Agent 應用與協作，心得分享

詳細文章:
https://www.notion.so/Agent-32880dead64180bfa6cee4826ec20887?source=copy_link

以我手邊的專案來說好了，這個專案我接手時已經是10年以上的專案，由於公司人力精簡進去即是上戰場的開始，公司給的一些新功能時限內要完成，手邊有的只有agent工具，怎麼樣把工具最大化則看個人怎麼應用了，俗話說「工欲善其事，必先利其器」！那麼正題開始。

進而會說明我使用了agent做些什麼? 延伸agent又做了些甚麼?

我是如何在時效內完成專案：

1.了解專案背景：

由於專案10年以上，有些堆積的技術債，當DB是100張以上時，肉眼一個個看是看不完的，必須要先跟agent 說明專案是用什麼開發、技術背景、使用框架、我的腳色能改的權限、本機端在開發時是什麼環境、遠端是什麼環境、哪些函式屬於底層的基礎定義、哪些可忽略、這台主機環境能執行的工具。

agent了解後，會產生一個readme.md。⇒ 這個很重要是個錨點 = 讓 Agent 不會「飄掉」的固定參考點。

因為對話久了之後，agent 會根據以往我們給予的回饋及聊天做為調整，當如果有了汙染或者前後的相抵的例子，agent 是可能會偏移的。
2.固化已知的流程：

了解專案後，在這間公司要做的是新功能是模組擴充，因為使用的是opencart框架語言，所以是可以把怎麼建立案件的流程模組做固化。舉例來說：當要做新功能時，會有固定SOP，要在MVC建立至少5個檔案，才能看見模組的雛型，這時就可以把SOP文件化。

3.分析新功能與評估衝突：

在製作新功能前，是需要再次進行分析與規劃，那這時要先評估新加的功能是否會影響到既有的功能或者有什麼現有的資源是可以使用的?
1. 分析新功能要做甚麼
2. 是否會影響以往的功能
3. 以往的功能是否有可用的，總比重新再造輪子好
這時就已經在限縮範圍了，能做的範圍先圈出來，在這個範圍內去做規劃才不會走超出範圍

這時也是要做文件化。
4.制定/執行任務計畫：

與agent 每個步驟，討論到一定程度時，一定要文件化，這也是在記憶壓縮後或者切換對話、切換agent或其他模型甚至是無頭多工agent模式下也能很快進入狀況。

當分析、衝突、規劃、判斷都走了幾輪之後，這時spec也會出來了。
1. spec 文件（定義目標 / 規格）
2. task 文件（拆解任務）
3. 分配 agent（誰做什麼 + 錨點），可建立儀錶板，方便追蹤進度 https://dogr2487.pintech.com.tw/test/other/task-dashboard.html
4. 定義「可測試行為」
1. 寫測試（TDD / BDD）
2. 實作（agent / prompt / tool）
3. 跑測試 → 修
4. （可選）Refactor / 強化錨點

在這裡可以使用多工agent，但是其他agent LLM的能力不能落差太大(gemini3、grok、claude、openai…等)，既省時又省力。

agent多工平行影片(sub,2025-10): https://mega.nz/file/lh9WhSIS#nHA2eAaBIvKHew89CLxMT5SK3AyeEBlexXPXliAe4a4

題外話: 我滿喜歡測試多種LLM的回答、思考、執行，所以我滿常用 masterAI(claude sonnet) ⇒指揮多種AI(gemini3、grok、codex、openrouter 等)做協作，那些可以平行處理，哪些agent 擅長設計、哪些擅長思考、哪些只能做簡單的執行。

5.紀錄經驗，讓agent 開始學習經驗

由於QA是在每一部環節:
```
設計 → 測試 → 實作 → 測試 → 修 → 測試
```
完成功能只是其中一個產物，過程中學習到了什麼是很重要的環節。就像有人常會問「你在這個事件學習到了些什麼?」

那agent從製作專案中可以得到什麼? 經驗。

我們可以從這些過程中去節錄有什麼在agent協作中是可以優化與改良。

這時就可以延伸出:

會隨著製作專案的log經驗中不斷地成長的agent。

agent專案知識庫系統: https://dogr2487php7.pintech.com.tw/knowledge-base/ (會隨著專案製作進步的agent 知識庫，無頭agent)

prompt 提示庫 : 常使用的prompt 提示詞

bash、shell 工具：常使用的工具或功能寫成shell 省去token呼叫

catch error 紀錄器: 當agent呼叫bash 失敗時，需紀錄，之後可以校正失敗原因減少agent失敗，進而減少token浪費。

進一步還可再延伸去做:

知識蒸餾學習系統、 hooks把關、 prompt Agent

自從加入了AI萃取(Self-Improving Agent System)之後，agent自我校正能力越來越好了。

agent 能夠配合文件，做個 AI 自動設計hooks 把關機制，也就是會隨著經驗、文件規範，進化修改下限。

讓agent從過往經驗中自我學習，要能試錯。

agent 專案學習經驗: https://mega.nz/file/d4ckTRYK#LfrHtEy_cg-zVm971hJUxzU0F9CU-8bL45E5FjIMxhA

心得:

我使用agent的方式大概都是一個對話一個任務，避免有過多的AI文化產生，雖然有更多的上下文能讓agent更快進入狀況是好事，但從中幾輪下來後也可能產生偏移，陷入自我指涉，也就是我們一下子說可以一下子說不行，這時要有文件作為錨點是讓agent能找到回思路的軌道，再時刻去更新文件與審閱agent學習到的正反例、定時檢視日誌是否有汙染，要設計把關機制，可以是 hooks把關，定義「Agent 邊界」。

重要的是讓agent從過往經驗中自我學習，要能試錯。

agent學習日誌: https://mega.nz/file/8sFTWY5D#XKtUDz2kn_VIDtXQGupCwxggSz7g814TmUqIBlMGxwU

萃取成active-patterns.md 學習專案經驗: https://mega.nz/file/d4ckTRYK#LfrHtEy_cg-zVm971hJUxzU0F9CU-8bL45E5FjIMxhA

其他相關影片:

claude 呼叫gemini 做事(00:37): https://mega.nz/file/88thVY4a#Jfh2VraCRu0ILeyBHWUcoq1iBg89ApNjJDINYcdhmZo

知識庫共存記憶(無頭agent):

https://mega.nz/file/phMRWLwC#gsuCHAO0YOwK_9mo9vzPnSI7_1YOIS0cvRcfMAsI1EA

其他成果:

AI 咖啡意圖識別:

https://mega.nz/file/148mnLzY#JEwhD978Tz1TeZEgLojw-eyzEVoR4NEU1PIFlJLqnyg

備份上傳:

https://mega.nz/file/JkU1nSbL#nrONYpEn9gqykoa1weoZ-lwri0S41zr0DLzHc7aEsi0