在醫療、工程或法律等高度專業的領域，我們常遇到一個難題：當那些經驗豐富的「老師傅」或資深專家退休時，他們腦中那些無形的智慧資產，該如何傳承？

傳統的做法是建立龐大的知識管理系統（KM），把專家寫過的文件、報告通通存起來。但我們都知道，真正的專家在解決棘手問題時，靠的不僅僅是「死背下來的知識」，更多的是直覺判斷、決策流程以及對工具的熟練運用。這些「行為模式」是文件無法記錄的。

最近我們在研究一種基於生成式 AI (GenAI) 的新方法論，核心概念不再是「複製知識」，而是**「模擬行為」**。我們不只是要打造一個會回答問題的資料庫，而是要建構一個能像專家一樣「思考」與「行動」的 AI 代理人 (Agent)。

摘要圖

核心理念：從「背書」轉向「實作」

傳統的 AI 訓練往往需要海量數據，試圖訓練出一個通用的模型。但在複製特定專家（例如一位特定的資深神經科醫師）時，我們不需要一個什麼都懂的通才，我們需要的是這位專家的分身。

這裡有一個關鍵的觀念轉變：

建立代理人的目的，不是為了複製一大堆文件，而是要複製專家使用的「工具 (Tools)」與處在的「環境 (Environment)」。

試想一下，當一位資深醫生被問到一個複雜病例時，他不會只憑記憶回答。他會：

  1. 查詢特定的醫學資料庫。
  2. 使用專業的診斷工具看片子。
  3. 結合自身經驗進行綜合判斷。
  4. 最後才給出建議。

如果我們的 AI 只能回答問題卻不能執行上述動作，那它就只是一個讀了很多書的學生，而不是那位專家。因此，我們的方法論是要讓 AI 代理人能夠執行這一整套連貫的動作。

建構專家代理人的四個階段

要打造這樣的代理人，我們將過程拆解為四個階段：

1. 分層建構角色 (Layered Persona Construction)

我們不能只給 AI 一句提示詞說「你是醫生」。我們需要像剝洋蔥一樣，由廣至精地定義它的身份：

  • L1 基礎層: 你是一名醫生。
  • L2 專業層: 你是一名神經科醫生。
  • L3 資深層: 你是一名資深神經科醫生，擅長處理…
  • L4 個體層: 你是 Dr. Wang（目標複製對象），你的職能描述是…，你過去的經驗總結是…

這樣的層級設計，讓代理人有一個穩固且具備個人特質的基礎。

2. 動態知識擷取 (Dynamic Knowledge Extraction)

靜態的文件是不夠的。我們會利用錄音設備，在專家進行案例討論或專業對話時記錄下來。

接著，利用 GenAI 強大的資料萃取能力，自動從錄音中分析：專家在這個案例中關注了什麼背景資訊？他的判斷邏輯是什麼？這些「鮮活」的、情境化的資訊，會被持續注入到代理人的知識庫中。

3. 工具與環境整合 (Tool and Environment Integration)

這是最關鍵的一步。給予 AI 代理人實際操作工具的權限。

它必須能像真人專家一樣，去調用外部 API、查詢即時數據、操作分析軟體。這彌補了「靜態知識」與「解決問題」之間的鴻溝，讓 AI 從「說一口好菜」進化到「真的會做菜」。

4. 專家主導的持續校正 (Expert-led Continuous Calibration)

代理人做出來後，準不準誰說了算？當然是那位專家本人。

我們會邀請專家擔任「考官」，拿真實案例來考這個 AI：

  • 「如果是這個病人，你會怎麼做？」
  • 「為什麼你做這個決定？」

當 AI 答錯或決策路徑不對時，專家會提供**「校正報告」**。這就像老師改考卷一樣，直接修正 AI 的思考路徑。這些高保真的反饋數據，是優化 AI 最寶貴的養分。

結論：可規模化的專家智慧

這套方法論利用生成式 AI 的分析與模擬能力，繞過了傳統 AI 需要漫長訓練的過程。我們把資源集中在深度模擬單一個體上。

這不僅僅是為了保存知識，更是為了複製那份動態的決策智慧。未來，無論是頂尖醫師、資深工程師還是法律顧問，他們的思考方式都有機會打破時間與肉體的限制，被規模化地傳承下去。