Google Cloud 台灣技術總經理 Harry Lin 談企業 Agent 能做什麼、不該做什麼，從 ROI、資料、平台、TPU 一路講到資安，最後給出明天就能動手的第一步。
重點
Agent 讓 AI 從唯讀變讀寫。Harry Lin 說過去的問答式 AI 只負責讀與匯總，真正動手還是人；模型進步加上 MCP、API、SaaS 工具能串接，AI 才開始能執行動作。
適合跨系統匯總與高頻流程。他舉的例子有機台 log、資安 log、出勤分析，以及客服要跨採購、維修、生產紀錄查設備問題。涉及商業決策風險的事，他不建議現階段完全交給 Agent。
Token 燒得多不等於 AI ready。針對 Token Maxxing，他的看法是要衡量 Agent 的動作回報了什麼，例如規劃或修問題的時間有沒有縮短，而不是用量。
資料問題可以反過來讓 AI 先處理。企業常見的是資料散落各系統，以及 schema、metadata 太少或全是縮寫。他提的做法是先讓 LLM 做一致性與格式的初步檢查，再由管理者決定怎麼改。
平台要涵蓋建置、擴展、治理、優化。他說 Gemini Enterprise Agent Platform 做這四件事，客製化可以走 UI 拖拉、vibe coding，或用 ADK 搭配 A2A 的高客製路線。
TPU 分兩張，資安分四層。第八代 TPU 分成訓練用的 8T 和推論用的 8i，8i 的 memory 是 training 的三倍；資安則用 Secure AI Framework 的四層來看，另外也要用 AI 做防禦。
時間軸 點時碼從那一段開始
- 從問答到 Agent哈利提到企業 AI 的重心從 chatbot 加 RAG 轉到 Agent。Harry Lin 說關鍵是模型進步，加上 MCP、API、SaaS 工具可串接，AI 從唯讀變成讀寫。
- Agent 現在適合做什麼適合跨系統資料匯總，以及高頻、標準化又能流程自動化的事。例子是各種 log 分析，和客服跨採購、維修、生產紀錄查設備問題。
- 商業決策不要全交給 Agent有商業決策風險的事現階段不建議完全交給 Agent。以寫程式為例，工程師的價值轉向定義好 spec，目標還是由人來設。
- Token Maxxing 與 ROI哈利提到企業開始質疑燒 Token 的效益。Harry Lin 說要看 Agent 動作的回報，並用寫 20 行對 200 行程式的例子說明，量的多寡不是品質。
- Agent 平台與多 Agent他建議從完整的平台規劃開始，含開發、執行、衡量觀察。未來會是分工的多 Agent，每個 Agent 要有 ID，並繼承使用者的資料權限。
- 資料散落與 AI for Data資料有孤島與品質兩個問題。他的做法是接上 LLM 先做一致性、格式的初步檢查，由管理者決定要不要執行。
- 舊資料庫要不要重做不用砍掉重練。他說 Google Cloud 幾乎所有服務都會支援 MCP Server，資料庫也內建向量與 embedding 能力，避免資料又被切成好幾份。
- 什麼時候需要客製 Agent需要特定領域知識或特殊業務場景時。他認為企業自己的資料與 domain know-how 才是最重要的資產，並用三班輪班的請假 Agent 當例子。
- 平台的四件事Build、Scale、Governance、Optimize。涵蓋 Agent ID 與權限控管，以及上線後對回應時間等指標的監控回饋。
- 客製化的三種做法UI 拖拉定義 super agent 與 sub-agent、vibe coding，以及用 ADK 搭配 A2A 的高客製路線。哈利認為高風險場景仍需要規則式系統。
- 模型選擇與開放性哈利問會不會只能用 Gemini。Harry Lin 說 Model Garden 能選 Gemini、OpenAI、Anthropic，從 TPU、BigQuery 到 ADK、A2A 每一層都主打開放。
- Google 為什麼這麼開放他的理由是 ecosystem，並舉 Android、TensorFlow、Kubernetes 為例。另外他個人觀察，Google 工程師起家，工程師喜歡分享。
- 第八代 TPU 為何分兩張8T 負責訓練、8i 負責推論。他用修煉與作戰比喻：訓練要高頻寬，推論要低延遲。
- TPU 適合 Agent 嗎哈利問兩年前設計的晶片能否應付 Agent。他回答 Agent 多輪互動會一直累積 context，所以 8i 的 memory 是 training 的三倍，SRAM 也比 8T 大三倍。
- AI 資安的四層用 Secure AI Framework 的資料來源、資料基礎設施、模型、應用四層來看。哈利分享自己用 OpenClaw 讀信時，只讓它看自己寄出或 CC 給它的信；Harry Lin 接著延伸到社交工程信件。
- 用 AI 做資安攻擊者已經用 AI 加速攻擊，防守方不用也會被灌爆。他說就算自動化只做到六七十 percent 也很好。
- 明天開始的第一步先設定可執行的小目標，找跨系統匯總或高頻重複的場景，再把平台當基礎。資料還沒準備好的話，那是基石中的基石。
- 培養 AI 人才從現有員工訓練起，公司裡懂業務的人特別珍貴。哈利問到 upskill 計畫，他介紹 Google 數位人才計畫。
值得記的話
▶ 02:50「也讓這個 LLM 像是這個 AI 長出了它的這個雙手」
▶ 08:45「並不是說你燒的 Token 越多你就越 AI ready」
▶ 12:35「未來絕對不會是一個所謂一統天下的大 Agent 就做所有的事情」
▶ 49:16「現在透過 AI 的這些 attack 來做的話它可以灌爆你，讓你疲於奔命」
▶ 50:42「一個會幾乎會飛會跑會做任何事情的變形金剛」
名詞與人物
- Harry Lin
- 來賓，Google Cloud 台灣技術總經理，長期協助企業導入雲端資料與 AI 技術。
- Token Maxxing
- 企業讓員工盡量燒 AI Token 的做法；哈利說今年三四月最紅，後來有企業開始質疑效益。
- Gemini Enterprise Agent Platform
- Harry Lin 介紹的平台，主打 Build、Scale、Governance、Optimize 四件事。
- Agent ID
- 每個 Agent 的身分識別，用來決定能讀哪些資料、做哪些事。
- ADK / A2A
- Google 開放的 Agent 開發套件與 Agent 之間溝通的協定，屬於高客製路線。
- Model Garden
- 平台上可選用多家模型的入口，Gemini、OpenAI、Anthropic 都在其中。
- TPU 8T / 8i
- 第八代 TPU 的兩張晶片，8T 負責訓練，8i 負責推論。
- Secure AI Framework
- Google 提出的 AI 資安框架，分資料來源、資料基礎設施、模型、應用四層。
- Prompt injection
- 用惡意輸入誤導模型講出或做出不該有的行為，這集也延伸到夾帶在信件裡的社交工程。
- Agent harness
- Harry Lin 說有點像對 Agent 的管控；哈利說每間企業自己做很複雜。
延伸
- Secure AI Framework 的四層，Harry Lin 只做概要介紹，並建議企業逐層深入了解。
- Agent 身分與權限繼承是他在平台與治理兩段反覆回到的基礎，節目沒有展開實作細節。