先確認這件事該不該交給 Agent
Dan Martell 先用「聊天像開會，Agent 像員工」區分兩種用法：聊天工具回答一次問題，人再複製結果繼續做；Agent 則接下一個目標，自己選擇步驟、使用工具並檢查結果。這個說法抓住了自主執行的差異，但他接著提出的 Rule of R——重複發生、遵循固定規則、投入建置時間後能省回更多時間——同時也很像一般自動化的篩選條件。Anthropic 的定義更窄：固定路徑由程式安排的是 workflow，只有模型能動態決定流程與工具用法時才算 Agent。
這道區別會改變第一步。如果工作每次輸入、輸出都相同，傳統自動化可能更便宜、也更容易預測；需要讀懂非結構化資料、處理例外或依情境決定下一步，才更需要 Agent。Martell 自己也給了一個很實際的停損點：兩分鐘能做完的工作，若要花兩週打造 Agent，就繼續手動做。
AGENT 五步驟從結果開始
他的 AGENT 架構依序是 Aim、Give it an identity、Equip it、Narrow the scope、Trust it。影片用收件匣管理貫穿五步：Aim 不是「處理信件」這種模糊任務，而是先寫出 Definition of Done，例如每天上午九點清空收件匣、用本人的語氣擬好回覆、把必須親自處理的信件排到最前面，也不能漏掉重要訊息。接著再讓模型反問需要哪些資料，而不是一開始就替它規定所有步驟。
身分、資料與工具要分開交代
Give it an identity 被拆成三份純文字檔：Soul 說明語氣與行為，Identity 定義名稱、角色與工作範圍，User 記錄它服務的對象、偏好與優先順序。Martell 建議讓模型先訪談使用者，再起草這三份檔案；若不確定，就標記等待確認，不要自行猜測。
Equip 則補上完成任務所需的流程、歷史資料、登入權限與工具。他提出兩種整理方法：錄下自己操作並邊做邊說，再請 AI 寫成作業流程；或從既有資料反推規則。收件匣案例是讀取過去五十封寄件內容，整理問候、結尾、句長與常用語，再用未讀信件測試草稿。不過這一步也代表 Agent 會接觸私人通信；來源沒有展開資料保留、第三方內容中的提示注入，或帳號權限如何隔離。
先做單一 Agent，再決定要不要拆團隊
Narrow the scope 要求一個 Agent 只守一條工作線。Martell 把寫程式與檢查程式分給不同 Agent，再由名為 Kai 的 manager agent 分派研究、關係、程式與報告工作。這是一種可行的 orchestrator-workers 結構，Anthropic 也把它列為常見模式；但不是每個工作都需要一群 Agent。OpenAI 的實作指南建議先把單一 Agent 的能力用足，只有複雜邏輯或工具選擇開始失準時才拆分，因為多 Agent 也會增加評估與維護成本。
自主執行要一階一階開放
來源：影片畫面擷取自 YouTube／Dan Martell（20:20）
最後的 Trust 不是立刻把寄信權限全部交出去。影片列出四階段：先寫清楚 Agent 可以草擬、寄送、花錢或做決定到哪一層；起初每一步都由人核准；結果穩定後逐步放寬；最後才加上每十五分鐘或每天固定執行的排程。OpenAI 對高風險工具的建議也把可逆性、帳號權限與財務影響列入判斷，必要時在動作前停下來交給人確認。
影片開頭另稱 2030 年將新增 1.7 億個工作，而且機會會屬於會打造 Agent 的人。前半個數字可追到世界經濟論壇《Future of Jobs Report 2025》，但該報告說的是多項總體趨勢預計創造 1.7 億個職位、同時淘汰 9,200 萬個職位；它把 AI 與大數據列為成長最快的技能之一，沒有把全部新增工作定義成 AI 或 Agent 工作。Martell 所說公司已有數百個 Agent 完成 92% 工作，以及拿掉身分規則後成功率從 33% 降到 11% 的案例，影片也沒有提供計算方式或可追查的研究名稱。這套架構可以當成拆解任務與授權的起點，片中的比例則仍應視為講者自己的陳述。
You’re Not Behind (Yet): How to Build Your First AI Agent (Full Guide) ／ Dan Martell／YouTube · 在 YouTube 觀看 ↗