AI 的三個層次：聊天型、協作型、代理型（Chinese original）

你要在團隊導入 AI，第一步不是比價，而是搞清楚「我的需求到底需要哪一層的 AI」。市面上從免費的聊天機器人，到需要專人維運的自動化平台，都被叫作 AI 工具，但它們的能力邊界、風險和成本結構完全不同。搞錯層級的典型後果有兩種：需求其實很簡單，卻買了複雜平台養不起；或者需求需要自動化，卻指望一個聊天視窗解決，最後失望收場。這篇文章給你一套三層分類法，讀完你能用一張判斷表把自己手邊的需求逐一歸類。

三個層次總覽

我們按照「AI 能自己做到什麼程度」把工具分成三層：

層次	一句話定義	誰主導每一步	典型例子	典型計費型態
聊天型	你問它答，一次一輪	完全由人主導	ChatGPT、Claude 這類對話介面	每人每月訂閱
協作型	它讀得到你的資料，在你的工作環境裡回答與產出	人主導，AI 有你的上下文	NotebookLM、接上公司知識庫的助手	訂閱，可能加知識庫容量
代理型	它自己決定步驟、呼叫工具、多輪執行到完成	AI 主導流程，人負責設定與監督	自動整理會議並分派任務的工作流、Agent 平台	用量計費（API）加平台費加維運人力

層次愈高，AI 承擔的自主性愈大，能省的力氣愈多，但你需要投入的「設計、監督、除錯」成本也愈高。三層不是好壞之分，而是適配之分。

第一層：聊天型——你問它答

聊天型工具就是大眾最熟悉的用法：你打字，它回覆。每一輪對話它主要依賴兩樣東西——你當前輸入的內容，以及這次對話視窗裡之前的訊息。

能力：起草文字、翻譯、改寫、腦力激盪、解釋概念、總結你貼上的內容。對「我手上有一段文字，幫我處理一下」的需求，聊天型幾乎都是最快、最便宜的解法。

限制：

它讀不到你的公司資料。你沒貼進對話視窗的東西，它都不知道。
對話視窗關掉或換一個新對話，之前累積的脈絡通常就沒了（部分工具提供記憶功能，但範圍與可靠度有限，需自行驗證）。
它不會「行動」。它只能給你文字，把文字變成實際的工作成果——寄出郵件、更新表格、建立任務——還是你自己在做。
對於需要準確引用的內容（法規、財務數字、內部規定），它可能一本正經地給出錯誤答案，必須人工核對。

適用場景：個人日常的文書處理、想快速驗證一個點子、學習新領域時的問答。

成本結構：通常是每人每月的訂閱費，成本可預測、好編列。真正的隱形成本是「用得好不好」——同一個工具，會寫提示詞的人和不會寫的人，產出差距可以很大。

第二層：協作型——讀得到你的資料

協作型工具在聊天型的基礎上，多了一件關鍵的事：它可以存取你指定的資料或工作環境。最常見的形式是「知識庫問答」：你把公司的手冊、FAQ、產品文件放進去，它回答時會先從這些資料裡檢索相關段落，再據此作答。這個技術通常叫 RAG（檢索增強生成），白話說就是「開卷考試」——AI 回答前先去翻你給它的課本，而不是憑印象作答。

能力：回答「我們公司的退貨政策是什麼」這類只有內部資料才答得出的問題；針對你上傳的長文件做摘要與問答；在你允許的範圍內保持對業務脈絡的理解。

限制：

回答品質高度依賴你餵給它的資料品質。文件過期、互相矛盾、格式混亂，答案就會跟著亂。
每一次互動通常還是「人發起、AI 回應」的單次模式。它不會自己發現該做什麼事。
知識庫需要有人維護：新文件要補進去、舊文件要下架，否則答案會慢慢過期。
檢索不等於理解全部。資料量很大時，它可能只看到相關的一小部分，跨文件的綜合推理仍不穩定。

適用場景：客服知識庫、內部規章問答、新人快速上手、針對大量文件的反覆提問。想親手做一個，可以照著不寫程式做出你的第一個 AI 工作流的步驟走一遍。

成本結構：訂閱費之外，可能還有知識庫容量、文件處理量的計費項。隱形成本轉移到「資料整理」——把散落的文件收攏、清洗、分級，往往比設定工具本身花更多時間。

第三層：代理型——自己決定步驟並執行

代理型（Agentic）工具是質變：你給它一個目標，它自己拆解步驟、決定先做什麼後做什麼、呼叫外部工具（搜尋、資料庫、發訊息、寫入表格），並且根據中間結果調整做法，多輪執行直到完成或卡住。

