Claude AI Agent 怎麼用？從聊天模式到自動執行任務的實作教學
你有沒有覺得，跟 Claude 聊天很順，但總覺得好像「就這樣」？問完答完，然後你還是得自己回去做那件事。
這篇要解決的就是這個問題。Agent 模式讓 Claude 不只是回答你，而是主動執行步驟、呼叫工具、處理資料——白話講就是：它會幫你「做完」，不只是「說完」。
做完這篇教學，你會有一個能跑實際任務的 Claude agent 設定，包含工具呼叫、任務分解、以及一個可以直接複製去用的 prompt 結構。
在開始之前：你需要準備什麼
- Claude API 存取權限（Anthropic console 帳號，或透過 AWS Bedrock / GCP Vertex AI）
- Python 3.10+ 或 TypeScript 環境（官方 SDK 兩個都支援）
- 基本的 API 呼叫概念——不需要很深，知道什麼是 request / response 就夠
- 選擇性：如果要串外部服務（例如搜尋、資料庫、檔案系統），需要對應的 API key
如果你還在評估 Claude 跟其他模型的差異，可以先看看這篇 Claude vs Gemini 的比較，兩者 agent 設計哲學差很多，選錯工具之後調整很痛。
Step 1：搞清楚「agent 模式」跟普通對話差在哪
一般用 Claude 的方式是：你問 → 它答 → 結束。
Agent 模式多了一個循環：Claude 決定要呼叫什麼工具 → 工具回傳結果 → Claude 繼續推理 → 直到任務完成。
你可以把它想成：普通對話是問 Google，agent 模式是叫一個人幫你 Google 完之後，整理成報告、寄給你、然後把相關檔案歸檔好。
這個循環在 Anthropic 的 API 裡透過 tool_use 內容塊實作。Claude 輸出一個 tool_use block，你的程式碼執行那個工具，把結果塞回去，Claude 繼續下一步。
Step 2：定義你的工具（Tool Definition）
工具是 agent 能呼叫的「能力」。在 API 呼叫裡，你用 JSON Schema 描述每個工具的名稱、用途、參數。
{
"name": "search_web",
"description": "搜尋網路上的最新資訊，回傳前三筆結果的標題與摘要",
"input_schema": {
"type": "object",
"properties": {
"query": {
"type": "string",
"description": "搜尋關鍵字"
}
},
"required": ["query"]
}
}
description 寫好很關鍵。 Claude 靠這段描述決定要不要呼叫這個工具、什麼時候用。寫太模糊它會誤用，寫太窄它會放棄用。具體說明「什麼情況下應該呼叫」效果最好。
Step 3：建立 Agent 執行迴圈
這是整個 agent 的核心結構。你需要一個 while 迴圈，持續處理 Claude 的回應，直到它停止呼叫工具為止。
import anthropic
client = anthropic.Anthropic()
tools = [search_web_tool, read_file_tool] # 你定義的工具清單
messages = [{"role": "user", "content": user_task}]
while True:
response = client.messages.create(
model="claude-opus-4-5",
max_tokens=4096,
tools=tools,
messages=messages
)
if response.stop_reason == "end_turn":
# 任務完成，取出最終回覆
print(response.content[-1].text)
break
if response.stop_reason == "tool_use":
# 找出所有 tool_use block
tool_results = []
for block in response.content:
if block.type == "tool_use":
result = execute_tool(block.name, block.input)
tool_results.append({
"type": "tool_result",
"tool_use_id": block.id,
"content": result
})
# 把工具結果塞回對話
messages.append({"role": "assistant", "content": response.content})
messages.append({"role": "user", "content": tool_results})
execute_tool 是你自己實作的分派函式——根據工具名稱去呼叫實際的程式碼或 API。
