AI Agent 是什麼？在 Mac 上打造會做事的 AI 助手

AI Agent 是什麼？在 Mac 上打造會做事的 AI 助手

「Agent」這個詞最近被講到爛，門市常有客人拿著手機問：這跟 ChatGPT 不是一樣嗎？我都直接回他：不一樣，差在會不會動手。一般問答你問一句、它答一句，問完就結束了；Agent 是你給它一個目標，它自己會去拆步驟、動用工具把事情做完，中間還會看結果再決定下一步。

舉個我們實際會碰到的情境。你跟它說「把這個資料夾裡的報價單整理成一份摘要」，一般 AI 頂多教你怎麼做；Agent 會真的去讀那些檔案、抓出重點、產出一份摘要給你。中間它讀檔失敗、發現格式不對，還會自己換個方式再試。這就是關鍵差別：它不是只會說，是會做。

問答型 AI 跟 Agent 到底差在哪

很多人第一次聽到 Agent 的反應都是「不就是更聰明的 ChatGPT？」——這個誤解值得花時間拆清楚，因為它影響你後面怎麼用這些工具。

問答型 AI 的邏輯是：你輸入，它輸出，這一輪結束。它不會主動去外面拿東西，也不知道自己說的有沒有被執行。你問它「幫我寄一封信給客戶」，它最多給你一段可以複製貼上的文字，寄不寄得出去跟它無關。

Agent 的差別是：它有能力把語言翻譯成行動。你說「幫我寄一封信給客戶說下週的會議改期」，它會去查你的行事曆確認新時間、從聯絡人裡找對方的信箱、起草一封信、確認你同意後送出。這中間涉及至少三個不同工具的呼叫，全部都要協調。一般聊天 AI 根本碰不到這層。

另一個常見的混淆是「自動化腳本」跟 Agent 有什麼不同。腳本是死的，你先把每一步寫好，它照順序跑，中間出錯就停。Agent 是活的，你給它目標，它自己決定怎麼做，中間跑到問題它會調整，而不是直接結束。這個彈性是核心差異，也是為什麼 Agent 的應用場景比腳本更廣。

它腦袋裡其實在跑一個循環

說穿了 Agent 的運作沒那麼玄。就是一個一直繞的圈：先看目標，規劃要做哪幾步，呼叫工具去執行，看執行結果如何，再決定下一步要幹嘛，直到任務完成。

這個循環在學術圈有個名字叫「ReAct」（Reasoning + Acting），不過你不需要記這個名詞，只要記住它的概念：Agent 不是把所有步驟一次全規劃好再開跑，而是每做一步就重新評估一次。這讓它能應對動態情況——比如你叫它整理一份報告，它去讀檔案發現格式跟預期不同，它不會死當，而是切換方法繼續。

這裡面最容易被忽略、卻最重要的是「使用工具」這一環。AI 模型本身只會講話，它沒辦法直接碰你的檔案、查你的資料庫、開你的瀏覽器。要讓它能動手，就得有一條安全的通道把這些工具接給它——這正是 MCP 在做的事。沒有工具的 Agent，講白了還是只會聊天而已。

所以你去評估一個 Agent 產品好不好用，最核心的問題其實是：它能接什麼工具、工具執行的結果它讀得懂嗎、出錯的時候它會自己處理嗎？這三件事比它用什麼底層模型更實際。

Agent 用什麼工具，決定它能幹多少事

工具的種類直接決定 Agent 的能力邊界。大致分幾類：

讀寫本地檔案：這是最基本的，讓 Agent 能讀你 Mac 上的文件、試算表、PDF，也能把輸出結果寫回去存檔。

瀏覽器控制：讓 Agent 能打開網頁、填表單、擷取資訊。台灣在地的應用很多，比如定期去查某個政府網站的公告、幫你填申請表格。

API 呼叫：串接外部服務，比如 Google 行事曆、Notion、試算表、或任何有提供 API 的平台。

程式碼執行：讓 Agent 能寫一小段 Python 來處理資料運算，然後直接執行看結果，這讓它的資料處理能力大幅提升。

shell 指令：在 Mac 上讓它能跑終端機命令，這對技術用戶來說是很強的擴充，但也是最需要謹慎授權的一類。

一個做得好的 Agent 框架，會讓你清楚看到每次工具呼叫的內容——它要讀什麼、要寫什麼、要送什麼出去。如果某個 Agent 產品讓你完全看不到它在做什麼，我會建議先觀察，不要太快授予敏感資料的存取權。

