(五之二) 為什麼龍蝦打敗了聊天機器人
The Agentic AI for Taiwan SMEs 智能體 AI 應用指南
第二篇 為什麼龍蝦打敗了聊天機器人
Agentic AI 的典範轉移：OpenClaw 的崛起，對所有以為「AI 就等於 ChatGPT」的企業意味著什麼
2023 年 6 月，OpenAI 的 Lilian Weng 發表了一篇悄悄重新定義 AI 應有角色的論文。同年 12 月，OpenAI 跟進發布了一份關於 Agentic AI 系統治理的白皮書。2024 年初，吳恩達（Andrew Ng）在 AI Ascent 上提出一個大膽的主張：設計得當的 Agentic Workflow，推動 AI 進步的潛力，可能超越下一代基礎模型。
這些概念在研究者和早期採用者之間流傳了兩年。然後，2026 年初，一個叫做 OpenClaw 的工具——被台灣科技圈暱稱為「龍蝦」——到來，讓這個概念變得生動具體。一個下午，龍蝦相關研討會吸引了將近 2,000 人參加。這個概念正式從技術討論跨入了商業意識。
到底發生了什麼變化？如果你在台中經營一家 50 人的製造廠，或在高雄管理一家物流公司，這一切跟你有什麼關係？
「Chatbot 時代，AI 是一位能言善道的助理，但只能說話，不能行動。Agentic 時代，AI 是能真正完成工作的數位員工。」
從名詞到形容詞：理解「Agentic」
多數人把 AI 當成名詞來理解——「一個 AI Agent」是你購買的產品，像訂閱軟體服務一樣。這個框架越來越受限，也越來越不準確。
更有用的框架，來自 OpenAI 白皮書與吳恩達的研究：把「Agentic」當成形容詞——描述一個系統自主能力的程度。問題不是「這是不是一個 AI Agent？」，而是「這個系統的 Agentic 程度如何？」它沿著四個維度展開：
| 評估維度 | 傳統 AI | AI Agent（戰術層） | Agentic AI（戰略層） |
|---|---|---|---|
| 運行機制 | 遵循嚴格預設規則 | 接收提示，執行單一感知與行動 | 設定目標，自主推理，動態導航複雜環境 |
| 應對未知 | 脆弱；遇到變化即中斷 | 具備一定自適應能力 | 主動學習，糾正航向，適應不可預見的變化 |
| 交互模式 | 人機指令 | 結構化提示 | 雙向協作，理解纖細上下文 |
| 角色定位 | 執行工具 | 獨立助手 | 協作夥伴 |
OpenClaw 代表了高 Agentic 系統進入主流的時刻。它能瀏覽網頁、操作電腦介面、管理帳號、發送通訊，並在延伸任務中自主地將這些能力串連在一起。這是 AI 系統第一次可以被真正描述為「在做工作」，而非「在回答問題」。
改變一切的實驗
以下這個發現應該重塑每一份 AI 投資論文：吳恩達的團隊在兩種條件下對比了 GPT-3.5 和 GPT-4 的表現。
在零樣本模式下——你問一個問題，模型一次性輸出答案——GPT-4 全面勝出。這不令人驚訝。
然後他們對 GPT-3.5 加入了 Agentic Workflow：同樣的舊模型、更便宜的模型，但現在加入了迭代反思、任務拆解、自我修正和工具調用。結果令人震驚：搭載 Agentic Workflow 的 GPT-3.5，在複雜任務上的表現，超越了零樣本模式下的 GPT-4。
戰略意涵
AI 的競爭護城河，正在從「誰擁有最大的模型」轉向「誰擁有最優的工作流設計」。對資源有限的中小企業來說，這是 2026 年最重要的戰略洞察：你可以用更好的架構，而非更強的算力，參與競爭並勝出。
Agentic Workflow 的四大設計模式
吳恩達總結了四種核心設計模式，這是任何想要評估 AI 廠商或建立內部能力的企業負責人都必須理解的：
- 自我反思（Reflection）：AI 先生成初稿，再扮演批評者——找出邏輯漏洞、檢查一致性、識別缺失資訊——然後迭代修正。這是「第一稿」和「精磨交付物」之間的差距。
- 規劃（Planning）：系統將複雜目標拆解為按序排列的子任務，發現新資訊時動態調整計劃。它不只是執行指令——它思考如何執行。
- 工具使用（Tool Use）：當模型內部知識不足時，主動調用外部資源——網路搜尋、資料庫、API、程式執行——以填補缺口。模型知道自己不知道什麼。
- 多智能體協作（Multi-Agent Collaboration）：多個專業 AI 實例協同工作——一個擔任研究員、一個撰稿、一個編輯、一個事實查核——透過對話協調，產出超越任何單一 Agent 深度與廣度的內容。
「傳統 AI 給你一個非常快速的答案。Agentic AI 給你一個在問題上認真工作的思考團隊——而這正是真正困難的問題所需要的。」
這對中小企業負責人的 UX 期待意味著什麼
在任何 Agentic 部署成功之前，有一個關鍵的思維轉變是必要的：你需要停止期待 Google 級別的即時回應。
傳統 AI 互動是交易式的——你輸入，它在幾秒鐘內回應。Agentic AI 更像是僱用一位有能力的承包商：你定義專案，他們去工作，完成後回來報告。這可能需要幾分鐘。對於涉及多次工具調用和迭代精煉的複雜任務，可能需要幾個小時。
這不是 Bug，而是讓輸出品質指數級提升的設計取捨。在 Agentic AI 上掙扎最多的組織，是那些領導層沒有重新校準耐心閾值的組織。成功的組織則完全重新框架了互動模型：「我不是在等待答案——我是在委派一個有能力的團隊去完成任務。」
我看著台灣科技圈發現「龍蝦」，感受到的那種混合著興奮與擔憂的情緒，是我在每一個技術拐點都曾見過的。興奮是有道理的——OpenClaw 確實代表了一個質性的飛躍，從 AI 作為對話工具，到 AI 作為運營行動者。
但擔憂也是有道理的。讓 Agentic 系統強大的同一種能力，在缺乏適當治理的情況下，也讓它們危險。我會在第三篇和第四篇中詳細處理這個問題。現在，我希望中小企業負責人帶走的最重要的一點是：2026 年的競爭優勢，不是擁有一個 Agentic 工具。而是讓那個工具能夠發揮全部潛能的組織清晰度——對齊的目標、盤點的流程、乾淨的數據。
龍蝦已經在缸裡了。問題是，你知道怎麼養它嗎——更重要的是，你打算讓它做什麼工作？
