影片筆記：AI 時代非技術人最該學的設計能力：把 Human SOP 變成 Agentic Workflow

一句話總結

將傳統給人類閱讀的 Human SOP 轉化為適合 AI Agent 執行的 Agentic Workflow，核心在於透過「任務拆解」（Task Decomposition）將大任務分解為多個明確的小任務（Small Tasks），並結合結構化標準、雙向迭代開發與 Human-in-the-loop 機制，以解決單一 Mega Agent 的黑箱與不穩定問題。

核心重點

Human SOP 與 Agentic Workflow 的差異：

• Human SOP：通常是簡報或 Word 文件，寫給人看，依賴人類腦補 Context 與判斷例外，對 Agent 而言是非結構化文字，理解成本高。
• Agentic Workflow：由多個 Agents、Tools、Skills、資料源組成的完整工作流（生產線），強調可預測、有邊界、出錯可修。
• Skill：將方法論、判斷標準、踩坑紀錄打包給 Agent 的執行單位，對應單一任務，非整條工作流。

拒絕 Mega Agent，主張分而治之：

• Mega Agent 缺陷：將大任務整包丟給單一模型，導致黑箱操作、無法追蹤推理過程、出錯時難以定位問題（Prompt、工具或模型幻想），缺乏穩定性、可觀測性與可修復性，無法直接上線 Production。
• 核心主張：問題不在模型能力，而在任務是否被拆解為明確的小任務。好的任務拆解能力能構建更穩定的系統。

四步法：將 Human SOP 轉為 Agentic Workflow：

• Step 1: 格式標準化：將自然語言流程轉為結構化、參數化的 SOP。使用 RFC 2119 標準（MUST/SHOULD/MAY）定義規則強度，並區分 Parameters、Steps、Error Handling。
• Step 2: 任務拆解與連結：將流程拆解為 Pipeline Steps，各步驟擁有明確的 Input/Output。透過 Artifacts（如 JSON）將上一個 Agent 的 Output 變成下一個 Agent 的 Input 進行串接。
• Step 3: 雙向開發：透過「寫 SOP -> 執行 -> 發現錯誤 -> 修正 SOP」的迭代循環處理默會知識（Tacit Knowledge）。採用 Scrum 精神小步快跑，先上線粗糙但可用的版本，穩定滿足 95% 情境，剩餘 5% Edge Case 交由 Human-in-the-loop。
• Step 4: 整合與執行環境：將 Workflow 接上真實工具（Tools，如內部系統、資料庫、API），並設計 Human-in-the-loop 檢查點以處理高風險決策，確保「人類掌舵，Agent 執行」。

技術生態與 MCP：

• MCP (Model Context Protocol)：作為統一 AI 呼叫外部工具的標準協定，比喻為 AI 世界的 USB-C。由 Anthropic 於 2025 年初捐給 Linux Foundation 底下的 Agentic AI Foundation，成為長期維護的開放標準。
• 企業應用：IBM、AWS、ServiceNow 等大公司已將 Agentic Workflow 應用於 IT Ticket、HR 請求等流程，取代傳統規則引擎。

詳細大綱

I. 核心觀念與定義釐清

• 現狀問題：前沿模型能力雖強，但常因任務過大、模糊導致產出不靠譜。
• 三大名詞定義：

Human SOP：傳統流程檔案，依賴人類腦補 Context。

Skill：包含 SKILL markdown（核心 SOP）、References（參考資料）、Scripts（執行指令碼），對應單一任務。

Agentic Workflow：完整的生產線式工作流。

II. 為什麼需要拆解？（Mega Agent 的缺陷）

• 定義差異風險：人類與 AI 對抽象詞彙（如「乾淨」）定義不同，導致產出偏差。
• Mega Agent 問題：
• 黑箱操作，無法追蹤推理過程。
• 出錯時難以定位問題。
• 缺乏穩定性、可觀測性、可修復性，無法直接上線 Production。
• 分而治之（Divide and Conquer）：設計一條可預測、有邊界、出錯可修的生產線，而非訓練超人 Agent。

