YouTube 影片分析 — 吳恩達 Agentic AI 第五講 Agentic AI applications
依據 Windows worker 取得的逐字稿，整理影片摘要、核心亮點、顧哥品牌啟發與可發文角度。
來源資訊
| 項目 | 內容 |
|---|---|
| 標題 | 吳恩達 Agentic AI 第五講 Agentic AI applications |
| URL | https://www.youtube.com/watch?v=KDaqamIFtgI |
| 頻道 | 扣子說AI |
| Video ID | KDaqamIFtgI |
| 語言 | English（auto-generated，中文頻道翻譯） |
| 逐字稿 | raw/transcripts/youtube/youtube-KDaqamIFtgI.md |
摘要
一句話總結
吳恩達（Andrew Ng）Agentic AI 課程第五講用四個由易到難的實際案例（發票處理、訂單查詢客服、一般客服、電腦操作 agent）說明 agentic workflow 的應用光譜，並點出核心原則：任務是否有「可預先寫清的步驟流程」決定實作難度，而最重要的工程技能是「把複雜工作拆解成單一步驟」（task decomposition）。
關鍵洞察
| 核心主張 | 說明 | 影片案例 |
|---|---|---|
| Agentic workflow 適合「有清楚流程」的任務 | 步驟明確、可一步步執行的任務（先做 A、再 B、再 C）最容易用 agent 實作，因為流程可被程式化且可預期 | 發票處理：PDF→文字 API→LLM 判斷是否為發票→抽出欄位（付款對象、金額、到期日）→API 更新資料庫 |
| 人類審核仍是 agent 流程的標準環節 | 即使是自動化流程，敏感輸出（如回給顧客的 email）仍設計「request review」工具，把草稿送進佇列等真人核准後才寄出 | 訂單查詢 agent：抽取訂單資訊→查訂單資料庫→LLM 草擬回信→放入人類審核佇列 |
| 步驟無法預先寫死的任務更難，agent 要「邊做邊規劃」 | 一般客服問題沒有固定流程，agent 必須自行決定查詢序列（先查黑牛仔褲庫存、再查藍牛仔褲）或判斷退貨是否符合政策（30 天內、未使用）再執行——這類任務較不可預測、可靠性較低 | 退貨案例：驗證購買紀錄→查退貨政策→發退貨單→把資料庫記錄設為退貨處理中 |
| Computer use（agent 用瀏覽器）是前沿但尚不穩定的領域 | Agent 可以自行操作網站（點擊、填表、讀頁面內容推理下一步），但網頁載入慢、結構難解析時常失敗，目前還不足以用於 mission-critical 場景 | 查舊金山到 DC 的聯合航空座位：agent 操作 United 網站失敗後，自行轉到 Google Flights 搜尋，再回到 United 確認有座位 |
| 難度光譜：純文字＜多模態、SOP 明確＜臨場規劃 | 純文字輸入是 LLM 最擅長的；聲音、視覺等多模態輸入與「邊做邊規劃」都會降低可靠性 | 課程明確總結：text-only assets 較易、rich multimodal inputs 較難、步驟未知的任務較難 |
| 核心技能：把複雜工作流拆解成個別步驟 | 實作 agentic workflow 最重要的能力，是看懂一個複雜流程並拆成可逐一執行的步驟；這是下一講 task decomposition 的伏筆 | 課程結尾預告：「給定複雜任務（寫研究報告、客服回覆），如何拆解成離散步驟」 |
對顧哥品牌的啟發
- 先盤點「步驟清楚的任務」讓 AI agent 自動化 — 吳恩達的框架（流程清楚→容易自動化）可以直接套用：E樂堂與搜課 bot 的日常流程中，訂單處理、FAQ 回覆、逐字稿整理、知識庫 ingestion 都屬於「步驟可預先寫清」的任務，適合先 agent 化；而「決定開什麼課、怎麼回覆客訴情緒」這種不可逆、需要判斷的任務，就保留給顧哥。這正好和 Coding Agent Calls Developer 的「升級矩陣」互補。
- 「人類審核佇列」是搜課 bot 客服自動化的安全設計 — 影片示範 agent 草擬回信後送真人審核再寄出。顧哥若用 AI 自動回覆 LINE 客服，最敏感的訊息（退費、客訴、法務）應該走「AI 草稿＋顧哥審核」的佇列，而不是全自動直出；這既是品質保證，也是風險控管。
- 知識庫內容「先結構化、再餵給 LLM」正是既有工作流 — 發票案例的「PDF→文字→LLM 判斷」模式，與顧哥的影片→逐字稿→wiki 分析→ChromaDB 流程同構；品牌內容可以公開這個「AI 時代知識生產線」的思考，展現 E樂堂技術含量。
- 多模態與可靠性限制，說明「人機分工」還需要很久 — 吳恩達坦承 computer use 還不穩定、多模態較不可靠，這對顧哥是好消息也是提醒：好消息是「懂 AI 應用的人」仍然稀缺（呼應 Jean Pak 影片的判斷力論點）；提醒則是課程與知識庫內容仍應以文字為核心資產，不要過度押注多模態自動化。
- task decomposition 可作為課程主題 — 吳恩達把「拆解複雜任務」當作最重要的 agent 技能，這正是台灣職場／教育市場可以開課的主題：教上班族用 AI 前先學會拆任務；E樂堂若開發 AI 相關課程，這是一個具差異化的切入點。
可發文角度
- 「吳恩達說：AI 自動化先挑『步驟寫得清楚』的任務——你的流程哪一步最適合交給 agent？」 — 用難度光譜框架，帶讀者盤點自己工作的自動化候選清單
- 「AI 草擬、人類蓋章：為什麼客服自動化要留一道真人審核關」 — 從 request review 佇列談負責任的 AI 客服，連結搜課 bot 的設計
- 「下一個 AI 時代的關鍵技能不是寫 prompt，是拆任務」 — 談 task decomposition 為何是 agent 時代的基礎能力，連結 E樂堂可能的 AI 課程方向
- 「連吳恩達都說 computer use 還不可靠：現在該把資產押在哪裡？」 — 談文字知識資產的價值與 AI 成熟度現實，建立顧哥的理性 AI 觀點
證據與限制
- 本頁只根據 Windows worker 取得的 YouTube 自動逐字稿分析；影片為中文頻道（扣子說AI）轉載吳恩達 Agentic AI 課程英文發音內容，自動逐字稿對人名、產品名（TechFlow Solutions、United Airlines、Google Flights）與專有名詞可能有辨識誤差。
- 本片是教學課程內容，案例（發票、客服、查航班）為教學示範；「computer use 尚不適用於 mission-critical」是講者當時的技術評估，AI 能力演進快速，引用時應注意時效。
- 原始標題「吳恩達 Agentic AI 第五講」來自頻道命名，未經吳恩達官方頻道交叉驗證。