最近只要談到 AI 自動化，常會一次聽見三個名詞：Agent、Workflow、MCP。

有人說 Agent 可以幫你完成整個工作；有人把自動化流程也叫 Agent；又有人說接上 MCP，AI 就能操作所有工具。三個名詞混在一起，最後很容易得到一個模糊印象：好像都是「讓 AI 自己做事」。

但它們其實回答的是三個不同問題：

• Workflow：事情要按照什麼步驟進行？

• Agent：誰來根據情況決定下一步？

• MCP：AI 要用什麼共同介面連接外部資料與工具？

先把這三個問題分開，你就能判斷一個產品到底做了什麼，也比較不會把所有新功能都誤認成 Agent。

先用一間餐廳理解三個名詞

想像你走進一間餐廳，點了一份餐點。

Workflow 是廚房的標準作業流程

接單後先確認品項，接著備料、烹調、擺盤，最後通知服務生送餐。每一步的順序與條件都事先安排好：如果客人選素食，就改用另一組食材；如果缺料，就暫停並通知店長。

這是一套 Workflow——它回答「這件事應該怎麼走」。

Agent 是能看情況做決定的值班經理

如果客人有特殊過敏、廚房臨時缺料，又要求在二十分鐘內完成，固定流程可能無法涵蓋所有例外。此時值班經理會理解目標、查看現況、選擇替代方案、詢問客人，再決定如何完成任務。

這比較接近 Agent——它不只是照表執行，也會根據環境與中間結果決定下一步。

MCP 是餐廳設備的通用連接規格

經理想完成工作，需要查庫存、讀訂位資料、通知廚房及更新帳單。如果每一套系統都有完全不同的接法，串接會非常麻煩。

MCP 可以想成 AI 世界的通用連接規格。官方文件常以 USB-C 作比喻：不同 AI 應用可以透過同一套標準，連接外部資料來源、工具與提示範本。

它不是值班經理，也不是做菜流程，而是讓經理能用一致方式找到並使用設備的「插座與溝通規則」。

Workflow：把已知步驟排成可重複的流程

Workflow（工作流）是一連串為了達成目標而安排的步驟。它可以完全不含 AI，也可以在其中幾步加入 AI。

例如一套會議紀錄 Workflow：

1. 會議結束後取得逐字稿

2. AI 整理決議、負責人與期限

3. 系統把結果寫入固定表格

4. 若缺少負責人，標記為待確認

5. 由使用者核准後，再寄給與會者

這套流程的主要路徑是事先定義的。AI 可能負責摘要與分類，但它不一定擁有決定整體流程的控制權。

Anthropic 將 Workflow 描述為：模型與工具透過預先定義的程式路徑被編排。它的優點是容易理解、測試與預測，特別適合規則清楚、步驟穩定的任務。

Workflow 適合什麼？

• 每次輸入格式大致相同

• 步驟與順序可以事先列出

• 例外情況有限且能寫成條件

• 結果需要穩定、一致、容易稽核

• 希望控制執行成本與權限

像是表單整理、固定週報、訂單通知、文件歸檔與內容審核，通常先從 Workflow 開始就很合理。

Agent：讓 AI 根據目標動態決定怎麼做

AI Agent 並不只「回答問題」。它通常會接收一個目標，評估目前狀態，決定下一步，使用工具取得資料或採取行動，再根據結果調整方向，直到完成任務、遇到停止條件，或把控制權交還給人。

OpenAI 的 Agent 指南將核心組成整理為三部分：

• 模型：負責理解、推理與決策

• 工具：用來查資料或對外執行動作

• 指令與護欄：定義角色、規則、權限與停止條件

例如，你不是要求 AI「摘要這三篇新聞」，而是交代：「整理本週競爭對手的重要動態，確認來源，依影響程度排序，資料不足時再搜尋，最後產出主管摘要。」

Agent 可能自行決定：

1. 先搜尋哪些公司

2. 哪些結果值得打開

3. 是否需要第二個來源交叉確認

4. 哪些事件與任務目標無關

5. 資料是否已足夠，可以開始撰寫

這種任務無法事先寫死每一個點擊與判斷，因此需要模型動態控制過程。

Agent 適合什麼？

• 任務目標明確，但完成路徑不固定

• 需要處理大量非結構化資料

• 中間會遇到無法事先列完的例外

• 需要根據結果反覆查找、修正或重新規劃

• 傳統規則已經複雜到難以維護

但彈性也帶來代價：Agent 通常更慢、成本更高，也更難預測。能用簡單 Workflow 穩定完成的工作，不一定值得改成 Agent。

MCP：讓 AI 用標準方式接上外部世界

MCP 的全名是 Model Context Protocol。它是一套開放標準，讓 AI 應用連接外部系統。

在官方架構中，AI 應用扮演 MCP Host，透過 MCP Client 與一個或多個 MCP Server 連線。Server 可以向 AI 應用提供三類核心能力：