III. 實戰方法論：四步將 Human SOP 轉為 Agentic Workflow

以「洗衣服」為例，演示如何將口頭流程轉為結構化 Workflow。

#### Step 1: 格式標準化 (Standardization)

• 目標：將 Human SOP 轉為 Agent 可讀懂的版本。
• 關鍵動作：

引數化 (Parameterization)：避免寫死情境，改用 Template（如 mode, temperature），提高 SOP 重複使用率與容錯率。

RFC 2119 規範：

• MUST：硬性規定，絕對不能跳過。
• SHOULD：建議作法，若有強烈理由可不做，但需說明原因。
• MAY：選填專案，做不做皆可。

結構化格式：使用 Markdown 區分 Parameters、Steps、Error Handling，便於後續接入 MCP 等標準介面。

#### Step 2: 任務拆解與連結 (Task Decomposition & Linking)

• 目標：將流程 Decompose 為 Pipeline Steps。
• 關鍵動作：
• 每個 Step 為獨立節點，擁有獨立 Input/Output，可獨立執行、Debug 或替換。
• 串接機制：透過 Artifacts（上一個 Agent 的 Output 變成下一個 Agent 的 Input，例如 JSON 格式）進行連結。
• 優點：局部錯誤（如分類錯誤）僅需修復該節點，不影響其他邏輯。

#### Step 3: 雙向開發 (Bidirectional Development)

• 目標：處理「默會知識」（Tacit Knowledge），透過迭代完善 SOP。
• 關鍵動作：
• 迭代循環：寫第一版 SOP -> 實際執行 -> 發現撞牆/錯誤 -> 回頭補充規則 -> 再執行。
• Scrum 精神：小步快跑，快速迭代。兩週內上線粗糙但可用的版本，優於花兩個月寫完美但無法運行的 SOP。
• 最終穩定滿足 95% 情境，剩餘 5% Edge Case 交由 Human-in-the-loop 處理。

#### Step 4: 整合與執行環境 (Integration & Execution)

• 目標：讓 Agent 接上真實世界工具，從 Demo 變為 Production 可用。
• 關鍵動作：
• 工具整合：接上內部系統、資料庫、API、檔案系統等。
• Human-in-the-loop Checkpoint：在高風險決策（如大金額、權限變更）前，強制 Agent 暫停並請求人類確認。
• 確保系統為「人類掌舵，Agent 執行」，而非失控黑箱。

IV. 案例應用：公司內部請求分類系統

• 場景：處理來自 Slack/Email 的雜事請求（IT、HR、Finance）。
• 實作流程：

標準化：定義 INTERNAL REQUEST TRIAGE SOP，包含引數（來源、文字、編號）與步驟（驗證員工、分類、判斷 Priority、產出結構化輸出）。

拆解：

• Skill 1: internal request triage（分類、判斷 Priority、推薦 Assignee，輸出 JSON）。
• Skill 2: internal request reply drafting（根據 JSON 產出回覆草稿）。

雙向開發：透過實際運行修正分類誤差與 Priority 判斷邏輯。

整合：接上 Tracking Sheet（Notion/Jira/Google Sheet），並設置高風險請求的 Human-in-the-loop 檢查點。

V. 技術生態與未來趨勢

• MCP (Model Context Protocol)：
• 開放協定，讓 LLM/Agent 透過標準介面呼叫外部 Tools/Resources/Prompts。
• 比喻為 AI 世界的 USB-C，統一不同 Host（ChatGPT, Claude, Cursor）的工具呼叫方式。
• 由 Anthropic 於 2025 年初捐給 Linux Foundation 底下的 Agentic AI Foundation，成為長期維護的開放標準。
• 企業應用現況：IBM、AWS、ServiceNow 等大公司已將 Agentic Workflow 應用於 IT Ticket、HR 請求等流程，取代傳統規則引擎。
• 競爭力建議：
• 不需一次自動化所有流程。
• 挑選最無聊、重複的 Human SOP，照四步法拆解。
• 先建立能節省 30% 時間的版本，再逐步迭代。
• 設計給 AI 執行的工作流能力，價值隨 MCP 與 Multi-agent 普及而提升。

工具 / 模型 / 名詞整理

• 模型/平台：
• Stanford AI 系統
• ChatGPT
• Claude
• Cursor
• AGI (Artificial General Intelligence)
• 技術/協定/框架：
• RAG (Retrieval-Augmented Generation)
• Prompt Engineering
• Model 微調 (Model Fine-tuning)
• Agentic Workflow
• Task Decomposition
• Human SOP
• Skill
• MCP (Model Context Protocol)
• RFC 2119 (網路協定規格書寫法，用於定義 MUST/SHOULD/MAY)
• Markdown
• JSON
• Python Scripts (提及指令碼處理確定性操作)
• MCP Server
• 企業/組織/基金會：
• Linux Foundation
• Agentic AI Foundation
• IBM
• AWS
• ServiceNow
• 軟體/系統：
• Notion
• Jira
• Google Sheet
• Slack
• Teams
• Ticketing System
• IDE (Integrated Development Environment)
• Agent Host

