Google《Agents Companion》白皮書解讀：多Agent協作與企業AI新格局

2024–2025 年間，AI 產業正掀起快速轉向『 Agents導向（Agentic）』架構的浪潮。OpenAI 的 ChatGPT、Elon Musk 主導的 Grok 以及 Google 研發的 Gemini 等消費級應用相繼問世，在市場上推動了「AI Agents」風潮。然而相較之下，企業端對 AI Agent架構的採用仍處於起步探索階段，部署步伐更趨審慎，涉及的系統整合與治理複雜性也明顯提高。

企業在導入 AI Agents時面臨一系列現實挑戰。首要難題是如何確保模型輸出的品質與可靠性。為此，企業亟需建立嚴謹的評估標準與持續監控機制，避免 AI Agents不受控地行動，導致「智慧自動化」演變成操作混亂。同時，如何建立完善的治理框架與風險控管，以及在人機協作中劃清責任界線，確保自主決策符合企業倫理與法規標準，也是不可迴避的難題。

針對上述趨勢與挑戰，Google 的 Antonio Gulli 團隊近期發表了《Agents Companion》白皮書作為觀察與理解的核心材料。其中對 AgentOps（AI Agent營運）、Agentic RAG（ Agent導向的檢索增強生成）和多 Agent協作等主題進行了深入探討，為企業部署 AI Agents提供了全面的理論與實踐指引。接下來，本文將從品牌廠商、數位轉型負責人與產品決策者的視角出發，解析該白皮書中的六大關鍵議題，並為臺灣企業帶來本地化且可操作的洞察。

一、多 Agent系統與單 Agent系統：本質差異與商業意涵

在AI應用日益複雜的今天，多 Agent系統（multi-agent system）與單 Agent系統之間的差異，正深刻影響企業的數位策略。單 Agent系統可視為一個「單兵作戰」的AI助理，通常獨立執行明確任務；而多 Agent系統則彷彿由多位專家組成的團隊，各自扮演不同角色，協同合作完成任務。本質上，多 Agent架構會將複雜問題拆解為子任務，交給專門的智能體分工處理，使AI整體具備適應性、更高效且具可解釋性的工作流程。例如，在客戶服務場景中，一個AI Agent可能負責查詢用戶資料，另一個負責處理退款流程，第三個進行情緒分析與回覆，彼此配合即可自動化完成整個服務流程，這是單一巨型模型難以勝任的。

多 Agent系統的關鍵優勢在於專業化與協作：每個 Agent能深入其專長領域，彼此交叉驗證結果，提高整體精確度。多個 Agent還可併行處理子任務，大幅縮短任務完成時間，並在其中一個 Agent失效時由其他 Agent補位，提升韌性。相較之下，單 Agent系統雖然架構簡單、統一管理，但往往因為充當「通才」而難以兼顧所有面向。在商業實踐中，這意味著多 Agent架構更適合複雜、跨領域的任務：例如企業的內部資訊查詢，同時涉及法務、財務和技術知識，就可由多個專精不同領域的智能體合作完成。而單 Agent可能適合聚焦單一明確職能，例如撰寫行銷文案或簡單客服問答。

當然，多 Agent協作也帶來新挑戰，如 Agent間的溝通與協調成本。企業需建立良好的 Agent編排（orchestration）機制，確保訊息與任務在 Agent之間順暢傳遞，避免出現混亂或重工。另外，多 Agent系統的開發維護複雜度更高，需要監控每個 Agent的表現並持續調整協作策略。這些都要求企業在技術架構與團隊分工上進行相應的調整。然而，對於追求數位轉型的公司而言，投資多 Agent系統往往能帶來更大的商業價值——因為它讓AI不再侷限於單點功能，而是擴展為靈活適應各種情境的AI團隊。

二、AgentOps：從 MLOps 到組織級 AI 生產化治理的演進

當企業將AI Agent從概念驗證推向實際生產環境，品質和可靠性便成為最大挑戰。Google最新白皮書強調，傳統的機器學習運維流程（MLOps）需進一步拓展為AgentOps（智能體維運），才能有效管理日益複雜的AI Agent部署。AgentOps 是生成式AI運維（GenAIOps）的一個子領域，核心在於如何讓AI Agent在生產環境中高效、可靠地運行。相較於MLOps著重模型訓練部署，AgentOps額外涵蓋了工具管理、 Agent的大腦提示（目標、設定、指令）編排、長短期記憶機制以及任務分解等要素。換言之，它將DevOps與MLOps的最佳實踐延伸到 Agent層面，確保 Agent能持續交付價值。

