---
title: "企業 AI Agent 上線前，FDE 必須先設計執行合約"
description: "企業 AI Agent 正走向多供應商、多工具協作。本文整理 FDE 如何用執行軌跡、權限邊界與政策治理，把 Agent 推進到可驗收的工作流，拆解工作、資料、工具、政策、評估與成果六種執行合約，說明為何可靠性是路徑屬性，並建議台灣企業從唯讀、只產草稿到需人工核准的 Agent 逐步開始。"
canonical: "https://yotron-ai.com/blog/enterprise-ai-agent-execution-contracts-fde"
published: "2026-08-19"
last-updated: "2026-08-19"
---

# 企業 AI Agent 上線前，FDE 必須先設計執行合約

企業 AI Agent 正走向多供應商、多工具協作。本文整理 FDE 如何用執行軌跡、權限邊界與政策治理，把 Agent 推進到可驗收的工作流，拆解工作、資料、工具、政策、評估與成果六種執行合約，說明為何可靠性是路徑屬性，並建議台灣企業從唯讀、只產草稿到需人工核准的 Agent 逐步開始。

**重點摘要**：AI Agent 正從單一工具進入企業工作流。A2A 加入 Agentic AI Foundation 代表 Agent 互通性正在標準化；新的 Agent 部署研究也提醒，企業不能只看最後答案，而要看完整執行軌跡、權限邊界與政策治理。對 FDE 來說，真正的交付不是一個精美的展示原型，而是一套可以被企業驗收、追蹤與持續改善的 Agent 執行合約。

本文是趨勢評論，不是產品新聞稿。以下外部主張皆附發布日期與來源；涉及研究論文的內容，會明確標示為 arXiv 論文，尚不等同同儕審查後的產業共識。

## AI Agent 正從 demo 進入企業工作流

過去一年，企業談 AI Agent 常停在兩種畫面：一種是 chatbot 回答問題，另一種是 demo 影片裡 AI 自動打開工具、完成任務。

但真正進入企業現場後，問題會變得更工程化：

- 這個 Agent 可以讀哪些資料？
- 可以呼叫哪些工具？
- 哪些動作需要人類批准？
- 它失敗時誰會知道？
- 它每一步是否能被回放與稽核？
- 最後產生的商業結果如何被驗收？

這些問題如果沒有先定義清楚，Agent 越能做事，風險也越高。

所以，企業 AI Agent 上線前，FDE 必須先設計一份「執行合約」。這裡的執行合約不是法律文件，而是一組可落地的工程規則：Agent 的目標、邊界、工具、資料、審批、紀錄與驗收方式。

## A2A 進入 AAIF：企業會走向多 Agent、多工具、多供應商

2026 年 8 月 17 日，Agentic AI Foundation 宣布 Agent2Agent Protocol（A2A）成為 hosted project。AAIF 官方公告將 A2A 定位為 inter-agent communication 的開放標準，讓不同框架、不同供應商建立的 Agents 可以互相發現、委派任務並交換工作。[來源：Agentic AI Foundation，2026-08-17](https://aaif.io/blog/a2a-joins-aaif)

Axios 同日報導，A2A 會與 Model Context Protocol（MCP）放在同一個 agentic AI 開放堆疊脈絡中；MCP 偏向處理 AI 應用與工具、資料的連接，A2A 則偏向處理獨立 Agents 之間的溝通。[來源：Axios，2026-08-17](https://www.axios.com/2026/08/17/a2a-agentic-ai-foundation-open-ai-standards)

這個趨勢對企業很重要。未來一家公司內部可能同時有：

- 客服 Agent：整理客服案件、產生回覆草稿
- 業務 Agent：查 CRM、整理商機與下一步
- 財務 Agent：協助分類發票與異常款項
- 知識庫 Agent：回答內部 SOP 與規格問題
- 報表 Agent：定時彙整營運指標
- 外部 SaaS Agent：由供應商提供特定能力

這些 Agent 不一定來自同一家公司，也不一定跑在同一個平台。企業不會只需要「一個很聰明的 Agent」，而是需要一個能讓多個 Agent、工具與人類角色安全協作的工作系統。

FDE 的價值，就是把這些能力從分散的展示原型，整理成可治理的正式工作流程。

## 不能只看最後答案，要看 Agent 的執行軌跡

2026 年 8 月 17 日，arXiv 論文 *Towards Risk-free AI Agent Deployment* 指出，LLM-based agents 正快速進入組織核心流程，但也帶來安全、合規與功能風險。作者主張，Agent 部署風險評估應該基於 trajectory，也就是 reasoning steps、tool invocations 與 environmental observations 的完整序列。[來源：arXiv:2608.16411，2026-08-17](https://arxiv.org/abs/2608.16411)

