2026年11月10日 星期二

[AI 趨勢] AI 降低創業門檻後,什麼能力變得更值錢?

[AI 趨勢] AI 降低創業門檻後,什麼能力變得更值錢?

摘要:YC 觀察到獨自創業、硬科技與營收成長加速;當寫程式碼變便宜,產業經驗與選題能力更顯珍貴。



內容:


二十年前,Y Combinator(YC)聯合創始人 Paul Graham 曾把「一個人創業」列為可能害死新創公司的頭號錯誤。如今,YC 總裁 Gary Tan 卻在播客《Lightcone》中說:「YC 自己就是獨自創業者的 YC。」這並不代表找搭檔已經過時,而是 AI 正在改變創業初期需要多少人、哪些能力最難取得。


**第一個變化,是獨自創業者變多了。**YC 合夥人 Diana 表示,過去獲選公司的獨自創業者約占 5%,如今已超過 18% 至 19%,接近原來的四倍。過去創業往往需要一人擅長銷售與推廣,另一人具備頂尖技術能力;兩種本事很難集中在同一人身上,因此找一位技術共同創始人,常被視為必要條件。現在,AI 程式設計代理能承擔更多開發工作,創業者更有機會先把產品做出來。難題也因此轉向:要知道該解決什麼問題、該讓 AI 做什麼,以及什麼產品值得做。


不過,YC 仍認為共同創始人是加分項。Instacart 和 Coinbase 進入 YC 時都只有一位創始人,之後才找到搭檔。因此,更貼切的說法或許是「先一個人開工,跑通後再找人」。數據也須留意口徑:有人逐一統計某屆冬季班的 199 家公司,其中 22 家是獨自創業,約占 11%,低於 YC 提到的比例;但相較於過去約 5%,增加的方向一致。


**第二個變化,是資深創業者更能發揮優勢。**Gary Tan 說,他最近見到的一些出色創始人,年齡在三十多、四十多歲,甚至五十多歲。他舉 OpenCLAW 作者 Peter Steinberger 為例:對方四十歲,先前有十年經營公司的經驗。合夥人 Jared 指出,管理 AI 程式設計代理,在某些方面與管理人員相似:都要拆解任務、訂立標準、驗收成果,並預判容易出錯之處。這些能力往往來自長年的實務經驗。當「不會寫程式碼」或「找不到技術搭檔」不再像以前那樣難以克服,熟悉一個行業的人,也更有機會親手驗證自己的想法。


**第三個變化,是更多新創走向硬科技。**Diana 表示,YC 批次中硬科技公司的占比,從約 8% 升至 20%。機器人、工廠、國防、晶片與電力等領域,都出現顯著增長。YC 將這股趨勢稱為「從位元走向原子」:不只開發螢幕裡的軟體,也開始處理真實世界中摸得到的設備與設施。


AI 讓軟體更容易開發,為什麼反而有利於硬體?原因之一是,許多硬科技公司的瓶頸不只在硬體本身。無人機或機器人背後,都需要控制系統、韌體及後台軟體;過去要組建足夠強的軟體團隊,往往得與大型科技公司爭奪人才。如今,少數熟練工程師配合 AI,可能就能完成更多開發工作,讓團隊有餘力處理製造與現場部署等難題。


YC 提到的 Knox Metals,便在底特律閒置多年的老工廠中重新從事金屬加工。Paul Graham 曾形容,這家金屬加工公司的成長速度像軟體公司;其需求來自一批急需供貨、傳統供應商卻難以跟上的國防科技新創。節目還提到,某屆夏季班的創始人約每六人就有一位博士,顯示不少人選擇挑戰技術門檻更高的題目。


**第四個變化,是新創更快取得收入,產品也從「工具」走向「完成工作」。**YC 投資的公司剛加入時,通常尚無收入;三個月後參加 Demo Day,過去月收入中位數約為 8,000 美元,如今約為 20,000 美元,是原來的兩倍半。節目也提到,部分公司能在這三個月內,從零成長至百萬美元級別營收;過去達到類似規模,可能需要十八個月以上。


YC 同時觀察到,提供「端到端完成一份工作」服務的公司,占比從約 10% 升至超過 25%。招聘產品 Juicebox 是一個例子:過去它主要幫客戶找到符合條件的人選,後續聯絡、安排面試仍由招聘人員處理;現在,其 AI 代理也能發訊息、約面試,接手更多流程。同一位客戶願意支付的費用可能因此增加兩到三倍,而招聘人員則能把時間用在判斷人選是否適合團隊等較難交給 AI 的工作。


這也是 YC 對「軟體已死」的回應:軟體並沒有消失,而是在改變角色。它可以像員工一樣直接把事辦完,也可以成為讓 AI 穩定工作的環境與流程,也就是所謂的 harness。客戶付費購買的,越來越不只是操作工具的權利,而是工作完成的結果。


**第五個變化,是模型所需的資料與練習環境,正在形成生意。**Jared 表示,過去兩年 YC 投資了十多家相關公司,每家年收入都超過一千萬美元,部分達到數億美元。它們主要向大模型公司提供兩類東西:資料,以及強化學習環境。


強化學習環境可以理解為 AI 的模擬考場。例如建立一套虛構的公司財務系統,放入帳本、發票和待辦事項,讓 AI 練習對帳、報稅,並依結果自動評分。要讓 AI 學會處理真實工作,除了讀取資料,還需要能反覆操作、檢驗對錯的場景;環境越貼近現實,就越有價值。機器人領域也有類似需求:有公司在各地工廠,以第一人稱視角拍攝工人的操作,再將資料提供給機器人實驗室。YC 認為,部分業者不願公開談論這門生意,正因為不想讓競爭對手注意到機會;YC 於 2016 年投資的 Scale AI,則是這個領域的早期代表。


