LLM 與 AI Agent 有何本質差異？

傳統 LLM 像圖書館裡的百科全書學者，只會回答問題但沒有行動能力；AI Agent 則是配備工具箱、記憶與規劃能力的全能實習助教，能自主連網、命題、排版並完成複雜專案。

什麼是 RAG 檢索增強生成？

RAG 就像 AI 的『開書考』機制。在回答問題前先搜尋指定的學校知識庫或手冊檔案，再據實回答，徹底避免胡言亂語（幻覺）。

什麼是 Prompt 與 Skill 的差別？

Prompt 是一次性的對話指令；Skill 則是封裝了教學目標、優良試題範本庫、評分規準與執行腳本的完整教學工作流程模組。

教師引入 AI Skill 時有哪些資安防線要注意？

必須注意五大防線：學生個資防護、禁止未授權外部資料傳輸、後台惡意代碼掃描、未經許可外掛套件安裝防範，以及個人 API 金鑰權限防洩漏。

✨ 教師入門・生活化比喻・教學行政全自動

AI 代理人進化論：
核心專有名詞與概念解析講義

從「一問一答」走向「自主備課辦事」——用學校與日常情境，徹底搞懂 AI Agent 的大腦、工具箱、記憶與多代理協同工作流！

🧠

思考核心

LLM vs Agent

🧰

手腳工具

Skill & Tools

📖

終結胡說

RAG 開書考

🛡️

個資安全

資安 5 大防線

支援鍵盤左右鍵 / 空白鍵翻頁

Course Roadmap

五大核心模組：建立 AI Agent 完整世界觀

01 Slide 3~4 →

基礎核心：從模型到代理

LLM（圖書館學者） vs AI Agent（全能助教）、上下文視窗（工作桌容量）與系統提示詞（工作守則）。

02 Slide 5~7 →

大腦與工具：Skill 與記憶

Skill / Tool（助教的工具箱）、RAG（開書考機制避免幻覺）、短期對話與長期備課記憶。

03 Slide 8~9 →

思考與執行：規劃與協同

任務自動拆解（園遊會籌辦）、思考鏈 CoT（寫出計算過程）、ReAct 循環與 HITL 人類簽核審查。

04 Slide 10~11 →

進階架構：多代理與 MCP

Multi-Agent（備課社群分工出題/審題/美編）、MCP（教具萬用延長線）與向量語意資料庫。

05 Slide 12~15 →

實戰轉型：教學 Skill 調教與資安防線

傳統 Prompt 命題 vs Skill 自動化題組對比、資安 5 大檢核防線、客製專屬風格 4 步驟落地法。

Core Distinction

1.1 LLM（大型語言模型） vs. 1.2 AI Agent（智慧代理）

🔍 點擊放大

📚 傳統 LLM (大型語言模型)

🏫 校園比喻：圖書館裡的「百科全書學者」

博古通今、文字流利，但沒有行動能力。你問他問題他能說得頭頭是道，但他無法走出圖書館替你影印講義或寄 Email。

🤖 AI Agent (智慧代理人)

🏫 校園比喻：配備萬能教具箱的「全職實習助教」

以 LLM 為思考大腦，並配備「工具 (Tools)」、「記憶 (Memory)」與「目標拆解 (Planning)」。給他一個目標（如：「做性平學習單」），他會自己查資料、命題、排版並存檔！

AI Agent = LLM (大腦) + Tools (手腳) + Memory (記憶) + Planning (規劃)

Core Specs

1.3 Context Window (上下文視窗) & 1.4 System Prompt (系統提示詞)

1.3 核心概念 🪟

Context Window (上下文視窗)

白話：AI 在單一對話中，一次能「同時讀取並記住」的最大文本量。

🏫 校園情境比喻：助教的工作桌容量

工作桌越大（如 200萬 Tokens），助教就能同時把整學期教科書、學生名冊、100篇作文一次攤在桌上進行交叉比對，而不會「看後面、忘前面」！

單位換算：1 Token ≈ 0.75 英文字 / 0.5 中文字

1.4 核心概念 📜

System Prompt (系統提示詞)

