案例01｜1+1 也推理 26 秒：不是每個問題都需要 Slow Thinking
案例02｜FinCorp 六個月交易資料：簡單交易走 Fast Path，複雜風險才觸發 Agent
案例03｜Agentic Use Case Canvas：先畫 Workflow Reasoning Map，再決定要不要 Agent
案例04｜從 Vanilla LLM 到 Compound System 再到 Agent：2022–2025 的控制邏輯演進
案例05｜Vanilla LLM 的靜態知識：漂亮的 Goa 行程不等於最新航班與天氣
案例06｜Compound System：Known Path 用 RAG／Rule-based Flow 反而更快、更可預測
案例07｜Agentic Control：發現異常後，LLM 自己決定再查 Fraud Module 或 Credit History
案例08｜ReAct：Reasoning、Acting、Memory 如何組成 Agentic System
案例09｜活動規劃 Agent：先查 Budget、Schedule、Venue、Cost，再在有權限時執行 Booking
案例10｜Mixtral 8x7B：56B 參數不代表每次 Query 都全部啟動
案例11｜「2025 要部署 300 個 Agents」：先解決 FOMO，再談 Agent Roadmap
案例12｜高風險 Agent 仍需 Human-in-the-loop：自主規劃不等於自主承擔責任
案例13｜Hybrid AI：Routine 用 Compound Fast Thinking，Novel／Ambiguous 才交 Agent
本章處理生成式人工智慧從「回答問題」走向「規劃、行動、記憶」的 Agentic AI，但原書反覆強調：不是所有工作都需要 Agent。 真正的企業設計問題，是如何在 Fast Thinking 的 Compound／RAG 系統與 Slow Thinking 的 Agentic System 之間做正確分工，並控制 Reasoning Cost、Tool Permission、Human Oversight 與風險。
| 核心主題 | 主要觀點／方法 | 實務用途 | 重要條件／限制／延伸 |
|---|---|---|---|
| Think Fast vs. Think Slow | 已知、簡單路徑優先 Fast Thinking；複雜、探索式工作才使用 Slow Thinking | 避免對 Routine Task 過度使用 Reasoning／Agent | 原書 1+1 示範中 GPT-4o 立即回答；DeepSeek R1 Reasoning 26 秒，但無通用效能結論 |
| FinCorp Parallel Processing | Simple Transaction 走 Traditional Pipeline；Complex Risk／Edge Case 才進 Agent Analysis | 在同一 Workflow 混合不同 Thinking Mode | 資料涵蓋 6 個月；原書沒有 Transaction Count、Fraud Rate 或 Routing 比例 |
| Agentic Use Case Canvas | 先分析 Goal、Reasoning Need、Data／Tools、Failure Consequence，再選技術 | 以 Workflow Reasoning Map 判斷 Agent 是否真的增加價值 | 原書沒有固定 Scoring Formula 或 Agent Threshold |
| LLM Engineering Evolution | 2022 Vanilla LLM → 2023 Compound Systems → 2024 Agentic Framework Emerging → 2025 AI Agents | 理解 Knowledge Access 與 Control Logic 的演進 | 年份是原書的演進框架，不是市場成熟度分數 |
| Vanilla LLM Limits | 強於生成，但依 Static Training Data，沒有天然 Real-time Fact Verification Pipeline | 辨識何時需要 External Data／Retrieval | Goa 行程例無航班／天氣錯誤率數字 |
| Compound／Programmatic Control | Retrieval、Rule Validator、Specialized Script、LLM 依 Human-coded Flow 執行 | Known Path、Routine、Predictable Task | 原書指出較 Predictable、Easier to Test、通常 Faster，但未提供固定速度／成本數值 |
| Agentic Control Logic | LLM 自行 Reason／Plan／Call Tool／Observe／Iterate | Open-ended Investigation、Unexpected Findings、Complex Decision | 增加 Complexity、Security、Compliance、Resource Usage 與 Cost 管理需求 |
| ReAct + Memory | Reasoning、Acting、Memory 協作；Reason → Act → Observe → Iterate | 建立可適應的 Multistep Agent Workflow | 原書沒有固定迭代上限；企業應追蹤可觀察的 Tool／Action／Result |
| Tool Permission | Agent 能規劃 Action 不等於具備執行權限 | 對 Booking、Database、External Action 設定 Permission／Approval Boundary | 活動規劃例沒有 Budget 或 Cost 數字 |
| Reasoning Cost／MoE | Deep Reasoning 會增加 Compute；Mixture of Experts（MoE）選擇性啟動相關 Experts | 讓 Slow Thinking 更具成本效率 | 原書 Mixtral 8x7B 表述為 8 × 7B = 56B，但只說每次通常啟動少數 Experts，沒有固定比例 |
| Problem-first Agent Strategy | 先定義 Business Problem 與 Workflow，再選 Agent／Compound／其他方法 | 避免 Agent FOMO 與 Over-engineering | 「2025 要有 300 Agents」是原書批判的規劃例，不是已實現成果 |
| Human Oversight | Critical／High-stakes Context 仍需 Human Guidance／Human-in-the-loop | 維持 Accountability、Transparency 與 Organizational Value Alignment | 原書沒有固定 Human Review % 或 Risk Cutoff |
| Hybrid Architecture | Routine／Predictable 用 Compound Fast Thinking；Complex／Novel／Ambiguous 用 Agentic Slow Thinking | 兼顧 Speed、Cost、Maintainability、Adaptability | 原書沒有 Fast／Slow Traffic 固定分配比例或 Hybrid 成本節省率 |
第 6 章是全書最後一章，把前五章的 Business Value、Use Case Selection、POC、Production Architecture 與 Governance 收束到 Agentic AI。原書的核心立場並不是「Agent 是下一代，所以所有流程都應改成 Agent」，而是要先理解工作需要 Fast Thinking 還是 Slow Thinking，再決定使用 Compound System、Agentic System 或 Hybrid Architecture。
Agent 的真正差異在於 Control Logic：傳統 Compound System 的路徑主要由 Human Developer 預先定義；Agentic System 則讓 LLM 根據 Query、Observation 與 Context 自行決定下一步，並透過 Reasoning、Acting、Memory 與 External Tools 完成複雜工作。