課堂用得到的句子

提示詞:複製,貼到對話框

照上課順序排。按「複製」再到 Claude Code 或對話視窗貼上;每一則旁邊標了它出現在 PPT 第幾頁。

請看路徑中[D:\Claude\01_code\04_Agent\教學\提示詞]，檔案第2堂_加入AI，完成AI串接，若中間有要安裝第三方庫，請檢查第三方庫安全性、開源，確認代碼安全性後再開啟.py

GEMINI_API_KEY=貼上你在 AI Studio 拿到的 key

10/3到10/10帶小孩去東京 8 天，2 大人2小，每晚 5000 內，要近車站、有電梯、有浴缸、獨棟

請看路徑中[D:\Claude\01_code\04_Agent\教學\提示詞]，檔案第3堂_Agent，完成AI串接，若中間有要安裝第三方庫，請檢查第三方庫安全性、開源，確認代碼安全性後再開啟.py

10/3到10/10帶小孩去東京 8 天，2 大人2小，每晚 5000 內，要近車站、有電梯、有浴缸、獨棟，找不到就放寬點吧

/asus-skill-vetter:asus-skill-vetter project-to-agent

/project-to-agent

GEMINI_API_KEY=貼上你在 aistudio.google.com/apikey 拿到的 key

幫我安裝, .env我已經存好

幫我記今天午餐 180

這個月吃飯花多少?

這個月跟上個月差多少?

名詞表

整站一個比喻 —— 你的公司請了一位新員工

每一頁裡的專有名詞第一次出現會是藍色虛線,點一下就在那一段底下展開兩句:「生活裡」一句比喻、「在電腦裡」一句正解。

打造你專屬的 AI Agent・Agent 實驗室

這個網站怎麼用

上課跟課後各有用途,照你現在的需要挑一個進去。整站同一個比喻:你的公司請了一位機器人新員工 —— 機器人是 Agent,小女孩是你,它身上的零件和鑰匙就是工具與護欄。

登場角色:整站都是同一群人在演

機器人員工 = Agent公司新來的機器人。會走去帳本寫、去開門、舉牌等你蓋章。少了哪個零件,就演給你看會出什麼錯。

小女孩 = 你(也是老闆)下指令、簽名、蓋章的人。它做對了她會跳起來,做錯了她會跑走。

橘貓 = 另一家模型第 99 頁的審查員:機器人說做完了,貓不採信,自己再驗一次。第 52 頁四隻貓是分工的專職小組。

成長樹 = 你的專案長到第幾層第二段的六群就是樹的六層:根、樹幹、籬笆、信箱、側枝、果子。少一層,上面的東西就掛不住。

痛點・PPT 第 5 頁

你是不是常常都在跟 AI 重新說明自己的專案?

跟 AI 講了半天你的程式,換一個對話視窗,它就全忘了。按播放,過一天看看。

AI 每一次,都像第一次認識你的專案。

換個角度:這不是 AI 笨,是你每次都在「重新認識」它。像每次去診所都換一位醫生,病歷不跟著走。今天要解決的就是這件事。

開場・示範・PPT 第 10 頁

同一個需求,三堂課長大三次

需求從頭到尾沒變:「每天早上幫我撈符合條件的 Airbnb 房源」。先看純 Python,再看加了 AI,最後看交給 Agent。眼睛盯著同一個地方就好:誰在決定下一步。

需求從頭到尾沒變。變的是「誰在決定流程」。

換個角度:同一件跑腿。第一次你給他一張寫死的清單,他照著勾,清單外的話聽不懂;第二次他聽得懂你講的話了,但去哪幾家、先去哪家還是你排的;第三次你只說「找到就好」,路線他自己排 —— 所以你得先講好最多跑幾家。

開場・為什麼要 skill・PPT 第 33 頁

會動很容易,敢用才難:skill 補的是哪四個洞

剛剛那支 Airbnb agent 是自己用提示詞搭的,會動,但有四個洞。同一句需求再跑一次,這次用 project-to-agent 這個 skill 搭,看每個洞是哪一步補上的。

skill 的目的不是讓它會動,是把護欄變成預設、把流程變成能套到任何專案的 15 步。

換個角度:自己搭,像新員工第一天就上工,規矩你想到一條才交代一條;用 skill 搭,像先讓他跑完公司的到職訓練 —— 改東西先請示、每件事留紀錄、哪些櫃子不能開,都是報到那天就講好的。

CH1・觀念 1・PPT 第 36 頁

什麼是 Agent?