這個觀點非常貼近企業 AI 導入現場。

傳統軟體常用「輸入是否產生正確輸出」來驗收；但 Agent 不是單純函式。它會自己拆步驟、查資料、呼叫工具、處理例外，甚至把工作委派給其他 Agent。

因此，最後答案正確，不代表整個過程可靠。例如：

- 客服回覆正確，但中途讀到了不該讀的客戶資料
- 報價草稿合理，但使用了過期規格書
- 報表摘要看起來完整，但漏掉一個失敗的 API 查詢
- Agent 完成任務，但過程中反覆重試造成成本失控
- 結果可以交付，但沒有留下足夠紀錄供主管追查

這些問題只看最後輸出很難發現，必須看完整執行軌跡。

對 FDE 來說，這代表 Agent 上線前至少要設計五種紀錄：

1. **資料來源紀錄**：每次讀取哪些資料、版本與時間點。
2. **工具呼叫紀錄**：每次 tool call 的輸入、輸出、狀態與錯誤。
3. **權限判斷紀錄**：為什麼允許或拒絕某個操作。
4. **人工審批紀錄**：誰在什麼時間批准、退回或修改。
5. **成本與例外紀錄**：耗用多少資源、是否重試、是否啟用備援方案。

沒有這些紀錄，企業很難放心把 Agent 放進正式流程。

## 可靠性不是結果屬性，而是路徑屬性

同樣在 2026 年 8 月 17 日，另一篇 arXiv 論文 *A Policy Algebra for Trust-Preserving Agentic AI Execution* 提出一個關鍵觀念：企業 Agent 的可靠性不只是「有沒有完成任務」，而是完成任務的路徑也必須可信。作者指出，如果結果是透過未授權資料存取、擴張委派權限、未批准副作用、不可回收預算消耗或證據不足產生，就不能稱為可靠。[來源：arXiv:2608.16402，2026-08-17](https://arxiv.org/abs/2608.16402)

這正是企業最常低估的 Agent Governance 問題。

一個 Sales Agent 可以幫業務整理客戶資料，不代表它可以讀取所有客戶欄位。一個 Finance Agent 可以協助分類發票，不代表它可以直接觸發付款。一個 Support Agent 可以產生回覆草稿，不代表它可以自動承諾折扣、退貨或 SLA。

可靠 Agent 必須滿足兩件事：

- **能力可靠**：它能完成任務。
- **路徑可靠**：它用被允許、可追溯、可審核的方式完成任務。

很多企業 PoC 只驗證第一件事，所以上線時才發現第二件事才是瓶頸。

## FDE 應該如何設計 Agent 執行合約？

YOTRON 在看企業 AI Agent 專案時，會把執行合約拆成六個層次。

### 1. Workflow contract：先定義工作，不先定義工具

不要一開始就問「要用哪個模型」。先問：這個 Agent 要完成哪一段真實流程？

以 B2B 報價流程為例，Agent 不是「幫我寫報價 email」而已，而是可能包含：

1. 讀取客戶需求
2. 查詢歷史報價
3. 比對產品規格與交期
4. 產生報價草稿
5. 標記例外條件
6. 交給業務或主管審核
7. 寫回 CRM 或通知下一步

每一步都要定義輸入、輸出、負責角色與驗收條件。

### 2. Data contract：資料不是都能讀，也不是都可信

Agent 能讀資料，不代表所有資料都適合交給 Agent。

企業常見問題不是「沒有資料」，而是資料分散、版本不一致、權限不清楚：規格書在 Google Drive，報價邏輯在 Excel，客戶紀錄在 CRM，例外規則在資深員工腦中。

FDE 要先定義：

- 哪些資料是正式來源？
- 哪些資料只可參考，不能直接作為決策依據？
- 哪些欄位需要遮罩或排除？
- 哪些資料過期時必須拒絕回答？
- 回答時是否必須附引用來源？

這比單純做 RAG 更重要。沒有 Data contract，RAG 只是把混亂資料更快地送進 Agent。

### 3. Tool contract：每個工具都要有最小權限

Agent 呼叫工具時，工具本身必須被設計成安全邊界。

例如同樣是 CRM 工具，可以拆成：

- `search_customer`：只讀取客戶基本資料
- `list_open_deals`：只讀取進行中商機
- `create_followup_task`：只能建立待辦，不能修改金額
- `draft_quote_note`：只能產生草稿，不直接送出
- `request_approval`：把高風險動作送給人審

這種拆法比給 Agent 一把完整 CRM API key 安全得多。

### 4. Policy contract：哪些事情一定要人類批准？

企業導入 Agent 時，最重要的不是「全自動」，而是知道哪些地方不能全自動。

以下通常應該保留人工審批：

- 對外承諾價格、折扣、交期或法律條款
- 修改客戶主檔、付款資訊或合約狀態
- 寫入 ERP、MES、財務或人資系統
- 存取高敏感資料
- 異常成本或重試次數過高的任務
- Agent 信心不足或資料來源衝突的情況