能力：把「一連串動作」整包接過去。例如：收到會議錄音，自動轉寫、抽出行動項、寫進任務系統、通知負責人；或者每天定時收集指定來源的更新、比對差異、產出一份報告寄到群組。

限制：

自主性帶來不可預測性。同樣的輸入，它可能走出不同的執行路徑，偶爾卡住或做錯，需要設計「出錯了誰來接」的機制。
錯誤會被放大。聊天型答錯，你看到就攔住了；代理型答錯之後可能已經執行了後續動作（發了通知、改了資料）。
需要監督與維運：看執行紀錄、處理例外、更新流程。這是持續的人力投入，不是一次性設定。
前置要求最高：流程本身要先被清楚定義，資料要先整理好，權限要先劃清楚。

適用場景：高頻率、跨系統、步驟明確但繁瑣的流程自動化。判斷一個場景值不值得自動化，先讀什麼時候不該用 AI。

成本結構：通常由三塊組成——模型 API 的用量計費（做愈多、花愈多）、平台或工具費用、以及最容易低估的維運與人工審核時間。估算方法見AI 成本怎麼算。

判斷表與成本結構

把你手邊的需求對照這張表，先歸類再選工具：

你的需求長這樣	屬於哪一層	關鍵原因
幫我把這封郵件改寫得更正式	聊天型	單次文字處理，不需要你的其他資料
根據這三十頁合約摘要重點	聊天型或協作型	一次性的文件可直接貼上；若要反覆查詢大量文件，建知識庫更劃算
新同事問「我們的報銷流程是什麼」要有標準答案	協作型	需要檢索內部規章，答案要有一致依據
官網訪客提問，要根據產品文件即時回覆	協作型	知識庫問答；若要它順帶建立工單，就進入代理型
每週一定時彙整各部門回報、產出週報草稿	代理型	定時觸發、多步驟、跨系統
會議結束自動產出行動項並分派、追蹤	代理型	需要串接轉寫、任務系統、通知，且多輪執行
偶爾想確認一個英文單字的用法	聊天型	量小、單次、零整合，別為它建任何流程

歸類之後，用三個維度確認你沒有高估或低估需求：

頻率：一個月只做一兩次的事，聊天型手動做就好，不值得建自動化。
資料依賴：答案需不需要「你公司才有的資訊」？需要，就至少是協作型。
動作依賴：產出是「一段文字」還是「一連串系統操作」？後者才需要代理型。

成本結構的差異整理如下（金額因廠商與方案而異，此處只列型態，實際報價請查各供應商當前的定價頁）：

維度	聊天型	協作型	代理型
主要費用	每人每月訂閱	訂閱加知識庫相關計費	API 用量加平台費
費用可預測度	高	高	中到低，隨任務量浮動
一次性投入	幾乎沒有	資料整理與知識庫建置	流程設計、整合開發、測試
持續性隱形成本	學習與提示詞能力	知識庫維護、權限管理	人工審核、例外處理、監控維運
出錯的代價	低，人當場看到	中，答案可能有誤但有據可查	高，錯誤可能已被執行

常見誤區

誤區一：層次愈高愈先進，直接上代理型。 層次是適配問題，不是進步問題。流程沒定義清楚就上代理型，等於把混亂自動化，錯得更快更貴。

誤區二：用了聊天型效果差，就認為 AI 沒用。 很多失望來自需求與層級錯配：拿聊天型去回答需要內部資料的問題，它當然答不好。先檢查是不是該升級到協作型、把資料餵給它。

誤區三：三層是替代關係，上了新的就淘汰舊的。 實務上三層共存：多數人日常用聊天型，特定部門用協作型知識庫，少數高價值流程跑代理型。規劃預算時應該分層編列，而不是全公司統一買一種。

誤區四：代理型上線後就一勞永逸。 代理型是「僱了一個需要管理的數位助理」，不是「裝了一台免維護的機器」。沒有人看執行紀錄、沒有人處理例外，它遲早會在某個你沒注意的時刻出錯。

誤區五：把層級判斷當成一次性決定。 需求會變。原本一個月一次的手動工作，業務量成長後可能變成每天十次，那時層級判斷就要重做。建議每季重新盤點一次主要場景。

下一步

知道層次之後，用選 AI 工具的判斷框架的五個問題把具體工具篩出來。
要編預算，先讀AI 成本怎麼算，學會自己估算三層成本。
動手做第一個協作型或代理型應用：不寫程式做出你的第一個 AI 工作流。
工程師讀者想深入協作型的底層原理，見RAG 深度解析；想看代理型的完整架構設計，見三層 Agent 協同框架。