• Tools（工具）：可執行的功能，例如查詢資料庫、建立行事曆事件、寫入檔案。

• Resources（資源）：提供脈絡的資料，例如文件內容、資料庫紀錄、程式碼歷史。

• Prompts（提示範本）：可重用的互動模板與指令。

這套標準讓 AI 應用可以先發現「有哪些能力可用」，再依需要讀取資料或呼叫工具。開發者不必為每一個 AI 應用與每一套外部系統都重新設計一組專屬介面。

MCP 不是什麼？

• MCP 不是 AI 模型：它本身不負責推理。

• MCP 不是 Agent：接上 MCP 不會自動產生目標、規劃與判斷能力。

• MCP 不是 Workflow：它沒有規定你的業務流程要先做哪一步。

• MCP 也不等於無限權限：實際可讀取或執行什麼，仍取決於 Server、認證、使用者授權與應用端護欄。

它解決的是「怎麼接」，不是「為什麼做、做什麼，以及由誰決定」。

三者放在一起，到底怎麼運作？

以「每週自動整理客戶回饋」為例。

Workflow 負責流程骨架

每週五下午啟動，收集客服回饋、去除重複內容、分類問題、產出摘要，最後交由主管核准。

Agent 負責需要判斷的部分

它判斷哪些回饋屬於同一問題、是否值得進一步查詢訂單紀錄、哪些問題可能影響大量客戶，以及資料是否足以形成結論。

MCP 負責連接需要的系統

透過 MCP Server，AI 應用可以讀取客服平台資料、查詢 CRM、存取產品文件，或把核准後的結果寫入專案管理工具。

可以把它濃縮成一句話：

Workflow 提供道路，Agent 負責駕駛與臨場判斷，MCP 則讓車子能用標準方式連接地圖、加油站與其他設備。

三者可以一起出現，也可以分開使用。

不是所有組合都需要三者到齊

只有 Workflow

每天 9 點把表單新資料複製到試算表，再寄出固定通知。步驟明確，不需要 AI 自行判斷，也不需要 MCP。

Workflow 加 AI

收到客服信後，AI 判斷類別，再按照既定規則分派。AI 參與其中，但整體路徑仍由 Workflow 控制，不一定稱得上 Agent。

Agent 加既有工具串接

Agent 可以透過傳統 API 或平台內建工具查資料、執行任務。MCP 是標準化的連接方式之一，不是 Agent 使用工具的唯一方法。

Agent 加 MCP

Agent 透過 MCP 發現並使用多個外部資料與工具，再依任務動態決定下一步。這是目前常見、也很有發展性的組合，但仍需要權限、護欄與人工核准。

你需要哪一個？用 4 個問題判斷

1. 步驟能不能事先寫清楚？

可以，而且例外很少：優先用 Workflow。

不能，必須根據中間結果調整：才考慮 Agent。

2. AI 只要產生內容，還是需要對外行動？

只要摘要、分類、改寫，普通的 AI 功能可能就足夠。

需要查資料、寫入系統、寄信或建立任務，就需要工具串接；MCP 可能是其中一種方式。

3. 錯誤的代價有多高？

若涉及付款、刪除資料、對外發信、改變權限或重要決策，應保留人工核准點，限制 Agent 的工具與可執行範圍。

4. 你是在解決需求，還是在追逐名詞？

如果一套三步驟自動化已能穩定省下時間，就不必為了稱作 Agent 而增加複雜度。先選能被測試、能被驗收的最簡單方案。

最常見的 5 個誤解

誤解 1：有用 AI 的自動化就是 Agent

AI 可能只負責 Workflow 中的一個步驟。關鍵在於模型是否掌握流程執行與下一步決策。

誤解 2：Agent 就是完全放手不管

好的 Agent 需要明確目標、工具限制、停止條件、錯誤處理與人工介入機制。自主不等於無人監督。

誤解 3：MCP 會讓 AI 自動懂所有工具

MCP 提供共同介面，但工具仍需要清楚描述、正確實作與適當授權；Agent 也可能選錯工具或輸入錯誤參數。

誤解 4：接越多工具，Agent 越強

工具太多會增加選擇難度與權限風險。只提供任務真正需要的工具，通常更可靠。

誤解 5：越自主越先進

Anthropic 建議先採用最簡單可行方案，只有在確實需要彈性與模型決策時才增加 Agent 複雜度。可預測性本身就是價值。

一張可以收藏的概念速查表

• Workflow｜流程：事先排好的步驟與條件；重點是可預測、可重複。

• Agent｜執行者：根據目標與狀態決定下一步；重點是判斷、調整與工具使用。

• MCP｜連接標準：讓 AI 應用用一致方式接上資料、工具與提示範本；重點是標準化互通。

• 三者關係：Workflow 可以包含 Agent；Agent 可以執行 Workflow；Agent 可以透過 MCP 使用工具，但三者互不等同。

• 選擇原則：固定任務先用 Workflow，不確定路徑才用 Agent，需要標準化連接時再評估 MCP。

先理解角色，再決定要不要使用

Agent、Workflow 與 MCP 之所以容易混淆，是因為它們常在同一套 AI 系統中合作。但它們分別處理流程、決策與連接三個不同層次。

當你下次看到「支援 Agent」或「已接入 MCP」的產品介紹，可以多問三句：誰在決定下一步？流程是固定還是動態？它實際連接了哪些資料與工具？

真正有用的 AI 系統，不是把最多新名詞堆在一起，而是用剛好的自主程度、清楚的流程與安全的連接方式，把一件真實工作穩定完成。