這五個變化,可以用同一條線串起來:**當寫程式碼的成本下降,人才與資金會流向仍然昂貴、仍然困難的地方。**一個人更容易開始創業;多年產業經驗更容易轉化為產品;硬科技團隊能跨過部分軟體門檻;軟體能直接交付工作成果;而越強的模型,越需要真實資料與練習環境。


當然,這些數字主要來自 YC 自己挑選與投資的公司,不能直接代表所有新創。若 YC 主動增加硬科技投資,批次中的硬科技比例也自然會上升。即使如此,背後的問題仍值得思考:當技術實作變得更容易,你在一個行業裡累積的判斷——客戶真正頭痛什麼、哪些坑不能踩、什麼需求不值得做——或許比「會不會寫程式碼」更難被取代。

[AI 分享] 從單一對話到多代理協作:四招打造 AI 工作流程

 [AI 分享] 從單一對話到多代理協作:四招打造 AI 工作流程

摘要:文章分享以總管代理、技能庫、系統串接與任務複述,建立可重複運作的 AI 協作流程。



內容:


一段談論 AI 工作方式的影片近期引發討論。原文介紹,一名網名「土豆女神」的工程師 Lauren Tan,展示了由一個 AI 協調多個 AI 代理(Agent)處理工作的做法。原文也提到「指揮 50 多個 AI」、「完成 20 多名工程師的工作量」及「公司九成以上員工都在使用」等說法;這些是原文轉述的宣稱,不能僅憑這段文字確認。


這套方法的核心,不是同時打開更多對話視窗,而是把常做的工作拆分、交給不同代理執行,並建立可重複使用的規則。原文將其歸納為以下四個做法。


第一招:先建立「總管」代理,讓 AI 協調 AI。 與其自己在多個視窗之間分派、追蹤任務,不如先設定一個負責規劃的總管代理。它不必親自完成每項工作,而是先詢問使用者:每天最耗時的三件事是什麼?哪個環節最容易卡住?釐清需求後,再協助設計分工,例如讓不同代理分別負責蒐集資料、修改程式碼及撰寫通知。


在原文描述的流程中,總管也會定期檢查各代理的產出,發現偏離目標或耗用過多資源時調整任務。這樣做的目的,是讓使用者從逐一指揮每個步驟,轉向設定目標、檢查結果與處理例外狀況。


第二招:把做成功的方法存成獨立技能。 原文認為,最值得養成的習慣,是在 AI 完成一項工作後,不只保留結果,也把有效的處理方法整理成可複用的說明。做完會議紀要,就記下整理格式與判斷規則;排除一次系統故障,就記下檢查順序;將長文改寫成短影片腳本,也可以留下轉換步驟和品質標準。


這些「技能」可以存放在私有程式碼倉庫或其他知識庫。日後遇到類似任務,便能提供既有規則,減少反覆解釋背景與要求的時間。原文強調的是:不要讓一次成功的對話,隨著視窗關閉而消失。


第三招:串接帳號與工具,減少人工複製貼上。 如果一項工作需要人把郵件內容複製給 AI,再把 AI 的結果貼進表格、手動新增日程,流程仍高度依賴人工搬運。原文提出,可讓負責特定任務的代理透過工作帳號與系統連接器,直接取得所需資訊並執行後續步驟。


例如,收到客戶郵件後,由代理擷取關鍵資訊、更新線上表格,再建立跟進提醒。這類自動化的價值在於讓資訊於工具之間順暢流動。不過,實作時仍應依任務給予必要權限,並對寄信、修改資料等重要動作設置審核,避免因授權過大或判讀錯誤造成損失。


第四招:交代任務時說清楚背景,並要求 AI 先複述。 原文指出,AI 答非所問,有時不是缺少複雜的提示詞,而是使用者沒有交代完整情境。對於背景較多的任務,可以用語音一次說明業務場景、對象、現有資料,以及怎樣的成果才算合格。


交代完後,先請 AI 用自己的話重述需求,不要立刻開始執行。如果它理解正確,再讓它開工;若有遺漏或誤解,就先修正。這一步旨在把確認需求的工作提前,減少完成後才發現方向錯誤、反覆修改的情況。


整體而言,原文想傳達的觀點是:AI 的用途不只是一問一答,也可以透過分工、保存方法、串接工具與確認需求,形成較穩定的工作流程。真正需要人持續把關的,則是任務目標、權限範圍與最終成果的品質。

2026年11月9日 星期一

MFA015 - Responses API 代理

MFA015 - Responses API 代理

在上一篇關於 Microsoft Agent Framework 系列教學文章 "MFA014 - 多模態輸入(圖片)" 中,我們學會了使用 Microsoft Agent Framework 建立能夠處理圖片輸入的 AI 代理。讓模型接收到多模態的資料,在這裡使用的圖片,這裡的圖片將會是冰箱的照片。透過這個練習,我們了解了如何讓 AI 代理分析圖片內容並給出建議。