一般程式:流程你先寫死。Agent:你只給目標。按播放,先看一般程式怎麼走,再看 Agent 怎麼走,兩邊會遇到同一個意外。

你給的不是步驟,是目標。

換個角度:左邊像食譜,第三步一定是打蛋;右邊像叫外送員買晚餐,他自己決定去哪家、怎麼走。那個往回的箭頭,叫迴圈。

CH1・觀念 2・PPT 第 37 頁

Agent vs 直接跟 LLM 聊天

同一個模型、同一句話。先送給左邊,再送給右邊,看它們各自做了什麼。

差別不在模型多強,在於它有沒有手,以及能不能再跑一輪。

換個角度:ChatGPT 很聰明,但它只能跟你「講」。Agent 差在兩件事:它有手,而且做完會回頭看一眼,不對就再來。

CH1・觀念 3・PPT 第 38 頁

自主程度是一條光譜,不是開關

同一個任務「整理這個月的報表」。拉動滑桿,看每一級是誰走去做報表:你自己跑,還是機器人去;它會做到哪裡停下來。開場的三個 Demo 就在這條線上:純 Python 是 Lv0,加 AI 是 Lv2,Agent 是 Lv3。

不是越自主越好 —— 自主度要配得上你願意承擔的驗證成本。

換個角度:Lv1 是實習生,每一步都問你;Lv3 是資深同事,交代一次自己做完再回報;Lv4 是外派主管,一週後才看到結果 —— 你得先想好怎麼盯。

CH1・演化・PPT 第 40 頁

同一條攻擊鏈:殼擋得住哪三步

壞人的指令藏在網頁裡,agent 讀到就中。先看裸跑會一路破到底,再看有殼(沙盒、政策引擎、出口白名單)擋得住哪幾步。

第①步永遠擋不住。護欄只能蓋在後面三步。

換個角度:詐騙電話一定打得進來,你擋不掉;能擋的是「不告訴他帳號」「不匯款」「不開門」。這兩年變的不是模型,是外面那層殼。

CH1・觀念 4・PPT 第 41 頁

為什麼「拆步驟」這麼重要

同一個任務、同一個錯。先看機器人抱著一包五件事一路衝到老闆桌上會怎樣,再看它一張一張票每過一關蓋一次章。

拆步驟,本身就是降低幻覺的方法。

換個角度:一次算完五題再對答案,跟每題算完就對一次,哪個容易找到錯?錯在第 3 關被蓋了 ✗,就只重跑第 3 關,前面兩關的章還在。

CH1・吳恩達老師・PPT 第 43 頁(第 44、46、49、51 頁逐塊點亮)

四大設計模式:一個 Agent 怎麼疊著用

先給地圖,等一下逐站走。四個模式不是四台機器,是同一台機器人做同一件事時的四個動作。按播放,看它整理報表這一輪,哪一步用到哪一個。

四大模式不是四選一,而是像積木一樣疊著使用。

換個角度:出國旅行 —— 先排行程(Planning)、用手機訂票(Tool Use)、出發前檢查護照(Reflection)、人多才分工(Multi-agent)。一般任務用前三塊,複雜任務才加第四塊。

CH1・模式 ①・PPT 第 45 頁

Planning:先想好路線再出發

同一個目標「整理這個月報表」。先看沒有計畫的 agent 怎麼做,再看先拆好路線的 agent 怎麼做。

Agent 不是想到什麼做什麼,而是沿著可預期的計畫工作。

換個角度:你要出門旅行,會先排行程。重點是行程要貼在冰箱上 —— 計畫要能被你看見、被你改。看不見的計畫等於沒有計畫。

CH1・模式 ②・PPT 第 47 頁

Tool Use:讓 AI 長出手腳

你的專案裡本來就有 generate_report(month)。先看沒包成工具時 AI 怎麼回,再看包成工具之後。

{ "name": "generate_report",
  "parameters": { "month": "string" },
  "description": "產出該月報表" }

