前言:不確定性是特性,不是缺陷
生成式 AI 最讓工程師頭痛的一點,恰好也是它最有價值的一點:同樣的輸入,不保證同樣的輸出。傳統軟體講究確定性,測試要能重現、行為要能預測;但 Agent 系統從一開始就活在機率裡。微軟這門《AI Agents for Beginners》第三課開宗明義就說:模糊性是生成式 AI 設計裡的特性,不是缺陷(ambiguity is a feature, not a bug)。問題從來不是「怎麼消除不確定性」,而是「怎麼在不確定性裡,設計出一個使用者敢信任、敢交辦事情的系統」。
這一課給的答案分兩層。第一層是設計原則:從空間、時間、核心三個維度,決定 Agent 應該長什麼樣子。第二層是實作準則:透明、掌控、一致,三條落地時檢查用的標尺。課文後半段再用一個旅遊推薦 Agent,把原則收斂成三個可寫進程式碼的模式:清楚的指令、結構化輸出、單一職責。這篇文章照這個順序走,最後補上課程沒講、但你動手前一定要知道的落差與坑。
一、三大設計原則:空間、時間、核心
課程把設計原則分成三個維度,剛好對應三個問題:Agent 活在哪裡、怎麼隨時間演變、核心該守住什麼。
空間:連結人,而不是取代人
空間指的是 Agent 運作的環境,包含實體世界與數位世界。這一維有兩條原則。
第一,連結而非塌陷。 Agent 的任務是把人連向人、事件與可行動的知識,促成協作,而不是把人推開、讓人覺得自己被取代或被貶低。實作上的翻譯很具體:推薦結果要附上「為什麼推薦你」,而且要讓使用者能順手把結果轉給同事、排進行事曆、接著往下做事。一個只會在對話框裡吐答案的 Agent,連結能力是不及格的。
第二,隨時可及、偶爾隱形。 Agent 大部分時間應該在背景安靜運作,只在相關且適當的時刻才輕推使用者一下;同時又要讓授權使用者在任何裝置上都找得到它、叫得動它,支援語音、文字等多種輸入輸出,並能在前景與背景、主動與被動之間順暢切換。重點在後半句:就算 Agent 以隱形的方式在背景跑,它的處理路徑、跟其他 Agent 的協作,對使用者必須是透明且可控的。隱形的是介面,不是權力。
時間:過去、現在、未來
時間維度談的是 Agent 如何跨越過去、現在與未來運作。
過去:從歷史反思。 Agent 不只記得事件本身,還要記得狀態與上下文,並主動從過去的事件建立連結、反思記憶,再回來處理眼前的狀況。白話說:一個好的 Agent 應該越用越懂你,而不是每次對話都像第一次見面。
現在:輕推勝於通知。 事情發生時,Agent 不該只丟一則靜態通知了事,而要簡化流程、動態產生提示,在對的時間把使用者的注意力引到對的地方;而且互動可以循序漸進,隨著時間慢慢變複雜,讓使用者長期下來能力跟著成長。
未來:適應與演化。 Agent 要能適應不同裝置、平台與使用型態,能配合使用者的行為與無障礙需求自由客製,並且在持續互動中被形塑、不斷演化。這一點直接對應到後面課程要講的記憶與個人化:沒有記憶與回饋迴路的 Agent,談不上演化。
核心:擁抱不確定性,建立信任
核心只有一條,但最重要:擁抱不確定性,同時建立信任。 一定程度的不確定性是 Agent 設計的既定前提,不必假裝它不存在;信任與透明才是底層。實作上的底線很具體:使用者隨時清楚 Agent 是開著還是關著、現在是什麼狀態,而且開關的決定權在人手上,不在模型手上。
這三個維度合起來看,課程想講的其實是一件事:Agent 設計的起點是人,不是模型。原則本身不是規範性的架構(not a prescriptive architecture),而是團隊在定義 Agent 體驗時的起點。這句話要劃重點——照抄架構會害死你,照著原則自己長出架構才是正解。
二、三條實作準則:透明、掌控、一致
原則是方向,準則是檢查表。課程給了三條,動手時逐條對照。
透明(Transparency): 明確告訴使用者這裡有 AI 參與、它是怎麼運作的、過去做過什麼動作,以及使用者如何給回饋、如何修改系統。旅遊 Agent 的例子:開場白就要講清楚這是 AI 驅動的 Agent,附上入門指引與範例提示,產品頁面載明使用限制與主題限制,過去問過的問題清單看得到,回饋按鈕(讚/倒讚、送出回饋)擺在顯眼處。
掌控(Control): 使用者能客製、指定偏好、個人化,並且對系統與其屬性有控制權——包括遺忘的權利。旅遊 Agent 的例子:系統提示詞建好之後還能改;回答要多囉唆、寫作風格如何、哪些話題不談,都由使用者決定;相關檔案、資料、提示詞與歷史對話,使用者看得到也刪得掉。
一致(Consistency): 跨裝置、跨端點提供一致的多模態體驗;能用熟悉的 UI 元素就用熟悉的(例如用麥克風圖示代表語音輸入),盡可能降低使用者的認知負擔(回答簡潔、附視覺輔助、需要深入再點「了解更多」)。