在完成這篇文章的練習之後,你將能夠使用 Microsoft Agent Framework 建立一個能夠處理多輪對話的 AI 代理,並了解 Responses API 與 Chat Completions 代理在多輪對話中的差異。所謂的 Chat Completion API 則是每輪都需要將完整對話歷史送給模型,服務端不會保存對話狀態。而對於 Responses API,服務端會保存對話狀態,因此每輪不需要重送完整對話歷史,且能保留上一輪的推論摘要。那麼對於使用者而言,面對問題需求的時候,該如何挑選適合的代理,就可以根據是否需要服務端保存對話歷史以及對訊息數與 Token 使用量的考量來決定。

接下來看看如何做到這樣的效果。

建立 Console 專案

  • 開啟 Visual Studio 2026
  • 選擇「建立新專案」
  • 在 [建立新的專案] 視窗中,在右方清單內,找到並選擇「主控台應用程式」 項目
  • 然後點擊右下方「下一步」按鈕
  • 此時將會看到 [設定新的專案] 對話窗
  • 在該對話窗的 [專案名稱] 欄位中,輸入專案名稱,例如 "csResponsesAgent"
  • 然後點擊右下方「下一步」按鈕
  • 接著會看到 [其他資訊] 對話窗
  • 在這個對話窗內,確認使用底下的選項
    • 架構:.NET 10.0 (或更新版本)
    • 勾選 不要使用最上層陳述式 (這是我的個人習慣)
  • 然後點擊右下方「建立」按鈕
  • 現在,已經完成了這個 Console 主控台 專案的建立

安裝需要用到的 NuGet 套件

要完成這個第一次接觸 Microsoft Agent Framework 練習專案,需要安裝以下幾個 NuGet 套件:

Microsoft.Agents.AI.OpenAI

這個套件是微軟官方為 .NET 整合 AI 服務所提供的擴充套件,專門用於與 OpenAI 進行整合。它實現了 IChatClient 與 IEmbeddingGenerator 核心抽象介面,讓開發人員能以一致的程式碼,輕鬆串接 OpenAI 或相容的 API 端點(例如 Azure OpenAI、GitHub Models 等)。

  • 滑鼠右擊 [csResponsesAgent] 專案節點
  • 點選彈出功能表的 [管理 NuGet 套件] 項
  • 在 [瀏覽] 索引標籤中,搜尋並且安裝底下的 NuGet 套件
    • Microsoft.Extensions.AI

宣告 API 端點與 Key 環境變數

關於這個小節的內容,將會在這個系列每篇文章中都會用到,因此,可以參考 MFA001 Microsoft Agent Framework 初次體驗開發出 AI 代理 文章中的 [宣告 API 端點與 Key 環境變數] 說明內容,若這裡提到的環境變數已經建立好了,則可以跳過這個小節內容。

修改 Program.cs 程式碼

為了要完成這個需求 : 如何用 Azure OpenAI 的 gpt-5.6-luna 聊天模型建立一個簡單 AI 代理,並產生一篇與鵝有關的詩。 因此,我們需要修改 Program.cs 程式碼,這時需要完成底下的操作。

  • 在專案內,找到並且開啟 [Program.cs] 檔案
  • 使用底下程式碼內容來取代 [Program.cs] 檔案的內容
#pragma warning disable OPENAI001 // OpenAI SDK 2.14 的 ResponsesClient 仍標記為實驗性 API

using Microsoft.Agents.AI;
using Microsoft.Extensions.AI;
using OpenAI;
using OpenAI.Chat;
using OpenAI.Responses;
using System.ClientModel;
using System.Text;
using ChatMessage = Microsoft.Extensions.AI.ChatMessage; // OpenAI.Chat 也有 ChatMessage,這裡指定用 MEAI 的

namespace csResponsesAgent;

internal class Program
{
    private const string Instructions = "你是邏輯老師,請用繁體中文作答,先給結論再用三句話內說明理由。";

    // 同一道邏輯題:三種情境都問它,數字才有比較基礎
    // 刻意選一題「需要想一下」的題目:推論太短(約 200 token 以內)時,服務端常常不回推論摘要
    private const string Puzzle =
        "有四個盒子,標籤分別是「蘋果」「橘子」「香蕉」「混合」,但四個標籤全部貼錯了。" +
        "你只能從其中一個盒子拿出一顆水果來看(不能看盒子裡面)," +
        "能不能保證推出四個盒子的正確內容?請說明。";

    // 第二輪追問:故意不重述規則,只有記得上一輪的代理才答得出來
    private const string FollowUp = "那如果只有三個盒子(蘋果、橘子、混合),規則都一樣,應該從哪個盒子拿?";

    // 由聊天用戶端中介層記錄:這一輪「實際送出」幾則訊息、帶出去的對話 id 是什麼
    private static int lastSentMessages;
    private static string? lastSentConversationId;

    static async Task Main(string[] args)
    {
        Console.OutputEncoding = Encoding.UTF8;

        var apiKey = Environment.GetEnvironmentVariable("AzureOpenAI_Key");
        var endpoint = Environment.GetEnvironmentVariable("AzureOpenAI_Endpoint");
        var model = "gpt-5.6-luna";

        if (string.IsNullOrWhiteSpace(apiKey) || string.IsNullOrWhiteSpace(endpoint))
        {
            Console.WriteLine("請先設定環境變數 AzureOpenAI_Key 與 AzureOpenAI_Endpoint 後再執行。");
            return;
        }