工具不是新功能,是把既有能力變成 AI 可以呼叫的介面。

換個角度:你的專案裡,哪一個功能最常手動跑?那就是第一個要包的工具。補充:MCP 是把工具接上 LLM 的標準介面,接一次到處能用。

CH1・模式 ②・機制・PPT 第 48 頁

AI 到底怎麼呼叫你的 Python?

先講結論:LLM 從頭到尾沒有碰你的電腦。這裡的機器人是只會寫便條的顧問,它手上只有一張工具清單(菜單);真正動手的,一直是右邊你自己的程式。

LLM 只負責說出要叫哪一個。動手的,從頭到尾都是你的 Python。

換個角度:顧問坐在窗口外,手上只有菜單,他能做的只有寫便條「用第 2 道」。便條要有人拿進廚房,煮的是廚房。菜單上沒有的菜他寫不出來;就算亂寫,廚房也不會照做。

CH1・模式 ③・PPT 第 50 頁

Reflection:讓 AI 檢查自己的作業

同一份報表。先看機器人寫完初版直接送到老闆桌上會怎樣;再看它多走兩張桌子:自評桌畫紅圈、修訂桌改好,才送老闆。

會自我檢查的 agent,才敢讓它自己跑完。

換個角度:寫完作文回頭看有沒有錯字。多過兩張桌子要多花一倍的字數和時間(AI 按字數算錢),所以只放在「錯了代價很高」的步驟。

CH1・模式 ④・PPT 第 52 頁

Multi-agent:多個專職角色協作

一份年度分析報告,裝在一個任務資料夾裡。先看機器人一個人全包會怎樣,再看它當協調者,把資料夾交給研究、分析、撰寫、審查四個專職的人。

Multi-agent 是下一步,不是起手式。

換個角度:分組報告。人多不一定比較快,每交接一次都要溝通;能一個 agent 解決的,不要拆成三個。任務大到一個人裝不下時才拆。

CH1・組成・PPT 第 54 頁

Agent 的 6 大組成要素

六個零件都在,交代「把昨天的 log 整理成報表」會順利完成。點任一個零件把它拔掉,再看機器人做同一件事會變成什麼樣。

剛剛的四大模式講「怎麼想」,這 6 大組成講「要蓋哪些零件」。

換個角度:一位員工 —— 大腦、手腳、工作習慣、筆記本、電話、公司規定。第二段的十五個步驟,就是把這六樣一個一個裝上去。

CH1・運作・PPT 第 55 頁

規劃迴圈是怎麼跑起來的

「幫我把昨天的 log 跑成報表」。先看沒有迴圈的一次呼叫,再看迴圈怎麼一輪一輪跑到 done。

迴圈是 agent 的心跳。沒有迴圈,那只是一次函數呼叫。

換個角度:你講一句話 → 它想下一步 → 呼叫工具 → 看結果 → 沒完成就回第二步。每一輪它都會重看一次工具清單,所以新加的工具當場就能用。

CH1・小結・PPT 第 56 頁

第一段小結

四句話帶走。按播放,機器人把今天做過的事再做一次,一句一句回顧。

概念站穩了,接下來就是動手蓋。

這裡留三分鐘問答。不夠就記下來,午休回答。

CH2・準備・PPT 第 60 頁

skill 是什麼?裝在哪?

