What is an AI Agent? How I Automated My Daily Task With AI (Visual Explanation)

講者從個人的日常痛點開啟這段旅程。身為內容創作者，每天收到數百封贊助郵件，必須逐一甄別真假、搜索公司資訊、撰寫回覆，整個流程完全手工。這不僅耗時且容易因忙碌而遺漏重要機會。

要理解AI自動化，得先懂LLM的本質。LLM透過預測下一個詞來工作——它在互聯網海量文本上訓練了超過一年，學會在某個詞序列後最可能出現哪個詞。聽起來簡單，但透過十億次練習和人類反饋調整，這套算法能生成連貫有用的回應。不過關鍵問題是知識截止日期：LLM只知道訓練數據的時間點之前發生的事。最近的新聞、新成立的公司，它完全無法知曉。

最初的解決方案是讓AI單純寫郵件草稿。但只靠預測不夠準確，需要引入AI工具。Web Search就是關鍵工具，讓AI能即時查詢網站、GitHub、論壇和社群媒體，取得最新信息，大幅減少「幻覺」——AI自信但錯誤的回應。同時需要學習Prompt Engineering：如何清晰表達任務（做什麼）、提供背景（知道什麼）、指定格式（怎麼回答）。

但光能查詢和回覆還不夠。講者需要AI直接存取Gmail，避免手動複製貼上。這時MCP（Model Context Protocol）出場——它像USB標準一樣為AI與外部應用的連接制定統一規則。在Claude中連接Gmail時，用戶不是盲目授予全部權限，而是能精確設定：只讀郵件、禁止寫入、需要批准前才能發送等。即使AI程式出錯要求刪除郵件，系統會根據設定的規則直接拒絕，完全由用戶掌控。

有了工具和應用連接後，AI需要學會像用戶一樣思考。Skills就是為此設計——講者讓AI學習自己過去寄出的數百封郵件，提取開場白、結尾、用詞習慣、什麼樣的公司該拒絕等模式，將這些打包成可重複使用的Skill。這樣每次執行時，AI就知道如何按用戶風格決策和寫作。

但Skills引入了新挑戰。過多的Skills和上下文會讓AI混亂、做出預料外的事。這就是Context Engineering的概念——不是給越多資訊越好，而是精選只提供必要的內容。

即便有了Skills，AI的輸出仍可能需要多輪修正。新概念Loop Engineering解決了這個問題：讓AI在生成回覆後自動檢查是否符合Skills和要求，不符合就自動重寫和修正，一直循環到完美為止。這是Claude最近實現的功能，用戶用 /loop 指令啟用。這才是真正的「設定後即可」——不再需要反覆人工提示。

最後一個最佳化層級是Sub-agents。當郵件數量激增時，單個Agent處理變得緩慢。講者可以讓一個主Agent扮演管理者，將100封郵件分成10份，各自分配給10個Sub-agents並行處理，每個Sub-agent獨立完成整套流程（讀、研究、決策、寫），然後主Agent匯總所有結果。這將30分鐘的工作壓縮到2分鐘。講者提到用Fable 5模型甚至能同時啟動200個Agent優化網站（雖然成本驚人，但速度無敵）。

整個流程最後一步是Schedule trigger——設定每天固定時間自動運行，甚至不用開啟電腦。講者本人已將這套完整方法應用到數據工程、內容創作和網站最佳化等多領域。