標籤: 工作流自動化

📌 本文重點

• 用多個專職 agent 分工處理一個大任務
• 透過 orchestrator 串起明確的多步驟流程
• 將既有 API / 工具包成 @tool 打造可落地工作流
• 先做最小 demo，再逐步擴展到既有系統

只靠一個聊天機器人常常做出「四不像」的結果，而 openai‑agents‑python 要解決的，就是讓你把一個大任務拆給多個各司其職的 AI 代理人，像一個小團隊一樣協作完成。

GitHub 專案連結：https://github.com/openai/openai-agents-python

---

核心功能：把一個大任務拆給多個 AI

1. 定義多個專長不同的 Agent

你可以在程式裡定義多個「角色」：

• 資料蒐集 agent：負責上網查資料、整理重點
• 寫作／寫程式 agent：負責產出初稿或程式碼
• 審稿 agent：負責檢查結構、風格、錯字或潛在 bug

這些都用 Python class 或函式就能描述，像這樣：

from openai_agents import Agent

researcher = Agent(
    name="researcher",
    instructions="你負責閱讀提供的資料，整理三個重點與參考連結。",
)

writer = Agent(
    name="writer",
    instructions="你負責寫出條列清楚的技術部落格草稿，語氣教學向。",
)

reviewer = Agent(
    name="reviewer",
    instructions="你負責審稿，只給出修改建議與需要補充的段落。",
)

行動：先想一個你日常會做的「三步驟」任務，直接對應成三個 agent 的職責。

---

2. 設計任務流程：交接、審查、協作

openai‑agents‑python 的重點不只是「多個 agent」，而是讓你把流程寫清楚：誰先做、誰接手、誰審查。

例如做一個「自動寫技術部落格」的流程：

1. researcher：根據題目蒐集資料，產出重點摘要
2. writer：根據摘要寫出完整草稿
3. reviewer：審稿，給出修改建議

💡 關鍵： 把一長串需求拆成 2–3 個明確步驟，比一次丟給單一聊天模型更穩定、可控。

在框架裡你可以用一個 orchestrator（像主揪）來控制：

from openai_agents import Orchestrator

orchestrator = Orchestrator(agents=[researcher, writer, reviewer])

async def run_blog_flow(topic: str):
    research_notes = await orchestrator.run("researcher", input={"topic": topic})
    draft = await orchestrator.run("writer", input={"topic": topic, "notes": research_notes})
    review = await orchestrator.run("reviewer", input={"draft": draft})
    return {"draft": draft, "review": review}

行動：把你現在用 ChatGPT 一次請他「幫我想題目、寫文、修稿」的流程，拆成 2–3 個步驟，寫在紙上，對應到上面這種 orchestrator 程式碼結構。

---

3. 串接外部工具與 API，變成真的工作流

openai‑agents‑python 支援 agent 呼叫你自定義的工具函式，例如：

• 網頁爬蟲（requests、Playwright）
• 存取資料庫或 Google Sheets
• 操作檔案系統，輸出成 Excel / CSV

你先寫好 Python 函式，再把它註冊給 agent 使用：

import requests
from openai_agents import tool

@tool
def fetch_url(url: str) -> str:
    """抓取指定網址的 HTML"""
    return requests.get(url, timeout=10).text

scraper = Agent(
    name="scraper",
    instructions="根據給定網址抓網頁內容並擷取需要的欄位。",
    tools=[fetch_url],
)

行動：先選一個你常用的 API（例如某個內部 HTTP API、Notion API），包成一個最小的 @tool 函式，讓 agent 能直接呼叫。

---

Demo：一晚內做完的「自動寫技術部落格」小團隊

這裡做一個最小可用版本：輸入一個主題，幫你：

1. 蒐集重點
2. 產生技術部落格草稿
3. 用 reviewer 做一次審查，輸出建議

步驟 0：安裝與環境準備

pip install openai-agents-python openai

在專案根目錄建立 .env（或直接用環境變數）：

export OPENAI_API_KEY="你的 API Key"

💡 關鍵： 只要設定好 OPENAI_API_KEY，就能在一晚內跑起一個可用的多 agent 小流程。

步驟 1：建立第一個 writer agent

新增 agents_blog.py：

from openai_agents import Agent

writer = Agent(
    name="writer",
    instructions=(
        "你是技術部落客，請用繁體中文寫 1200 字內的教學文，"
        "條列清楚、加上小標題，讀者是有基礎的工程師。"
    ),
)

先單獨測試這個 agent：

import asyncio
from agents_blog import writer

async def main():
    result = await writer.run({"topic": "Python logging 實戰"})
    print(result)

if __name__ == "__main__":
    asyncio.run(main())