同一句話「幫我把這個專案變成 agent」。先看沒有 skill 的 AI 怎麼做,再看有 skill 的。

~/.claude/skills/project-to-agent/
└─ SKILL.md
   description: 把既有 Python 專案變成 agent…
   steps: Phase 0 → 1 → 2 → … → 14

skill 不是外掛程式,是一份寫給 AI 看的 SOP。

換個角度:新人報到,你給他一本作業手冊「什麼時候、該照什麼步驟做」。放進指定資料夾就生效,不用重開。裝別人的 skill 之前先驗,那是別人寫給你的 AI 的指令。

CH2・心態・PPT 第 64 頁

為什麼是「包既有專案」,不是從零生程式

同樣要一個記帳 agent。左邊是一塊空地,從種子開始種;右邊是你原本的 Python,一棵本來就有根有樹幹的老樹,只要接枝。比頭三天。

既有專案是種子,不是負債。

換個角度:你已經寫好的程式不用丟掉,它們就是材料。既有函數就是 agent 現成的手腳,新能力靠「加工具」慢慢長出來。

CH2・藍圖・PPT 第 65 頁

15 個 Phase,分成 6 群

把 agent 想成公司地磚上一棵要一層一層長起來的樹。先看「跳步驟」:急著要手機能用,直接掛一團樹葉;再看「完整種法」:從 Phase 0 的藍圖地磚開始,一層驗收完才長下一層。

MVP ＝ Phase 1–8。一個 phase 做完驗收才往下,不要跳。

換個角度:種樹 —— 先扎根(群 A)、長樹幹(群 B)、圍籬笆(群 C)、掛信箱(群 D)、伸側枝(群 E)、結果子(群 F)。信箱掛在沒有根、沒有樹幹的一團葉子上,風一吹就掉。群 C 是必做,群 E、F 幾乎都是選配。

CH2・流程・PPT 第 66 頁

跑一次,會發生什麼事

上一頁是「樹有哪幾層」,這一頁是「按下去之後,樹怎麼長」。先看如果它一鍵全自動長完會怎樣,再看它實際上會在哪幾層停下來問你。

它不是按一個鍵就全自動。會停下來問,才是你敢讓它動你專案的原因。

換個角度:裝潢師傅不會自己決定拆哪面牆,每個關鍵點都會問你一次。五個 ⏸ 就是你的把關點:問範圍、要你點頭、等你拿金鑰、問權限、讓你測試。

CH2・群 A・PPT 第 69 頁

打地基:把記帳 Streamlit 變成「工具」

Phase 1 讀專案、講回來給你確認;Phase 2 挑出能當工具的函式。先看 Phase 1,再看 Phase 2。

不 wrap 每個函數。挑你最常手動按的那幾個按鈕就好。

換個角度:判準三個字 —— 做一件事、輸入輸出明確、不需要視窗也能跑。換成你的專案:你最常按的那顆按鈕,底下是哪一個函式?

CH2・動手・PPT 第 72 頁

把邏輯從按鈕裡搬出來

全場最重要的一頁。左邊是拆之前:五件事全擠在一個按鈕裡。按播放,看哪幾行搬去右邊、哪幾行留下。

def on_add(self):
    d = self.e_date.get()            ① 讀畫面
    if len(d) != 10:                 ② 驗證
        messagebox.showerror(…)
        return
    rows = json.load(f)              ③ 讀檔
    rows.append({…})
    json.dump(rows, f)               ④ 存檔
    self.on_stat()                   ⑤ 更新畫面

def add_entry(d, cat, amt, confirm):
    if not _valid_date(d):           ② 驗證
        return {"ok": False}
    if not confirm:
        return {"preview": …}
    rows = _load(LEDGER, [])         ③ 讀檔
    rows.append(plan)
    _save(LEDGER, rows)              ④ 存檔
    return {"ok": True, …}

agent 不會按你的按鈕。它只呼叫按鈕底下的函式。

換個角度:①讀畫面、⑤更新畫面 → 留在介面那一層;②驗證、③讀檔、④存檔 → 搬進 core.py。現在打開你自己那支程式,找到按鈕接的那個函式,圈出「不需要畫面也能跑」的那幾行。