這三條準則裡,「掌控」最容易被低估。很多團隊把「可刪除對話紀錄」當成可有可無的設定頁功能,但從信任的角度看,它是使用者敢把真實資料交給 Agent 的前提。刪不掉的記憶,就是不敢用的 Agent。
三、寫進程式碼的三個模式
課文的範例程式把上述原則收斂成三個模式,全部圍繞一個旅遊目的地推薦 Agent。範例用的是 Microsoft Agent Framework 加上 Azure AI Foundry,重點不在框架本身,而在模式的形狀。
模式一:清楚的指令
影響最大、也最簡單的模式:把指令寫清楚。好的指令定義三件事——Agent 是誰(角色與語氣)、該做什麼(一步一步的職責)、該怎麼表現(限制與風格)。範例裡的旅遊禮賓 Agent 是這樣寫的:
agent = provider.as_agent(
name="TravelConcierge",
instructions="""You are a luxury travel concierge named Alex. Your role is to:
1. Understand the traveler's preferences (budget, climate, activities)
2. Check destination availability before making recommendations
3. Provide detailed, personalized travel suggestions
4. Always mention visa requirements and best travel seasons
Be warm, professional, and enthusiastic about travel.""",
)
指令不是寫給模型看的散文,是寫給系統看的規格。角色、職責、限制、語氣四個要素缺一不可;缺了限制,模型會自由發揮;缺了職責順序,模型會跳步驟。寫指令時有一個簡單的檢驗標準:把指令拿給一個新進同事看,他能不能照著做出同樣的事?不能的話,指令就不夠清楚。
模式二:結構化輸出
自由文字適合對話,但下遊系統要的是結構化資料。範例用 Pydantic 模型定義輸出的 schema,再用 response_format 強制模型回傳驗證過的物件,而不是自由文字:
class DestinationRecommendation(BaseModel):
destination: str
available: bool
best_season: str
highlights: list[str]
estimated_budget_usd: int
class TravelRecommendations(BaseModel):
recommendations: list[DestinationRecommendation]
personalized_note: str
response = await structured_agent.run(
"Recommend 3 destinations for a culture-loving traveler with a $2500 budget",
options={"response_format": TravelRecommendations},
)
if response and response.value:
result: TravelRecommendations = response.value
關鍵在 response.value:通過驗證的物件直接進應用程式邏輯,不用再寫正規表示式去解析模型吐出來的文字。工具函式本身也回傳同一個 Pydantic 型別,資料從頭到尾保持結構化。這個模式的價值不在「格式漂亮」,而在「失敗可偵測」——schema 對不上,程式立刻知道,而不是讓一段格式跑掉的文字一路流進資料庫。
模式三:單一職責 Agent
複雜任務拆給多個各司其職的 Agent:一個目的地專家只管研究地點與可用性,一個行程規劃師只管航班、住宿與逐日行程。指令裡明確寫上「不要碰對方的工作」:
destination_agent = provider.as_agent(
name="DestinationExpert",
tools=[get_destination_details],
instructions="""You are a destination research specialist. Your only job is to:
1. Evaluate destinations based on traveler preferences
2. Check availability using the provided tool