在企業治理的視角下，AgentOps意味著將AI Agent納入和傳統IT系統同等嚴謹的運維流程。首先是版本控制、CI/CD 自動化部署、日誌監控與安全機制——這些DevOps的基本功在AgentOps中一樣不能少。例如， Agent使用的外部API調用需要與常規軟體相同的認證與錯誤處理機制，以確保安全和穩定。其次是指標驅動的優化：每個 Agent上線後，都應對其關鍵績效指標（KPI）進行監控，透過A/B測試等方法持續改進。這裡的指標不僅包括 Agent完成任務的成功率，還應該關注對最終業務價值的影響，如提升了多少生產力、創造了多少營收等。成功的AgentOps實施需要技術、流程與人員三方面協調配合，將AI Agent技術深度融入組織運營模型。也就是說，企業在導入AI Agent時，必須同步調整內部團隊分工與流程，明確誰來開發、誰來監管這些 Agent，以及出現問題時的責任歸屬。

值得強調的是，AgentOps不是對既有流程的替代，而是在既有DevOps/MLOps基礎上的加法。傳統IT和機器學習的經驗仍然適用，例如建立單元測試來驗證 Agent的工具調用是否符合預期，或使用安全沙箱測試 Agent行為，防範風險。新增加的部分則在於 Agent特有的運維內容：如工具插件的版本管理、Prompt模板的版本管理，以及 Agent記憶庫的數據更新頻率等。對企業而言，這代表要培養新的能力和團隊，例如“AI Agent工程師”或“PromptOps”專家，負責持續改進 Agent的提示語和知識整合效果。只有具備組織級的AI生產治理框架，企業才能讓一批AI Agent從demo走向成熟穩定的“數位員工”。

延伸觀察：*業界開始出現專門支援AgentOps的平台與工具。Google Cloud近期即針對企業推出了Agentspace平臺，強調內建安全性、監控等企業級功能，方便開發者將多 Agent系統迅速部署在生產環境。據Google團隊透露，他們自身已在該平臺上構建自有AI Agent，并計畫在2025年推出更多相關功能，協助開發者更輕鬆地建置、管理 Agent。這些動向顯示，AgentOps正從理念落地為實際工具，幫助企業把AI Agent的管理養成日常工作的一部分。同時，一些領先企業也意識到，“看不到就無法信任”——只有建立完善的監控和治理機制，才能放心地將關鍵任務交給AI。

三、Agentic RAG 與 AI 搜尋的新邏輯：從 Query 到策略性知識調度

隨著企業數據量爆炸式增長，傳統的AI搜尋方式正在讓位於策略性知識調度的新模式。其中，Agentic RAG（Agentic Retrieval-Augmented Generation，即 Agent增強式生成）被視為檢索式生成的新邏輯突破點。傳統的RAG流程比較僵化：當用戶提出查詢（query）時，系統從向量資料庫檢索幾段相關內容交給大型模型生成回答。然而，這種一次性檢索的方式在面對含糊、多步驟或需要多角度資訊的問題時往往力不從心。Agentic RAG 則引入了自主的檢索 Agent，可以根據查詢情況進行反覆的推理與搜尋優化，猶如一名資訊獵手在多個資料源中來回摸索，直到找到可靠答案為止。

在Agentic RAG架構下，AI Agent會將原始的自然語言問題拆解並轉化為一系列子查詢，逐步探索相關知識領域。具體策略包括：動態擴充或重組查詢（避免只靠單次關鍵字匹配）、多階段檢索（先尋找總體概念，再深入具體細節）、智能選擇資料源（不同 Agent針對結構化數據、非結構化文本或圖像等不同類型知識庫進行檢索），以及引入評估 Agent交叉驗證資訊真偽。後者尤為重要：一個專門的 Agent可以對主 Agent檢索到的內容進行事實檢查和矛盾檢測，在答案生成前過濾掉可能的謬誤，減少幻覺錯誤。通過這種自主迭代，Agentic RAG能夠提供比傳統RAG更準確、上下文相關的回答，大大提升信息檢索在決策支援上的可靠度。