行動：先確保「單一 agent + 單一呼叫」正常運作，看到一篇文章草稿再往下加複雜度。

---

步驟 2：加上 researcher + reviewer

修改 agents_blog.py：

from openai_agents import Agent

researcher = Agent(
    name="researcher",
    instructions=(
        "你負責針對主題列出 5 個實用重點與常見坑，"
        "輸出 JSON 格式：{\"key_points\": [...]}。"
    ),
)

writer = Agent(
    name="writer",
    instructions=(
        "根據 research.key_points 寫技術部落格，"
        "包含簡介、實作步驟與常見錯誤排查。"
    ),
)

reviewer = Agent(
    name="reviewer",
    instructions=(
        "你是嚴格的技術編輯，檢查草稿是否：1) 結構清楚、"
        "2) 範例正確、3) 沒有太多空話。輸出建議清單。"
    ),
)

再加一個 orchestrator 流程（新檔 run_blog.py）：

import asyncio
from openai_agents import Orchestrator
from agents_blog import researcher, writer, reviewer

orchestrator = Orchestrator(agents=[researcher, writer, reviewer])

async def run_blog(topic: str):
    research_notes = await orchestrator.run("researcher", input={"topic": topic})
    draft = await orchestrator.run("writer", input={"topic": topic, "research": research_notes})
    review_notes = await orchestrator.run("reviewer", input={"draft": draft})

    print("=== 草稿 ===\n")
    print(draft)
    print("\n=== 審稿建議 ===\n")
    print(review_notes)

if __name__ == "__main__":
    topic = input("輸入技術主題：")
    asyncio.run(run_blog(topic))

行動：實際輸入你下週想寫的一個主題，看這個流程能不能生成一份你「願意再改一版就能上 blog」的草稿。

---

步驟 3：做成簡單 CLI 或排程

CLI（已經算一種）：

python run_blog.py

若要每天自動產出草稿，可以用 crontab：

crontab -e
# 每天早上 9 點產出一篇關於 Python 的文章
0 9 * * * cd /path/to/project && OPENAI_API_KEY=xxx python run_blog.py <<EOF
Python 非同步程式設計實戰
EOF

行動：先用 CLI 手動跑幾次，確認品質與 token 消耗，再考慮排程自動化。

---

適合誰用？幾個具體場景

• 工程師／資料工程師：
• 資料抓取 → 清洗 → 產出報表（多個 agent 分別負責）
• 專案 scaffold 生成 → 單元測試撰寫 → reviewer 檢查風險
• 技術寫作者 / Developer Advocate：
• 自動產出技術部落格初稿、Release Note、API 範例
• 內部平台團隊：
• 把既有的 CI/CD、監控 API 包成工具，讓 AI agent 幫忙查 log、整理 incident 報告

💡 關鍵： 只要你習慣在 ChatGPT 下一長串指令，就幾乎一定能拆成 multi‑agent workflow 減少來回與手動操作。

只要你目前已經在用 ChatGPT 做「一長串指令」，就適合把流程拆成 multi‑agent workflow 測試看看。

---

延伸應用：部署、成本控制、整合現有系統

1. 部署到雲端

• 用 FastAPI 或 Flask 包一層 HTTP API，把 orchestrator 暴露成 /run_flow endpoint
• 部署到 Render / Railway / Fly.io / 自家 Kubernetes，都只是一般 Python Web 服務部署流程

2. 控制成本與錯誤

• 限制 max_tokens / 模型：對只負責小任務的 agent 用較便宜的模型
• 加上 retry + logging：為 orchestrator 跑的每一步記錄 prompt、輸出與 token 使用
• 設定明確 instructions：讓 reviewer 僅輸出「建議清單」，避免重複生成整篇文章浪費 token

3. 與既有後端或 Slack Bot 整合

• 既有後端：在服務裡呼叫 orchestrator，把結果回寫資料庫或觸發其他工作
• Slack Bot：
• 用 Slack API 建一個 slash command /ai-team
• 收到指令後，把文字丟給 orchestrator，完成後再貼回頻道

行動：先選一個「已在跑的」後端流程（例如每週報表），先只把其中一段換成 agent 完成，觀察穩定度與成本。

---

怎麼開始：最快上手路徑

1. 看 GitHub README：https://github.com/openai/openai-agents-python
2. 先實作一個最小 demo：如本文的 blog flow 或「抓網頁 → 清洗 → 匯出 CSV」
3. 再慢慢拆更多 agent：把你原本寫在同一個 prompt 或腳本裡的步驟，一個一個拆成獨立角色

只要先完成一個「今晚就能跑起來」的小流程，你之後會很自然開始想：還有哪些工作可以交給這個 AI 小團隊做。

🚀 你現在可以做的事

• 打開專案，實作一個最小的 writer agent 並用單一呼叫產出一篇草稿
• 把你常用的一個內部或公開 HTTP API 包成 @tool，讓 agent 能直接呼叫
• 依照文中的 researcher → writer → reviewer 範例，寫出自己的第一個 orchestrator 流程並在本機跑一次