Step 4：設計 System Prompt 讓 agent 知道它的邊界
Agent 沒有好的 system prompt，很容易在任務中途迷路或做過頭。幾個關鍵要寫進去：
- 角色定義：它是什麼、主要任務是什麼
- 工具使用規則：什麼情況必須用工具、什麼情況不要亂用
- 輸出格式：最終回覆要長什麼樣子
- 停止條件：任務完成的標準是什麼
範例片段：
你是一個資料研究助理。當用戶提出問題，你應該：
1. 先判斷是否需要搜尋最新資訊（如果是，使用 search_web）
2. 整理資訊後，以條列式輸出重點，不超過 5 點
3. 不確定的資訊不要猜測，直接標注「需要進一步確認」
想深入了解不同任務場景下的完整設定方式，這篇 Claude AI Agent 實作教學 有更多範例可以參考。
Step 5：跑第一個真實任務，觀察它怎麼思考
設定好之後，先跑一個小任務測試整個流程。建議從單工具、單步驟開始，例如：
「幫我搜尋 2026 年 9 月最受關注的 AI 研究論文，列出三篇標題和摘要」
跑的時候，把每次工具呼叫的輸入輸出都 print 出來看。你會開始理解 Claude 的推理節奏——它什麼時候決定要搜尋、什麼時候覺得資訊夠了、什麼時候會要求更多細節。
這個觀察過程比看文件重要得多。
常見錯誤與怎麼避開
工具描述太短 → Claude 不知道什麼時候該用，結果要麼全用要麼不用。每個工具至少寫一句「在 X 情況下呼叫此工具」。
迴圈沒有設上限 → 如果工具一直回傳錯誤，Claude 可能會無限嘗試。加一個 max_iterations 計數器保護自己。
忘記把 assistant 的 content 塞回 messages → 這是最常見的 bug，少了這步 Claude 會失去上下文，行為變得很奇怪。
一次定義太多工具 → Claude 在工具太多的時候選擇會變差。初期先控制在 3-5 個，確認行為穩定再擴充。
進階：讓 agent 處理多步驟任務
等基本流程跑通了，下一步是任務分解。可以在 system prompt 裡明確要求 Claude 在開始執行前，先輸出一個任務計畫（plan），然後逐步執行。
在開始之前，先輸出一個執行計畫，格式：
計畫：
1. [步驟描述]
2. [步驟描述]
...
然後依序執行每個步驟。
這個技巧有兩個好處：一是讓你能在它跑偏之前介入；二是 Claude 把計畫「說出來」之後，執行的一致性會更高——這跟 chain-of-thought 的機制有關，但不用深究原理，實用就好。
另外值得一提，GenAI 跟傳統 AI 的根本差異 這篇解釋了為什麼 LLM-based agent 的推理方式跟規則引擎完全不同——如果你要跟團隊說明為什麼這東西有時候「說不準」，那篇可以幫你講清楚。
完成後的檢查點
跑完第一個 agent 任務後，確認這幾件事：
- 工具有被正確呼叫（不是每次都走到 end_turn 直接結束）
- 工具結果有被正確回傳到對話裡
- 最終輸出符合你在 system prompt 裡定義的格式
- 迴圈有正常結束（沒有無限跑）
下一步可以開始考慮：加入 memory（讓 agent 記住跨任務的資訊）、串接真實的外部 API（Notion、GitHub、Slack），或是把這個 agent 包成一個服務讓其他人用。
Agent 模式一旦跑通，你對「AI 能做什麼」的理解會直接升一個層次。
常見問題
Claude agent 跟直接用 ChatGPT 插件有什麼不同？
最大差異在控制權。ChatGPT 插件是封裝好的黑盒，你能調整的空間有限；Claude agent 透過 API 自己建，工具定義、執行邏輯、迴圈控制全部自己寫，適合需要客製化流程或串接自家系統的場景。
Claude agent 執行任務時，token 消耗會不會很快爆掉？
多步驟任務確實會累積大量 context。每次工具呼叫後，整個對話歷史都會帶著跑。建議設定合理的 max_tokens 上限，並在長任務中定期摘要中間結果，避免 context window 撐爆或成本失控。
不會寫 Python 可以用 Claude agent 嗎？
目前要發揮 agent 的完整能力，還是得懂基本程式碼。不過 Anthropic 和第三方工具（如 LangChain、n8n）有提供更高層的封裝，對非工程師來說入門門檻低一些，但彈性也相對受限。
agent 執行過程中，Claude 做了錯誤決策怎麼辦？
最實用的做法是在 system prompt 裡定義「確認機制」，讓 Claude 在執行不可逆操作（如刪除檔案、發送訊息）前先輸出計畫等待人工確認。這叫 human-in-the-loop，是目前 agent 部署的最佳實踐之一。
用哪個 Claude 模型跑 agent 比較好？
2026 年 9 月現在，複雜多步驟任務首選 claude-opus-4-5，推理能力和工具使用準確度最穩；如果任務相對簡單、需要控制成本，claude-sonnet-4-5 是性價比不錯的選擇。建議先用 Opus 驗證流程，再評估要不要換模型降成本。
分享這篇