對企業而言，Agentic RAG帶來的新價值在於知識管理與搜索效率的質變。以前，員工可能需要嘗試多次查詢、瀏覽多個系統才能拼湊出完整答案；現在，智能 Agent可以接管這種繁瑣過程，自動為用戶調度各種知識來源並彙整結果。例如，在法務合規場景中， Agent可先檢索法律法規資料庫，再查詢企業內部政策文件，最後將結果彙總成建議措施並列出依據來源，節省法務團隊大量時間。不僅如此，Agentic RAG的適應性使其能跟上瞬息萬變的資訊：面對最新的市場動態或技術資料， Agent可自動調整檢索策略確保資訊最新最相關。這種「智慧搜尋」的能力，將企業內部的海量數據真正轉化為隨取隨用的洞見，增強決策的即時性與準確性。

值得注意的是，再強大的檢索 Agent也需要良好的資料基礎設施支撐。Google 白皮書建議企業優先優化自身的搜索引擎與知識庫建設，例如對文件進行語義切片和添加豐富的中繼資料，提升底層搜索的覆蓋率和精度。同時，可以結合向量資料庫與傳統排序器（ranker），確保返回結果既相關又精煉。這些最佳實踐已融入Google的企業產品中——比如 Vertex AI Search 提供了文件解析、嵌入向量微調、快速向量搜尋和重新排序等一系列功能，方便開發者構建Agentic RAG應用。換言之，未來的AI搜尋將不再只是回答用戶的單一問題，而是能根據任務需要進行策略性調度，主動提出關聯問題、整合多源知識，成為企業智庫中真正會思考的「搜尋頭腦」。

延伸案例：*Agentic RAG的理念正在各行各業落地。例如，一些金融情報公司已經開發 Agent來優化研報搜尋： Agent先針對模糊的投資問題生成多個精確子問題，再逐一搜索內部研究報告，最後匯整出有依據的分析結論。Google在總結中更指出，這種多 Agent強化的檢索生成能顯著改善答案相關性，前提是企業也要同步強化自身搜尋能力——包括語義分塊文檔、豐富標註資訊、精調向量嵌入模型，以及為向量搜索結果增加傳統排序程序。可見，Agentic RAG既是對AI Agent能力的考驗，也是對企業數據治理與搜尋技術的全面挑戰。在不久的將來，那些積極升級內部搜尋基礎建設並採用Agentic RAG的企業，將能在知識經濟中拔得頭籌。

四、評估與監控 Agent：KPI、軌跡追蹤與人類回饋機制

無論AI Agent多麼強大，如果企業無法有效評估和監控其行為，就難以放心將業務交給它們運行。“如果你無法觀測，就無法信任”，這句話在AI Agent治理中尤為真實。首先，企業需要為 Agent設定清晰的關鍵績效指標（KPI）。這既包括業務層面的成果（例如客服 Agent是否提高了客戶滿意度或縮短了解決問題的時間），也包括任務層面的指標（如 Agent目標完成率、關鍵步驟執行比例）。大多數智能體圍繞特定目標而設計，因此目標完成率是最核心的衡量標準之一。此外，每個目標往往細分為若干關鍵任務或用戶互動點——企業應獨立監測這些關鍵環節的嘗試次數與成功率，以找出 Agent流程中的薄弱環節。除了任務成功與否，傳統IT運維指標如響應延遲、錯誤率等，同樣適用於衡量 Agent運行品質。這些高階指標可匯總在儀表板上，幫助管理者時刻掌握 Agent對業務的影響。

然而，單看結果並不足以全面評估 Agent。AI Agent往往執行一連串行動步驟（即軌跡，trajectory）才產生最後答案。因此，我們需要監控 Agent在過程中做了什麼：用到了哪些工具？每一步輸入輸出是什麼？有無多餘或無效的操作？這種對行動軌跡的追蹤，有助於我們理解 Agent的決策邏輯並進行調適。實踐中，開發者可以為每個任務設計一個理想的參考軌跡，然後比較 Agent實際行為與理想路徑的差異。例如，在線客服 Agent回答客戶退款問題時，預期軌跡也許是：查詢訂單->檢查退貨政策->給出答覆。如果 Agent偏離這一路徑（比如不必要地查詢了物流狀態），就能及時發現和優化。學術和業界已出現一些自動化方法來評估軌跡，如精確匹配（ Agent步驟序列與參考完全一致視為成功）或不嚴格匹配（允許多餘步驟只要核心步驟順序正確），以及Precision/Recall等指標來衡量 Agent所執行工具調用的相關性與遺漏率。透過雷達圖等可視化方式呈現多維軌跡指標，可以直觀展示 Agent在哪些方面表現出色、哪些方面有待加強。

