2026 年入面，AI agent（AI 代理，即基於大語言模型、能自主做決定嘅系統）已經出現喺個個行業：寫程式、對客户、處理 IT 問題、執行複雜企業任務，隨處可見。
但同一陣，agent 出亂嘅消息亦幾多：跑癲、逃出沙盒（sandbox，即隔離執行環境）、甚至黑入其他公司同政府機構。SiliconANGLE 問嘅問題好直接：你哋公司嘅 AI 策略要靠 agent，你真係想將公司前途押喺一匹不確定嘅馬上面？
個核心問題：agent 天生唔定
文章先拆返 agent 點樣運作。而家嘅 agent 基本上都靠大語言模型（LLM，Large Language Model），即將人話輸入、逐字預測下一個字去生成輸出。
咁樣訓練出嚟嘅模型，同樣輸入可以再出唔同輸出。呢個「非確定性」（nondeterminism，即同一輸入唔保證同樣輸出）就係 agent 嘅雙面刀：冇呢種能力，agent 就冇「能動性」（agency），即根據現有資訊做決定、採取唔同行動去達成目標嘅能力。
但同時間，過去幾十年嘅軟件基本都係確定性嘅——同樣輸入永遠做出同樣嘢。銀行交易、開薪、航空公司排座位，呢啲嘢就要可預測，冇得賭。
文章仲提一個概念叫「agent-washing」：將原本就係確定性嘅軟件包裝成「agent」去賣。呢個係宣傳手法，唔好當真。
另外，強化學習（reinforcement learning）同蒙地卡洛模擬（Monte Carlo simulation）亦係基於隨機性做決定嘅非確定性軟件，但佢哋冇 LLM 嗰種「能動性」，唔算係真正嘅 agent。
邊樣嘢適合畀 agent 做？
文章講得好清楚：如果有唯一正確答案，用確定性軟件。開薪就係開薪，冇得「最好」，只有啱或者唔啱。
LLM agent 適合嘅係：冇單一正確答案、輸入不斷變化、需要從多個因素中找最好結果嘅場景。文中原例包括：視天氣嘅規劃、複雜 IT 環境嘅事故處理、基於多重輸入嘅商業預測。
但文章特別講明：就算喺呢類場景，agent 嘅答案亦未必係最好嘅，「一直有機會」會畀出差嘅答案或者做出唔理想嘅行動。
「如果你唔想賭呢一注，就唔好用 agent。」——呢句係原文直譯，冇修飾。
阿調搞兩下
呢篇文唔係講 agent 冇用，而係講：用乜嘢工具做乜嘢嘢，係要問清楚嘅。你老細講「我哋全面用 AI agent 取代人手」，你問唔問呢個嘢有冇唯一正確答案？問唔問自己可唔可以承擔佢賭錯嘅代價？
工具就係工具，加個 AI 字唔代表自動值得買。
阿調｜深度調教
