AI一次能看多少內容開始，進入如何正確理解任務，接著學會查資料、呼叫工具、統一接入外部系統、操作電腦、自主拆解任務、安全執行、串接流程，最後走向真正融入團隊工作的數位助手。理解這條主線後，未來再看到新的AI概念，就更容易知道它是在補哪一層能力、解哪一類問題。