3. Return a short ranked list with pros/cons
Do NOT discuss flights, hotels, or logistics — another agent handles that.""",
)
這就是軟體工程的關注點分離,搬到 Agent 世界。拆開的好處是每個 Agent 都更容易測試、維護與獨立改進;代價是協調成本——目的地專家的輸出要原封不動餵給行程規劃師,中間的格式約定與錯誤傳遞都要另外處理。拆分不是免費的,拆之前要先算清楚。
三個模式可以疊加:一個單一職責的 Agent,內部同時用清楚的指令與結構化輸出。如圖二所示,組合起來的系統比任何單一模式都穩固。
四、細節與注意事項:課程沒講、動手前要知道的事
這一節是整篇文章最重要的部分。課程範例寫得乾淨,但乾淨的範例常常把最痛的地方藏起來。
與 Dylan 環境的落差:Foundry 不是 Ollama
課程範例預設你用 Azure AI Foundry:FoundryChatClient 吃 AZURE_AI_PROJECT_ENDPOINT 與 AZURE_AI_MODEL_DEPLOYMENT_NAME 兩個環境變數,認證走 DefaultAzureCredential()。Dylan 的環境是家中 Ollama 加 Oracle VM,這幾行不能照抄:
- 連線層要整段換掉。 FoundryChatClient 換成 Ollama 的 OpenAI 相容端點(http://<內網 IP>:11434/v1),認證那行直接刪掉——Ollama 本地端點不需要 Azure 憑證,DefaultAzureCredential() 在沒有 Azure 登入的機器上會直接報錯。
- 模型名稱是另一套命名。 AZURE_AI_MODEL_DEPLOYMENT_NAME 是你在 Foundry 裡部署的名稱;Ollama 這邊是 qwen2.5:7b 這類本地模型標籤。環境變數的名字可以留著,但值與來源要改,否則部署到 VM 上第一個報錯的就是找不到部署名稱。
- 結構化輸出要看模型支援度。 response_format 強制回傳 Pydantic 物件,是 OpenAI 規格的 structured outputs。Ollama 的 OpenAI 相容層對 JSON schema 的支援依模型而異,小模型常常回傳格式正確但欄位亂填的 JSON。落地前一定要實測:拿你的模型連跑十次,統計 schema 驗證失敗率;失敗率高就不要只靠 response_format,要在程式裡補一層 Pydantic 驗證加一次重試(把驗證錯誤訊息餵回模型,請它修正後再回傳一次)。
- 範例裡的 approval_mode="never_require" 是教學方便,不是生產設定。 那支 get_destination_details 工具目前只是查一張寫死的字典,所以不要求批準沒關係;一旦工具改成真的會查資料庫、呼叫外部 API 或寫檔案,批準模式就要改回來,至少對寫入類操作要求人工確認。教學範例的預設值,永遠不要直接帶進生產環境。
常見的坑與解法
坑一:指令越寫越長,token 越燒越多。 清楚的指令很容易一路膨脹成兩千字的系統提示詞,每次呼叫都跟著計費。解法是分層:把不常變的角色與限制放進系統提示詞,把每次任務才需要的上下文放進使用者訊息;定期檢視提示詞裡有沒有「寫了但從沒觸發過」的規則,有就刪掉。
坑二:結構化輸出驗證失敗時,程式不知道該怎麼辦。 模型回傳的 JSON 欄位缺了、型別錯了,response.value 是空的,範例只印一句「No validated structured response was returned」就結束了。生產環境不能這樣:至少要有一次自動重試(附上驗證錯誤),重試再失敗才降級處理——例如改回自由文字加人工介入,而不是靜悄悄地回傳空結果。
坑三:單一職責拆過頭,錯誤無處可追。 兩個 Agent 串連時,下遊 Agent 收到上遊一段格式跑掉的輸出,常常不是報錯,而是「很有信心地」根據錯誤輸入繼續編行程。解法是讓 Agent 之間的交接走結構化輸出(模式二與模式三疊加),並且在交接點寫 log:上遊輸出什麼、下遊收到什麼,出了問題才有辦法定位是哪一站出錯。
坑四:把設計原則當成裝飾。 透明、掌控、一致這三條準則,最常見的死法是寫在投影片裡、沒寫進驗收標準。建議把它們變成測試案例:新功能上線前,逐條問——使用者看得到 AI 在做什麼嗎?刪得掉自己的資料嗎?換了裝置操作方式一樣嗎?答不出來就不要上線。
落地前確認清單
- [ ] 系統提示詞四要素(角色、職責、限制、語氣)是否齊全?拿給沒看過程式的人讀一遍,他做得出同樣的事嗎?
