傳統 SaaS 的核心是規則引擎：用戶觸發，系統按照工程師預先寫死的邏輯執行。Agentic SaaS 的核心是語言模型作為決策引擎：工程師定義工具和邊界，LLM 在執行時動態決定「做什麼」「怎麼做」「何時停止」。這個差別看起來是技術實作的改變，實際上改變了整個產品的可預測性、成本結構與除錯方式。
傳統 SaaS vs Agentic SaaS：核心差別
| 維度 | 傳統 SaaS | Agentic SaaS |
|---|---|---|
| 執行邏輯 | 工程師寫死的規則與流程 | LLM 動態推理＋工具調用 |
| 輸出特性 | 確定性（相同輸入→相同輸出） | 非確定性（相同 prompt 可能產生不同結果） |
| 失敗模式 | Exception/Error，有 stack trace | 幻覺、幻覺工具調用、意外的 agent loop |
| 成本結構 | 以固定基礎建設成本為主 | 加上隨使用量線性增長的 LLM token 費用 |
| 除錯工具 | Logs、traces、debugger | 需要 LLM observability 工具（traces＋prompt logs＋span） |
| 可審計性 | 程式碼即決策邏輯，100% 可追溯 | 每次推理是黑盒，需要額外記錄 |
關鍵在於「誰在做決策」。傳統 SaaS 是工程師決策（以程式碼的形式固化），Agentic SaaS 是 LLM 決策（以每次推理的形式動態生成）。這不是改進，是取捨——換來的是更靈活的自然語言介面與更強的泛化能力，換掉的是確定性與完整可審計性。
三種 Agentic 程度
業界對「多 Agentic」有不同切法，以下是一種流傳較廣的粗分（這是主張，不是標準，不同文獻用語不一致）：
Copilot 模式 AI 建議，人決定。GitHub Copilot 的程式碼建議、Grammarly 的改寫建議屬於此類。LLM 介入在「建議」層，不執行任何有副作用的操作（不寫入資料庫、不發 API call）。延遲容忍度較高，成本相對可控，出錯後果由人類決策吸收。
Agent 模式 AI 執行多步驟操作，人在關鍵節點審核（human-in-the-loop）。多步驟法律文件審查、AI 客服升級到人工客服的判斷路徑、Devin 類 AI 工程師屬於此類。LLM 直接觸發工具調用（API call、資料庫寫入、email 發送），但在高風險動作前需要人類確認。
Autopilot 模式 AI 全自動執行，人設定邊界，事後稽核。排班優化、財務對帳自動化、定時監控報告屬於此類。需要嚴格的 guardrail、冪等性設計、完整 audit log。大部分商業 Agentic SaaS 不選擇把高風險業務放在這層。
大部分成熟的商業 Agentic SaaS 停留在 Agent 模式（有 human-in-the-loop）；Autopilot 多用在低風險、高重複性的後台任務。
從 Prompt 到多步驟工作流：四層建構路徑
第一層：Prompt Only 最基本型態：一個 system prompt＋user input → 一個 LLM 回應。適合生成文案、翻譯、簡單問答。無工具，無狀態，每次對話獨立。成本和延遲最低，但不能執行任何外部操作。
第二層：Tool Use（Function Calling） LLM 在回應中輸出「我要調用哪個工具、帶什麼參數」的決策，宿主程式執行後把結果傳回給 LLM。Anthropic 和 OpenAI 均以 JSON Schema 定義工具的 name、description、input_schema；模型在推理時讀懂描述後自行決定要不要調用、怎麼調用。工具描述的品質直接影響調用準確度——這是個可佐證的工程事實：模糊的工具描述顯著提高錯誤調用率。
第三層：Agent Loop（ReAct Pattern） LLM 進入「推理 → 行動 → 觀察 → 再推理」的迴圈，直到任務完成或達到終止條件。ReAct（Reason＋Act）是 Yao et al. 2022 年提出的框架，現已成為主流 agent 的基礎模式（原論文）。每次迭代：LLM 看到當前狀態 → 決定下一步行動 → 執行工具 → 把結果加入上下文 → 繼續推理。終止條件必須明確設定：迴圈本身沒有自然的結束點，若 LLM 判斷失誤會持續調用工具，最終耗盡 token 預算或產生巨額帳單。
第四層：多步驟工作流（Multi-step Workflow） 多個 agent 或 LLM 調用分工協作，由明確的狀態機或圖形控制流管理執行順序。LangGraph 用 directed graph 管理這一層：節點是 agent 或工具調用，邊是狀態轉移條件，全局共享一個 state 物件（LangGraph 文件）。適合需要平行執行、條件分支、或「子任務結果匯聚」的複雜業務流程。代價是顯著更高的複雜度、更難除錯的執行路徑。
不確定性的邊界
「Agentic SaaS」不是業界有統一定義的術語。市面上的描述從「任何帶 AI 功能的 SaaS」到「完全自主的 AI 工作者」都有人這樣稱呼。工程上比較有用的問法是：這個系統裡 LLM 的決策深度到哪裡？有幾層 agent loop？工具調用有副作用嗎？有沒有 human-in-the-loop？ 這些問題比標籤更能描述系統的真實特性與風險。
延伸
- Agent loop 與 orchestration 框架的具體實作 → Orchestration 與 Agent Loop
- 非確定性帶來的 UX 設計挑戰 → Streaming 與 Agentic UIUX
- 這些模式如何影響成本結構 → 計費、成本控制與毛利
- 全景與閱讀路徑 → AI Agentic SaaS 專欄首頁