在 Mac 上想自己組一個，從哪開始

先講清楚門檻：入門其實不用會寫程式。你需要的是一個支援工具呼叫的 AI 客戶端，加上現成的 MCP 伺服器，兩個接起來就能跑。要自己客製工具、串複雜的自動化流程，那才需要一點技術底子，但那是後話。

第一步：挑一個支援工具呼叫的 AI 客戶端

Mac 上目前常見的選項有幾個。Claude 的桌面版本身就有 MCP 支援，是目前整合最直接的。Cursor 是以程式碼編輯為核心、但 Agent 能力已經很成熟。如果你有技術背景，直接用 CLI 工具操作彈性最高。不同客戶端接工具的方式、介面、和穩定度差異不小，建議先選一個用起來不費力的。

第二步：接 MCP 伺服器

透過 MCP 把你想用的工具接上去——可能是檔案系統、瀏覽器、或某個資料庫。現成的 MCP 伺服器社群已經蠻豐富，多數你想得到的工具都有人做好了，不用自己從頭寫。

第三步：從單純的任務開始測

接著別急著丟大任務，先讓它做單純的，像整理某個資料夾、把幾個檔案彙整起來，確認它做得穩，再慢慢加難度。這點老實說很多人會跳過，結果一開始就丟複雜任務，出包了也搞不清楚是哪一步壞掉。

Mac 上玩 Agent，哪些配置夠用、哪些會遇到瓶頸

這是門市常被問到的實際問題，直接講。

如果你只是要用雲端模型（API 呼叫 Claude 或 GPT-4o），本機硬體不是瓶頸，M 系列任何一款跑客戶端都很順。真正的費用是 API token 的計費，長任務跑下來累積起來不算便宜，要有心理準備。

如果你想在本地跑模型——也就是資料完全不出去、不依賴網路——那硬體就很重要了。以目前本地模型的水準，要跑出堪用的 Agent 能力，M2 Pro 以上、記憶體至少 32GB 是比較合理的起點。M4 Max 或 Mac Studio 這類機器跑起來明顯更舒服，任務複雜時等待時間短很多。Mac mini M4 在預算有限的情況下是入門選項，但遇到大模型或長任務會有感覺。

macOS 版本建議保持在 Ventura 以上，某些客戶端對 Sonoma 做了特定優化，Sequoia 之後系統整合 AI 功能的方向更明確，長遠來看升上去比較沒後顧之憂。

幾個台灣人實際會碰到的應用情境

抽象講太久，直接舉幾個台灣在地脈絡的例子比較有感。

整理政府補助申請資料：你收集了一堆 PDF，有補助辦法、有申請表格、有你自己的資料。Agent 可以讀完這些檔案，幫你對照你的條件符不符合、列出還缺哪些文件、甚至幫你草擬說明書。以前這種事要花半天，現在可能十分鐘。

監控競品或供應商資訊：叫 Agent 定期去某些網頁抓資訊，有變動的時候整理一份摘要給你。台灣的中小企業主很多要自己盯這些，用 Agent 接瀏覽器工具可以減掉不少手動工作。

整理客戶往來記錄：你跟客戶的 email 往返、報價單、合約草稿散落在不同地方。Agent 可以把這些東西整合起來，幫你做一份客戶摘要，或找出特定時間點的往來內容。

定期報表產生：把試算表原始資料、幾個數字來源設定好，叫 Agent 每週跑一次，把報表產出來直接存到指定資料夾。這種重複性高的任務是 Agent 最能發揮的地方。

容易踩的雷，先知道省麻煩

一次授權太多：很多人第一次設 Agent 很興奮，把整個硬碟、所有 app 的權限全開。建議先只給它需要的那幾個資料夾的存取，確認穩了再慢慢擴。

任務描述太模糊：你跟 Agent 說「幫我整理一下這些東西」，它會猜你的意思，猜錯你還要重跑。任務描述越具體，執行結果越貼近你要的。你說「把這個資料夾裡所有 .pdf 檔案的標題和日期列成一個表格，存成 summary.md」，跟說「整理一下那些 PDF」，結果天差地遠。

