探索在正式環境中成功的 AI 代理具備哪些要素（以及為何許多代理會在途中失敗）！你將學到為代理擴充做準備的關鍵設計原則，包括穩健的基礎架構與工具、模組化設計架構，以及持續評估與回饋迴圈。

AI Agents in the Wild

選項

其他自動化

AI 代理

該用代理，還是不用？

Agentic 應用

可擴充代理的設計原則

模組化

強固的基礎架構與工具

持續評估

可擴充設計的策略

落實可擴充設計的三大支柱

AI 代理如何擴充（與失敗）

擴張規模別出錯！

較高成本

較低成本

代理式系統的成本核算

沒有防護欄就註定失敗

設計可擴充的代理

學習關鍵策略，確保你的代理在開發過程中就以可擴充性為核心。深入了解 Model Context Protocol（MCP）與 Agent-to-Agent 協定（A2A）如何透過標準化來實現可擴充性。

多代理設計樣式

從單一代理邁向多代理

Model Context Protocol（MCP）

認識 MCP

MCP is the MVP

用戶端、伺服器，以及兩者之間的一切

Agent-to-Agent（A2A）通訊協定

代理卡片——全都收集起來

MCP 與 A2A：盟友還是對手？

以可擴充性為目標開發代理

準備上線了，但先別急！建立一套穩健的測試框架，讓你有信心 AI 代理在正式環境中能持續表現良好。為你的情境選擇最合適的部署策略，並學習如何將即時資料來源整合進你的 agentic 系統。

從概念驗證到正式上線

強健地測試一個代理

還剩下哪些要檢查？

快速且高效的資料擷取

即時資料的價值

優雅失敗：風險緩解

使用指數退避重試

訂下規範！

恭喜！

將代理大規模部署到正式環境

Cheat Sheet

Course Glossary

為什麼這麼多 agentic 系統無法跨越從開發到上線的鴻溝？在本課程中，你將找到答案！你會學到如何以可擴充性為核心來設計與開發 AI 代理（agent），遵循三大可擴充支柱：穩健的基礎架構與工具、模組化設計架構，以及持續評估與回饋迴圈。你也會了解像 Model Context Protocol（MCP）與 Agent-to-Agent 協定（A2A）這類 agentic 框架，如何讓資料來源與代理之間的整合更乾淨、更快速。最後，你會學到測試與部署策略，讓你的代理能真正產生價值。

影片提供即時逐字稿，你可以點選影片左下角的「Show transcript」顯示。

課程名詞表位於右側的資源區。

若要取得 CPE 學分，你需要完成課程，並在合格評量中達到 70% 的成績。你可以點選右側的 CPE 學分提示前往評量。

<h2>設計與開發可擴展的代理程式</h2>
學習如何以可擴展性為核心，設計並開發 AI agent，並遵循 agentic scalability 的三大支柱：模組化、穩健性與適應性。 探索什麼因素造就了一個成功的代理程式，以及為什麼許多人在實際應用中難以達成這一目標。<br><br><h2>探索 MCP 與 A2A 的強大力量</h2>
由 Anthropic 開發的 Model Context Protocol (MCP) 已經徹底革新了代理的互通性，打造出一套統一的方法，讓代理能夠連接至各種資料來源。 由 Google 開發的 Agent-to-Agent 協議（A2A）可補足 MCP。 了解這兩個框架如何結合，確保您的代理程式整合具備可擴展性。<br><br><h2>實施代理測試與部署最佳實踐</h2>在按下那個關鍵的啟動按鈕，將您的代理投入生產環境之前，您必須先降低隨著擴展而產生的風險。 學習如何建立一套完善的測試框架，以發現元件、整合、效能及安全性方面的問題。 透過檢視使用案例的需求，決定哪種部署類型最適合您的代理程式。

AI 代理如何擴充（與失敗）

Create Your Free Account