        // ── Responses API 代理:ResponsesClient + AsAIAgent()(Microsoft.Agents.AI.OpenAI 提供的擴充方法)
        AIAgent responsesAgent =
            new ResponsesClient(
                    new ApiKeyCredential(apiKey),
                    new ResponsesClientOptions { Endpoint = new Uri(endpoint) })
                .AsAIAgent(
                    model: model,
                    instructions: Instructions,
                    name: "邏輯老師(Responses)",
                    clientFactory: client => client.AsBuilder().Use(CountMessages, null).Build());

        // ── Chat Completions 代理:就是 MFA001~MFA003 用的 ChatClient,只是改用同一個套件的 AsAIAgent() 建立
        AIAgent chatAgent =
            new ChatClient(
                    model,
                    new ApiKeyCredential(apiKey),
                    new OpenAIClientOptions { Endpoint = new Uri(endpoint) })
                .AsAIAgent(
                    instructions: Instructions,
                    name: "邏輯老師(Chat Completions)",
                    clientFactory: client => client.AsBuilder().Use(CountMessages, null).Build());

        Console.WriteLine($"使用的模型:{model}");
        Console.WriteLine($"邏輯題:{Puzzle}");

        // ── 示範一:設定 reasoning effort 與推論摘要,同一道題比較 Low 與 High
        Header("示範一:Responses API + 推論摘要(同一道題,effort = Low vs High)");

        foreach (var effort in new[] { ReasoningEffort.Low, ReasoningEffort.High })
        {
            Section($"reasoning effort = {effort}");
            AgentResponse response = await responsesAgent.RunAsync(Puzzle, options: ReasoningRunOptions(effort));
            PrintReasoningAndAnswer(response);
            PrintUsage(response.Usage);
        }

        // ── 示範二:服務端保存對話(Responses API)
        Header("示範二:服務端保存對話(Responses API,只傳上一輪的 response id)");
        var responsesTurns = await RunTwoTurnsAsync(responsesAgent);

        // ── 示範三:本機保存對話(Chat Completions,MFA003 的作法)
        Header("示範三:對照組 Chat Completions(每一輪都把整段歷史重送)");
        var chatTurns = await RunTwoTurnsAsync(chatAgent);

        // ── 對照小結:只看第二輪(追問那一輪)
        Header("對照小結:第二輪(追問)");
        Row("實際送出的訊息數", $"{responsesTurns[1].SentMessages} 則", $"{chatTurns[1].SentMessages} 則");
        Row("帶出的對話 id", responsesTurns[1].SentConversationId is null ? "(無)" : "上一輪的 response id", chatTurns[1].SentConversationId ?? "(無)");
        Row("輸入 token(其中快取)", $"{responsesTurns[1].InputTokens}({responsesTurns[1].CachedTokens})", $"{chatTurns[1].InputTokens}({chatTurns[1].CachedTokens})");
        Row("推論 token", $"{responsesTurns[1].ReasoningTokens}", $"{chatTurns[1].ReasoningTokens}");
        Row("兩輪中拿到推論摘要", responsesTurns.Any(t => t.HasSummary) ? "是" : "否", chatTurns.Any(t => t.HasSummary) ? "是" : "否");
        Row("對話歷史存在哪裡", "OpenAI 服務端", "本機 AgentSession");

        // 這是最容易誤會的地方:「不重送歷史」省的是傳輸量和自己管理歷史的工作,不是 token
        Console.WriteLine();
        Console.WriteLine("  觀察:Responses 第二輪只送 1 則訊息,但服務端會把上一輪的完整內容(含推論項目)接回上下文,");
        Console.WriteLine("        所以輸入 token 照樣計費,甚至可能比 Chat Completions 多;Chat Completions 重送的只有看得見的文字,");
        Console.WriteLine("        上一輪的推論內容直接丟掉。(提示快取要前綴超過約 1,024 token 才會命中,這個範例太短所以是 0)");
    }

    // 兩種 API 都用 MEAI 的 ChatOptions.Reasoning 設定:Effort 是推論力道,Output = Summary 是要求回傳推論摘要
    private static ChatClientAgentRunOptions ReasoningRunOptions(ReasoningEffort effort) =>
        new(new ChatOptions
        {
            Reasoning = new ReasoningOptions { Effort = effort, Output = ReasoningOutput.Summary }
        });

    private static async Task<List<TurnStat>> RunTwoTurnsAsync(AIAgent agent)
    {
        AgentSession session = await agent.CreateSessionAsync();
        var turns = new List<TurnStat>();

        foreach (var (title, question) in new[] { ("第一輪:原題", Puzzle), ("第二輪:追問(不重述題目)", FollowUp) })
        {
            Section(title);
            AgentResponse response = await agent.RunAsync(question, session, ReasoningRunOptions(ReasoningEffort.Low));
            PrintReasoningAndAnswer(response);