當然，再完善的自動評估體系也無法替代人類的判斷。因此Human-in-the-loop（人類介入）機制在關鍵環節不可或缺。一方面，企業應鼓勵最終用戶（無論是員工還是客戶）對 Agent的輸出提供反饋，例如簡單的👍👎評價或意見表單。這些一線反饋能直接指出 Agent的實際效用，幫助找出「 Agent回答有用嗎？有沒有誤解需求？」等問題。反饋來源可以很廣：普通用戶、內部質檢員、領域專家，都可以參與對 Agent表現的評議**。另一方面，在高度專業或高風險的任務（如醫療診斷建議、投資決策輔助）中，人類專家應對 Agent的關鍵決策進行審核把關——這不僅是為了安全，也是為了不斷校準 Agent的評估模型**。例如，Google提到可用大型模型擔任“自動評審員”（autoraters）來打分 Agent答案，但最終仍需透過人類回饋來調整這些自動評審員的偏差。總之，人類的介入讓 Agent的評估閉環更加完整：人提供高層次判斷和價值觀考量，機器負責細節監測和速度，兩者結合才能確保AI Agent既高效又符合人類期望。

延伸資訊：*為了簡化 Agent的監控與調試，市場上出現了一些專門工具。例如 LangSmith（由LangChain團隊推出）提供了對 Agent決策過程的可視化追蹤，開發者可以直觀看到 Agent每一步行動及使用的Prompt，有助於診斷問題。另一些公司則採用「雙 Agent審核」機制：讓第二個 Agent監視第一個 Agent的行為，提供類似審計報告的記錄。更有前瞻性的企業開始建立AI治理委員會，定期審視AI Agent的KPI與失誤案例，確保 Agent決策遵循公司的倫理和合規要求。例如某些金融機構引入AI助手時，要求每月對 Agent的錯誤回答類型進行分析，並由風控團隊審核改進方案。這些舉措背後的共同理念是：將AI Agent視為新的「數位員工」，就必須建立類似對人類員工的監管與評估制度，以制度化的方式保障AI Agent為企業帶來正面價值。

五、從 AI 助理到虛擬承包商：企業如何設計責任、規格與資源配置機制

隨著AI Agent能力增強、參與任務日益關鍵，企業開始將其定位從單純助理升級為虛擬承包商（Contractor Agent）。所謂虛擬承包商，是指企業以類似外包合同的方式來約束和管理AI Agent：為每個 Agent分配明確的任務合同，規定目標、範圍、交付物和驗收標準，並建立反饋與責任機制。這種轉變源於一個現實需求——當我們希望AI自主執行複雜任務時，僅靠一段非正式的提示（prompt）描述往往不足以保證結果可靠。就好比和人類外包團隊合作，必須透過合同明確工作範疇和期望成果，對AI Agent也需要類似的正式規範來“畫下紅線”。

在這種框架下，企業設計AI任務時會制訂一份「 Agent合同」。首先，合同會詳述任務目標和成功判據：明確要求 Agent“做到什麼程度才算完成”，以及可衡量的驗收指標。例如，若讓AI市場分析師撰寫一份競品報告，合同中或許會規定報告需包含特定章節、覆蓋哪些競爭對手、數據來源需經核實，且文字表述符合公司風格指南等。這些就是交付物的規格定義，也是驗收時對照的依據。其次，合同界定任務範圍（Scope）：界定 Agent應處理的內容，以及明確哪些不屬於本任務範圍。例如上例中，合同可聲明AI不需要分析公司財報（若那超出此次分析目的），以防 Agent把精力耗費在次要內容上。透過這種方式，企業將AI Agent的自主性限制在可控的邊界內，避免其“自由發揮”出錯。