白話：在對話開始前設定好的「底層角色指令」與行為規範。

🏫 校園情境比喻：《教職員工作守則與職責說明書》

在助教上工前先立下規矩：「你是國中國文教學助教，口吻要親切溫和，嚴禁直接幫學生寫出作文全文，只能給予引導式提示。」

✨ 決定 AI 的性格、立場、邊界與禁止事項

Tools & Capabilities

2.1 Skill / Tool / Function Calling (技能與工具調用)

核心定義

賦予 AI 操作外部軟體與服務的「手腳能力」

AI 不只會打字，還能連網、算數、開檔案、繪圖

🏫 校園情境比喻：助教身上的萬能教具箱

當需要精確計算成績時，助教從工具箱拿出「計算機」；需要找最新時事時打開「瀏覽器」；需要為學習單配圖時打開「繪圖板」；需要登記缺曠時開啟「試算表」。

🌐

搜尋與網路連線

即時抓取教育部最新課綱、文教新聞與時事素材

⚡

程式運算與檔案操作

精確計算段考落點、拆分班級成績單、產出 Word 試卷

🎨

多媒體與外掛串接

生成題目配圖、語音朗讀、排版轉換與 Google 雲端同步

Knowledge Retrieval

2.2 RAG (Retrieval-Augmented Generation / 檢索增強生成)

🔍 點擊放大

核心白話

讓 AI 在回答前，先去「指定的私有知識庫」搜尋精準資料，再根據搜到的內容進行回答，徹底杜絕胡說八道（AI 幻覺）。

🏫 校園情境比喻：「開書考」與翻閱學生手冊

當家長詢問「學校請假規則」時，助教不會憑印象瞎猜，而是先翻開《學生手冊第 15 條》，再據實、精準地回答家長！

⚡ RAG 標準 3 步驟：

1 檢索 (Retrieve)：在校本檔案庫中搜尋相關段落

2 增強 (Augment)：將找到的手冊原文附加到提示詞中

3 生成 (Generate)：根據真實依據產出精準解答

Memory Systems

2.3 Short-term vs. Long-term Memory (短期記憶與長期記憶)

對話即時筆記 📝

短期記憶 (Short-term Memory)

當前對話視窗內的上下文訊息，關閉對話框即自動重置。

🏫 校園比喻：老師隨手交代的便條紙

「等一下幫我把第三題的選項順序對調一下。」完成這輪操作後，下次新任務便不再需要這些臨時瑣事。

⏳ 特點：暫存、反應快、不佔用長期儲存空間

跨對話永久保存 🗄️

長期記憶 (Long-term Memory)

透過向量資料庫或結構化檔案，跨對話持續累積的知識庫。

🏫 校園比喻：《學生輔導紀錄簿》與《備課日誌》

永久記錄：「王老師習慣用字體 14pt、閱讀題固定出 4 個選項、學生小明在分數除法上較常出錯」。下次打開 AI 依然記得！

💎 特點：個人化風格沉澱、經驗累積、越用越聰明

Reasoning & Planning

3.1 任務拆解 (Task Decomposition) & 3.2 思考鏈 (Chain of Thought)

3.1

Task Decomposition (任務拆解)

白話：接到龐大指令時，自動將其拆解為具體小步驟依序執行。

🏫 校園比喻：收到「籌辦校慶園遊會」大目標

1 擬定全校園遊會實施企劃書

2 統計各班報名攤位與用電需求

3 採購帳棚、桌椅與摸彩獎品

4 印製給全體家長的邀請函與宣傳單

🎯 讓複雜大任務化整為零，確保執行不遺漏

3.2

Chain of Thought (CoT / 思考鏈)

白話：引導 AI 在給出最終結論前，把「中間推理過程」一步步寫出來。

🏫 校園比喻：要求學生解數學題「寫出計算過程」

如果只猜一個數字容易算錯；若強制列出「已知條件 → 設立未知數 → 代入公式 → 驗算」，答對率將大幅提升！

💡 推理流：檢視文本段落 → 確認文意轉折 → 驗證選項誘答力 → 產出最終答案

💡 關鍵：慢思考（Slow Thinking）能顯著降低邏輯謬誤

Execution & Governance

3.3 ReAct 框架 (推理+行動) & 3.4 HITL (人機協同審查)

3.3

ReAct Framework (Reasoning + Acting)