            // Responses API 存在服務端時,ConversationId 就是這一輪的 response id;Chat Completions 則一直是 null
            var conversationId = (session as ChatClientAgentSession)?.ConversationId;
            Console.WriteLine($"  實際送出訊息數:{lastSentMessages} 則");
            Console.WriteLine($"  帶出的對話 id :{lastSentConversationId ?? "(無)"}");
            Console.WriteLine($"  回來後 session.ConversationId:{conversationId ?? "(無,歷史存在本機 session)"}");
            PrintUsage(response.Usage);

            turns.Add(new TurnStat(
                lastSentMessages,
                lastSentConversationId,
                response.Usage?.InputTokenCount ?? 0,
                response.Usage?.CachedInputTokenCount ?? 0,
                response.Usage?.ReasoningTokenCount ?? 0,
                GetReasoningSummary(response).Length > 0));
        }

        return turns;
    }

    // 聊天用戶端中介層:記下這一輪真正送到 API 的訊息數,以及帶出去的對話 id(Responses 的 previous_response_id)
    private static Task<ChatResponse> CountMessages(
        IEnumerable<ChatMessage> messages, ChatOptions? options, IChatClient innerClient, CancellationToken cancellationToken)
    {
        var list = messages.ToList();
        lastSentMessages = list.Count;
        lastSentConversationId = options?.ConversationId;
        return innerClient.GetResponseAsync(list, options, cancellationToken);
    }

    // 推論摘要放在回應訊息裡的 TextReasoningContent;答案則是一般的 TextContent(response.Text)
    private static string GetReasoningSummary(AgentResponse response) =>
        string.Join(Environment.NewLine, response.Messages
            .SelectMany(message => message.Contents)
            .OfType<TextReasoningContent>()
            .Select(reasoning => reasoning.Text)
            .Where(text => !string.IsNullOrWhiteSpace(text)));

    private static void PrintReasoningAndAnswer(AgentResponse response)
    {
        var summary = GetReasoningSummary(response);

        Console.WriteLine("  [推論摘要]");
        Console.WriteLine(summary.Length > 0
            ? Indent(summary)
            : "    (沒有收到推論摘要:Chat Completions 不提供;Responses 則在推論太短時會省略)");
        Console.WriteLine("  [答案]");
        Console.WriteLine(Indent(response.Text));
    }

    private static void PrintUsage(UsageDetails? usage)
    {
        Console.WriteLine(
            $"  token:輸入 {usage?.InputTokenCount}(快取 {usage?.CachedInputTokenCount ?? 0})" +
            $"/輸出 {usage?.OutputTokenCount}(其中推論 {usage?.ReasoningTokenCount ?? 0})" +
            $"/總計 {usage?.TotalTokenCount}");
    }

    private static string Indent(string text) =>
        string.Join(Environment.NewLine, text.Split('\n').Select(line => "    " + line.TrimEnd('\r')));

    private static void Header(string title)
    {
        Console.WriteLine();
        Console.WriteLine(new string('=', 70));
        Console.WriteLine($"  {title}");
        Console.WriteLine(new string('=', 70));
    }

    private static void Section(string title)
    {
        Console.WriteLine();
        Console.WriteLine($"【{title}】");
    }

    private static void Row(string label, string responses, string chat) =>
        Console.WriteLine($"  {label}:Responses = {responses}|Chat Completions = {chat}");
}

internal sealed record TurnStat(
    int SentMessages,
    string? SentConversationId,
    long InputTokens,
    long CachedTokens,
    long ReasoningTokens,
    bool HasSummary);

在上面的範例程式碼中,將會展示如何使用 Responses API 代理與 Chat Completions 代理,並比較它們在處理同一個邏輯題時的行為差異。為什麼會想要這麼來比較呢?因為,這裡提供兩種類型的 API,當我們遇到問題的時候,究竟要如何選擇採用哪種 API 呢?透過這個範例,我們可以觀察到兩者在訊息傳遞、對話管理以及推論摘要上的差異,進而做出更適合的選擇。

這個程式一開始將會讀取 API Key 與服務端點的數據,使用 ResponsesClient 類別 (這個類別定義在 OpenAI.Responses 命名空間中) 來建立一個 AIAgent 代理物件,變數名稱為 responsesAgent,這將會是一個採用 Responses API 代理,也就是採用 ResponsesClient + AsAIAgent()(Microsoft.Agents.AI.OpenAI 提供的擴充方法),這裡使用的系統提示詞為 "你是邏輯老師,請用繁體中文作答,先給結論再用三句話內說明理由。"

第二個 AIAgent 物件,變數名稱為 chatAgent,將會是一個採用 Chat Completions 代理(定義在 OpenAI.Chat 命名空間中),也就是使用 ChatClient + AsAIAgent() 建立,系統提示詞同樣為 "你是邏輯老師,請用繁體中文作答,先給結論再用三句話內說明理由。"

現在來針對定義在 Puzzle 這個字串的邏輯題,將其內容設為:"有四個盒子,標籤分別是「蘋果」「橘子」「香蕉」「混合」,但四個標籤全部貼錯了。你只能從其中一個盒子拿出一顆水果來看(不能看盒子裡面),能不能保證推出四個盒子的正確內容?請說明。",並將其傳遞給 responsesAgent 與 chatAgent 進行推論。單就這裡提出的提示詞而言,兩個代理都應該能夠給出正確的推論結果。但是,兩者在訊息傳遞、對話管理以及推論摘要上的行為可能會有所不同,這正是我們想要觀察的重點。