操作流程整理

分析 Human SOP：識別現有流程中的默會知識與例外情況。

格式標準化 (Step 1)：

• 將流程轉為結構化 Markdown。
• 定義 Parameters（引數化）。
• 使用 RFC 2119 定義規則強度（MUST/SHOULD/MAY）。
• 明確定義 Error Handling。

任務拆解與連結 (Step 2)：

• 將流程分解為多個 Pipeline Steps（Skills）。
• 定義每個 Step 的獨立 Input/Output。
• 設計 Artifacts（如 JSON）作為步驟間的數據交換格式。

雙向開發與迭代 (Step 3)：

• 撰寫第一版 SOP/Skills。
• 實際執行並觀察錯誤。
• 根據錯誤修正 SOP 或補充規則（處理 Edge Cases）。
• 重複此循環直至穩定滿足 95% 情境。

整合與部署 (Step 4)：

• 將 Skills 接上真實工具（Tools/APIs）。
• 設置 Human-in-the-loop 檢查點（針對高風險決策）。
• 上線 Production 環境，持續監控與維護。

值得注意的限制或風險

定義差異風險：人類與 AI 對抽象詞彙（如「乾淨」）的定義可能不同，導致產出偏差，需透過明確的參數化與規則來緩解。

Mega Agent 的黑箱風險：單一模型處理大任務時，若出現錯誤，難以定位是 Prompt、工具還是模型本身的問題，且缺乏可觀測性。

默會知識的轉化難度：將存在於個人大腦與身體記憶中的默會知識轉為文字明示規則（SOP）需要大量的迭代與實際執行經驗，非一次性可完成。

Edge Cases 處理：即使系統穩定滿足 95% 情境，剩餘 5% 的邊緣案例仍需 Human-in-the-loop 介入，無法完全自動化。

工具整合複雜度：將 Workflow 接上真實世界工具（內部系統、資料庫、API）可能涉及技術整合挑戰。

逐字稿辨識疑點

• Stanford 的 AI 系統建構教學：逐字稿提及「前陣子出了一部影片講解 Stanford 的 AI 系統建構教學」，未明確指出具體課程名稱或連結，僅作為背景提及。
• Agentic AI Foundation：逐字稿稱 Anthropic 將 MCP 捐給「Linux Foundation 底下的 Agentic AI Foundation」。需查證該基金會確切名稱是否為 "Agentic AI Foundation" 或為其他名稱（如 Linux Foundation AI & Data 等），因為 Linux Foundation 下有多個基金會，且 MCP 捐贈細節可能隨時間變動。
• 2025年初：逐字稿提及「Anthropic 在2025年初把這個協定整個捐給...」。若當前時間早於 2025 年初，此為未來時間點或口誤；若當前時間已過，則為事實陳述。此處僅記錄原貌。
• Mega Agent：逐字稿使用此詞彙描述「找一個最強的模型，把任務整包丟給它」的概念。此為影片作者使用的術語，非標準學術定義，故保留原貌。
• 默會知識 (Tacit Knowledge)：逐字稿定義為「存在於個人大腦與身體記憶中的知識」，並指出 SOP 本質是將此轉為文字明示規則。此為知識管理領域常見概念，逐字稿解釋清晰，無明顯錯字。
• Human-in-the-loop：逐字稿解釋為「在某些決策點，agent 必須停下來請人類確認」。此為標準 AI 倫理與工程概念，無誤。
• Artifacts：逐字稿定義為「上一個 agent 的 output 變成下一個 agent 的 input」，並舉例為 JSON。此處定義較為狹義，通常 Artifacts 在 CI/CD 或更廣泛的 Agent 框架中可能有其他含義，但在此上下文中指代數據交換格式，故保留原貌。

可延伸追問

如何具體量化「默會知識」轉化為 SOP 的效率提升？是否有具體的 ROI 計算案例？

在「雙向開發」階段，如何自動化檢測與分類錯誤，以加速迭代循環？

MCP 協定在不同 Host（如 ChatGPT, Claude, Cursor）之間的實際相容性與限制為何？

對於高度非結構化、創意型的任務（如行銷文案撰寫），Agentic Workflow 的拆解策略應如何調整？

Human-in-the-loop 的檢查點設置頻率與時機，應如何根據任務風險等級動態調整？