案例07｜Agentic Control：發現異常後，LLM 自己決定再查 Fraud Module 或 Credit History

一、案例定位

本案例依原書第 6 章 Agentic Control Logic 重組，並非原書正式案例研究。

理解 Agentic System 與 Programmatic Flow 的核心差異：下一步由 LLM 根據新資訊動態決定，而不是每一個 Branch 都由 Developer 預先寫死。

二、學習目標

說明 LLM-defined Path 與 Adaptive Orchestration。
理解 Agentic Control 適合 Open-ended Investigation。
辨識 Agentic Control 帶來的 Complexity、Security、Compliance 與 Cost 挑戰。

三、案例情境

原書以金融 Lead 為例：使用者要求 Financial Summary 並檢查 Potential Red Flags。Agent 取得資料後若發現異常，可能自行再呼叫 Fraud-detection Module，或重新檢查 Credit History；這些額外步驟不是全部事先 Hardcode，而是 LLM 根據觀察動態決定。

四、開始資料

階段	Agentic Control	原書意義
Query	Financial Summary + Red Flags	任務包含開放式 Investigation
Reason／Plan	LLM 判斷需要哪些資料與 Sub-task	Path 不是固定 Flowchart
Act	呼叫 Financial Data／Credit／Fraud Tools	動態使用 External Resources
Observe	檢查新資料中的 Pattern／Gap	可能觸發下一輪查詢
Challenges	Security、Compliance、Cost、Resource Usage	Slow Thinking 需要 Guardrails

五、Excel／AI 分析方法

Excel 可建立 Agent Trace，記錄每一步 Reason、Tool Call、Observation、Next Action、Cost、Human Intervention；AI 可摘要 Agent Path，但不能在沒有實際 Trace 時虛構已呼叫的工具。

六、計算結果

原書沒有此案例的 Tool Call 次數、成本或準確度，因此不能量化 Agentic Control 的改善幅度。

七、結果分析與管理解讀

Agentic Control 的價值在於面對 Unexpected Finding 時能改變路徑；代價則是 Predictability 降低，且 Tool Use、迭代與 Deep Reasoning 可能增加 Cost 與治理需求。

八、AI 提問詞

請根據實際 Agent Trace，整理 Query、Reason/Plan、Tool Call、Observation、Next Action 與 Human Escalation。不要自行補造未發生的 Agent Step。