AI 與 AI Agent 概念｜EthorX 專欄

11 分鐘閱讀

A2A（Agent2Agent）是讓不同廠商、不同框架做的 AI agent 互相委派工作的開放協定。這篇說明它怎麼運作、和 MCP 的分工，以及公司什麼時候才需要它。

11 分鐘閱讀

廠商簡報都寫 Agentic AI，這個詞和 AI agent 是同一件事嗎？這篇整理各家定義、五個自主程度，用同一個退貨流程對照，並列出評估廠商時該問的五個問題。

12 分鐘閱讀

提示詞寫好了，agent 還是答錯，問題常出在每一步塞給模型的資料。這篇說明 context engineering 在管什麼、為什麼上下文越長越容易漏，以及企業導入 agent 時怎麼取捨。

12 分鐘閱讀

AI 讀到的網頁、信件和文件裡，可能藏著寫給它的指令。這篇說明 prompt injection 怎麼發生、為什麼擋不乾淨，以及導入 AI 客服與 agent 時該在哪幾層設防。

11 分鐘閱讀

做知識庫問答時常聽到「要買向量資料庫」。這篇用例子說明 embedding 和向量搜尋在做什麼，比較平台內建、現有資料庫加向量功能、專門向量資料庫三種做法。

11 分鐘閱讀

AI 幻覺從哪裡來、會長成什麼樣子？這篇用律師引用虛構判例、航空公司客服機器人答錯退費規定兩個案例，整理企業降低幻覺的五個做法，以及 AI 搜尋講錯公司資訊時該先查哪裡。

11 分鐘閱讀

ChatGPT、Claude、Gemini 背後都是大型語言模型。這篇從 token 和預測下一個字講起，說明它容易出錯的地方，以及企業用聊天產品、API、雲端平台或本地模型的差別。

11 分鐘閱讀

MCP（Model Context Protocol）是把 AI 應用接上資料與工具的開放標準。這篇用一家加工廠的例子，說明它怎麼運作、和一般 API 串接差在哪，以及導入前要檢查什麼。

11 分鐘閱讀

RAG 讓 AI 先查公司文件再回答。這篇用一個查報價規格的例子，走完切段、檢索、重排到附出處的流程，再比較 RAG、長上下文、微調與 agent 各適合哪種需求。

11 分鐘閱讀

老闆說要「上一個 agent」，但工作裡有些段落用聊天機器人、RPA 或 n8n 流程就夠了。這篇用一個詢價流程拆開四種工具，教你判斷哪一段真的需要 agent。

企業 AI 落地實踐

把這個主題帶回你的流程

從一個實際工作流開始，與 EthorX 共同釐清 AI agents 的導入起點。