CH2・動手・PPT 第 73 頁

拆完之後,你的視窗還在

很多人以為「把邏輯搬出去」要砍掉介面。按播放,看拆之前和拆之後按同一顆按鈕會發生什麼。

拆邏輯不會拆掉你的介面。GUI 照常用,agent 也叫得動。

換個角度:使用者完全看不出差別。你只是多開了一個「不用開視窗也能叫」的入口。

CH2・群 B・PPT 第 76 頁

大腦與核心

Phase 3 選大腦,但重點不是選哪一家,是換的時候要付多大代價。老闆突然說「客戶資料不能外送,改用本機模型」。先看沒有統一入口會怎樣,再看有 factory 的做法。

from openai import OpenAI
client = OpenAI(api_key=KEY)
resp = client.chat.completions.create(
    model="gpt-4o", messages=msgs)
text = resp.choices[0].message.content
  # 重試、逾時、token 計數 … 另外 28 行

LLM_PROVIDER=gemini

client = llm_client()   # factory 依設定挑供應商
reply  = client.chat(messages)

不要被一家公司綁死,換模型應該是改設定不是改程式。

LLM_PROVIDER=ollama   # .env 改這一行
client = llm_client()   # 程式不動

換個角度:插座統一規格,電器隨便換;沒有統一規格,每換一台電器就要重拉一次電線。記帳這種小事免費模型就夠,真正的價值是「想換就能換」。

CH2・群 C・防線 1・PPT 第 84 頁

兩步寫入確認(Phase 5)

你說「幫我記今天午餐 180」。先看機器人聽完直接走去帳本寫會怎樣,再看它先填一張單據拿回你面前簽名,你點頭才去寫。

防 LLM 不經同意就改檔、發訊息 —— 鑰匙留在人手上。

add_entry("2026-08-30", "飲食", 180, confirm=False)
→ {"preview": "打算新增 08-30 飲食 180 元"}
add_entry(..., confirm=True)
→ {"ok": true}

換個角度:就像轉帳前跳出來的確認畫面,多按一下,但錢不會亂跑。換成你的專案:哪些動作是「做錯了會很麻煩」的?那幾個才要兩步確認。

CH2・群 C・防線 2・PPT 第 85 頁

寫入幻覺偵測(Phase 6)

機器人嘴上說「已經幫你記下來了」。先看這句話直接送到你面前會怎樣,再看它先經過偵測器:偵測器不聽它說,親自去帳本看一眼。

可靠的 agent,不相信自己說「完成」,只相信可驗證的結果。

tool_calls 這一輪有 add_entry? → 否
ledger.json mtime 21:03 → 21:03(沒變)
筆數 20 → 20(沒多)
⇒ 回覆前加:⚠ 我沒有實際寫入

換個角度:員工說「報告交了」,你去信箱看一眼有沒有。只抓「謊稱已寫入但實際沒做」,不是通用事實查核 —— 這是 Reflection 的最小可用版。

CH2・群 C・防線 3・PPT 第 86 頁

權限白名單(Phase 7,不可跳)

機器人拿著一把鑰匙,一連要開三扇門:帳本、你的工作檔、放金鑰的保險箱。先看沒有白名單時三扇門都開得了,再看白名單怎麼擋。

agent 只能動你授權的資料夾,這是檔案系統的邊界。

{"allow": ["expense/ledger.json",
           "expense/budget.json",
           "expense/*.csv"],
 "deny":  [".env", "*.key", "*secret*"]}

換個角度:給清潔人員的鑰匙只開他要打掃的那幾間。一支只會記帳的小工具,也只給它這幾個檔 —— 範圍越小越好,不是越大越方便。

CH2・群 D・PPT 第 88 頁

對話介面:同一個 core,三個介面

桌面視窗、本機網頁、Telegram,三個櫃檯各收一張「午餐 180」的訂單。按播放,看機器人把三張訂單送到哪裡。

介面只是 Adapter。三個介面共用一個 core,邏輯永遠只有一份。

換個角度:同一間廚房,前面可以開櫃檯、外送、電話訂餐。Phase 9 通道專屬提示(選配):開場就注入今天日期與六個分類名稱。你的專案需要在外面用嗎?不需要就只做網頁版。