忽略執行日誌：Agent 跑完之後花兩分鐘看一下它做了哪些步驟，這個習慣很重要。它有沒有跳過某個步驟、有沒有偷偷嘗試你沒授權的動作，都要從這裡確認。

把它當成全知的：Agent 的能力上限是你接給它的工具加上模型本身的理解。它不知道你腦袋裡的背景脈絡、不知道你公司的慣例、不知道那個客戶比較敏感。這些要麼你提前說清楚，要麼它就會照自己理解的去做。

跑失敗就放棄：Agent 跑失敗不代表這條路不可行，很多時候是任務描述或工具設定有小問題，調整一下再跑就好。養成「失敗先看日誌再調整」的習慣，會比每次跑失敗就重頭來有效率多了。

不同 AI 客戶端在 Mac 上的差異

選客戶端這件事沒有標準答案，但可以根據你的使用習慣縮小範圍。

Claude 桌面版：MCP 整合最直接，設定相對簡單，適合不想花太多時間在環境設定上的人。對話介面友善，新手起步阻力小。

Cursor：以寫程式為核心，但 Agent 模式很成熟，適合有一點技術背景、想深度整合開發流程的人。如果你的工作跟程式碼有關，這個值得試。

Open WebUI + 本地模型：適合想完全掌控資料、不想送上雲端的用戶。設定稍微複雜一點，但一旦跑起來很穩，而且費用是零。

n8n 之類的工作流工具：嚴格來說它是自動化平台，不是純 Agent，但很多人把它跟 Agent 混著用。適合任務流程固定、想視覺化管理工作流的人，台灣有不少中小企業在用這個方向。

還沒打算自己玩的人，看這段就好

說實話，大部分人現在不用急著動手組 Agent。但有件事值得放在心上：AI 正在從「會說」走向「會做」，這個轉變比想像中快。你不一定要第一時間跳進去，但提早理解它的脈絡，等真的要用的時候會少走很多冤枉路。

現在市場上也開始出現不需要自己設定、直接就能用的 Agent 服務，背後的架構跟這篇說的一樣，只是有人幫你包好了。所以就算你今天完全不動手，理解 Agent 是怎麼運作的，你用那些服務的時候心裡也比較有底，不會被行銷話術牽著走。

對這塊有興趣、想按部就班搞懂的，可以順著 Apple × AI 進階路徑 一起學。

常見問題

Q：Agent 一定要連網才能用嗎？

不一定。如果你用的是雲端 API（像 Claude API、GPT-4o），模型推論是在雲端跑，所以要連網。但如果你在 Mac 本地跑開源模型——比如透過 Ollama——模型本身是在你機器上跑的，不需要送資料出去。工具這一層也可以完全在本地，比如讀寫你自己的檔案、呼叫本機的程式。隱私需求高的人走這條路，資料完全不出門。

Q：用 Agent 會不會讓它「亂動」我的重要檔案？

這個風險是真實存在的，但可以控管。關鍵在授權範圍，你只給它特定資料夾的存取，它就動不了其他地方。另外涉及刪除、覆蓋的動作，設成需要人工確認是基本保險。很多客戶端也有「只讀模式」，先讓它讀資料給你看結果，確認沒問題再開放寫入。養成這個習慣，風險就小很多。

Q：現在市面上有沒有直接能用的 Agent 工具，不用自己設定？

有，而且越來越多。Notion AI、Perplexity 的 Agent 模式、或一些針對特定任務打包好的 SaaS 產品，背後都是 Agent 架構，但使用介面對一般人友善很多，不用自己接 MCP。這些工具的缺點是客製彈性有限，能做的任務範圍是廠商定好的。如果你有特定工作流需求，還是自己接工具比較能做到你要的。

Q：現在入手哪款 Mac 來玩 Agent 最划算？

如果以雲端 API 為主，硬體不是關鍵，任何 M 系列 Mac 都夠用，重點是記憶體至少 16GB 讓你同時開幾個東西不卡。如果想跑本地模型，建議至少 M2 Pro 加 32GB，預算更充裕的話 M4 Max 的表現有感上升，跑大一點的模型等待時間短很多。有興趣直接到 iLab 門市聊，我們會根據你的實際需求和預算建議最適合的配置，或先用 選機小幫手 看看方向。