FDE 的工作，是把這些政策轉成系統可以執行的防護規則，而不是只寫在文件裡。

### 5. Evaluation contract：測試案例要包含越權與失敗

很多 Agent 評估只測「正常任務能不能完成」，但企業更需要測不正常情境。

例如：

- 使用者要求 Agent 查不該查的資料
- 資料庫查詢失敗時，Agent 是否會假裝有結果
- 工具回傳空值時，Agent 是否會明確說明限制
- Agent 是否會繞過人審直接執行高風險動作
- 多個資料來源互相矛盾時，Agent 是否會停下來請人確認
- 成本或重試次數超過門檻時，Agent 是否會停止

這些案例不一定華麗，但它們決定 Agent 能不能進入正式營運。

### 6. Outcome contract：最後要回到商業結果

Agent 專案不能只用技術指標驗收。企業真正關心的是：

- 每週節省多少人力時間？
- 客服回覆速度是否變快？
- 報價錯誤是否降低？
- 業務是否更快跟進高價值商機？
- 主管是否更早看到異常？
- 客戶體驗是否改善？

FDE 要把 Agent 的工程設計接回商業結果。否則 Agent 可能很先進，但沒有人知道它到底創造了什麼價值。

## 台灣企業可以從哪裡開始？

如果你是台灣中小企業，不建議第一步就做全公司萬能 Agent。比較務實的起點是三種：

### 1. Read-only Agent

Agent 只能讀資料、整理摘要、附來源，不寫回系統。適合內部知識庫、規格查詢、客服案例搜尋。

### 2. Draft-only Agent

Agent 可以產生草稿，但需要人類確認後才對外送出或寫入系統。適合客服回覆、報價說明、業務後續追蹤、週報摘要。

### 3. Approval-gated Agent

Agent 可以準備完整動作，但高風險步驟必須送審。適合 CRM 更新、工單分派、異常通知、報表發布。

這三種模式可以逐步升級。先讓 Agent 在低風險流程中留下可靠軌跡，再慢慢增加權限，而不是一開始就追求全自動。

## 結語：企業需要的不是 Agent demo，而是可驗收的工作系統

A2A 進入 AAIF，代表 Agent 互通性正在進入標準化階段；同時，新的 Agent 部署研究也提醒我們，企業 AI 的關鍵不只是模型能力，而是執行路徑是否安全、合規、可追溯。

這正是 FDE 的核心價值。

FDE 不是只做 demo 的工程師，也不是只寫 prompt 的顧問。FDE 是把模型、工具、資料、人類審批與商業流程接起來的人。真正好的 FDE 交付，會讓企業清楚知道：Agent 可以做什麼、不能做什麼、怎麼被監控、怎麼被驗收，以及如何在出錯時被修正。

企業 AI Agent 要上線前，請先問一個問題：

這個 Agent 的執行合約寫清楚了嗎？

如果答案還不清楚，那就還沒有準備好進入正式營運。

## 參考來源

- Agentic AI Foundation, “A2A joins AAIF’s open agentic stack,” 2026-08-17. [https://aaif.io/blog/a2a-joins-aaif](https://aaif.io/blog/a2a-joins-aaif)
- Axios, “Exclusive: AI agents inch toward interoperability,” 2026-08-17. [https://www.axios.com/2026/08/17/a2a-agentic-ai-foundation-open-ai-standards](https://www.axios.com/2026/08/17/a2a-agentic-ai-foundation-open-ai-standards)
- arXiv, “Towards Risk-free AI Agent Deployment,” submitted 2026-08-17. [https://arxiv.org/abs/2608.16411](https://arxiv.org/abs/2608.16411)
- arXiv, “A Policy Algebra for Trust-Preserving Agentic AI Execution,” submitted 2026-08-17. [https://arxiv.org/abs/2608.16402](https://arxiv.org/abs/2608.16402)

---

## 相關推薦與延伸閱讀

- [Devin 自建 Mac 雲端支援 iOS 開發：AI 代理進入原生生態的關鍵條件](/blog/devin-macos-cloud-ios-agent-development)：Cognition 為 Devin Cloud 加入原生 macOS 虛擬化與 Xcode 模擬器支援。本文從底層虛擬化、TCC 權限治理、預熱機制到閉環驗證，
- [ego-lite 教學：ego browser 安裝與 Agent 瀏覽器自動化實戰，零搶焦點免重登入](/blog/ego-lite-agent-browser-automation)：ego-lite（ego browser）完整教學！解析專為 AI Agent 設計的 Chromium 瀏覽器，一鍵匯入 Chrome 登入態。本文提供 ma
- [Grok Bot 企業實戰：用 Routine 與 Bot 群組自動處理日報、面試提醒與客服交辦](/blog/grok-bot-routines-enterprise-playbook)：Grok Bot 的 Routine 是指派給單一 Bot 的定期或事件觸發任務，Skill 是可跨 Bot 重用的操作說明。本文以日報彙整、面試提醒與客服交辦