CH2・群 D・PPT 第 89 頁

同一個 core,換一層殼:桌面 → 網頁

左邊桌面版按鈕,右邊網頁版表單。長得不一樣。按播放,找出兩邊一模一樣的那一行。

ttk.Button(top, text="新增",
           command=self.on_add)
def on_add(self):
    r = core.add_entry(
        self.e_date.get(), …,
        self.e_amt.get(), confirm=True)
    if not r["ok"]:
        messagebox.showerror(…)

with st.form("add"):
    d   = st.text_input("日期")
    cat = st.selectbox("分類", CATEGORIES)
    amt = st.text_input("金額")
    if st.form_submit_button("新增"):
        r = core.add_entry(
            d, cat, amt, confirm=True)
        if not r["ok"]: st.error(…)

換介面就是換一層殼。邏輯只有一份,才不會愈改愈亂。

換個角度:第三層殼 bot_telegram.py 也一樣 —— 換掉的是「怎麼問你」,不是「怎麼算」。core.py 一個字都沒改。

CH2・觀念・PPT 第 91 頁

那跟「只串一把 API key」差在哪?

很多人會問:我自己串一把金鑰不就好了?只串 key 就是一台只有嘴巴和一把鑰匙的機器人,其他都沒蓋。先看它會怎麼做,再看蓋完整的那台。

差別不是模型,是它有沒有真的接到你的東西。

換個角度:只串 key = 會講話但看不到你資料的模型。問它八月花多少,它不知道;叫它記帳,它回你一段親切的話,然後什麼都沒發生。

CH2・群 E・PPT 第 92 頁

給它手腳(本群全是選配)

群 E 是工具架上的四樣手腳,機器人走過去一樣一樣決定要不要拿。按播放,看每一樣怎麼決定,最後看唯一拿的那樣怎麼動。

選配的意思就是「真的可以不做」,不是「順便都做一做」。

換個角度:買車的選配,不是每一項都勾。記帳只讀寫兩個 json,開 shell 只是多開一個洞。所有週期任務都必須有「結束條件」。

CH2・群 F・PPT 第 93 頁

讓它成長(本群全是選配)

群 F 是讓這棵樹自己長:結新果(自我演化)、修枝(省 token)、根扎更深(長期記憶)。先看沒有園丁點頭它會長成什麼樣,再看每一樣都要蓋章的版本。

不是 AI 自己進化,是你點頭它才進化。

換個角度:員工可以提案,但簽核在主管手上;核心檔永不自動 merge。agent 越會記,治理責任越大 —— 長期記憶必須先問過才開。

CH2・關鍵對照・PPT 第 94 頁

四大模式 ↔ 15 Phase 落在哪

第一段的四個模式,到了第二段沒有消失,只是換了名字。不用背對照表:讓機器人真的記一筆帳,每做到一步,就標出這一步是第一段的哪個模式、第二段的哪個 Phase。

概念跟實作是同一件事的兩個說法:一趟記帳裡,四個模式出現了三個。

換個角度:這門課走單 agent 多工具路線。Multi-agent 不做分工版,改用「互審版」—— 第 99 頁。

CH2・演化・PPT 第 96 頁

自我演化:agent 自己長出新工具

你問了一個目前沒有工具能回答的問題。按播放,看機器人寫的一份草稿怎麼經過測試、拿回你面前蓋章,才掛進工具區。

不是 AI 自己進化,是 Human-governed Evolution。

換個角度:員工發現缺一個工具,自己畫了草圖,拿給你簽;你簽了才拿去做,做好當場就能用。中間那道核准是重點,沒有它這件事就很可怕。

CH2・多模型・PPT 第 99 頁

換一家模型來審,抓到了什麼

不是讓兩個 AI 分工,是讓它們互相盯。先看一個 AI 自己回報「做完了」,再看另一家不採信、自己再驗一次。

自我回報有結構性盲點。補得起來的,只有「不是同一個模型」的驗證者。

換個角度:自己校對自己的稿子,同一個盲點會看兩次。但這招更貴(約 15 倍 token),兩個模型也會一起錯 —— 判準是「這段的品質風險值不值得交叉檢查」,不是「會不會比較快」。