思考 Think → 行動 Act → 觀察 Observe → 再調整 Adjust

Think 「學生總成績怪怪的，我需要檢查成績試算表。」

Act 調用試算表工具，重新加總各欄位分數。

Observe 「發現 5 號同學第三大題漏加了 5 分。」

Think 「修正總分並將更新後的成績通知單寄給導師。」

🔄 自主除錯與自我修正的完整閉環系統

3.4

Human-in-the-Loop (HITL / 人機協同)

在自動化流程的關鍵節點，「必須經由人類老師確認」方可放行。

🖋️ 校園比喻：任課老師親自「審題簽章核可」

AI 助教可以幫忙生成整份期末試題與排版，但在「送印印發給學生前」，必須由任課老師親自審查題目難易度並蓋章確認，確保 100% 教學品質與倫理安全。

🛡️ 核心原則：AI 負責加速與草擬，人類掌握最終決策權！

Collaborative Intelligence

4.1 Multi-Agent System (多代理團隊系統)

Multi-Agent System Collaboration Illustration

🔍 點擊放大

🏫 校園情境比喻：領域教師專業備課小組

不再讓單一 AI 孤軍奮戰，而是組成專業團隊各自發揮所長：

✍️

Agent A（出題員）

負責依課綱指標與素養導向撰寫創新題幹

🔍

Agent B（審查員）

負責檢查有無錯別字、題目語意不清或解答爭議

🎨

Agent C（美編員）

負責版面美化、加上插圖、排版成可直接列印的考卷

👩‍🏫 教師角色：最後審核確認、驗收成果！

Protocols & Search

4.2 MCP (模型上下文協定) & 4.3 向量資料庫 (Vector DB)

開放標準協定 🔌

MCP (Model Context Protocol)

由 Anthropic 提出的開放標準，讓 AI Agent 用統一介面連接萬物。

🏫 校園比喻：學校的「萬用延長線與 USB-C 接頭」

無論是投影機、電子白板、印表機還是雲端硬碟，只要插頭規格統一（MCP），AI 助教插上去就能立刻使用，不再需要為每套軟體單獨寫繁瑣的轉接程式！

⚡ 支援：Google Drive、Obsidian、GitHub、Slack、PostgreSQL...

語意理解檢索 🧭

Vector DB & Embeddings (向量資料庫)

將文字轉化為「語意數字座標」，讓 AI 能根據「意思相近」搜尋。

🏫 校園比喻：智慧圖書館語意主題分類法

傳統搜尋必須「字面完全一樣」；向量檢索就算搜尋「心情很低落」，也能自動找出包含「憂鬱、沮喪、悲傷、挫折」等同義主題的好書！

🔍 特點：超越關鍵字死板比對，真正聽懂老師的意圖

Hands-on Workflow

模組一 & 二：傳統 Prompt vs. 教學 Skill 實例對比

實例情境：製作一份「國文時事閱讀素養題組」

傳統對話 (Prompt 模式) 耗時費力 😫

1. 叫 AI 查新聞，老師手動複製貼上挑選合適篇章

2. 再下一條指令：「請依國文素養題型幫我出 3 題」

3. 手動檢查是否有答案、手動調整格式與選項

4. 複製貼到 Word / Google Docs 重新排版對齊

⚠️ 痛點：每一步都要老師盯著按，每次產出格式與難易度落差大！

AI Agent + 教學 Skill 全自動化 🚀

> 老師只需輸入：
「執行【時事閱讀理解命題 Skill】」

✓ 自動連網：即時抓取文教時事新聞精華

✓ 課綱對標：依雙向細目表生成 PIRLS 4 層次提問

✓ 評分規準：自動附上 Rubrics 規準與解析

✓ 自動排版：排版整齊並直接存入雲端硬碟

💡 優勢：遵循固定規範，格式難易度高度一致，老師只需做最後驗收！

Safety & Privacy

模組三：資源尋找與教師必備的「資安 5 大防線」

AI Cybersecurity and Privacy Shield Illustration

🔍 點擊放大

1

學生個資防護 (Student Privacy)

是否會擅自讀取、上傳學生姓名、座號、成績等機敏資料？

2

外部資料傳輸 (No Unauthorized Leak)

是否有未經授權將內部檔案回傳至不明第三方伺服器？

3

隱藏執行代碼 (Code Safety Scan)