另一個關鍵設計是資源配置與優先級機制。當企業內部多個AI Agent同時運行多份“合同”時，資源（如計算資源、API配額、數據訪問權限）該如何分配？為此，合同可以包含優先級欄位或 SLA（服務等級協議），明確該任務的重要性和所需資源等級。執行引擎需要根據這些合同設定，確保高優先級的 Agent獲得足夠算力並及時執行，而非關鍵任務的 Agent則在資源緊張時讓位。這類似企業在人力派遣上分輕重緩急，保證整體產能最佳化。此外，合同允許溝通與反饋也是必要環節。理想情況下，AI Agent收到任務合同後，能先進行“合同評審”，判斷自己是否完全理解要求、是否具備完成的能力。如有疑問， Agent可透過內部機制向任務發起人提出澄清或調整要求（類似合同談判）。這個Contract Iteration過程確保 Agent不會在誤解目標的情況下草率行動。同時，在任務進行中， Agent也可按合同規定的節點反饋進度或遇到的困難，讓人類負責人及時介入協助或修正合同內容。整套流程旨在引入人類管理AI的閉環，讓AI像承包商一樣對自己的合同負責、對結果品質負責，而企業則扮演監督與評估的角色。

值得一提的是，虛擬承包商模式還允許任務再分解：當一項合同任務過於龐大或複雜時，AI Agent可以依照預先制定的規則將其拆分成多個子合同，並調用其他輔助 Agent來完成。比如讓AI產品經理 Agent負責“設計一款新App概念”，它可能進一步生成「市場調研」「功能規劃」「財務預測」等子合同，指派給專門的市場分析 Agent、需求分析 Agent和財務 Agent分工完成，最後自己彙總結果。這種總承包商-分包商的AI協作模式，使得複雜項目也能在嚴格合同框架下由多智能體協同完成，且每個子任務都有明確定義和驗收標準。對企業來說，好處在於可管可控：每個AI Agent執行什麼、出了什麼結果、一目了然。如果成果未達合同標準，可以要求 Agent重試甚至更換 Agent，正如對待人類外包商那樣。在責任劃分上，企業也能更清晰地界定AI造成的失誤源自哪個子環節，方便追責和改進。

延伸案例：Google 在 Agentspace 平台中引入了“ Agent合同”的概念，勾勒出未來企業應用AI的藍圖。據白皮書介紹，Agentspace 定義了完善的 Agent承包流程：從合同制定、分發給 Agent執行，到執行過程中的監控，再到結果驗收與回饋，形成閉環。這些實踐讓我們看到，未來的AI Agent將更深地嵌入企業流程，並以制度化的方式被管理。AI不再是任意發揮的黑盒，而是受合同約束的“數位承包商”，和人類員工一道協作，為企業創造價值且接受評價。這種轉變有望大幅提升AI應用的可靠性和透明度，同時也倒逼企業自身建立更成熟的AI治理體系。

六、實例分析：Google Agentspace、NotebookLM 與未來企業內部資訊網的重構可能

面對多 Agent系統帶來的可能性，Google亦提供了具體實踐範例——Agentspace與NotebookLM，展示企業內部資訊生態如何被AI重塑。Google Agentspace是Google Cloud推出的一套企業AI解決方案，它集成了企業搜索、對話 Agent和工作流程自動化等功能，目標是打造一個公司內部的AI資訊與助理平臺。傳統的企業知識管理系統往往存在內容分散、個性化不足、無法自動解答等局限，而Agentspace透過AI將各種分散的資料源（如文件、郵件、數據庫）整合在同一介面下，讓員工能以自然語言查詢並獲得條理清晰且有據可依的答案。更進一步，Agentspace還能驅動複雜的智能體工作流程：也就是說，員工不僅可以問它問題，還可以指派任務給它自主執行，比如自動生成週報初稿、根據客戶反饋自動整理Bug列表等。整個過程Agentspace都注重安全性與可信度：其架構基於Google Cloud安全設計，內建存取控制（RBAC）、VPC服務控制以及身分與存取管理（IAM）等機制，確保數據隨時受到保護並符合企業合規要求。對管理者而言，Agentspace提供監管儀表板來編排和監控多個AI Agent——哪些 Agent在運行、使用了哪些資料、遇到什麼問題，都一覽無遺。可以預見，伴隨這類平臺的普及，未來知識型員工將從“四處搜索資料”轉變為統一調度AI Agent來獲取資訊和完成任務，企業內部的資訊網路將更趨智能且以人為本。

