如何建立AI Agent？实战教学：先「反向拆解工作流」
数位时代《一天一AI》访谈凯钿资深 HR 经理 Wesley：非工程师也能搭 Agent；核心不是写 Prompt，而是把 Agent 当成「微型组织设计」——先分清 Tools 与 Skill，再从最终交付物反向拆工作流，用过程检核迭代，并用 ROI 决定要不要 Skill 化。
基本信息
- 来源类型：文章（数位时代 · 《一天一AI》）
- 原文位置：raw/articles/2026-07-18-190159-tg-c0d29c.md
- 原文 URL：https://www.bnext.com.tw/article/91536/nuu6s466mbr9vtkjbvmm
- 作者：韋惟珊（访谈对象：Wesley，凯钿资深 HR 经理）
- 发布日期：2026-07-17
- 消化日期：2026-07-18
- 提取路径：raw/extracts/20260718-190355/bnext.com.tw/ai-agent.md
- 关联前文：Wesley 团队 HR Agent 经验（bnext 91473，读者金句：与其教同事写 Prompt，不如直接做个按钮）
核心观点
- Agent 本质是微型组织设计，不是 Prompt 技巧课：Wesley 把搭 Agent 定义为先想清楚组织如何分工——工具与技能各管什么、每个流程的具体成果是什么；目标是让非工程师也有信心搭出「适合自己」的 Agent，而不是把全员都训练成 Prompt 工程师。
- 工作流拆解先于 AI：项目管理时代的 WBS/流程拆解同样适用——把大事拆成有明确目标、步骤、资料与检查点的行动；请 AI 做一件大事前，先问：几个核心项目？每项产出什么？已有哪些资料？中间如何执行？
- Tools ≠ Skill，二者接力才构成 Agent：Tools（工具）让 AI「能做事」，如连 Gmail 发信、Google 日历查空档；Skill（技能）教 AI「怎么做任务」，如从留言整理洞察、撰写社群贴文。一个 Agent 可挂多个 Tools 与多个 Skill，按节点接力完成大任务。
- 反向拆解：从终点输出往回推 Input/Output 链：先定最终输出，再往回推每一步需要的输入。招募案例：最终「安排好的面试行程」←「合格候选人名单」←「履历分析结果」。每步 Output = 下一步 Input，流程自然浮现。
- 出错要管理过程，不能只改结果：面试排程若错，不要只命令 AI 把结果改对；要让 AI 检视全流程断点——是候选人回复日期格式写错，还是「比对空档」步骤被偷懒跳过？抓断点后在流程中加检核指令，系统才会越做越好。
- Skill 化前先算 ROI，避免全量自动化陷阱：公式：
任务月频次 × 每次可省分钟 = 总省时。若梳理与维护 Skill 的成本超过总省时，就不要做；工作流一改又要全部重做的隐性成本，也要算进维护侧。
实操内容保留
操作步骤（Wesley 反向拆解法）
- 写清最终交付物：一句话定义「做完时手里必须有什么」（例：安排好的面试行程，含时间/地点/参与人）。
- 从终点往回列节点：对每个节点问——这一步的 Output 是什么？它的 Input 从哪来？缺什么资料？
- 标注 Tools vs Skill：需要系统动作的挂 Tool（发信、查日历）；需要方法与判断流程的封 Skill（履历分析、留言洞察）。
- 画 Input→Output 链：确保上一步 Output 字段能被下一步直接消费，避免「黑箱一口气做完」。
- 设计过程检核：对易错节点写检查指令（日期格式、空档是否真比过、名单是否过筛）。
- ROI 闸门：月频次 × 单次省时 vs 搭建+维护成本；不划算则保持半自动或按钮级脚本，不做完整 Agent。
代码/配置
（本文无代码块；方法论以流程拆解与 ROI 计算为主。）
Prompt 模板
请不要只改正最终结果。请逐步回顾整条工作流：每一步的输入、输出与检查点是什么？指出最可能的断点（资料格式 / 跳过步骤 / 工具调用失败），并在对应节点补充检核指令后再重跑。
这个任务的最终输出是：________。请从该输出反向拆解：列出每一环的 Output → 所需 Input → 建议用 Tool 还是 Skill，并标出人工确认点。
ROI 估算：该任务每月执行 __ 次，每次人工约 __ 分钟；自动化后预计每次省 __ 分钟。搭建与维护 Skill 预计 __ 小时。请判断是否值得 Skill 化，并说明理由。
关键概念
- AI Agent 智能体 — 被定义为「微型组织」：多 Tool + 多 Skill 接力完成大任务
- Skill — 教 AI 执行任务的步骤与方法（履历分析、社群文案等）
- Agentic Workflow — Tool/Skill/检核点组成的可迭代生产线
- 任务拆解 — 本文贡献「从终点反向推」的拆法，与正向四步法互补
- AI HR专家 — 招募链（履历分析→合格名单→面试行程）是 HR Agent 的具体拆解样本
- 人机协同 — 出错时人负责定义检核与边界，而不是只盯最终答案
- Tools / 工具层 — 发信、查日历等外部动作能力（文中与 Skill 对举）
- 反向拆解工作流 — 从最终 Output 回推 Input 链的设计法
- Agent ROI 闸门 — 月频次 × 单次省时 vs 搭建维护成本
与其他素材的关联
- 与 2026-06-06-woshipm-agent-task-decomposition 互补：该文给正向四步（标准化→拆节点→双向开发→接工具+人审）；本文给反向起手——先锁终点交付物再回推，更适合业务方/非工程师开局。
- 与 2026-07-17-woshipm-claude-cowork-agent-workflow 同构：都强调过程信任与检核（Proofreading / Audit）；本文把同一思想写成「管理过程而非只改结果」。
- 与 2026-05-13-ai-agent-productivity-20x 衔接：Tools≈MCP/连接器，Skill≈可复用程序性知识；「按钮优于教 Prompt」呼应把能力产品化给同事。
- 与 2026-07-09-woshipm-beisen-ai-saas-judgment / AI HR专家 同域：招募面试链路是 HR 垂直 Agent 的典型作业闭环，本文提供非厂商视角的拆解话术。
- 与 2026-06-19-claude-memory-connector-automation 的「先算值不值得自动化」三判断同族；本文给出可量化的月省时公式。
- 与同专栏 2026-07-18-bnext-chatgpt-sites-deploy 并列：一天一AI 连续输出「非工程师可用」路径——一个讲部署最后一公里，一个讲 Agent 设计起手式。
原文精彩摘录
Wesley 說，AI Agent 的本質是「微型組織設計」：你要先搞清楚工具和技能的差異，同時用過往工作流程拆解的邏輯，去思考每個流程的具體成果是什麼。
Tools（工具）讓 AI 可以做事，例如連結 Gmail 發信、Google 日曆查空檔；Skill（技能）是教 AI 執行任務的步驟和方法，例如從留言整理出洞察、撰寫社群貼文。一個 Agent 可能擁有多個工具和技能，一個個接力完成大任務。
先定好你要的最終輸出是什麼，再往回推每一步需要哪些輸入資料。以招募流程為例：最終要「安排好的面試行程」→ 上一步輸出是「合格候選人名單」→ 再上一步是「履歷分析結果」。每步的 Output 就是下一步的 Input，一路往回拆，流程自然就出來了。
不能只要求 AI 把成果改對，必須要求 AI 檢視整個流程哪裡漏掉。……抓出斷點，在流程中加入檢核指令，才能越做越好。
建議先算：這個任務一個月做幾次 × 每次省幾分鐘 = 總省時。如果梳理和維護 Skill 要花超過省下的時間，就別做。