是否包裝了未說明的後台腳本或惡意終端機指令？

4

外掛套件安裝 (Dependencies Audit)

是否會在背景悄悄安裝未經許可的系統或擴充套件？

5

金鑰與權限外洩 (API Key Guard)

嚴防個人 API Key 或 Google 雲端硬碟私密權限遭讀取外流！

Personalization

模組四：把「公版 Skill」調教成「你的專屬教學風格」

01

定義受眾與情境

具體告知對象是「八年級常態班」、「閱讀弱勢」或「語文資優」，並設定明確邊界限制。

「禁止出死記死背的字音字形題」

02

餵養正反教材範本

正面範本：上傳過往滿意段考題（檢索 → 統整 → 省思）。
反面教材：上傳太簡陋的地雷試題。

「參考這份提問層次 / 不要出直球題」

03

精準回饋溝通

避免空泛的「改好一點」，採用三要素：
【位置＋方向＋程度】

「第2題解析(位置)縮在3點內(程度)，加強詞義對比(方向)」

04

沉澱固化為專屬模組

滿意後下達指令：「請將剛才討論的所有規則覆寫優化目前的 Skill.md」。

✨ 未來每次調用都維持專屬高水準

Takeaway & Roadmap

模組五：AI Skill 落地四部曲 & 核心名詞速查

🔍 點擊放大

📖 核心專有名詞快速對照清單 9 大核心概念

專有名詞	核心技術定義	校園教學情境比喻
LLM	龐大語言庫與大腦	圖書館百科全書學者
AI Agent	大腦+工具+記憶自主系統	全能實習教學助教
Prompt / Skill	角色手冊與完整工作流	教職員守則與專屬教案
Tool / Calling	操作外部軟體的能力	計算機、瀏覽器、繪圖板
RAG	查私有庫再精準回答	開書考試 / 翻學生手冊
CoT 思考鏈	逐步寫出中間推理過程	寫出數學計算算式過程
ReAct	思考-行動-觀察自我修正	想方法 → 動手做 → 看結果調整
HITL	關鍵節點由人類審核	任課老師親自審題簽章
Multi-Agent	多個專業 AI 分工協同	跨領域備課教師小組

AI 代理人進化論： 核心專有名詞與概念解析講義

五大核心模組：建立 AI Agent 完整世界觀

基礎核心：從模型到代理

大腦與工具：Skill 與記憶

思考與執行：規劃與協同

進階架構：多代理與 MCP

實戰轉型：教學 Skill 調教與資安防線

1.1 LLM（大型語言模型） vs. 1.2 AI Agent（智慧代理）

1.3 Context Window (上下文視窗) & 1.4 System Prompt (系統提示詞)

Context Window (上下文視窗)

System Prompt (系統提示詞)

2.1 Skill / Tool / Function Calling (技能與工具調用)

賦予 AI 操作外部軟體與服務的「手腳能力」

2.2 RAG (Retrieval-Augmented Generation / 檢索增強生成)

2.3 Short-term vs. Long-term Memory (短期記憶與長期記憶)

短期記憶 (Short-term Memory)

長期記憶 (Long-term Memory)

3.1 任務拆解 (Task Decomposition) & 3.2 思考鏈 (Chain of Thought)

Task Decomposition (任務拆解)

Chain of Thought (CoT / 思考鏈)

3.3 ReAct 框架 (推理+行動) & 3.4 HITL (人機協同審查)

ReAct Framework (Reasoning + Acting)

Human-in-the-Loop (HITL / 人機協同)

4.1 Multi-Agent System (多代理團隊系統)

4.2 MCP (模型上下文協定) & 4.3 向量資料庫 (Vector DB)

MCP (Model Context Protocol)

Vector DB & Embeddings (向量資料庫)

模組一 & 二：傳統 Prompt vs. 教學 Skill 實例對比

模組三：資源尋找與教師必備的「資安 5 大防線」

模組四：把「公版 Skill」調教成「你的專屬教學風格」

定義受眾與情境

餵養正反教材範本

精準回饋溝通

沉澱固化為專屬模組

模組五：AI Skill 落地四部曲 & 核心名詞速查

📖 核心專有名詞快速對照清單 9 大核心概念

📑 簡報章節目錄快速跳轉

AI 代理人進化論：
核心專有名詞與概念解析講義