YouTube 影片分析 — 吳恩達 Agentic AI 第六講 Task decomposition
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 第六講 Task decomposition |
| URL | https://www.youtube.com/watch?v=yr78nQ56h-c |
| 頻道 | 扣子說AI（轉載吳恩達 DeepLearning.AI Agentic AI 課程片段） |
| Video ID | yr78nQ56h-c |
| 語言 | English（auto-generated） |
| 逐字稿 | raw/transcripts/youtube/youtube-yr78nQ56h-c.md |
摘要
一句話總結
任務拆解是建構 agentic workflow 的核心技能：把人的工作拆成離散步驟，每個步驟都自問「這一步 LLM、一小段程式碼或一個工具呼叫做得來嗎？」——做不來就繼續拆，直到每個步驟都可交給 AI 或工具；寫文章、回客戶訂單信、處理發票三個範例示範了完整的拆解與迭代過程。
關鍵洞察
| 核心主張 | 說明 | 影片案例 |
|---|---|---|
| 直接生成只到表面，深度要靠拆解 | 單次 prompt 直接叫 LLM 寫文章，只會得到表層重點或顯而易見的事實；要深入主題必須拆成多步驟流程 | 寫「主題 X」文章：直接生成 vs 先寫大綱→搜尋網路→根據搜尋結果寫文章 |
| 每個步驟都問：LM、程式碼或工具呼叫做得來嗎？ | 拆解時的黃金提問——這一步能不能用 LLM、一小段程式碼或函式/工具呼叫完成？可以就過關，不行就繼續拆 | 大綱（LLM 可寫）→ 搜尋詞（LLM 可生成）→ 依搜尋結果寫文（LLM 可做），三步都可實作 |
| 不滿意就再拆：初稿→檢討→修改 | 吳恩達自己實作研究 agent 後發現文章「前後不一致、有點斷裂」，於是再拆第三步：先寫初稿、再考慮哪些部分要修、再修訂——結果是更豐富的流程 | 「我建了研究 agent，讀輸出時覺得有點 disjointed」→ 從 3 步拆成 5 步 |
| 客服回信三步驟：抽資訊→查資料庫→回覆 | 人類客服的第一步是抽出關鍵資訊（寄件人是誰、訂了什麼、訂單編號），第二步產生資料庫查詢拉出訂單紀錄，第三步寫信並呼叫 API 寄出——每步都可交給 LLM | 基本客戶訂單詢問處理，LLM 可呼叫查詢資料庫與寄信函式 |
| 發票處理兩步驟：擷取→寫入資料庫 | PDF 轉文字後，先抽出必要資訊（開票人、地址、截止日、應付金額），再呼叫函式把資料存進資料庫新紀錄 | 一個 agentic workflow 只做這兩步即可完成發票入帳 |
| 積木庫：LLM/LMM＋專業 AI 模型＋軟體工具＋檢索＋執行程式碼 | LLM 擅長生成文字、決定呼叫什麼、擷取資訊；還有 PDF 轉文字、語音合成、影像分析等專業模型；以及 API（搜尋、天氣、email、行事曆）、資料庫/RAG 檢索、程式碼執行等工具 | 「我把自己想成擁有一堆積木，思考怎麼把這些積木依序組合完成任務」 |
對顧哥品牌的啟發
- 搜課 LINE bot 可以照「黃金提問」全面盤點 — 吳恩達的拆解心法直接適用：意圖分類（LLM 做得到）、知識庫檢索（RAG 工具做得到）、回覆生成（LLM 做得到）、點數兌換/查詢訂單（函式呼叫做得到）——把每個環節標成「LLM / 工具 / 程式碼」，就知道哪步該換工具、哪步該再拆。
- E樂堂客服自動化的藍圖就是影片的「訂單查詢三步驟」 — 抽關鍵資訊→查資料庫→回覆，正是 LINE 客服 bot 的標準流程；顧哥可用這個範例直接向客戶說明「AI 客服怎麼拆」，也驗證既有 line-bot-dashboard 架構的方向正確。
- 課程知識庫的 RAG 就是「檢索積木」 — 吳恩達明列「從大型文字資料庫找出最相關文字」的 RAG 是重要積木；顧哥教課時可以把 ChromaDB 知識庫當成活教材：影片轉文字→分段→檢索→回答，正是任務拆解的完整展示。
- 「拆解」本身是可教的品牌技能 — 這支影片最值錢的不是技術細節，而是「把重複工作拆成 AI 做得來的步驟」的思考法——正是顧哥對講師與中小企業主受眾最有共鳴的內容（把客服、行政、內容生產拆給 AI）。
可發文角度
- 「寫文章前先問自己：這一步 AI 做得來嗎？做不到就再拆」 — 把黃金提問變成可操作的檢查清單
- 「AI 客服怎麼拆？吳恩達的三步驟範例（抽資訊→查單→回覆）直接可用」 — 貼近 E樂堂與中小企業的落地場景
- 「從 3 步拆到 5 步：為什麼吳恩達的研究文章還是『斷裂』？」 — 用他自己踩過的坑講迭代改進
- 「你的重複工作 = 一堆積木：LLM、API、RAG、執行程式碼」 — 把積木庫概念翻成非工程師能懂的盤點方法
證據與限制
- 本頁只根據 Windows worker 取得的 YouTube 自動逐字稿分析；部分句子語音辨識斷裂（如「This how this should happen to me」），引用時以語意為準。
- 影片為方法論講解，範例（文章、客服信、發票）是教學簡化，未附真實程式碼或成效數據；「直接生成較淺」為一般觀察，深度需求因人因題而異。
- 上傳頻道為「扣子說AI」轉載，非 DeepLearning.AI 官方頻道；中文字幕標題為轉載者所加，引用時應以原始課程為準。