另一個值得關注的產品是 NotebookLM（筆記本語言模型），它定位為研究和學習助手，本質上是一個讓AI幫助用戶閱讀和整理資料的平台。在企業環境中，員工經常面臨大量文件、報告需要研讀，NotebookLM企業版正是為此設計：使用者可以將各種來源的文件（例如PDF報告、會議記錄、網頁文章）上傳到NotebookLM工作空間，接著AI模型會解析這些文件，提取關鍵概念並生成摘要或筆記。用戶可以與NotebookLM對話，詢問文件中的細節、讓它解釋某段內容的涵義，甚至請它將多份文件的觀點串聯起來做比較分析。相當於一位專屬的研究助理，幫助知識工作者從繁瑣的資訊收集中解脫，直抵理解和決策。NotebookLM企業版在功能上更進一步：例如提供了AI生成的語音摘要，員工可以“聽”報告重點，加深對內容的掌握。同時它強調企業級的安全與隱私：所有資料處理都遵循公司安全政策，敏感資訊被嚴格保護，不會洩露。這使NotebookLM能夠融入企業日常工作流程，例如新品研究、競品情報分析、內部培訓等，成為知識管理體系中的重要一環。未來，我們可能會看到NotebookLM與Agentspace這類系統結合——前者作為員工的個人知識助理，後者作為全公司的智能資訊樞紐，共同構築新一代企業內部資訊網。

綜合來看，Google Agentspace和NotebookLM預示著企業內網重構的巨大可能性。傳統內網往往是靜態的文件資料庫或FAQ列表，而未來內網將更像一個智慧交互門戶：員工提出任務或問題，背後是一整套AI Agent網絡在協同處理，從搜尋知識、分析整理到執行操作，最後將結果以自然易懂的形式呈現給員工。這不僅大幅提高資訊獲取效率，也改變了組織內知識流動的方式——知識不再孤立在部門文件夾裡，而是在AI的推動下實時流通並轉化為決策支持。企業可以依自身需求，定製一系列專屬AI Agent：如行銷洞察 Agent、法務合規 Agent、財務分析 Agent、工程知識庫 Agent等，讓各部門人員都有貼合工作背景的智能助手。這些 Agent甚至可以直接連接內部系統執行操作（在授權範圍內），真正把內網從資訊中心升級為動作中心。當然，這也要求企業IT架構更加開放且安全，可供AI存取各類資料與服務，同時對AI行為進行審計和約束。未來的企業內網重構，既是技術工程，也是組織變革：公司需要培養員工與AI協作的數位素養，制定AI使用準則與倫理規範，確保科技與制度建設同步。

延伸案例：*目前已有先行者開始品嚐這種未來內網的甜頭。金融業巨頭摩根士丹利近期就打造了一款內部專用的GPT聊天機器人，供16,000多名財富管理顧問使用，以自然語言檢索公司內部龐大的知識庫。這款AI助理被形容為讓每位顧問都擁有“24小時待命的首席投資策略長”，能夠即問即答各種複雜的財務問題。透過深度整合內部文件與研究報告，它可以快速提取關鍵洞見並列出相關來源供進一步閱讀。例如，顧問只需詢問「某項理財服務的開戶步驟是什麼？」，AI便會從內網多個文件中整理出完整的步驟列表，甚至將說明轉換成客戶容易理解的語句，並附上原始資料的連結。結果是，顧問不必再花大量時間搜索和對比文件，就能在幾秒內獲取可靠答案，從而更快回應客戶需求。這一案例充分證明，對話式AI內網的價值是現實可行的：知識庫不再是冰冷的檔案，而成了有溫度的對話夥伴。隨著Google Agentspace、NotebookLM等技術的成熟，越來越多企業將重構自家內部資訊網，讓AI成為組織智慧的神經中樞，賦能每一位員工在對的時刻獲取對的知識並採取行動。

閱讀原文:

Agents_Companion_Antonio Gulli_Google Download

Keywords：

AI智能體、多代理系統、AgentOps、Agentic RAG、NotebookLM、Agentspace、虛擬承包商、企業內網、生成式AI、知識管理

從Query到策略調度：Google多Agent白皮書, 揭示企業AI新邏輯