首先將會要來測試理解 API,這裡會分別對 responsesAgent 物件,傳入 ReasoningEffort.Low, ReasoningEffort.High 這兩個參數,ReasoningEffort 這個型別將會用來控制代理在推論時的努力程度,Low 代表低推理努力,High 代表高推理努力。這裡使用的程式碼將會為 await responsesAgent.RunAsync(Puzzle, options: ReasoningRunOptions(effort)); , 當執行完成後便會得到 AgentResult 物件,裡面包含了代理的推論結果以及相關的訊息傳遞與對話管理資訊。PrintReasoningAndAnswer 方法將會用來輸出推論過程與最終答案。在此方法內,將會呼叫 GetReasoningSummary 方法,這個方法透過 Linq 對訊息傳遞的內容進行分析,並整理出推論摘要,方便我們觀察代理在不同努力程度下的推理行為。GetReasoningSummary 方法執行結果將會儲存到 summary 物件內,也就是一段字串內容,代表了推論摘要

**Explaining the puzzle setup**

I’m considering a standard puzzle with three labeled boxes: apple, orange, and mixed, but they’re all incorrectly labeled. Typical strategies involve drawing from the mixed box to find the correct fruit, but here there are four types with three fruit kinds, which complicates things. It seems like one sample isn’t enough to solve this, and I should clarify using counterexamples to support that idea while keeping the explanation concise and clear.

上面的推論摘要之中文意思將會為:

**謎題設定說明**

我正在考慮一個標準的謎題,其中包含三個標有“蘋果”、“橙子”和“混合”的盒子,但它們的標籤都貼錯了。通常的解題策略是從「混合」盒子中抽取水果來找到正確的水果,但這裡卻有四種盒子,每種盒子裡又有三種水果,這使得問題變得複雜。似乎僅憑一個例子不足以解決這個問題,我應該用反例來闡明我的觀點,同時保持解釋的簡潔明了。

這次的推論結果將會儲存在 response.Text 這個屬性內

**結論:不能保證推出四個盒子的正確內容。**
應從標籤「混合」的盒子取水果,因為它不可能是混合盒,若取到蘋果,只能確定該盒是純蘋果,但其餘三盒仍可能有多種符合「全錯」的排列,例如「蘋果標籤盒」可為混合或橘子盒。
因此一次取樣所得資訊不足以唯一確定四個盒子的內容。

對於採用 ReasoningEffort.Low 方式來進行推論的使用摘要如下

token:輸入 118(快取 0)/輸出 418(其中推論 295)/總計 536

底下將會為採用 ReasoningEffort.High 的推論過程

(為什麼要採用兩種不同的推論努力程度來解題?ReasoningEffort.Low 代表快速、簡單的推論,可能忽略一些細節;ReasoningEffort.High 則代表更深入、全面的推論,會考慮更多可能性。透過比較兩種不同的推論努力程度,可以觀察代理在不同情境下的表現差異。)

【reasoning effort = High】
  [推論摘要]
    **Solving the labeling puzzle**

    I need to find a solution involving boxes labeled incorrectly with their contents. The mixed-labeled box will help identify what’s inside, which will then allow me to label the others correctly. If I draw an apple from the mixed box, I can eliminate that as a possibility for the remaining boxes, given the constraints of labeling. For instance, if I label one box correctly, I can’t have the others labeled correctly. I’ll explore all possible arrangements next.**Analyzing the box labeling puzzle**

    I’m trying to determine if the arrangement A-box B, O-box M, and B-box O is valid. Drawing from the mixed box could help identify one pure box, but it might not uniquely solve the problem with three remaining boxes. To answer the user’s question about guaranteeing the correct contents of four boxes, I need to explain clearly that it’s not possible with just one draw from the mixed box. I have to demonstrate this effectively in three sentences.**Examining labeling strategies**

    I need to illustrate that no strategy guarantees accurate labeling, although drawing from the mixed-labeled box seems to be the best option. If I draw an apple, I can identify the mixed box but face ambiguity with two potential assignments. To clarify, I'll label the boxes as Apple A, Orange O, Banana B, and Mixed M. If I draw an apple from M, the remaining contents could suggest two valid assignments for the other labels, which complicates things further.
  [答案]
    **不能保證推出四個盒子的正確內容。**例如從「混合」盒取出蘋果,可知該盒是純蘋果;但剩下仍可能是「蘋果標籤盒=混合、橘子標籤盒=香蕉、香蕉標籤盒=橘子」,也可能是「蘋果標籤盒=香蕉、橘子標籤盒=混合、香蕉標籤盒=橘子」,兩者都符合所有標籤貼錯,因此一次取樣不足以唯一判定。
  token:輸入 118(快取 0)/輸出 652(其中推論 516)/總計 770

從上面的 Low & High 的執行結果可以看出,ReasoningEffort.Low 的推論較為簡單快速,但可能忽略一些細節,例如:無法完整展示所有可能的盒子排列,對於保證正確標籤的推論不夠全面。而 ReasoningEffort.High 則提供了更完整的分析,考慮了多種可能性,能更清楚地說明為什麼無法保證推出四個盒子的正確內容。

接下來將會展示服務端保存對話(Responses API),這裡的目的將會是示範如何在同一個對話中,依序向代理提出多個問題,並追蹤每輪的訊息與用量。在此將會呼叫 RunTwoTurnsAsync 方法,在這個方法內,將會於傳入 responsesAgent 的 AIAgent 物件,呼叫 CreateSessionAsync 方法,取得一個 AgentSession 物件,接下來會使用同一個 AgentSession,依序向代理提出兩個問題,並記錄每輪的傳送與用量資訊:

  1. 依序詢問 Puzzle 原題和 FollowUp 追問;追問刻意不重述前題,藉此測試代理能否記住上下文。
  2. 每輪印出推論摘要、答案、實際送出的訊息數、對話 ID,以及 token 用量。
  3. 把這些數據整理成 TurnStat,最後回傳兩輪的統計清單。 這個方法本身不比較兩種 API;Main 會分別用 Responses API 代理和 Chat Completions 代理呼叫它,再比較兩者的結果。

另外一個將會是呼叫 RunTwoTurnsAsync 方法,但傳入的是 Chat Completions 代理,也就是 chatAgent 這個物件,這裡將會把每一輪的完整對話歷史重送給代理,藉此比較兩種代理在同一個對話中的表現差異。

當這兩輪呼叫完成 RunTwoTurnsAsync 之後,將會分別把結果存入 responsesResult 和 chatResult 兩個變數,之後可以比較兩者在同一個對話中的表現差異。底下將會為實際輸出內容

======================================================================
  對照小結:第二輪(追問)
======================================================================
  實際送出的訊息數:Responses = 1 則|Chat Completions = 3 則
  帶出的對話 id:Responses = 上一輪的 response id|Chat Completions = (無)
  輸入 token(其中快取):Responses = 347(0)|Chat Completions = 242(0)
  推論 token:Responses = 0|Chat Completions = 22
  兩輪中拿到推論摘要:Responses = 是|Chat Completions = 否
  對話歷史存在哪裡:Responses = OpenAI 服務端|Chat Completions = 本機 AgentSession

  觀察:Responses 第二輪只送 1 則訊息,但服務端會把上一輪的完整內容(含推論項目)接回上下文,
        所以輸入 token 照樣計費,甚至可能比 Chat Completions 多;Chat Completions 重送的只有看得見的文字,
        上一輪的推論內容直接丟掉。(提示快取要前綴超過約 1,024 token 才會命中,這個範例太短所以是 0)

觀察上面的對照小結:第二輪(追問)可以發現,Responses API 只送出一則訊息,但服務端會自動帶入上一輪的完整對話歷史,因此能保留推論摘要;而 Chat Completions 代理則需要每輪重送完整對話歷史,導致訊息數增加,且無法保留上一輪的推論內容。這也說明了兩種代理在處理多輪對話時的差異:Responses API 依賴服務端保存對話,Chat Completions 則依賴本機管理對話歷史。對於 Token 使用量而言,Responses API 可能因為帶入完整對話歷史而增加輸入 token,但仍能減少訊息數;Chat Completions 則每輪都需重送完整對話歷史,訊息數增加,且無法保留推論摘要。

執行結果

現在來看看這個範例程式碼的執行結果。

  • 在 Visual Studio 2026 下,按下 F5 鍵執行程式,將會看到程式輸出的結果。
使用的模型:gpt-5.6-luna
邏輯題:有四個盒子,標籤分別是「蘋果」「橘子」「香蕉」「混合」,但四個標籤全部貼錯了。你只能從其中一個盒子拿出一顆水果來看(不能看盒子裡面),能不能保證推出四個盒子的正確內容?請說明。

======================================================================
  示範一:Responses API + 推論摘要(同一道題,effort = Low vs High)
======================================================================

【reasoning effort = Low】
  [推論摘要]
    **Explaining the puzzle setup**

    I’m considering a standard puzzle with three labeled boxes: apple, orange, and mixed, but they’re all incorrectly labeled. Typical strategies involve drawing from the mixed box to find the correct fruit, but here there are four types with three fruit kinds, which complicates things. It seems like one sample isn’t enough to solve this, and I should clarify using counterexamples to support that idea while keeping the explanation concise and clear.
  [答案]
    **結論:不能保證推出四個盒子的正確內容。**
    應從標籤「混合」的盒子取水果,因為它不可能是混合盒,若取到蘋果,只能確定該盒是純蘋果,但其餘三盒仍可能有多種符合「全錯」的排列,例如「蘋果標籤盒」可為混合或橘子盒。
    因此一次取樣所得資訊不足以唯一確定四個盒子的內容。
  token:輸入 118(快取 0)/輸出 418(其中推論 295)/總計 536

【reasoning effort = High】
  [推論摘要]
    **Solving the labeling puzzle**

    I need to find a solution involving boxes labeled incorrectly with their contents. The mixed-labeled box will help identify what’s inside, which will then allow me to label the others correctly. If I draw an apple from the mixed box, I can eliminate that as a possibility for the remaining boxes, given the constraints of labeling. For instance, if I label one box correctly, I can’t have the others labeled correctly. I’ll explore all possible arrangements next.**Analyzing the box labeling puzzle**

    I’m trying to determine if the arrangement A-box B, O-box M, and B-box O is valid. Drawing from the mixed box could help identify one pure box, but it might not uniquely solve the problem with three remaining boxes. To answer the user’s question about guaranteeing the correct contents of four boxes, I need to explain clearly that it’s not possible with just one draw from the mixed box. I have to demonstrate this effectively in three sentences.**Examining labeling strategies**

