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

現代前沿模型的能力已足夠強大，但許多使用者仍感到 AI 產出不穩定。講者根據諮詢經驗指出，問題的根源不在模型，而在於使用者不知道如何把大任務拆解成 agent 真正能執行的小單元。為了建立共同語言，影片首先釐清三個常被混淆的概念：Human SOP 是傳統寫給人看的流程文件，依賴讀者的大腦自動補入判斷與例外處理；Skill 是把流程、方法論與踩坑經驗打包成資料夾交給 agent 的執行單位，對應單一任務；Agentic Workflow 則是由多個 agent、工具、skill 與資料源串接而成的完整生產線，跑完即任務完成。三者層級截然不同，搞混就會在設計時走錯方向。

講者以「請幫手打掃」和「叫 mega agent 優化整個開發流程」為例，說明模糊指令的共同問題：雙方對「乾淨」或「優化」的定義可能完全不同，結果要嘛表面完成、要嘛動到不該動的地方，而且過程不可見、出錯無從追溯。這就是 mega agent 的致命缺陷——整包丟進去、整包吐出來，中間的推理鏈黑箱化，既不可觀測也不可修復，根本無法 production-ready。反之，若將客服 ticket 處理拆成「分類 agent」、「查歷史紀錄 agent」、「寫回覆草稿 agent」、「QC agent」四個節點，每個節點只做一件明確的事，出錯時直接定位到那一個節點的 SOP 修復，不影響其他流程。分而治之的老觀念在 agent 時代反而更關鍵，因為企業要的是穩定性、可觀測性與可修復性。

具體轉化方法論分四步。第一步是格式標準化：將 Human SOP 改寫成 agent 讀得懂的版本，透過參數化（如 mode、temperature 三選一）讓 SOP 成為可重複使用的 template，用 RFC 2119 的 MUST/SHOULD/MAY 強制釐清每條規則的強制程度，並以 Markdown 分區讓文件同時對人與 MCP 接口友善。第二步是任務拆解與連結：將流程分解成 pipeline 的獨立節點，每個節點有自己的 input 與 output，節點之間靠 JSON artifact 傳遞，上一個 agent 的輸出即下一個 agent 的輸入，不依賴黑盒魔法，而是清晰的資料契約。第三步是雙向開發：講者強調，任何人的第一版 SOP 都必然有缺口，因為人類腦中存在大量「默會知識」（Tacit Knowledge）——那些從未被明文記錄、卻在實際執行時默默發揮作用的判斷標準。這些知識只有在 agent 真的出錯之後才會浮現，因此正確做法是實跑、觀察錯誤、補 SOP、再跑，持續迭代。一位客戶花兩個月寫「完美 SOP」，實跑一次就垮；改用兩天出粗糙版、一週跑五十次 iteration 的節奏，兩週內上線。第四步是整合與執行環境：再漂亮的 SOP 若沒接到真實工具就只是文件；MCP（Model Context Protocol）提供統一的開放接口，讓任何支援它的 agent host 都能用同一套方式調用外部工具，如同 AI 世界的 USB-C；最後在高風險決策點設計 human-in-the-loop checkpoint，讓 agent 在涉及大額財務或權限變更前必須停下來等人確認，確保整條流程有人掌舵而非失控的黑箱。

講者以一間兩百人公司的內部請求分類系統作為完整示範：Skill 1 負責 triage（分類、判斷 priority、推薦 assignee），Skill 2 負責根據 triage 結果產生回覆草稿，兩者靠 JSON artifact 串接，結果寫回 Notion 或 Google Sheet，財務超過五千元或涉及 admin 權限的請求則觸發人工確認。MCP 目前已被 ChatGPT、Claude、Cursor 等主流平台採用，並由 Anthropic 捐給 Linux Foundation 旗下的 Agentic AI Foundation 長期維護，IBM、AWS、ServiceNow 等大企業也已在內部流程中大量跑起 agentic workflow。講者最後建議從自己手上最無聊、最重複的那份 SOP 開始，照著四步走一遍，先做出省 30% 時間的版本再慢慢迭代——學的不是怎麼用 AI，而是怎麼設計給 AI 用的工作流，後者的價值只會越來越高。

---