- [ ] 結構化輸出的 schema 是否在你的模型上實測過至少十次?驗證失敗的重試與降級路徑寫好了嗎?
- [ ] 工具的批準模式是否按讀寫區分?唯讀工具可以放寬,寫入工具必須要求確認。
- [ ] Agent 之間的交接格式是否結構化?交接點有沒有 log?
- [ ] 使用者能否看到 Agent 的狀態與歷史動作?能否刪除自己的資料與對話?
- [ ] 提示詞長度與每次呼叫成本是否量過?有沒有定期清理用不到的規則?
- [ ] 課程宣稱中未經核實的部分:課程說「這些原則不是規範性架構」,意味著沒有標準答案;任何聲稱「照這套原則就能直接上生產」的說法,都要打折扣看待。
我的看法
結論:能用,但要先看。 這一課的原則與三個模式,是那種「現在就能拿來改你手上系統」的東西——不需要換框架、不需要等新模型,今晚就能把系統提示詞重寫一遍、把輸出包進 Pydantic 模型。先看的部分是範例程式本身:它是 Azure Foundry 的形狀,照抄會在 Ollama 環境上第一步就卡住;真正的價值在模式,不在程式碼。
務實建議:挑一個你手上最小的 Agent,先做兩件事就好——第一,把它的系統提示詞按角色、職責、限制、語氣四要素重寫;第二,把它最重要的一路輸出改成 Pydantic 模型加驗證重試。這兩件事做完,你會立刻看到兩種回報:行為變穩定(指令清楚的效果),以及失敗變可見(驗證失敗終於會出聲,而不是靜悄悄地錯)。單一職責拆分先不要急,等你有兩個以上職責互相打架、測試開始寫不下去的時候再拆。
結論
Agent 設計的起點不是模型能力,而是使用者敢不敢把事情交給它。空間、時間、核心三個維度的原則,加上透明、掌控、一致三條準則,合起來是一套檢查系統可信度的方法;而清楚的指令、結構化輸出、單一職責三個模式,是把這套方法寫進程式碼的最小起點。三者疊加之後,系統會長成什麼樣子,取決於你的場景——課程給的是起點,不是終點。動手之前,先確認你的環境與範例的落差,量過成本、寫好失敗路徑,再讓 Agent 上線。一個在失敗時會出聲的 Agent,遠比一個在成功時很聰明的 Agent 更值得信任。
來源連結
- 課程 repo:Microsoft《AI Agents for Beginners》:https://github.com/microsoft/ai-agents-for-beginners
- 本課 README(第 3 課 Agentic Design Patterns):https://microsoft.github.io/ai-agents-for-beginners/03-agentic-design-patterns/
- 本課程式範例(Python,Microsoft Agent Framework):https://microsoft.github.io/ai-agents-for-beginners/03-agentic-design-patterns/code_samples/03-python-agent-framework.ipynb
- Microsoft Research HAX Toolkit(人機互動設計工具包):https://www.microsoft.com/en-us/research/project/hax-toolkit/
- OpenAI《Practices for Governing Agentic AI Systems》:https://openai.com/index/practices-for-governing-agentic-ai-systems/











