打造高效 AI 助手：掌握 5 大秘訣，讓您的團隊如虎添翼！

在 AI 浪潮席捲而來的今天，打造 AI 助手（Agents）對大多數人來說或許仍是個新領域，但好消息是，這項技術其實比您想像的更平易近人。不只開發者，連行銷、法務或人資夥伴們，都能親手建構自己的 AI 助手。您會發現，只要微調指令（prompts）和說明（instructions），就能迅速看見成果！

現在，就讓我們一起揭開這些秘密武器吧！

秘訣一：問題拆解，化繁為簡 🧩

當我著手建立一個 Agent 時，我會先釐清核心問題。很多人會問：「AI 助手能做什麼？給我一些例子！」這當然有助於激發靈感。然而，生成式 AI 最棒的地方在於其高度親民性。您可以用中文、英文、德文或法文來指揮 Agent，人人都能輕鬆上手！我們不需要死守「現成」的解決方案，而是能依據獨特需求，量身打造專屬解方。

不過，要用一個或多個 Agent 來解決問題，確實需要一些經驗。這就像教導一位新進實習生一樣，如果您一次丟給他 50 條指令，他們會感到困惑，成果也會天差地別。有時候實習生表現完美，有時候卻讓您摸不著頭緒。Agent 也是如此！如果您寫了 100 行指令，結果可能不如預期，或者您需要花大量時間才能微調出滿意的效果。

這道理其實很簡單：寫程式時，您也會將程式碼拆解成多個類別和函數。我的做法是：針對每個小任務都建立一個 Agent，獨立測試，最後再將它們組合起來。無論是 LangGraph、Rivet 等 AI 編排框架，還是結合 Atlassian Rovo Agents 與自動化流程，我們都能讓 AI 協助我們應對大大小小的挑戰——一次一個 Agent，逐步攻克！

秘訣二：明確預期，精準測試 🧪

在建立新 Agent 時，我常常會有這樣的經驗：腦中有個想法，於是著手建立 Agent、試用、微調直到滿意，然後就發佈了。然而，當我每天使用時，卻發現實際數據的結果參差不齊，我不得不手動調整 Agent 的產出。換句話說，我過於倉促地發佈了 Agent，只測試了「完美路徑」（happy path）。

身為開發者，我深知不該如此：我們應該從預期成果開始，並定義明確的測試案例來驗證是否達到目標。從「解決方案」開始從來都不是個好主意，我們必須從「問題」著手。

因此，我建立每個 Agent 時，都會先思考一些測試案例，建立測試數據，並定義預期結果。然而，Agent 的測試與傳統軟體不同，因為生成式 AI 具有「非確定性」，每次呼叫 Agent，結果都可能有所差異。儘管如此，這些測試計畫和數據能幫助我在建構 Agent 時，手動驗證其在非完美情境下的表現。

秘訣三：結構清晰，Agent 更愛 📋

無論您使用哪種提示框架，請務必賦予您的 Agent 清晰的「結構」。想像一下，您在教導一位新進實習生時，一開始就給予詳細說明，接著才把目標放在對話中間，最後又把最重要的資訊擺在結尾。您的實習生會一臉困惑地看著您。Agent 雖然不會露出不耐煩的表情，但可能會給出奇怪的結果。

您可以使用不同的框架，但我個人偏好以下順序：角色/目的 (Role/Purpose)、目標 (Goal)、個性 (Character)、任務 (Tasks)、輸出 (Outputs)、範例 (Examples)。撰寫指令時，請避免模糊不清的措辭，選擇清晰簡潔的詞彙。雖然 Agent 傾向於寫出長篇大論，但在指令中，它們更喜歡條列式的重點。

一個專業小撇步：使用大寫字母來強調您的要求，吸引 Agent 的注意，例如「請勿重複問題」。您也可以使用 Rovo Studio 內建的提示生成器，它會引導您對話，確保您不會遺漏 Agent 提示中的任何重要細節。

秘訣四：讓 AI 助手自我優化，雙贏策略 💡

這是我一位朋友分享的最佳秘訣：「問問 Agent 為什麼」。當 Agent 不按我預期行事時，我常常感到沮喪：「我不是告訴過你不要這樣做嗎？為什麼還是這樣？」然後我就會修改 Agent 的指令，再次測試。有時候需要花不少時間，才能找到正確的措辭或指令順序，讓 Agent 完全按照我的計畫執行。

但透過一個簡單的提問——問 Agent 我想要什麼，以及我該如何指導它——問題就能迎刃而解！

舉例來說，我曾建立一個 Agent 來審查 Jira 中的錯誤報告，並告訴作者如何改進。對於寫得很糟糕的報告，它表現出色。但我希望 Agent 不要對「寫得很好」的錯誤報告給予建議，但它卻不聽我的。於是我告訴 Agent：「我覺得這是一份很棒的錯誤報告。請告訴我，我需要如何修改你的指令，才能讓你不再給我任何建議？只需回答：無需修改。」奇蹟出現了：Agent 精準地告訴了我那句話，我將其添加到指令中，果然奏效！

AI 模型看待世界的方式可能與人類不同。我們大多數人沒有時間去學習 AI 模型如何運作，但我們可以請求 AI 幫助我們解釋如何達成目標。隨著時間推移，我們將更了解 AI 模型，掌握其工作原理，並從一開始就能寫出更好的提示。但當您陷入困境時，請試著「問問 AI 如何擺脫困境」。

秘訣五：Agent 也需要「情境」滋養 📚

這就跟人類一樣：資訊越多，越能有效解決問題。別指望生成式 AI 能知曉一切，請提供所需的充分引導。Agent 也會像人類一樣，從優質的文件和範例中學習。

AI 模型透過各種資訊進行訓練，但對企業而言，問題在於您不確定這些訓練資料是否符合您內部處理事務的方式。這就是為什麼記錄您的流程和規範至關重要，這樣 AI 才能從中學習。

當我建立一個 Agent 時，我總會撰寫一份文件，提供好的範例和不好的範例。這樣一來，Agent 就能更清楚地理解我的期望。我也會盡量尋找組織內現有的優良規範，這樣就能更好地控制 Agent 為使用者提供的建議和決策。

針對不同的 Agent 技術，您可以直接指定參考文件；有些則需要將上下文添加到指令中。使用 Atlassian Rovo，我通常會在 Confluence 頁面或 Google Docs 上創建文件，並直接將 Agent 指向這些文檔。

Agent 不會替您解決所有問題，但只要方法得當，它們就能幫助您應對大大小小的挑戰——一次一個 Agent，循序漸進。