    I need to illustrate that no strategy guarantees accurate labeling, although drawing from the mixed-labeled box seems to be the best option. If I draw an apple, I can identify the mixed box but face ambiguity with two potential assignments. To clarify, I'll label the boxes as Apple A, Orange O, Banana B, and Mixed M. If I draw an apple from M, the remaining contents could suggest two valid assignments for the other labels, which complicates things further.
  [答案]
    **不能保證推出四個盒子的正確內容。**例如從「混合」盒取出蘋果,可知該盒是純蘋果;但剩下仍可能是「蘋果標籤盒=混合、橘子標籤盒=香蕉、香蕉標籤盒=橘子」,也可能是「蘋果標籤盒=香蕉、橘子標籤盒=混合、香蕉標籤盒=橘子」,兩者都符合所有標籤貼錯,因此一次取樣不足以唯一判定。
  token:輸入 118(快取 0)/輸出 652(其中推論 516)/總計 770

======================================================================
  示範二:服務端保存對話(Responses API,只傳上一輪的 response id)
======================================================================

【第一輪:原題】
  [推論摘要]
    **Explaining a classic puzzle**

    I need to answer in traditional Chinese, starting with a clear conclusion followed by an explanation of three sentences maximum. The puzzle involves labeling where the contents are pure apple, orange, banana, or a mixed fruit, all with wrong labels. The strategy is to draw from the box labeled mixed, as it cannot contain mixed fruit, allowing identification of the true contents of the other boxes too.
  [答案]
    可以保證。先從標示「混合」的盒子取一顆,因標籤全錯,它不可能是混合盒,因此看到的水果即可確定該盒是對應的單一水果盒;再依「其餘標籤全錯」的條件,排除已知內容,唯一確定另外三盒的正確配置。
  實際送出訊息數:1 則
  帶出的對話 id :(無)
  回來後 session.ConversationId:resp_09570987efccb64b006af16ce2a45c8193bf29d2ab8c90fe24
  token:輸入 118(快取 0)/輸出 172(其中推論 81)/總計 290

【第二輪:追問(不重述題目)】
  [推論摘要]
    (沒有收到推論摘要:Chat Completions 不提供;Responses 則在推論太短時會省略)
  [答案]
    應從標示「混合」的盒子拿。因為標籤全錯,該盒必定是純蘋果或純橘子;若拿到蘋果,它就是蘋果盒,標示「橘子」的盒子只能是混合盒,剩下的是橘子盒(拿到橘子時反之亦然)。
  實際送出訊息數:1 則
  帶出的對話 id :resp_09570987efccb64b006af16ce2a45c8193bf29d2ab8c90fe24
  回來後 session.ConversationId:resp_09570987efccb64b006af16d266f98819398624f4df0d0cb1b
  token:輸入 331(快取 0)/輸出 89(其中推論 0)/總計 420

======================================================================
  示範三:對照組 Chat Completions(每一輪都把整段歷史重送)
======================================================================

【第一輪:原題】
  [推論摘要]
    (沒有收到推論摘要:Chat Completions 不提供;Responses 則在推論太短時會省略)
  [答案]
    **不能保證推出四個盒子的正確內容。**
    例如從「混合」盒取出蘋果,只能確定該盒是「蘋果」,但其餘仍可能是「蘋果標籤=橘子、橘子標籤=香蕉、香蕉標籤=混合」,也可能是「蘋果標籤=混合、橘子標籤=香蕉、香蕉標籤=橘子」,兩者都符合所有標籤貼錯。
    因此一次取出一顆水果的資訊不足以唯一確定四盒內容。
  實際送出訊息數:1 則
  帶出的對話 id :(無)
  回來後 session.ConversationId:(無,歷史存在本機 session)
  token:輸入 118(快取 0)/輸出 660(其中推論 512)/總計 778

【第二輪:追問(不重述題目)】
  [推論摘要]
    (沒有收到推論摘要:Chat Completions 不提供;Responses 則在推論太短時會省略)
  [答案]
    **應該從標籤為「混合」的盒子拿一顆水果。**
    因為所有標籤都錯,「混合」盒不可能是混合;若拿出蘋果,它就是蘋果盒,接著標籤「橘子」的盒只能是混合,標籤「蘋果」的盒則是橘子。
    若拿出橘子,推理對調即可,因此一定能推出三盒內容。
  實際送出訊息數:3 則
  帶出的對話 id :(無)
  回來後 session.ConversationId:(無,歷史存在本機 session)
  token:輸入 307(快取 0)/輸出 177(其中推論 58)/總計 484

======================================================================
  對照小結:第二輪(追問)
======================================================================
  實際送出的訊息數:Responses = 1 則|Chat Completions = 3 則
  帶出的對話 id:Responses = 上一輪的 response id|Chat Completions = (無)
  輸入 token(其中快取):Responses = 331(0)|Chat Completions = 307(0)
  推論 token:Responses = 0|Chat Completions = 58
  兩輪中拿到推論摘要:Responses = 是|Chat Completions = 否
  對話歷史存在哪裡:Responses = OpenAI 服務端|Chat Completions = 本機 AgentSession

  觀察:Responses 第二輪只送 1 則訊息,但服務端會把上一輪的完整內容(含推論項目)接回上下文,
        所以輸入 token 照樣計費,甚至可能比 Chat Completions 多;Chat Completions 重送的只有看得見的文字,
        上一輪的推論內容直接丟掉。(提示快取要前綴超過約 1,024 token 才會命中,這個範例太短所以是 0)